Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

CREStereo++_RVC	0.32 42	0.16 8	0.25 1	0.32 7	0.24 102	0.27 30	0.22 16	0.48 20	0.89 254	0.47 71	0.80 166	0.29 9	0.25 25	0.37 14	0.34 113	0.14 25	0.09 2	0.13 14	0.52 427	0.14 54	0.10 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.37 89	0.15 2	0.26 5	0.34 13	0.15 1	0.80 315	0.29 80	0.83 197	0.87 238	0.58 101	0.58 89	0.43 74	0.41 146	0.59 113	0.35 122	0.12 4	0.10 9	0.14 20	0.09 5	0.14 54	0.10 1

IGEV-Stereo++	0.22 1	0.16 8	0.29 11	0.38 64	0.20 24	0.22 5	0.18 2	0.44 9	0.36 22	0.23 2	0.29 12	0.24 4	0.17 1	0.28 2	0.23 4	0.12 4	0.10 9	0.12 2	0.10 15	0.12 4	0.11 3

RAStereo	0.25 2	0.17 16	0.33 18	0.40 120	0.21 33	0.24 9	0.26 54	0.45 11	0.46 70	0.23 2	0.34 25	0.30 11	0.19 6	0.34 9	0.26 19	0.15 79	0.12 104	0.16 80	0.13 70	0.14 54	0.11 3

Pointernet	0.27 10	0.15 2	0.35 25	0.36 36	0.23 69	0.35 94	0.21 9	0.74 165	0.41 48	0.39 38	0.37 28	0.34 31	0.25 25	0.37 14	0.27 37	0.15 79	0.11 49	0.12 2	0.09 5	0.11 1	0.11 3

U	3.17 452	0.17 16	0.35 25	0.41 142	0.71 420	57.93 484	0.20 3	0.43 8	0.39 34	0.26 5	0.23 2	0.23 3	0.22 14	0.26 1	0.22 1	0.16 120	0.10 9	0.74 427	0.13 70	0.13 20	0.11 3

AIO-Stereo	0.26 6	0.19 44	0.36 35	0.39 84	0.18 6	0.28 40	0.30 95	0.52 29	0.29 5	0.30 15	0.31 13	0.32 22	0.17 1	0.55 90	0.23 4	0.13 13	0.10 9	0.14 20	0.11 26	0.13 20	0.11 3

RSM++	0.26 6	0.19 44	0.36 35	0.37 47	0.21 33	0.28 40	0.29 80	0.54 39	0.34 13	0.26 5	0.23 2	0.36 44	0.21 11	0.52 78	0.24 9	0.12 4	0.11 49	0.14 20	0.12 42	0.14 54	0.11 3

RSM	0.26 6	0.19 44	0.35 25	0.37 47	0.21 33	0.27 30	0.33 140	0.55 42	0.28 3	0.26 5	0.25 4	0.38 48	0.20 9	0.59 113	0.23 4	0.12 4	0.10 9	0.14 20	0.11 26	0.14 54	0.11 3

trnet	0.28 16	0.15 2	0.25 1	0.29 2	0.16 2	0.38 116	0.23 28	0.53 34	0.77 178	0.43 59	0.52 69	0.34 31	0.28 48	0.39 18	0.27 37	0.15 79	0.11 49	0.12 2	0.08 1	0.11 1	0.11 3

Selective-IGEV	0.25 2	0.18 25	0.37 41	0.37 47	0.20 24	0.27 30	0.25 43	0.59 57	0.25 2	0.27 8	0.26 6	0.34 31	0.18 3	0.62 151	0.23 4	0.12 4	0.10 9	0.14 20	0.11 26	0.13 20	0.11 3

test-3	0.35 62	0.17 16	0.48 141	0.40 120	0.22 43	0.42 149	0.22 16	0.66 91	0.80 196	0.72 176	0.45 39	0.63 174	0.29 64	0.45 43	0.32 92	0.13 13	0.09 2	0.17 109	0.13 70	0.13 20	0.11 3

test_1	0.35 62	0.17 16	0.48 141	0.40 120	0.22 43	0.42 149	0.22 16	0.66 91	0.80 196	0.70 165	0.45 39	0.63 174	0.29 64	0.45 43	0.32 92	0.13 13	0.09 2	0.17 109	0.13 70	0.13 20	0.11 3

AnonymousM	0.42 154	0.86 419	0.31 14	0.35 19	0.23 69	0.30 55	0.37 193	0.56 48	0.44 60	0.72 176	0.50 56	0.47 94	0.29 64	0.42 32	0.35 122	0.16 120	0.12 104	1.51 440	0.32 380	0.12 4	0.11 3

XX-TBD	0.32 42	0.53 376	0.26 5	0.53 350	0.21 33	0.38 116	0.24 33	0.41 5	0.77 178	0.55 92	0.70 121	0.31 15	0.26 35	0.33 6	0.28 48	0.16 120	0.10 9	0.12 2	0.09 5	0.13 20	0.11 3

XX-Stereo	0.38 106	0.18 25	0.52 190	0.58 378	0.38 332	0.39 122	0.20 3	0.62 68	0.31 8	0.47 71	1.29 354	0.72 231	0.25 25	0.59 113	0.28 48	0.16 120	0.11 49	0.17 109	0.16 141	0.14 54	0.11 3

RAFT-Stereo + iAFF	0.37 89	0.18 25	0.45 104	0.36 36	0.19 12	0.33 85	0.28 72	0.67 102	0.77 178	0.72 176	0.99 259	0.56 127	0.39 138	0.44 38	0.31 85	0.11 1	0.09 2	0.15 59	0.14 93	0.13 20	0.11 3

GCAP-BAT	0.32 42	0.21 94	0.45 104	0.34 13	0.29 234	0.28 40	0.27 61	0.53 34	0.32 9	0.61 108	0.66 109	0.47 94	0.25 25	0.59 113	0.28 48	0.15 79	0.12 104	0.15 59	0.10 15	0.12 4	0.12 18

WCG-NET（raft）	0.31 38	0.16 8	0.39 50	0.33 11	0.19 12	0.35 94	0.27 61	0.54 39	0.79 188	0.45 63	0.55 81	0.47 94	0.27 40	0.56 96	0.28 48	0.13 13	0.10 9	0.12 2	0.11 26	0.12 4	0.12 18

RAFT-Stereo-weight	0.33 50	0.19 44	0.36 35	0.39 84	0.23 69	0.28 40	0.29 80	0.69 117	0.83 220	0.55 92	0.51 63	0.58 146	0.20 9	0.48 62	0.30 73	0.13 13	0.10 9	0.14 20	0.12 42	0.13 20	0.12 18

MaDis-Stereo	0.27 10	0.19 44	0.39 50	0.37 47	0.26 158	0.28 40	0.28 72	0.45 11	0.37 26	0.27 8	0.27 7	0.40 56	0.27 40	0.40 25	0.30 73	0.16 120	0.14 200	0.16 80	0.13 70	0.15 87	0.12 18

MIM_Stereo	0.39 119	0.18 25	0.59 243	0.38 64	0.25 128	0.27 30	0.24 33	0.72 146	0.56 96	0.72 176	1.00 263	0.62 169	0.29 64	0.67 194	0.39 166	0.13 13	0.14 200	0.17 109	0.16 141	0.14 54	0.12 18

CASnet	0.30 26	0.20 70	0.34 19	0.42 170	0.17 3	0.25 20	0.24 33	0.53 34	0.56 96	0.54 90	0.54 76	0.39 52	0.24 21	0.41 28	0.26 19	0.15 79	0.10 9	0.22 268	0.18 219	0.18 177	0.12 18
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
SPstereo	0.29 20	0.21 94	0.45 104	0.39 84	0.20 24	0.39 122	0.22 16	0.60 59	0.46 70	0.47 71	0.50 56	0.39 52	0.27 40	0.34 9	0.24 9	0.14 25	0.12 104	0.14 20	0.11 26	0.13 20	0.12 18

4D-IteraStereo	0.33 50	0.19 44	0.43 93	0.40 120	0.24 102	0.32 78	0.27 61	0.59 57	0.72 153	0.66 138	0.53 73	0.42 67	0.22 14	0.46 49	0.30 73	0.14 25	0.09 2	0.20 212	0.16 141	0.16 128	0.12 18

LoS	0.30 26	0.16 8	0.32 16	0.30 4	0.19 12	0.32 78	0.29 80	0.54 39	0.73 162	0.35 26	0.52 69	0.42 67	0.29 64	0.48 62	0.29 60	0.15 79	0.11 49	0.13 14	0.09 5	0.12 4	0.12 18
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
EGLCR-Stereo	0.27 10	0.17 16	0.36 35	0.35 19	0.21 33	0.37 111	0.20 3	0.58 54	0.37 26	0.29 10	0.28 10	0.42 67	0.18 3	0.47 55	0.27 37	0.14 25	0.10 9	0.16 80	0.14 93	0.13 20	0.12 18

MC-Stereo	0.29 20	0.18 25	0.35 25	0.40 120	0.21 33	0.26 22	0.26 54	0.53 34	0.40 43	0.38 35	0.61 97	0.41 61	0.31 79	0.57 103	0.27 37	0.14 25	0.10 9	0.14 20	0.12 42	0.12 4	0.12 18

RCA-Stereo	0.36 71	0.18 25	0.37 41	0.38 64	0.23 69	0.31 67	0.33 140	0.70 129	1.25 379	0.45 63	0.65 106	0.46 89	0.43 153	0.40 25	0.29 60	0.14 25	0.10 9	0.14 20	0.12 42	0.12 4	0.12 18

RAFT_CTSACE	0.46 188	0.20 70	0.48 141	0.46 267	0.27 190	0.34 92	0.39 224	0.62 68	0.74 168	0.78 217	1.44 378	0.86 280	0.38 123	1.09 354	0.27 37	0.13 13	0.13 166	0.18 146	0.16 141	0.16 128	0.12 18

test_4	0.37 89	0.19 44	0.34 19	0.45 243	0.26 158	0.20 3	0.34 149	0.58 54	0.42 53	0.60 104	1.45 381	0.43 74	0.26 35	0.67 194	0.29 60	0.12 4	0.10 9	0.17 109	0.19 244	0.15 87	0.12 18

GMOStereo	0.38 106	0.19 44	0.42 75	0.43 207	0.24 102	0.40 130	0.39 224	0.55 42	0.64 120	0.89 281	0.84 183	0.65 187	0.37 115	0.39 18	0.29 60	0.14 25	0.12 104	0.20 212	0.18 219	0.15 87	0.12 18

error version	0.38 106	0.19 44	0.42 75	0.43 207	0.24 102	0.40 130	0.39 224	0.55 42	0.64 120	0.89 281	0.84 183	0.65 187	0.37 115	0.39 18	0.29 60	0.14 25	0.12 104	0.20 212	0.18 219	0.15 87	0.12 18

test-v	0.38 106	0.19 44	0.42 75	0.43 207	0.24 102	0.40 130	0.39 224	0.55 42	0.64 120	0.89 281	0.84 183	0.65 187	0.37 115	0.39 18	0.29 60	0.14 25	0.12 104	0.20 212	0.18 219	0.15 87	0.12 18

test_3	0.37 89	0.19 44	0.50 161	0.45 243	0.24 102	0.47 170	0.36 180	0.69 117	0.84 221	0.66 138	0.46 42	0.68 209	0.25 25	0.45 43	0.32 92	0.12 4	0.10 9	0.18 146	0.16 141	0.15 87	0.12 18

