Die Vollständigkeit von 3D-Modellen stellt weiterhin eine herausfordernde Aufgabe im Multi-View-Stereo (MVS) dar, da die photometrische Konsistenz in flächigen, texturarmen Bereichen oft unzuverlässig ist. Da texturarme Bereiche typischerweise eine starke Planarität aufweisen, bieten ebene Modelle einen Vorteil für die Tiefenschätzung in solchen Regionen. Andererseits ist das PatchMatch-Multi-View-Stereo aufgrund seines effizienten Sampling- und Propagationsverfahrens besonders leistungsfähig. In diesem Beitrag kombinieren wir die Vorteile ebener Modelle mit dem PatchMatch-Multi-View-Stereo und stellen einen neuen Ansatz vor: ein planarer Prior-assistiertes PatchMatch-Multi-View-Stereo-Framework. Genauer gesagt integrieren wir ebene Modelle mittels eines probabilistischen grafischen Modells in das PatchMatch-Multi-View-Stereo und führen eine neuartige, mehrere Ansichten aggregierende Match-Kostenfunktion ein. Diese neue Kostenfunktion berücksichtigt sowohl die photometrische Konsistenz als auch die Ebenenkompatibilität und eignet sich somit gut für die Tiefenschätzung sowohl in nicht-ebenen als auch in ebenen Regionen. Experimentelle Ergebnisse zeigen, dass unsere Methode die Tiefeninformation in extrem texturarmen Bereichen effizient rekonstruieren kann, wodurch hochvollständige 3D-Modelle erzielt und Leistungen auf dem Stand der Technik erreicht werden.