Neural renderingによって生成した画像とdepth mapを学習に使用する教師なしのMulti-view Stereoネットワークを提案。画像パッチ間のPhotometricな類似度を使用する従来手法に比べて、カメラ間で物体の見えが大きく異なる場合（例：鏡面反射やocclusion）でも正確な教師データを作成できる。