従来のマルチビュー立体視（MVS）手法は、光度および幾何学的一貫性制約に大きく依存していますが、新しい機械学習ベースのMVS手法では、複数のソースビュー間での幾何学的一貫性チェックが後処理ステップでしか行われません。本論文では、学習中に異なるスケールの複数のソースビュー間で参照ビュー深度マップの幾何学的一貫性を明示的に促進する新規アプローチを提案します（図1参照）。我々は、この幾何学的一貫性損失を追加することで、幾何学的に一貫しないピクセルに対する明示的なペナルティを課すことで学習が大幅に加速することを見出しました。これにより、他のMVS手法と比較して訓練イテレーションの必要数がほぼ半分に削減されます。我々の広範な実験結果は、DTUおよびBlendedMVSデータセットにおいて新たな最先端の性能を達成し、Tanks and Templesベンチマークでも競争力のある結果を得ていることを示しています。当該研究者らの知識に基づく限り、GC-MVSNetは学習中にマルチビューかつマルチスケールの幾何学的一貫性を強制する最初の試みであると言えます。