Durante décadas, un área vital de investigación en visión por computadora ha sido la estereoscopía multivista (MVS), que crea modelos 3D de una escena utilizando fotografías. Este estudio presenta una red MVS efectiva para la reconstrucción 3D utilizando imágenes multivista. Las técnicas alternativas de reconstrucción basadas en el aprendizaje funcionan bien, porque las CNN (redes neuronales convolucionales) solo pueden extraer las características locales de la imagen; sin embargo, contienen muchos artefactos. Aquí, se utiliza un transformador y CNN para extraer las características globales y locales de la imagen, respectivamente. Además, se utilizaron módulos de agregación jerárquica e interacción heterogénea para mejorar estas características. Estos se basan en el transformador y pueden extraer características densas con consistencia 3D y contexto global que son necesarios para proporcionar un emparejamiento preciso para MVS.