IIG-Stereo	0.45 182	0.22 121	0.48 141	0.51 326	0.26 158	0.43 154	0.21 9	0.73 158	0.80 196	0.84 242	0.95 235	0.82 273	0.46 173	0.95 318	0.37 142	0.16 120	0.12 104	0.19 178	0.15 115	0.15 87	0.12 18

test-2	0.38 106	0.19 44	0.42 75	0.43 207	0.24 102	0.40 130	0.39 224	0.55 42	0.64 120	0.89 281	0.84 183	0.65 187	0.37 115	0.39 18	0.29 60	0.14 25	0.12 104	0.20 212	0.18 219	0.15 87	0.12 18

cross-raft	0.34 59	0.20 70	0.38 47	0.45 243	0.24 102	0.32 78	0.35 171	0.77 178	0.42 53	0.62 111	0.77 143	0.58 146	0.27 40	0.46 49	0.31 85	0.12 4	0.10 9	0.15 59	0.13 70	0.15 87	0.12 18

AFF-stereo	0.39 119	0.20 70	0.42 75	0.37 47	0.22 43	0.27 30	0.31 117	0.67 102	0.72 153	0.66 138	1.12 309	0.75 244	0.38 123	0.57 103	0.35 122	0.11 1	0.09 2	0.16 80	0.16 141	0.14 54	0.12 18

CFNet-RSSM	0.35 62	0.18 25	0.47 128	0.39 84	0.22 43	0.35 94	0.23 28	0.78 181	0.86 231	0.67 147	0.54 76	0.56 127	0.28 48	0.49 69	0.28 48	0.14 25	0.10 9	0.14 20	0.12 42	0.13 20	0.12 18

CREStereo	0.28 16	0.16 8	0.25 1	0.28 1	0.17 3	0.38 116	0.25 43	0.52 29	0.76 175	0.43 59	0.51 63	0.32 22	0.28 48	0.39 18	0.27 37	0.16 120	0.11 49	0.12 2	0.09 5	0.12 4	0.12 18
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.33 50	0.17 16	0.26 5	0.29 2	0.18 6	0.44 161	0.22 16	0.57 51	0.66 129	0.46 69	0.54 76	0.38 48	0.34 98	0.50 73	0.25 12	0.75 428	0.10 9	0.12 2	0.09 5	0.13 20	0.12 18

UGAM	0.54 266	0.23 145	0.51 170	0.46 267	0.26 158	0.40 130	0.52 324	0.65 87	1.19 371	0.78 217	1.15 319	1.38 390	0.56 214	1.03 346	0.56 268	0.18 182	0.15 221	0.25 311	0.21 284	0.15 87	0.13 43

WCG-NET	0.30 26	0.16 8	0.39 50	0.37 47	0.23 69	0.42 149	0.22 16	0.51 25	0.52 89	0.42 53	0.48 49	0.45 85	0.27 40	0.56 96	0.26 19	0.15 79	0.11 49	0.14 20	0.12 42	0.13 20	0.13 43

Occ-G	0.27 10	0.15 2	0.32 16	0.35 19	0.21 33	0.28 40	0.32 129	0.44 9	0.34 13	0.29 10	0.43 36	0.49 103	0.25 25	0.50 73	0.30 73	0.14 25	0.11 49	0.14 20	0.11 26	0.13 20	0.13 43

MoCha-V2	0.26 6	0.16 8	0.30 13	0.41 142	0.18 6	0.27 30	0.26 54	0.57 51	0.28 3	0.37 31	0.27 7	0.33 28	0.34 98	0.56 96	0.23 4	0.12 4	0.10 9	0.12 2	0.10 15	0.13 20	0.13 43

plain	0.32 42	0.21 94	0.59 243	0.40 120	0.29 234	0.27 30	0.30 95	0.46 15	0.36 22	0.32 20	0.66 109	0.31 15	0.33 92	0.68 203	0.32 92	0.18 182	0.13 166	0.20 212	0.15 115	0.18 177	0.13 43

MSKI-zero shot	0.33 50	0.19 44	0.36 35	0.41 142	0.22 43	0.32 78	0.22 16	0.65 87	0.45 64	0.52 82	0.64 104	0.60 160	0.19 6	0.78 264	0.27 37	0.14 25	0.11 49	0.14 20	0.10 15	0.13 20	0.13 43

UniTT-Stereo	0.27 10	0.18 25	0.40 62	0.40 120	0.28 211	0.30 55	0.28 72	0.40 3	0.33 11	0.30 15	0.46 42	0.27 7	0.25 25	0.48 62	0.35 122	0.17 150	0.13 166	0.14 20	0.12 42	0.14 54	0.13 43

DLNR_Zeroshot_test	20.12 473	36.36 479	38.38 477	170.13 485	62.28 481	0.22 5	0.20 3	13.43 472	0.40 43	0.45 63	0.66 109	0.42 67	0.21 11	0.64 168	0.32 92	5.57 470	0.10 9	0.15 59	0.11 26	72.31 484	0.13 43

testlalala	0.29 20	0.20 70	0.45 104	0.34 13	0.24 102	0.44 161	0.29 80	0.50 23	0.30 6	0.70 165	0.50 56	0.35 37	0.25 25	0.33 6	0.25 12	0.15 79	0.11 49	0.14 20	0.09 5	0.12 4	0.13 43

AEACV	0.28 16	0.18 25	0.34 19	0.36 36	0.45 371	0.27 30	0.27 61	0.41 5	0.39 34	0.31 17	0.46 42	0.31 15	0.36 111	0.38 17	0.25 12	0.14 25	0.11 49	0.15 59	0.13 70	0.13 20	0.13 43

Any-RAFT	0.36 71	0.17 16	0.31 14	0.35 19	0.21 33	0.51 182	0.21 9	0.93 229	0.75 171	0.56 95	0.73 125	0.66 199	0.29 64	0.48 62	0.25 12	0.15 79	0.10 9	0.13 14	0.10 15	0.13 20	0.13 43

RAFT-Test	0.35 62	0.19 44	0.42 75	0.39 84	0.24 102	0.50 177	0.23 28	0.74 165	0.44 60	0.62 111	0.85 191	0.64 181	0.28 48	0.48 62	0.30 73	0.14 25	0.11 49	0.14 20	0.11 26	0.13 20	0.13 43

raft_robust	0.41 147	0.24 166	0.39 50	0.43 207	0.22 43	0.40 130	0.33 140	0.80 188	0.98 303	0.80 224	0.88 205	0.41 61	0.32 86	0.89 298	0.30 73	0.14 25	0.12 104	0.16 80	0.18 219	0.15 87	0.13 43

TRStereo	0.39 119	0.32 298	0.64 263	0.49 303	0.41 348	0.30 55	0.30 95	0.97 243	0.63 116	0.53 89	0.43 36	0.52 112	0.26 35	0.77 256	0.29 60	0.18 182	0.12 104	0.19 178	0.19 244	0.13 20	0.13 43

AAGNet	1.40 420	0.20 70	0.52 190	0.45 243	0.26 158	0.29 49	0.29 80	0.67 102	0.71 151	0.97 326	0.86 195	0.66 199	0.60 237	0.66 184	19.98 471	0.17 150	0.11 49	0.19 178	0.15 115	0.20 229	0.13 43

OMP-Stereo	0.43 167	0.23 145	0.50 161	0.53 350	0.25 128	0.36 101	0.24 33	0.73 158	0.81 205	0.78 217	0.64 104	0.88 290	0.41 146	0.95 318	0.36 133	0.15 79	0.12 104	0.20 212	0.15 115	0.16 128	0.13 43

RAFT-345	0.41 147	0.19 44	0.42 75	0.39 84	0.23 69	0.32 78	0.25 43	0.62 68	0.56 96	0.74 190	1.77 404	0.44 77	0.35 105	0.67 194	0.37 142	0.14 25	0.11 49	0.18 146	0.14 93	0.14 54	0.13 43

CroCo-Stereo	0.27 10	0.23 145	0.40 62	0.49 303	0.22 43	0.20 3	0.29 80	0.55 42	0.45 64	0.29 10	0.27 7	0.42 67	0.26 35	0.30 3	0.26 19	0.15 79	0.13 166	0.13 14	0.12 42	0.16 128	0.13 43
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
iRaftStereo_RVC	0.33 50	0.20 70	0.40 62	0.40 120	0.23 69	0.31 67	0.29 80	0.70 129	0.55 95	0.49 76	0.66 109	0.37 45	0.23 18	0.47 55	0.33 102	0.14 25	0.11 49	0.19 178	0.17 191	0.16 128	0.13 43

raft+_RVC	0.38 106	0.20 70	0.38 47	0.39 84	0.27 190	0.44 161	0.35 171	0.81 190	0.90 258	0.52 82	0.78 151	0.50 105	0.29 64	0.56 96	0.41 191	0.15 79	0.12 104	0.17 109	0.15 115	0.14 54	0.13 43

EAI-Stereo	0.36 71	0.21 94	0.46 117	0.40 120	0.22 43	0.33 85	0.36 180	1.22 336	0.32 9	0.52 82	0.75 139	0.35 37	0.28 48	0.65 175	0.30 73	0.14 25	0.11 49	0.14 20	0.14 93	0.14 54	0.13 43

Gwc-CoAtRS	0.35 62	0.18 25	0.46 117	0.39 84	0.23 69	0.34 92	0.22 16	0.74 165	0.77 178	0.62 111	0.60 94	0.58 146	0.29 64	0.47 55	0.29 60	0.14 25	0.11 49	0.14 20	0.12 42	0.13 20	0.13 43

HITNet	0.43 167	0.27 245	0.50 161	0.34 13	0.18 6	0.65 260	0.32 129	0.99 248	0.70 145	0.73 183	0.86 195	0.66 199	0.56 214	0.61 131	0.47 224	0.14 25	0.10 9	0.15 59	0.13 70	0.18 177	0.13 43
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
UGAM-zero	0.48 206	0.21 94	0.66 270	0.38 64	0.23 69	0.36 101	0.22 16	1.30 365	0.43 57	0.67 147	0.61 97	1.74 414	0.89 361	0.79 266	0.27 37	0.15 79	0.12 104	0.15 59	0.12 42	0.13 20	0.14 66

rvit_stereo_0081	0.33 50	0.25 197	0.49 149	0.43 207	0.26 158	0.31 67	0.37 193	0.45 11	0.56 96	0.37 31	0.40 31	0.39 52	0.38 123	0.44 38	0.35 122	0.22 271	0.16 245	0.19 178	0.16 141	0.20 229	0.14 66

model_zeroshot	0.35 62	0.20 70	0.56 225	0.41 142	0.30 257	0.51 182	0.26 54	0.69 117	0.48 78	0.65 133	0.51 63	0.52 112	0.25 25	0.46 49	0.27 37	0.17 150	0.13 166	0.15 59	0.14 93	0.13 20	0.14 66

rvit_stereo_0082	0.33 50	0.25 197	0.49 149	0.43 207	0.26 158	0.31 67	0.37 193	0.45 11	0.56 96	0.37 31	0.40 31	0.39 52	0.38 123	0.44 38	0.35 122	0.22 271	0.16 245	0.19 178	0.16 141	0.20 229	0.14 66

gcap-zeroshot	0.35 62	0.20 70	0.61 249	0.39 84	0.23 69	0.53 193	0.27 61	0.58 54	0.35 16	0.64 128	0.49 55	0.87 286	0.34 98	0.49 69	0.25 12	0.14 25	0.12 104	0.15 59	0.12 42	0.13 20	0.14 66

testlalala2	0.37 89	0.19 44	0.45 104	0.94 426	0.56 400	0.45 166	0.25 43	0.64 85	0.51 88	0.69 159	0.57 86	0.44 77	0.24 21	0.35 11	0.33 102	0.15 79	0.13 166	0.14 20	0.10 15	0.13 20	0.14 66

