本文提出了一种新型的多视角立体框架，消除了深度范围的先验假设。通过引入多视角视差注意模块，该方法显著提高了多视图几何约束的建模精度，实验结果表明其在多个基准数据集上表现优异，具有广泛的应用潜力。

本文介绍了一种新方法GC-MVSNet，通过鼓励多源视图的几何一致性，加速多视角立体（MVS）学习过程，达到了DTU和BlendedMVS数据集的最新技术水平，并在Tanks and Temples基准上取得了竞争力结果。该方法结合了匹配不确定性估计和几何一致性，显著提高了深度估计的准确性。

该文综述了单目与多视角深度估计及三维重建的多项研究，涵盖跨域语义、PatchMatch、深度注意力、MVS网络、TSAR-MVS、结构感知网络、ACVNet、IR结构光立体系统及自监督方法，这些方法在KITTI等数据集上均优于现有技术。

该文综述立体匹配与多视角立体中的代价聚合研究，主要贡献包括：提出两路神经网络视差匹配，在KITTI等数据集上超越当时最先进方法；利用匹配不确定性估计将遮挡信息融入MVS网络，提升严重遮挡下的深度精度；提出时间与内存高效的由粗到细立体方法；设计基于自注意力与相似度测量的高效MVS网络；提出金字塔MVS自适应视图聚合；提出CostFormer及RDACT、RRT模块以聚合长程特征；利用稀疏点与神经网络加速推理；提出局部与全局引导聚合层及GA-Net；构建通用跨尺度聚合框架；Point-MVSNet融合3D几何与2D纹理直接处理点云。