컴퓨터 비전의 핵심 문제 중 하나인 다중 시점 스테레오(Multi-view Stereo, MVS)는 2차원 이미지 집합으로부터 대상의 3차원 기하 구조를 복원하는 것을 목표로 한다. 최근 MVS 분야의 발전은 저텍스처 영역에서 기하 구조를 복원하기 위해 비국소적 구조 정보를 인식하는 것이 중요하다는 점을 보여주었다. 본 연구에서는 비국소적 다중 시점 스테레오를 위한 계층적 사전 정보 탐색 기법(Hierarchical Prior Mining for Non-local Multi-View Stereo, HPM-MVS)을 제안한다. 본 방법의 핵심 특징은 다음과 같은 비국소 정보를 활용하여 MVS 성능을 향상시키는 기술들이다. 1) 비국소적 확장 가능한 샘플링 패턴(Non-local Extensible Sampling Pattern, NESP): 국소 최적해에 갇히지 않으면서도 샘플링 영역의 크기를 적응적으로 조절할 수 있는 기법이다. 2) K-최근접 이웃(K-Nearest Neighbor, KNN) 기반의 평면 사전 모델을 활용하여 비국소적으로 신뢰할 수 있는 점들을 효과적으로 이용하고, 사전 구축이 어려운 영역에 대해 잠재적인 가정을 도출하는 새로운 접근 방식이다. 3) 계층적 사전 정보 탐색(Hierarchical Prior Mining, HPM) 프레임워크: 다양한 스케일에서 광범위한 비국소 사전 정보를 탐색하여 3차원 모델 복원을 지원하는 전략으로, 세부 구조 복원과 저텍스처 영역 처리 간에 우수한 균형을 달성할 수 있다. ETH3D 및 Tanks & Temples 데이터셋을 대상으로 수행한 실험 결과는 제안한 방법이 우수한 성능과 뛰어난 일반화 능력을 보임을 입증하였다. 본 연구의 코드는 공개될 예정이다.