MGS-Stereo	0.29 20	0.20 70	0.42 75	0.37 47	0.24 102	0.37 111	0.30 95	0.40 3	0.50 84	0.32 20	0.51 63	0.40 56	0.24 21	0.45 43	0.28 48	0.16 120	0.12 104	0.15 59	0.13 70	0.15 87	0.14 66

IGEV++	0.25 2	0.17 16	0.35 25	0.40 120	0.23 69	0.24 9	0.23 28	0.56 48	0.24 1	0.29 10	0.36 27	0.30 11	0.22 14	0.33 6	0.29 60	0.14 25	0.10 9	0.14 20	0.10 15	0.13 20	0.14 66

AE-Stereo	0.36 71	0.21 94	0.47 128	0.49 303	0.31 269	0.50 177	0.34 149	0.72 146	0.73 162	0.34 24	0.55 81	0.52 112	0.28 48	0.48 62	0.31 85	0.13 13	0.13 166	0.18 146	0.16 141	0.15 87	0.14 66

rrr	0.31 38	0.24 166	0.56 225	0.36 36	0.27 190	0.38 116	0.31 117	0.56 48	0.44 60	0.39 38	0.31 13	0.35 37	0.27 40	0.62 151	0.25 12	0.16 120	0.12 104	0.16 80	0.13 70	0.14 54	0.14 66

IGEV_Zeroshot_test	0.36 71	0.19 44	0.71 295	0.41 142	0.29 234	0.30 55	0.25 43	0.86 204	0.40 43	0.64 128	0.57 86	0.56 127	0.25 25	0.56 96	0.29 60	0.15 79	0.11 49	0.16 80	0.14 93	0.14 54	0.14 66

HH	0.37 89	0.22 121	0.49 149	0.41 142	0.26 158	0.36 101	0.30 95	0.87 205	0.41 48	0.45 63	0.59 91	0.78 258	0.43 153	0.77 256	0.26 19	0.15 79	0.11 49	0.15 59	0.14 93	0.14 54	0.14 66

HanStereo	0.37 89	0.22 121	0.49 149	0.41 142	0.26 158	0.36 101	0.30 95	0.87 205	0.41 48	0.45 63	0.59 91	0.78 258	0.43 153	0.77 256	0.26 19	0.15 79	0.11 49	0.15 59	0.14 93	0.14 54	0.14 66

LL-Strereo2	0.36 71	0.25 197	0.52 190	0.43 207	0.27 190	0.36 101	0.27 61	0.70 129	0.46 70	0.55 92	0.53 73	0.65 187	0.24 21	0.69 209	0.32 92	0.14 25	0.13 166	0.23 286	0.20 265	0.19 212	0.14 66

Selective-RAFT	0.36 71	0.23 145	0.54 211	0.45 243	0.22 43	0.64 253	0.27 61	0.62 68	0.65 126	0.41 51	0.38 30	0.55 121	0.39 138	0.59 113	0.36 133	0.14 25	0.12 104	0.14 20	0.12 42	0.16 128	0.14 66

ProNet	0.30 26	0.22 121	0.41 67	0.36 36	0.25 128	0.33 85	0.42 261	0.62 68	0.41 48	0.33 22	0.31 13	0.32 22	0.28 48	0.60 125	0.28 48	0.13 13	0.11 49	0.16 80	0.13 70	0.13 20	0.14 66

TestStereo1	0.44 173	0.24 166	0.45 104	0.52 342	0.25 128	0.35 94	0.40 236	0.81 190	0.94 282	0.70 165	0.96 239	0.48 99	0.45 166	0.94 313	0.33 102	0.16 120	0.13 166	0.18 146	0.16 141	0.15 87	0.14 66

SA-5K	0.44 173	0.24 166	0.45 104	0.52 342	0.25 128	0.35 94	0.40 236	0.81 190	0.94 282	0.70 165	0.96 239	0.48 99	0.45 166	0.94 313	0.33 102	0.16 120	0.13 166	0.18 146	0.16 141	0.15 87	0.14 66

Sa-1000	0.49 219	0.25 197	0.45 104	0.46 267	0.25 128	0.64 253	0.34 149	0.85 201	0.95 286	0.85 254	1.51 388	0.55 121	0.44 159	0.94 313	0.31 85	0.16 120	0.12 104	0.21 255	0.20 265	0.15 87	0.14 66

SA	0.45 182	0.26 229	0.50 161	0.47 286	0.24 102	0.46 168	0.36 180	0.79 186	1.00 310	0.61 108	1.04 282	0.50 105	0.50 188	0.98 330	0.33 102	0.16 120	0.13 166	0.21 255	0.19 244	0.15 87	0.14 66

GLC_STEREO	0.30 26	0.20 70	0.28 9	0.44 231	0.19 12	0.31 67	0.25 43	0.49 21	0.43 57	0.37 31	0.47 47	0.40 56	0.23 18	0.51 77	0.37 142	0.15 79	0.18 289	0.19 178	0.16 141	0.16 128	0.14 66

IPLG	0.40 133	0.21 94	0.64 263	0.41 142	0.25 128	0.54 200	0.27 61	0.77 178	0.68 136	0.85 254	0.82 175	0.33 28	0.32 86	0.64 168	0.49 237	0.13 13	0.11 49	0.16 80	0.14 93	0.14 54	0.14 66

MIPNet	0.39 119	0.22 121	0.66 270	0.40 120	0.25 128	0.53 193	0.29 80	0.78 181	0.74 168	0.68 156	0.60 94	0.40 56	0.48 181	0.45 43	0.39 166	0.14 25	0.11 49	0.16 80	0.13 70	0.14 54	0.14 66

IPLGR	0.40 133	0.22 121	0.70 293	0.40 120	0.22 43	0.51 182	0.29 80	0.78 181	0.78 182	0.80 224	0.77 143	0.44 77	0.41 146	0.48 62	0.40 186	0.14 25	0.12 104	0.16 80	0.14 93	0.16 128	0.14 66

STrans-v2	0.47 197	0.21 94	0.49 149	0.41 142	0.25 128	0.54 200	0.49 309	1.16 308	0.82 215	0.67 147	1.05 285	0.71 216	0.67 276	0.74 232	0.34 113	0.15 79	0.11 49	0.17 109	0.15 115	0.14 54	0.14 66

PFNet	0.43 167	0.19 44	0.61 249	0.44 231	0.24 102	0.42 149	0.31 117	0.76 173	0.81 205	1.01 337	0.74 137	0.67 206	0.41 146	0.75 239	0.39 166	0.16 120	0.10 9	0.20 212	0.15 115	0.16 128	0.14 66

RAFT-RH_RVC	0.57 288	0.18 25	0.44 98	0.38 64	0.23 69	0.56 210	0.24 33	0.61 65	0.73 162	1.18 380	3.90 450	0.55 121	0.40 142	0.67 194	0.38 157	0.14 25	0.11 49	0.20 212	0.15 115	0.12 4	0.14 66

RAFT	0.46 188	0.23 145	0.52 190	0.48 294	0.27 190	0.55 205	0.47 292	0.68 107	0.60 113	0.83 236	0.82 175	1.00 321	0.56 214	0.76 249	0.37 142	0.18 182	0.16 245	0.22 268	0.20 265	0.16 128	0.14 66

TestStereo	0.39 119	0.32 298	0.42 75	0.45 243	0.20 24	0.41 140	0.38 209	0.69 117	0.66 129	0.56 95	0.78 151	0.48 99	0.43 153	0.59 113	0.37 142	0.18 182	0.13 166	0.20 212	0.15 115	0.23 281	0.14 66

raftrobust	0.35 62	0.20 70	0.39 50	0.43 207	0.29 234	0.31 67	0.25 43	0.73 158	0.66 129	0.59 102	0.56 84	0.44 77	0.45 166	0.55 90	0.31 85	0.16 120	0.12 104	0.14 20	0.12 42	0.12 4	0.14 66

RALAANet	0.40 133	0.24 166	0.56 225	0.43 207	0.30 257	0.36 101	0.25 43	0.89 212	0.69 143	0.69 159	0.65 106	0.61 162	0.30 76	0.63 161	0.35 122	0.16 120	0.13 166	0.18 146	0.15 115	0.21 240	0.14 66

test_xeample3	0.31 38	0.23 145	0.56 225	0.36 36	0.26 158	0.35 94	0.32 129	0.60 59	0.38 30	0.44 62	0.32 17	0.33 28	0.28 48	0.66 184	0.27 37	0.14 25	0.12 104	0.16 80	0.12 42	0.14 54	0.14 66

ARAFT	0.48 206	0.25 197	0.82 328	0.42 170	0.25 128	0.56 210	0.54 334	0.82 195	0.82 215	0.92 296	0.75 139	0.75 244	0.48 181	0.89 298	0.37 142	0.15 79	0.12 104	0.23 286	0.22 304	0.14 54	0.14 66

R-Stereo Train	0.40 133	0.19 44	0.47 128	0.43 207	0.27 190	0.41 140	0.31 117	0.74 165	0.38 30	0.90 288	1.28 350	0.58 146	0.35 105	0.43 35	0.35 122	0.15 79	0.13 166	0.14 20	0.12 42	0.14 54	0.14 66

RAFT-Stereo	0.40 133	0.19 44	0.47 128	0.43 207	0.27 190	0.41 140	0.31 117	0.74 165	0.38 30	0.90 288	1.28 350	0.58 146	0.35 105	0.43 35	0.35 122	0.15 79	0.13 166	0.14 20	0.12 42	0.14 54	0.14 66
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RASNet	0.57 288	0.24 166	0.61 249	0.39 84	0.23 69	0.71 286	0.40 236	1.02 258	0.93 275	0.77 206	1.05 285	1.05 337	0.98 377	0.99 335	1.03 368	0.16 120	0.14 200	0.14 20	0.17 191	0.15 87	0.14 66

MLCV	0.49 219	0.26 229	0.73 305	0.38 64	0.18 6	0.64 253	0.33 140	0.84 200	0.89 254	0.96 323	1.12 309	0.72 231	0.45 166	1.00 340	0.59 281	0.14 25	0.10 9	0.14 20	0.11 26	0.14 54	0.14 66

rvit_stereo_0083	0.34 59	0.25 197	0.53 198	0.45 243	0.28 211	0.35 94	0.35 171	0.47 19	0.64 120	0.38 35	0.47 47	0.42 67	0.37 115	0.41 28	0.39 166	0.22 271	0.20 314	0.20 212	0.17 191	0.21 240	0.15 103

rvit_stereo_0081_aga	0.32 42	0.29 273	0.50 161	0.43 207	0.29 234	0.36 101	0.32 129	0.46 15	0.42 53	0.40 48	0.44 38	0.41 61	0.34 98	0.43 35	0.31 85	0.23 293	0.17 277	0.19 178	0.16 141	0.20 229	0.15 103

rvit_stereo_ft	0.35 62	0.26 229	0.54 211	0.53 350	0.32 291	0.33 85	0.46 284	0.52 29	0.52 89	0.35 26	0.41 33	0.41 61	0.34 98	0.49 69	0.36 133	0.22 271	0.14 200	0.19 178	0.18 219	0.19 212	0.15 103

