根据MVSnet论文[1]原文说明，点云评估主要从准确性和完整性两个方面来评估。

• 针对准确性的评估，采用平均距离指标来度量，具体指标分别为Acc、Comp、overall，准确性指标越低越好，表示R与G之间的距离越小，恢复的点云更准确。
• 针对完整性的评估，采用百分比指标来度量，具体指标分别为Acc、Comp、f-score或者precision、recall、f-score，完整性指标越高越好，表示R恢复的模型更加完整。
  
  MVSnet原文中没有给出具体指标的计算方式，在论文[2]中有距离度量的详细解释，在论文[3]中有百分比度量的具体计算公式。
• MVSnet论文评估结果中的距离度量指标（Mean distance metric）为Acc、Comp、overall。
  如下图（a），蓝色的表示是重建值R，绿色的表示真值G。
• Acc，根据重建点云R中的点，找点云真值G（结构光扫描真值）中对应的点，看距离有多近，评估点云准确性。如下图（b），对于R中的每一个顶点，在G上找最近的对应的点计算距离，红色部分不计算。
• Comp，根据G中的点，找R中有没有对应的点，G中的点有多少由R重建出，评估点云完整性。如下图（c），对于G中的每一个顶点，在R上找最近的对应点，计算距离，红色部分表示未被 R 覆盖。
• overall，综合考虑准确性和完整性，取Acc和Comp的平均值作为overall指标。
  
• MVSnet论文评估结果中的百分比度量指标（Percentage metric）为Acc、Comp、f-score，计算方式为论文[3]中的precision、recall、f-score。
• precision，衡量R到G的距离。公式（3）定义了R中的一个点r到G的距离，r到G中所有点的距离中，最小的距离就是r到整个G的距离。公式（4）定义了在阈值d下，R的precision，即对于R中的所有点，计算这些点到G的距离，统计所有距离小于d的点的个数，除以R中点的总个数后，乘以100，最终的结果可以转换成百分比。
• recall，衡量G 到 R的距离。公式（5）定义G中一个点g到R的距离，与公式（3）类似。公式（6）定义了在阈值d下，R的recall。与公式（4）类似。
  f-score，综合衡量precision和recall，如公式（7）定义。
  
  根据xy-guo开源（非MVSnet官方代码）的MVSnet-pytorch中的matlab评估代码，对D=192预训练权重测试22个scan生成的点云文件进行平均距离度量的评估，该评估代码仅实现了平均距离的评估。
  

注：该评估代码需要测试结果，即基于xy-guo开源的权重测试产生的点云文件，以及DTU数据集的SampleSet和Points两个数据集，其中SampleSet中有全部scan的mask和scan1、scan6的点云文件，而测试使用了22个scan，因此需要下载DTU官方数据中的Points数据，将其所有点云文件拷贝到SampleSet中。

• DTU数据集官网：https://roboimagedata.compute.dtu.dk/?page_id=36
  

用xy-guo开源的D=192的权重跑出来的评估效果与其介绍的有细微差距，指标差一点(蓝色字体所示)。

参考文献：
[1]YAO Y, LUO Z, LI S, et al. Mvsnet: Depth inference for unstructured multi-view stereo; proceedings of the Proceedings of the European conference on computer vision (ECCV), F, 2018 [C].
[2]SEITZ S M, CURLESS B, DIEBEL J, et al. A comparison and evaluation of multi-view stereo reconstruction algorithms; proceedings of the 2006 IEEE computer society conference on computer vision and pattern recognition (CVPR’06), F, 2006 [C]. IEEE.

[3] KNAPITSCH A, PARK J, ZHOU Q-Y, et al. Tanks and temples: Benchmarking large-scale scene reconstruction [J]. ACM Transactions on Graphics (ToG), 2017, 36(4): 1-13.