Los LIDAR producen mediciones de profundidad, que son relativamente dispersas en comparación con las cámaras. Las soluciones de vanguardia actuales para aumentar la densidad de los mapas de profundidad derivados de LIDAR se basan en entrenar los modelos para una densidad de medición de entrada específica. Esta suposición puede ser fácilmente violada. El objetivo de este trabajo fue desarrollar una solución capaz de producir predicciones de profundidad razonablemente precisas mientras se utiliza una entrada con una amplia gama de densidades de información de profundidad. Con ese fin, definimos un Bloque Tejido capaz de propagar eficientemente la información de profundidad. Para lograr este objetivo, los Bloques Tejido utilizan núcleos de convolución horizontales y verticales largos y estrechos junto con convoluciones de punto inspiradas en MobileNet que sirven como núcleos computacionales. En este documento, presentamos la arquitectura WeaveNet para completar la profundidad guiada (LIDAR y cámara) y no guiada (solo LIDAR) así como un procedimiento de entrenamiento de red no estándar. Presentamos los resultados de la red en los conjuntos de prueba y validación de KITTI. Analizamos el rendimiento de la red en varios niveles de dispersión de entrada al eliminar aleatoriamente entre el 0% y el 99% de los puntos LIDAR de las entradas de la red, y en cada caso, obtenemos una salida de calidad razonable. Además, mostramos que los pesos de red entrenados pueden ser fácilmente reutilizados con un sensor LIDAR diferente.