H2IRNET	0.38 106	0.21 94	0.36 35	0.39 84	0.25 128	0.26 22	0.24 33	0.61 65	0.74 168	0.39 38	0.89 208	0.74 239	0.53 197	0.53 81	0.44 205	0.16 120	0.13 166	0.19 178	0.20 265	0.17 152	0.15 103

CoDeX	0.48 206	0.21 94	0.53 198	0.43 207	0.25 128	0.74 297	0.38 209	1.36 382	0.82 215	0.84 242	0.96 239	0.63 174	0.57 225	0.63 161	0.40 186	0.17 150	0.13 166	0.17 109	0.15 115	0.16 128	0.15 103

MIF-Stereo (partial)	0.32 42	0.19 44	0.41 67	0.41 142	0.32 291	0.29 49	0.24 33	0.49 21	0.44 60	0.31 17	0.63 101	0.37 45	0.36 111	0.60 125	0.32 92	0.17 150	0.13 166	0.19 178	0.17 191	0.18 177	0.15 103

testlalala_base	0.49 219	0.26 229	0.44 98	0.47 286	0.34 313	0.57 218	0.26 54	0.60 59	0.37 26	0.52 82	0.56 84	0.46 89	0.31 79	0.45 43	0.33 102	1.56 447	0.11 49	0.14 20	0.10 15	1.85 439	0.15 103

DCRE	0.38 106	0.19 44	0.47 128	0.45 243	0.33 303	0.45 166	0.40 236	0.66 91	0.53 93	0.49 76	0.95 235	0.57 131	0.39 138	0.53 81	0.32 92	0.14 25	0.13 166	0.15 59	0.14 93	0.14 54	0.15 103

DCANet-4	0.38 106	0.22 121	0.58 235	0.35 19	0.19 12	0.30 55	0.30 95	0.69 117	0.97 298	0.70 165	0.79 156	0.40 56	0.46 173	0.46 49	0.37 142	0.14 25	0.10 9	0.14 20	0.11 26	0.12 4	0.15 103

fff	0.39 119	0.18 25	0.46 117	0.35 19	0.19 12	0.30 55	0.30 95	0.73 158	1.08 342	0.70 165	0.79 156	0.44 77	0.62 246	0.47 55	0.37 142	0.14 25	0.10 9	0.14 20	0.11 26	0.12 4	0.15 103

ADStereo(finetuned)	0.39 119	0.18 25	0.58 235	0.35 19	0.19 12	0.30 55	0.30 95	0.72 146	0.96 293	0.72 176	0.77 143	0.45 85	0.68 284	0.46 49	0.36 133	0.14 25	0.10 9	0.14 20	0.11 26	0.13 20	0.15 103

RAFT+CT+SA	0.40 133	0.24 166	0.40 62	0.53 350	0.27 190	0.28 40	0.45 281	0.79 186	0.81 205	0.51 79	0.90 214	0.42 67	0.39 138	0.81 274	0.33 102	0.15 79	0.11 49	0.18 146	0.18 219	0.15 87	0.15 103

iRaft-Stereo_20w	0.42 154	0.20 70	0.63 259	0.39 84	0.27 190	0.33 85	0.25 43	1.76 429	0.37 26	0.73 183	0.53 73	0.63 174	0.42 151	0.86 289	0.29 60	0.14 25	0.11 49	0.14 20	0.13 70	0.15 87	0.15 103

TransformOpticalFlow	0.46 188	0.21 94	0.49 149	0.42 170	0.24 102	0.36 101	0.46 284	1.04 264	0.84 221	0.67 147	1.14 317	0.73 235	0.56 214	0.78 264	0.33 102	0.15 79	0.10 9	0.17 109	0.15 115	0.14 54	0.15 103

NRIStereo	0.37 89	0.21 94	0.49 149	0.42 170	0.23 69	0.33 85	0.25 43	0.68 107	0.59 106	0.65 133	0.63 101	0.55 121	0.37 115	0.67 194	0.40 186	0.16 120	0.12 104	0.18 146	0.15 115	0.17 152	0.15 103

SST-Stereo	0.41 147	0.20 70	0.48 141	0.43 207	0.25 128	0.25 20	0.21 9	0.68 107	0.50 84	1.08 364	0.79 156	0.71 216	0.42 151	0.81 274	0.38 157	0.17 150	0.11 49	0.20 212	0.16 141	0.19 212	0.15 103

RAFT_R40	0.41 147	0.20 70	0.47 128	0.44 231	0.25 128	0.23 8	0.25 43	0.69 117	0.70 145	0.98 329	0.78 151	0.72 231	0.43 153	0.80 269	0.39 166	0.17 150	0.11 49	0.20 212	0.16 141	0.18 177	0.15 103

IRAFT_RVC	0.43 167	0.20 70	0.52 190	0.45 243	0.24 102	0.26 22	0.51 318	0.76 173	0.78 182	0.77 206	0.80 166	0.73 235	0.50 188	0.74 232	0.39 166	0.18 182	0.10 9	0.21 255	0.17 191	0.17 152	0.15 103

TANstereo	0.31 38	0.16 8	0.34 19	0.31 5	0.17 3	0.55 205	0.23 28	0.46 15	0.56 96	0.60 104	0.69 118	0.37 45	0.26 35	0.36 13	0.28 48	0.16 120	0.16 245	0.13 14	0.10 15	0.14 54	0.15 103

DCANet	0.38 106	0.18 25	0.46 117	0.35 19	0.19 12	0.30 55	0.30 95	0.72 146	0.96 293	0.72 176	0.77 143	0.45 85	0.56 214	0.47 55	0.36 133	0.14 25	0.10 9	0.14 20	0.11 26	0.13 20	0.15 103

csc	0.39 119	0.18 25	0.46 117	0.35 19	0.19 12	0.30 55	0.30 95	0.73 158	1.08 342	0.70 165	0.79 156	0.44 77	0.62 246	0.47 55	0.37 142	0.14 25	0.10 9	0.14 20	0.11 26	0.12 4	0.15 103

cscssc	0.39 119	0.18 25	0.46 117	0.35 19	0.19 12	0.30 55	0.30 95	0.73 158	1.08 342	0.70 165	0.79 156	0.44 77	0.62 246	0.47 55	0.37 142	0.14 25	0.10 9	0.14 20	0.11 26	0.12 4	0.15 103

UPFNet	0.55 273	0.26 229	0.59 243	0.46 267	0.38 332	0.83 326	0.48 298	1.03 263	0.80 196	0.92 296	0.91 220	0.85 276	0.67 276	0.87 291	0.78 317	0.20 239	0.21 321	0.20 212	0.20 265	0.20 229	0.15 103

ACVNet	0.47 197	0.24 166	0.39 50	0.40 120	0.28 211	0.58 223	0.40 236	0.91 218	0.81 205	0.67 147	0.96 239	0.79 265	0.66 267	0.65 175	0.71 306	0.18 182	0.15 221	0.16 80	0.15 115	0.18 177	0.15 103

acv_ft	0.52 255	0.24 166	0.64 263	0.45 243	0.28 211	0.85 332	0.40 236	0.95 237	0.81 205	1.00 335	0.96 239	0.79 265	0.62 246	0.65 175	0.88 335	0.18 182	0.15 221	0.16 80	0.15 115	0.18 177	0.15 103

rvit_stereo_0080	0.32 42	0.26 229	0.45 104	0.39 84	0.28 211	0.27 30	0.46 284	0.51 25	0.46 70	0.36 29	0.42 34	0.41 61	0.29 64	0.41 28	0.34 113	0.22 271	0.17 277	0.17 109	0.16 141	0.23 281	0.16 128

Former-RAFT_DAM_RVC	0.34 59	0.28 261	0.48 141	0.37 47	0.25 128	0.47 170	0.30 95	0.60 59	0.92 270	0.43 59	0.37 28	0.30 11	0.29 64	0.50 73	0.30 73	0.17 150	0.14 200	0.18 146	0.15 115	0.18 177	0.16 128

tta	0.53 262	0.24 166	0.67 275	0.35 19	0.20 24	0.63 244	0.34 149	1.26 349	1.06 331	0.85 254	1.02 269	0.71 216	0.66 267	0.96 321	0.60 282	0.19 219	0.16 245	0.18 146	0.17 191	0.15 87	0.16 128

qqq1	0.51 243	0.24 166	0.67 275	0.35 19	0.20 24	0.63 244	0.34 149	1.26 349	1.06 331	0.85 254	1.02 269	0.71 216	0.66 267	0.96 321	0.36 133	0.19 219	0.16 245	0.14 20	0.12 42	0.15 87	0.16 128

fff1	0.51 243	0.24 166	0.67 275	0.35 19	0.20 24	0.63 244	0.34 149	1.26 349	1.06 331	0.85 254	1.02 269	0.71 216	0.66 267	0.96 321	0.36 133	0.19 219	0.16 245	0.14 20	0.12 42	0.15 87	0.16 128

ff7	0.30 26	0.22 121	0.42 75	0.37 47	0.26 158	0.31 67	0.34 149	0.66 91	0.35 16	0.39 38	0.33 19	0.31 15	0.28 48	0.61 131	0.26 19	0.14 25	0.11 49	0.17 109	0.12 42	0.15 87	0.16 128

IGEVStereo-DCA	0.30 26	0.24 166	0.42 75	0.36 36	0.27 190	0.38 116	0.34 149	0.66 91	0.35 16	0.39 38	0.31 13	0.35 37	0.27 40	0.62 151	0.25 12	0.16 120	0.12 104	0.16 80	0.12 42	0.14 54	0.16 128

ffff	0.30 26	0.22 121	0.42 75	0.37 47	0.26 158	0.31 67	0.34 149	0.66 91	0.35 16	0.39 38	0.33 19	0.31 15	0.28 48	0.61 131	0.26 19	0.14 25	0.11 49	0.17 109	0.12 42	0.15 87	0.16 128

11t	0.30 26	0.22 121	0.42 75	0.37 47	0.26 158	0.31 67	0.34 149	0.66 91	0.35 16	0.39 38	0.33 19	0.31 15	0.28 48	0.61 131	0.26 19	0.14 25	0.11 49	0.17 109	0.12 42	0.15 87	0.16 128

whm_eth	0.32 42	0.26 229	0.45 104	0.39 84	0.28 211	0.27 30	0.46 284	0.51 25	0.46 70	0.36 29	0.42 34	0.41 61	0.29 64	0.41 28	0.34 113	0.22 271	0.17 277	0.17 109	0.16 141	0.23 281	0.16 128

anonymousdsp2	0.37 89	0.21 94	0.49 149	0.38 64	0.24 102	0.48 175	0.31 117	0.91 218	0.68 136	0.57 98	0.51 63	0.51 109	0.34 98	0.59 113	0.33 102	0.14 25	0.11 49	0.14 20	0.10 15	0.16 128	0.16 128

anonymousdsp	0.30 26	0.22 121	0.41 67	0.38 64	0.26 158	0.31 67	0.35 171	0.68 107	0.36 22	0.40 48	0.33 19	0.32 22	0.28 48	0.62 151	0.26 19	0.14 25	0.10 9	0.17 109	0.12 42	0.15 87	0.16 128

anonymousa	0.51 243	0.21 94	0.47 128	0.39 84	0.25 128	0.89 340	0.36 180	0.78 181	0.63 116	0.88 274	1.54 389	1.09 351	0.67 276	0.53 81	0.46 215	0.17 150	0.14 200	0.19 178	0.21 284	0.16 128	0.16 128

