- 光学的な画像情報の流れを推定するための部分的なコストボリュームのアイデアを導入した点。3次元点群上に畳み込みを形成するのではなく、画像座標上に定義された規則的なグリッド上でコストボリュームを構造化 - マルチスケール3D-CNN正則化を用いて大規模な再検出フィールドをカバー、残差深度推定値の局所的な平滑化を促進することで、より高い精度を実現

- DTU datasetでの精度比較では、学習ベースで平均精度は最もよく、また平均完全性と全体的な再構成品質はジオメトリベースも含めて最も良い結果を示した。 - 同サイズの深度mapの条件で、Point-MVSNetより6倍速く，消費するGPUメモリは6倍少なくなる。また同時に精度も良い。

- 光学的なコストボリュームのアイデアを、三次元再構成に導入し、多くの指標でSOTAを実現した点。 - また、高精度でありながら省メモリ・高速化を実現している点。