CroCo-Stereo Lap2	0.29 20	0.25 197	0.44 98	0.50 314	0.30 257	0.19 2	0.31 117	0.52 29	0.41 48	0.25 4	0.28 10	0.46 89	0.31 79	0.39 18	0.30 73	0.15 79	0.15 221	0.16 80	0.13 70	0.17 152	0.16 128

ccc-4	0.30 26	0.22 121	0.42 75	0.37 47	0.26 158	0.31 67	0.34 149	0.66 91	0.35 16	0.39 38	0.33 19	0.31 15	0.28 48	0.61 131	0.26 19	0.14 25	0.11 49	0.17 109	0.12 42	0.15 87	0.16 128

IER	0.48 206	0.25 197	0.60 248	0.38 64	0.28 211	0.67 276	0.38 209	0.82 195	0.68 136	0.88 274	0.95 235	0.74 239	0.79 331	0.62 151	0.46 215	0.17 150	0.14 200	0.17 109	0.17 191	0.17 152	0.16 128

test_5	0.44 173	0.25 197	0.48 141	0.53 350	0.28 211	0.28 40	0.42 261	0.77 178	0.87 238	0.63 118	0.91 220	0.73 235	0.53 197	0.82 279	0.36 133	0.14 25	0.11 49	0.18 146	0.18 219	0.18 177	0.16 128

IGEV-Stereo	0.30 26	0.22 121	0.41 67	0.38 64	0.26 158	0.30 55	0.35 171	0.68 107	0.36 22	0.40 48	0.33 19	0.32 22	0.28 48	0.62 151	0.26 19	0.14 25	0.10 9	0.17 109	0.12 42	0.15 87	0.16 128
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CIPLG	0.42 154	0.23 145	0.71 295	0.45 243	0.33 303	0.51 182	0.33 140	0.68 107	0.68 136	0.84 242	0.96 239	0.47 94	0.33 92	0.56 96	0.52 249	0.17 150	0.12 104	0.16 80	0.14 93	0.13 20	0.16 128

IPLGR_C	0.42 154	0.23 145	0.71 295	0.46 267	0.33 303	0.51 182	0.34 149	0.69 117	0.69 143	0.84 242	0.92 226	0.46 89	0.33 92	0.53 81	0.53 259	0.17 150	0.12 104	0.16 80	0.14 93	0.13 20	0.16 128

ACRE	0.42 154	0.23 145	0.73 305	0.45 243	0.33 303	0.50 177	0.33 140	0.68 107	0.70 145	0.82 230	0.92 226	0.46 89	0.32 86	0.53 81	0.52 249	0.17 150	0.12 104	0.15 59	0.14 93	0.13 20	0.16 128

CrosDoStereo	0.51 243	0.19 44	0.46 117	0.39 84	0.24 102	0.39 122	1.14 423	0.69 117	0.87 238	0.94 306	1.36 363	0.62 169	0.75 316	0.68 203	0.46 215	0.15 79	0.12 104	0.17 109	0.18 219	0.14 54	0.16 128

Patchmatch Stereo++	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.21 9	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.61 131	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.31 117	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.59 113	0.38 157	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

ROB_FTStereo_v2	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.31 117	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.60 125	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

ROB_FTStereo	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.20 3	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.60 125	0.38 157	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

HUI-Stereo	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.22 16	0.63 75	0.40 43	0.64 128	0.73 125	0.58 146	0.38 123	0.53 81	0.38 157	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

DeepStereo_LL	0.51 243	0.19 44	0.46 117	0.39 84	0.24 102	0.39 122	1.14 423	0.69 117	0.87 238	0.94 306	1.36 363	0.62 169	0.75 316	0.68 203	0.46 215	0.15 79	0.12 104	0.17 109	0.18 219	0.14 54	0.16 128

iGMRVC	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.29 80	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.61 131	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

iRAFT	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.21 9	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.61 131	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

RAFT-IKP	0.36 71	0.24 166	0.51 170	0.42 170	0.22 43	0.24 9	0.27 61	0.63 75	0.39 34	0.63 118	0.73 125	0.57 131	0.38 123	0.61 131	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.21 240	0.16 128

rafts_anoy	0.38 106	0.22 121	0.38 47	0.43 207	0.28 211	0.32 78	0.32 129	0.70 129	0.91 264	0.59 102	0.66 109	0.45 85	0.33 92	0.49 69	0.41 191	0.16 120	0.12 104	0.21 255	0.23 316	0.18 177	0.16 128

111	0.42 154	0.18 25	0.46 117	0.35 19	0.19 12	0.52 190	0.28 72	0.76 173	1.16 363	0.52 82	0.92 226	0.65 187	0.51 193	0.65 175	0.37 142	0.15 79	0.10 9	0.14 20	0.12 42	0.13 20	0.16 128

SFCPSM	0.48 206	0.22 121	0.59 243	0.41 142	0.27 190	0.85 332	0.36 180	1.39 384	0.79 188	0.81 228	0.85 191	0.54 119	0.50 188	0.60 125	0.39 166	0.18 182	0.14 200	0.18 146	0.20 265	0.17 152	0.16 128

ac_64	0.54 266	0.24 166	0.58 235	0.46 267	0.28 211	0.79 309	0.44 276	1.11 291	0.63 116	0.94 306	0.85 191	1.06 341	0.70 291	0.76 249	0.72 309	0.22 271	0.18 289	0.20 212	0.19 244	0.18 177	0.16 128

cf-r	0.49 219	0.24 166	0.49 149	0.40 120	0.23 69	0.58 223	0.38 209	0.92 227	0.87 238	0.77 206	1.06 291	0.98 315	0.67 276	0.59 113	0.61 286	0.21 253	0.14 200	0.17 109	0.19 244	0.15 87	0.16 128

GwcNet-RSSM	0.51 243	0.25 197	0.51 170	0.41 142	0.24 102	0.56 210	0.41 255	0.97 243	0.96 293	0.75 193	1.17 329	0.89 295	0.66 267	0.66 184	0.74 311	0.22 271	0.15 221	0.19 178	0.21 284	0.17 152	0.16 128

iResNetv2_ROB	0.55 273	0.29 273	0.86 346	0.39 84	0.25 128	0.67 276	0.37 193	1.21 329	1.02 317	1.02 341	1.10 303	0.89 295	0.79 331	0.74 232	0.43 198	0.19 219	0.13 166	0.15 59	0.11 26	0.19 212	0.16 128

pmcnn	1.27 411	0.31 296	1.14 382	0.41 142	0.23 69	0.97 351	0.71 374	1.23 340	1.32 391	1.83 421	2.34 421	11.25 467	0.89 361	1.04 348	0.96 356	0.15 79	0.12 104	0.12 2	0.10 15	0.15 87	0.16 128

rvit_0105_6	0.40 133	0.28 261	0.68 282	0.51 326	0.30 257	0.39 122	0.41 255	0.53 34	0.68 136	0.41 51	0.45 39	0.50 105	0.45 166	0.55 90	0.37 142	0.28 337	0.26 365	0.24 299	0.22 304	0.22 263	0.17 167

CAS++	0.33 50	0.25 197	0.39 50	0.38 64	0.26 158	0.32 78	0.24 33	0.87 205	0.53 93	0.48 75	0.46 42	0.26 6	0.21 11	0.50 73	0.26 19	0.23 293	0.20 314	0.22 268	0.17 191	0.21 240	0.17 167
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
DispNO	0.48 206	0.24 166	0.84 339	0.40 120	0.31 269	0.58 223	0.39 224	0.91 218	0.79 188	0.79 222	0.83 180	0.71 216	0.59 233	0.75 239	0.50 240	0.19 219	0.14 200	0.20 212	0.18 219	0.16 128	0.17 167

MyStereo07	0.33 50	0.23 145	0.37 41	0.43 207	0.29 234	0.40 130	0.48 298	0.78 181	0.38 30	0.38 35	0.34 25	0.32 22	0.30 76	0.63 161	0.28 48	0.14 25	0.13 166	0.19 178	0.17 191	0.18 177	0.17 167

MyStereo06	0.40 133	0.22 121	0.65 268	0.42 170	0.29 234	0.43 154	0.48 298	1.05 271	0.43 57	0.64 128	0.54 76	0.78 258	0.27 40	0.53 81	0.31 85	0.14 25	0.13 166	0.18 146	0.17 191	0.17 152	0.17 167

MyStereo05	0.46 188	0.22 121	0.51 170	0.42 170	0.29 234	0.43 154	0.48 298	0.96 241	1.12 350	0.77 206	0.62 100	0.51 109	0.57 225	0.79 266	0.43 198	0.14 25	0.13 166	0.18 146	0.17 191	0.17 152	0.17 167

MyStereo04	0.45 182	0.23 145	0.52 190	0.43 207	0.29 234	0.40 130	0.48 298	1.02 258	1.12 350	0.62 111	0.58 89	0.55 121	0.56 214	0.77 256	0.45 211	0.14 25	0.13 166	0.19 178	0.17 191	0.18 177	0.17 167

cc1	0.38 106	0.25 197	0.35 25	0.42 170	0.23 69	0.53 193	0.37 193	0.71 136	1.17 366	0.42 53	0.50 56	0.34 31	0.47 177	0.61 131	0.26 19	0.17 150	0.11 49	0.19 178	0.13 70	0.16 128	0.17 167

ffm	0.47 197	0.28 261	0.68 282	0.39 84	0.26 158	0.56 210	0.40 236	0.72 146	1.13 355	0.76 198	0.98 251	0.71 216	0.55 207	0.61 131	0.26 19	0.17 150	0.11 49	0.25 311	0.21 284	0.16 128	0.17 167

ff1	0.56 282	0.28 261	0.68 282	0.39 84	0.26 158	0.56 210	0.40 236	0.72 146	1.13 355	0.76 198	0.98 251	0.71 216	0.55 207	1.25 373	1.46 402	0.17 150	0.11 49	0.25 311	0.21 284	0.16 128	0.17 167

tt1	0.37 89	0.25 197	0.35 25	0.43 207	0.23 69	0.52 190	0.37 193	0.72 146	1.13 355	0.42 53	0.46 42	0.35 37	0.44 159	0.61 131	0.26 19	0.17 150	0.11 49	0.19 178	0.13 70	0.16 128	0.17 167

StereoVision	0.43 167	0.29 273	0.54 211	0.50 314	0.28 211	0.37 111	0.38 209	0.75 171	0.63 116	0.46 69	1.11 307	0.53 117	0.38 123	0.57 103	0.34 113	0.21 253	0.24 348	0.25 311	0.24 330	0.26 311	0.17 167

iRaft-Stereo_5w	0.46 188	0.22 121	0.53 198	0.43 207	0.30 257	0.30 55	0.53 328	0.66 91	0.71 151	0.62 111	0.89 208	1.01 325	0.67 276	0.76 249	0.67 299	0.13 13	0.12 104	0.17 109	0.15 115	0.15 87	0.17 167

DEmStereo	0.49 219	0.18 25	0.53 198	0.39 84	0.26 158	0.57 218	0.33 140	0.65 87	0.75 171	0.90 288	1.65 396	0.57 131	1.02 379	0.63 161	0.44 205	0.14 25	0.12 104	0.16 80	0.16 141	0.14 54	0.17 167

THIR-Stereo	0.51 243	0.19 44	0.47 128	0.39 84	0.23 69	0.74 297	0.64 363	0.68 107	0.88 249	1.03 344	1.40 369	0.71 216	0.75 316	0.64 168	0.43 198	0.16 120	0.11 49	0.17 109	0.18 219	0.15 87	0.17 167

DRaft	0.49 219	0.18 25	0.50 161	0.38 64	0.25 128	0.57 218	0.39 224	0.67 102	0.86 231	1.02 341	1.75 403	0.50 105	0.79 331	0.65 175	0.42 196	0.14 25	0.11 49	0.16 80	0.16 141	0.14 54	0.17 167

RALCasStereoNet	0.37 89	0.23 145	0.41 67	0.44 231	0.28 211	0.36 101	0.38 209	0.66 91	0.67 135	0.51 79	0.74 137	0.51 109	0.29 64	0.64 168	0.38 157	0.17 150	0.14 200	0.15 59	0.13 70	0.17 152	0.17 167

MMNet	0.57 288	0.26 229	0.67 275	0.45 243	0.35 319	1.04 368	0.39 224	0.93 229	0.98 303	0.96 323	0.97 247	0.86 280	0.80 335	0.83 281	0.80 325	0.16 120	0.15 221	0.19 178	0.19 244	0.20 229	0.17 167

delet	0.57 288	0.25 197	0.63 259	0.46 267	0.34 313	1.05 371	0.51 318	1.04 264	0.94 282	0.90 288	0.99 259	0.90 297	0.68 284	0.87 291	0.78 317	0.18 182	0.18 289	0.20 212	0.21 284	0.17 152	0.17 167

DIP-Stereo	0.40 133	0.22 121	0.58 235	0.42 170	0.29 234	0.62 239	0.27 61	0.87 205	0.42 53	0.65 133	0.86 195	0.52 112	0.35 105	0.67 194	0.43 198	0.15 79	0.13 166	0.17 109	0.14 93	0.15 87	0.17 167
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.55 273	0.23 145	0.37 41	0.38 64	0.22 43	0.86 334	0.40 236	1.31 367	0.93 275	0.92 296	1.15 319	1.26 367	0.71 296	0.75 239	0.53 259	0.17 150	0.14 200	0.16 80	0.15 115	0.17 152	0.17 167
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.53 262	0.30 287	0.53 198	0.42 170	0.28 211	0.73 293	0.35 171	1.21 329	1.01 312	0.74 190	1.07 295	0.85 276	0.60 237	0.83 281	0.58 279	0.19 219	0.15 221	0.23 286	0.23 316	0.21 240	0.17 167

iResNet	0.52 255	0.31 296	0.86 346	0.44 231	0.22 43	0.66 267	0.47 292	0.92 227	1.02 317	0.89 281	1.12 309	0.69 211	0.55 207	0.86 289	0.60 282	0.15 79	0.11 49	0.15 59	0.12 42	0.17 152	0.17 167

DN-CSS_ROB	0.45 182	0.27 245	0.74 309	0.41 142	0.29 234	0.43 154	0.29 80	0.80 188	0.78 182	0.73 183	1.08 301	0.48 99	0.45 166	0.81 274	0.40 186	0.15 79	0.12 104	0.21 255	0.19 244	0.18 177	0.17 167

test_sample1	0.44 173	0.24 166	0.52 190	0.35 19	0.23 69	0.59 230	0.36 180	1.05 271	0.57 102	0.66 138	0.78 151	0.70 213	0.71 296	0.62 151	0.51 244	0.18 182	0.15 221	0.17 109	0.16 141	0.18 177	0.18 191

EKT-Stereo	0.36 71	0.24 166	0.44 98	0.44 231	0.30 257	0.37 111	0.30 95	0.72 146	0.68 136	0.47 71	0.63 101	0.49 103	0.28 48	0.59 113	0.34 113	0.19 219	0.14 200	0.18 146	0.15 115	0.16 128	0.18 191

x	0.41 147	0.25 197	0.46 117	0.36 36	0.24 102	0.54 200	0.31 117	0.94 234	0.58 105	0.60 104	0.72 123	0.61 162	0.53 197	0.52 78	0.50 240	0.18 182	0.16 245	0.17 109	0.16 141	0.17 152	0.18 191

test-1	0.37 89	0.20 70	0.76 313	0.47 286	0.27 190	0.44 161	0.36 180	0.63 75	0.65 126	0.49 76	0.67 115	0.54 119	0.35 105	0.42 32	0.30 73	0.14 25	0.12 104	0.16 80	0.14 93	0.15 87	0.18 191

LMCR-Stereo	0.55 273	0.33 304	0.57 233	0.60 382	0.30 257	0.80 315	0.36 180	1.30 365	0.79 188	0.90 288	1.04 282	0.57 131	0.64 259	0.87 291	0.73 310	0.20 239	0.15 221	0.19 178	0.14 93	0.25 305	0.18 191

UNet	0.55 273	0.27 245	0.72 301	0.45 243	0.41 348	0.97 351	0.40 236	1.01 255	0.80 196	0.87 266	0.90 214	1.03 329	0.75 316	0.76 249	0.67 299	0.19 219	0.15 221	0.20 212	0.17 191	0.21 240	0.18 191

GANet-RSSM	0.49 219	0.22 121	0.42 75	0.39 84	0.26 158	0.58 223	0.41 255	1.12 295	0.82 215	0.73 183	1.02 269	0.88 290	0.75 316	0.67 194	0.48 228	0.22 271	0.16 245	0.18 146	0.19 244	0.18 177	0.18 191

BEATNet_4x	0.49 219	0.35 313	0.72 301	0.38 64	0.20 24	0.65 260	0.36 180	1.08 283	0.78 182	0.78 217	0.88 205	0.73 235	0.64 259	0.71 223	0.60 282	0.16 120	0.12 104	0.16 80	0.15 115	0.24 294	0.18 191

AdaStereo	0.52 255	0.34 309	0.53 198	0.49 303	0.25 128	0.71 286	0.36 180	1.24 341	0.91 264	0.77 206	0.98 251	0.75 244	0.50 188	0.71 223	0.51 244	0.27 328	0.13 166	0.28 346	0.18 219	0.23 281	0.18 191
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.53 262	0.25 197	0.46 117	0.40 120	0.25 128	0.74 297	0.44 276	1.29 363	0.78 182	0.82 230	0.92 226	1.21 363	0.75 316	0.90 303	0.48 228	0.18 182	0.14 200	0.17 109	0.14 93	0.17 152	0.18 191

rvit_0105_4	0.42 154	0.30 287	0.77 316	0.52 342	0.29 234	0.41 140	0.44 276	0.57 51	0.75 171	0.45 63	0.48 49	0.56 127	0.49 185	0.58 106	0.37 142	0.28 337	0.26 365	0.25 311	0.22 304	0.24 294	0.19 201

test_sample2	0.45 182	0.24 166	0.49 149	0.34 13	0.21 33	0.60 234	0.43 268	1.01 255	0.73 162	0.67 147	0.80 166	0.70 213	0.64 259	0.65 175	0.41 191	0.19 219	0.15 221	0.18 146	0.16 141	0.19 212	0.19 201

ACVNet-DCA	0.36 71	0.25 197	0.35 25	0.42 170	0.23 69	0.53 193	0.37 193	0.91 218	0.59 106	0.42 53	0.50 56	0.34 31	0.47 177	0.61 131	0.26 19	0.17 150	0.11 49	0.19 178	0.13 70	0.18 177	0.19 201

xx1	0.40 133	0.25 197	0.35 25	0.42 170	0.23 69	0.53 193	0.37 193	0.71 136	1.17 366	0.42 53	0.50 56	0.65 187	0.56 214	0.61 131	0.26 19	0.17 150	0.11 49	0.20 212	0.19 244	0.18 177	0.19 201

1test111	0.37 89	0.25 197	0.35 25	0.42 170	0.23 69	0.53 193	0.37 193	0.91 218	0.59 106	0.42 53	0.50 56	0.34 31	0.47 177	0.59 113	0.48 228	0.17 150	0.11 49	0.19 178	0.13 70	0.18 177	0.19 201

11t1	0.38 106	0.23 145	0.49 149	0.36 36	0.23 69	0.61 235	0.31 117	0.74 165	0.47 76	0.62 111	0.55 81	0.55 121	0.49 185	0.58 106	0.45 211	0.18 182	0.15 221	0.16 80	0.13 70	0.17 152	0.19 201

1111x	0.64 324	0.23 145	0.61 249	0.39 84	0.21 33	0.68 280	0.46 284	1.32 372	1.03 321	0.76 198	1.02 269	0.95 309	0.72 307	1.13 358	2.15 426	0.18 182	0.18 289	0.18 146	0.19 244	0.20 229	0.19 201

GMStereo_Zeroshot	0.51 243	0.46 363	0.80 321	0.50 314	0.28 211	0.57 218	0.30 95	0.75 171	0.79 188	0.88 274	0.94 231	0.90 297	0.37 115	0.77 256	0.46 215	0.27 328	0.14 200	0.26 327	0.15 115	0.39 378	0.19 201

gwcnet-sp	0.50 232	0.25 197	0.84 339	0.41 142	0.27 190	0.79 309	0.40 236	0.93 229	0.85 225	0.95 311	0.79 156	0.65 187	0.63 251	0.69 209	0.52 249	0.18 182	0.17 277	0.18 146	0.18 219	0.18 177	0.19 201

scenet	0.50 232	0.25 197	0.84 339	0.41 142	0.27 190	0.79 309	0.40 236	0.93 229	0.85 225	0.95 311	0.79 156	0.65 187	0.63 251	0.69 209	0.52 249	0.18 182	0.17 277	0.18 146	0.18 219	0.18 177	0.19 201

knoymous	0.37 89	0.22 121	0.34 19	0.32 7	0.22 43	0.38 116	0.29 80	0.63 75	0.65 126	0.69 159	0.69 118	0.60 160	0.40 142	0.61 131	0.36 133	0.17 150	0.11 49	0.20 212	0.12 42	0.18 177	0.19 201

ssnet	0.50 232	0.25 197	0.84 339	0.41 142	0.27 190	0.79 309	0.40 236	0.93 229	0.85 225	0.95 311	0.79 156	0.65 187	0.63 251	0.69 209	0.52 249	0.18 182	0.17 277	0.18 146	0.18 219	0.18 177	0.19 201

qqq	0.42 154	0.28 261	0.50 161	0.37 47	0.22 43	0.47 170	0.39 224	0.91 218	0.59 106	0.57 98	0.71 122	0.65 187	0.56 214	0.59 113	0.48 228	0.17 150	0.17 277	0.20 212	0.19 244	0.18 177	0.19 201

BUS	0.47 197	0.26 229	0.47 128	0.46 267	0.29 234	0.78 303	0.34 149	0.99 248	0.80 196	0.77 206	0.80 166	0.64 181	0.54 204	0.66 184	0.56 268	0.21 253	0.15 221	0.22 268	0.19 244	0.18 177	0.19 201

BSDual-CNN	0.48 206	0.26 229	0.47 128	0.46 267	0.29 234	0.75 300	0.46 284	0.99 248	0.80 196	0.77 206	0.80 166	0.76 251	0.59 233	0.66 184	0.48 228	0.21 253	0.15 221	0.22 268	0.19 244	0.18 177	0.19 201

hknet	0.51 243	0.26 229	0.58 235	0.46 267	0.29 234	0.75 300	0.46 284	0.99 248	0.89 254	0.77 206	0.80 166	0.96 312	0.67 276	0.75 239	0.50 240	0.19 219	0.15 221	0.22 268	0.19 244	0.18 177	0.19 201

psmg	0.50 232	0.26 229	0.47 128	0.42 170	0.29 234	0.82 323	0.42 261	1.07 278	0.80 196	0.95 311	0.94 231	0.76 251	0.59 233	0.66 184	0.48 228	0.21 253	0.16 245	0.20 212	0.20 265	0.19 212	0.19 201

CSP-Net	0.57 288	0.29 273	0.55 215	0.42 170	0.29 234	1.20 391	0.49 309	1.29 363	0.75 171	0.98 329	0.97 247	0.88 290	0.69 286	0.85 287	0.66 296	0.27 328	0.18 289	0.17 109	0.17 191	0.18 177	0.19 201

dd	0.44 173	0.40 344	0.62 255	0.44 231	0.26 158	0.51 182	0.38 209	0.72 146	1.07 338	0.60 104	0.66 109	0.43 74	0.40 142	0.68 203	0.53 259	0.24 302	0.15 221	0.21 255	0.16 141	0.24 294	0.19 201

DAS	0.54 266	0.26 229	0.66 270	0.49 303	0.31 269	0.61 235	0.43 268	0.89 212	1.01 312	0.95 311	1.16 324	0.71 216	0.85 348	0.89 298	0.47 224	0.18 182	0.14 200	0.18 146	0.15 115	0.22 263	0.19 201

SepStereo	0.54 266	0.26 229	0.66 270	0.49 303	0.31 269	0.61 235	0.43 268	0.89 212	1.01 312	0.95 311	1.16 324	0.71 216	0.85 348	0.97 328	0.47 224	0.18 182	0.14 200	0.18 146	0.15 115	0.22 263	0.19 201

Pruner-Stereo	0.39 119	0.21 94	0.51 170	0.41 142	0.25 128	0.22 5	0.24 33	0.71 136	0.59 106	0.90 288	0.75 139	0.67 206	0.30 76	0.64 168	0.39 166	0.19 219	0.12 104	0.20 212	0.17 191	0.17 152	0.19 201

DeepStereo_RVC	0.37 89	0.22 121	0.51 170	0.41 142	0.24 102	0.26 22	0.22 16	0.64 85	0.40 43	0.69 159	0.67 115	0.57 131	0.50 188	0.58 106	0.42 196	0.17 150	0.12 104	0.18 146	0.16 141	0.19 212	0.19 201

CRE-IMP	0.37 89	0.23 145	0.53 198	0.42 170	0.24 102	0.40 130	0.21 9	0.61 65	0.45 64	0.65 133	0.73 125	0.53 117	0.37 115	0.63 161	0.40 186	0.18 182	0.11 49	0.19 178	0.16 141	0.21 240	0.19 201

test_xeample	1.06 391	0.23 145	0.51 170	0.37 47	0.22 43	0.71 286	0.39 224	1.31 367	0.92 270	0.87 266	1.08 301	0.70 213	0.64 259	0.75 239	11.43 464	0.19 219	0.16 245	0.18 146	0.17 191	0.18 177	0.19 201

RAFT + AFF	0.54 266	0.30 287	0.84 339	0.51 326	0.32 291	0.63 244	0.57 342	1.05 271	0.95 286	0.80 224	0.87 202	0.85 276	0.57 225	0.87 291	0.51 244	0.18 182	0.21 321	0.23 286	0.22 304	0.19 212	0.19 201

CFNet-ft	0.50 232	0.25 197	0.39 50	0.41 142	0.26 158	0.66 267	0.37 193	0.91 218	0.87 238	0.67 147	1.00 263	1.05 337	0.70 291	0.68 203	0.57 274	0.23 293	0.16 245	0.24 299	0.21 284	0.24 294	0.19 201

CFNet_RVC	0.50 232	0.25 197	0.39 50	0.41 142	0.26 158	0.66 267	0.37 193	0.91 218	0.87 238	0.67 147	1.00 263	1.05 337	0.70 291	0.68 203	0.57 274	0.23 293	0.16 245	0.24 299	0.21 284	0.24 294	0.19 201

LE_ROB	4.86 461	0.27 245	9.43 459	0.45 243	0.24 102	1.61 414	0.96 413	2.05 434	17.75 474	16.36 476	4.84 460	5.17 455	19.48 476	2.05 428	15.49 468	0.17 150	0.15 221	0.16 80	0.16 141	0.20 229	0.19 201

rvit_0105_5	0.44 173	0.32 298	0.79 320	0.51 326	0.29 234	0.44 161	0.43 268	0.62 68	0.76 175	0.51 79	0.52 69	0.61 162	0.53 197	0.58 106	0.38 157	0.28 337	0.25 356	0.25 311	0.24 330	0.22 263	0.20 230

SMFormer	0.53 262	0.24 166	0.67 275	0.35 19	0.20 24	0.63 244	0.34 149	1.26 349	1.06 331	0.85 254	1.02 269	0.71 216	0.66 267	0.96 321	0.60 282	0.19 219	0.16 245	0.18 146	0.17 191	0.19 212	0.20 230

mmm	0.47 197	0.28 261	0.51 170	0.39 84	0.25 128	0.61 235	0.38 209	1.00 254	0.60 113	0.77 206	1.07 295	0.65 187	0.53 197	0.61 131	0.49 237	0.18 182	0.15 221	0.23 286	0.20 265	0.21 240	0.20 230

PCWNet_CMD	0.49 219	0.25 197	0.56 225	0.40 120	0.27 190	0.64 253	0.32 129	0.98 245	0.99 306	0.87 266	1.07 295	0.78 258	0.46 173	0.61 131	0.44 205	0.17 150	0.13 166	0.21 255	0.16 141	0.26 311	0.20 230

CRFU-Net	0.59 303	0.29 273	0.62 255	0.47 286	0.31 269	1.20 391	0.51 318	1.19 320	0.59 106	1.05 354	1.00 263	1.06 341	0.87 355	0.83 281	0.77 316	0.22 271	0.19 306	0.18 146	0.16 141	0.19 212	0.20 230

AASNet	0.55 273	0.27 245	0.62 255	0.51 326	0.32 291	0.73 293	0.44 276	1.55 409	0.88 249	0.88 274	0.94 231	0.64 181	0.63 251	0.62 151	0.84 330	0.23 293	0.20 314	0.20 212	0.16 141	0.22 263	0.20 230

HCRNet	0.46 188	0.35 313	0.45 104	0.54 360	0.26 158	0.52 190	0.29 80	0.87 205	0.64 120	0.75 193	0.82 175	0.76 251	0.53 197	0.70 216	0.38 157	0.24 302	0.16 245	0.24 299	0.20 265	0.21 240	0.20 230

222	1.25 409	0.23 145	0.53 198	0.38 64	0.23 69	0.78 303	0.37 193	1.41 390	0.93 275	0.97 326	1.13 315	0.74 239	0.71 296	0.74 232	14.86 467	0.20 239	0.16 245	0.17 109	0.16 141	0.18 177	0.20 230

xxxx	1.07 393	0.23 145	0.53 198	0.38 64	0.22 43	0.83 326	0.36 180	1.41 390	0.95 286	0.75 193	0.99 259	0.97 313	0.64 259	0.70 216	11.37 463	0.20 239	0.17 277	0.18 146	0.17 191	0.19 212	0.20 230

GMStereo	0.40 133	0.38 331	0.61 249	0.41 142	0.27 190	0.47 170	0.35 171	0.62 68	1.04 325	0.57 98	0.54 76	0.38 48	0.36 111	0.56 96	0.41 191	0.20 239	0.13 166	0.16 80	0.17 191	0.24 294	0.20 230
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
FENet	0.43 167	0.23 145	0.40 62	0.40 120	0.24 102	0.54 200	0.33 140	0.83 197	0.72 153	0.74 190	0.73 125	0.63 174	0.56 214	0.65 175	0.45 211	0.19 219	0.13 166	0.19 178	0.17 191	0.18 177	0.20 230

PSMNet-RSSM	0.50 232	0.24 166	0.41 67	0.43 207	0.26 158	0.51 182	0.40 236	1.16 308	0.79 188	0.75 193	1.07 295	0.87 286	0.69 286	0.66 184	0.52 249	0.24 302	0.16 245	0.23 286	0.26 350	0.20 229	0.20 230

DSFCA	0.57 288	0.27 245	0.71 295	0.41 142	0.36 324	0.78 303	0.53 328	1.08 283	0.85 225	1.08 364	0.84 183	0.90 297	0.66 267	1.05 349	0.63 293	0.26 319	0.22 330	0.21 255	0.21 284	0.22 263	0.20 230

MSMDNet	0.49 219	0.25 197	0.56 225	0.40 120	0.27 190	0.64 253	0.32 129	0.99 248	0.99 306	0.87 266	1.07 295	0.79 265	0.46 173	0.61 131	0.44 205	0.17 150	0.13 166	0.20 212	0.16 141	0.25 305	0.20 230

AANet_RVC	0.59 303	0.35 313	0.68 282	0.47 286	0.28 211	0.57 218	0.47 292	1.04 264	1.28 384	0.87 266	1.33 358	0.86 280	0.63 251	1.16 364	0.89 337	0.19 219	0.13 166	0.15 59	0.14 93	0.18 177	0.20 230

DLCB_ROB	0.60 310	0.29 273	0.53 198	0.50 314	0.33 303	0.76 302	0.51 318	1.02 258	0.94 282	1.07 363	1.16 324	1.21 363	0.73 311	0.98 330	0.75 313	0.21 253	0.20 314	0.22 268	0.23 316	0.22 263	0.20 230

iResNet_ROB	0.55 273	0.24 166	0.61 249	0.38 64	0.22 43	0.66 267	0.30 95	1.59 417	1.33 393	0.94 306	1.05 285	0.81 271	0.69 286	0.84 285	0.46 215	0.17 150	0.12 104	0.14 20	0.09 5	0.15 87	0.20 230

rvit_0105_3	0.48 206	0.35 313	0.85 345	0.56 369	0.31 269	0.48 175	0.48 298	0.65 87	0.81 205	0.66 138	0.59 91	0.66 199	0.56 214	0.66 184	0.41 191	0.30 354	0.27 369	0.29 354	0.28 362	0.21 240	0.21 247

AIO-Stereo-zeroshot	0.44 173	0.22 121	0.83 332	0.39 84	0.45 371	0.41 140	0.26 54	1.04 264	0.50 84	0.54 90	0.76 142	1.03 329	0.43 153	0.67 194	0.28 48	0.16 120	0.11 49	0.17 109	0.19 244	0.21 240	0.21 247

test_sample4	0.49 219	0.27 245	0.55 215	0.36 36	0.23 69	0.70 281	0.37 193	1.22 336	0.86 231	0.82 230	0.86 195	0.62 169	0.58 228	0.71 223	0.49 237	0.21 253	0.16 245	0.21 255	0.20 265	0.22 263	0.21 247

test_sample3	0.49 219	0.27 245	0.55 215	0.36 36	0.23 69	0.70 281	0.37 193	1.21 329	0.87 238	0.79 222	0.84 183	0.66 199	0.53 197	0.70 216	0.50 240	0.21 253	0.16 245	0.20 212	0.19 244	0.21 240	0.21 247

MyStereo8	0.42 154	0.21 94	0.64 263	0.43 207	0.29 234	0.55 205	0.28 72	0.72 146	0.50 84	0.73 183	1.01 267	0.57 131	0.44 159	0.52 78	0.52 249	0.15 79	0.12 104	0.16 80	0.14 93	0.19 212	0.21 247

LL-Strereo	0.58 299	0.29 273	0.83 332	0.48 294	0.35 319	0.39 122	0.48 298	1.04 264	0.99 306	0.87 266	0.79 156	1.08 346	1.15 396	1.35 391	0.51 244	0.18 182	0.15 221	0.22 268	0.19 244	0.17 152	0.21 247

iinet-f	0.69 332	0.29 273	2.34 436	0.41 142	0.31 269	1.16 385	0.58 349	0.87 205	0.85 225	0.86 264	1.17 329	1.04 334	0.83 341	0.76 249	1.26 391	0.21 253	0.18 289	0.17 109	0.16 141	0.21 240	0.21 247

ToySt	0.52 255	0.27 245	0.93 359	0.42 170	0.28 211	0.67 276	0.56 340	0.88 211	0.79 188	0.61 108	0.85 191	0.92 306	0.70 291	0.72 228	0.61 286	0.16 120	0.17 277	0.21 255	0.21 284	0.22 263	0.21 247

ssnet_v2	0.61 314	0.29 273	0.69 291	0.45 243	0.30 257	0.93 344	0.62 358	1.20 326	1.03 321	0.97 326	0.81 173	0.98 315	0.67 276	0.84 285	0.97 359	0.26 319	0.23 339	0.23 286	0.24 330	0.20 229	0.21 247

DisPM	0.40 133	0.20 70	0.50 161	0.42 170	0.27 190	0.24 9	0.30 95	0.68 107	0.61 115	0.88 274	0.87 202	0.59 156	0.32 86	0.80 269	0.34 113	0.19 219	0.12 104	0.19 178	0.17 191	0.16 128	0.21 247

GANet-ADL	0.44 173	0.27 245	0.48 141	0.44 231	0.30 257	0.54 200	0.36 180	0.94 234	0.88 249	0.64 128	0.72 123	0.68 209	0.44 159	0.55 90	0.44 205	0.22 271	0.15 221	0.15 59	0.13 70	0.18 177	0.21 247

PFNet+	0.41 147	0.20 70	0.53 198	0.40 120	0.25 128	0.28 40	0.22 16	0.66 91	0.76 175	0.85 254	0.79 156	0.63 174	0.34 98	0.75 239	0.37 142	0.20 239	0.14 200	0.23 286	0.20 265	0.17 152	0.21 247

ICVP	0.48 206	0.26 229	0.42 75	0.49 303	0.28 211	0.63 244	0.43 268	1.05 271	0.72 153	0.68 156	0.95 235	0.75 244	0.56 214	0.55 90	0.61 286	0.24 302	0.18 289	0.19 178	0.17 191	0.19 212	0.21 247
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
CFNet_pseudo	0.47 197	0.25 197	0.55 215	0.38 64	0.28 211	0.58 223	0.32 129	0.89 212	0.90 258	0.83 236	1.03 279	0.75 244	0.48 181	0.61 131	0.46 215	0.17 150	0.13 166	0.24 299	0.16 141	0.26 311	0.21 247

psm_up	0.57 288	0.27 245	0.52 190	0.50 314	0.33 303	0.65 260	0.60 354	1.07 278	0.84 221	0.87 266	0.91 220	1.00 321	1.06 384	0.80 269	0.66 296	0.22 271	0.25 356	0.26 327	0.23 316	0.22 263	0.21 247

DMCA-RVC	0.54 266	0.32 298	0.83 332	0.51 326	0.32 291	0.59 230	0.38 209	0.89 212	0.70 145	0.95 311	0.88 205	0.90 297	0.69 286	0.75 239	0.63 293	0.23 293	0.18 289	0.31 365	0.24 330	0.27 320	0.21 247

TDLM	0.59 303	0.35 313	0.57 233	0.53 350	0.32 291	0.67 276	0.72 379	1.09 286	1.03 321	0.84 242	1.11 307	0.84 274	0.71 296	0.96 321	0.61 286	0.28 337	0.18 289	0.26 327	0.22 304	0.27 320	0.21 247

ccs_rob	0.47 197	0.25 197	0.55 215	0.38 64	0.28 211	0.58 223	0.32 129	0.89 212	0.90 258	0.83 236	1.02 269	0.75 244	0.48 181	0.61 131	0.46 215	0.17 150	0.12 104	0.24 299	0.16 141	0.26 311	0.21 247

StereoDRNet-Refined	0.61 314	0.33 304	0.63 259	0.47 286	0.31 269	0.94 346	0.41 255	1.04 264	0.97 298	1.15 378	1.13 315	1.00 321	0.74 313	0.93 310	0.93 349	0.18 182	0.13 166	0.22 268	0.21 284	0.20 229	0.21 247
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
test_sample5	0.50 232	0.28 261	0.55 215	0.37 47	0.23 69	0.65 260	0.38 209	1.19 320	0.86 231	0.81 228	0.97 247	0.64 181	0.60 237	0.72 228	0.48 228	0.22 271	0.16 245	0.22 268	0.21 284	0.23 281	0.22 266

DualNet	0.51 243	0.28 261	0.55 215	0.37 47	0.23 69	0.65 260	0.38 209	1.19 320	0.86 231	0.84 242	1.06 291	0.64 181	0.60 237	0.72 228	0.48 228	0.22 271	0.16 245	0.22 268	0.21 284	0.23 281	0.22 266

mmx	0.59 303	0.28 261	0.68 282	0.39 84	0.26 158	0.56 210	0.40 236	1.24 341	1.06 331	0.76 198	0.98 251	0.71 216	0.55 207	1.25 373	1.46 402	0.21 253	0.16 245	0.25 311	0.21 284	0.24 294	0.22 266

xxx	0.59 303	0.28 261	0.68 282	0.39 84	0.26 158	0.56 210	0.40 236	1.24 341	1.06 331	0.76 198	0.98 251	0.71 216	0.55 207	1.25 373	1.46 402	0.21 253	0.16 245	0.25 311	0.21 284	0.24 294	0.22 266

fast-acv-ft	0.66 326	0.32 298	0.80 321	0.46 267	0.34 313	1.26 394	0.50 315	0.91 218	1.00 310	1.05 354	1.36 363	1.28 368	0.84 344	0.81 274	0.90 343	0.22 271	0.24 348	0.23 286	0.23 316	0.21 240	0.22 266

riskmin	0.41 147	0.21 94	0.44 98	0.34 13	0.24 102	0.58 223	0.32 129	0.70 129	0.86 231	0.52 82	0.57 86	0.78 258	0.60 237	0.58 106	0.39 166	0.17 150	0.12 104	0.19 178	0.13 70	0.19 212	0.22 266

Wz-Net-LNSev-Ref	0.67 327	0.30 287	1.20 385	0.42 170	0.31 269	1.00 358	0.58 349	1.16 308	1.07 338	1.01 337	1.25 342	1.08 346	0.75 316	1.18 367	1.03 368	0.20 239	0.12 104	0.16 80	0.13 70	0.22 263	0.22 266

NINENet	0.52 255	0.30 287	0.55 215	0.46 267	0.33 303	0.78 303	0.34 149	1.18 316	0.91 264	0.84 242	0.97 247	0.64 181	0.54 204	0.74 232	0.56 268	0.23 293	0.20 314	0.25 311	0.18 219	0.22 263	0.22 266

AACVNet	0.52 255	0.25 197	0.56 225	0.48 294	0.29 234	0.55 205	0.38 209	0.96 241	0.59 106	0.83 236	1.03 279	1.03 329	0.77 329	0.91 305	0.58 279	0.22 271	0.18 289	0.24 299	0.18 219	0.24 294	0.22 266

GwcNet-ADL	0.45 182	0.24 166	0.51 170	0.46 267	0.30 257	0.41 140	0.40 236	0.95 237	0.98 303	0.73 183	0.78 151	0.61 162	0.41 146	0.67 194	0.55 266	0.20 239	0.14 200	0.15 59	0.14 93	0.19 212	0.22 266

PSMNet-ADL	0.50 232	0.28 261	0.43 93	0.49 303	0.31 269	0.70 281	0.38 209	0.94 234	0.81 205	0.62 111	0.80 166	0.91 303	0.62 246	0.76 249	0.68 302	0.24 302	0.18 289	0.19 178	0.20 265	0.22 263	0.22 266

ADLNet2	0.57 288	0.26 229	0.71 295	0.48 294	0.31 269	0.83 326	0.51 318	1.10 290	0.99 306	0.85 254	0.99 259	0.99 320	0.70 291	0.79 266	0.78 317	0.21 253	0.17 277	0.18 146	0.18 219	0.22 263	0.22 266

PSM-softLoss	0.40 133	0.21 94	0.53 198	0.42 170	0.26 158	0.29 49	0.34 149	0.70 129	0.49 81	0.63 118	0.82 175	0.59 156	0.33 92	0.75 239	0.43 198	0.20 239	0.12 104	0.20 212	0.18 219	0.17 152	0.22 266

KMStereo	0.40 133	0.21 94	0.53 198	0.42 170	0.26 158	0.29 49	0.34 149	0.70 129	0.49 81	0.63 118	0.82 175	0.59 156	0.33 92	0.75 239	0.43 198	0.20 239	0.12 104	0.20 212	0.18 219	0.17 152	0.22 266

ASMatch	0.48 206	0.20 70	0.47 128	0.39 84	0.28 211	0.37 111	0.26 54	0.76 173	0.72 153	0.77 206	2.29 419	0.61 162	0.51 193	0.64 168	0.39 166	0.15 79	0.12 104	0.17 109	0.15 115	0.14 54	0.22 266

sCroCo_RVC	0.36 71	0.29 273	0.73 305	0.52 342	0.39 340	0.42 149	0.31 117	0.52 29	0.46 70	0.31 17	0.48 49	0.38 48	0.32 86	0.46 49	0.33 102	0.22 271	0.23 339	0.19 178	0.19 244	0.21 240	0.22 266

HGLStereo	0.58 299	0.30 287	0.65 268	0.51 326	0.38 332	0.78 303	0.45 281	1.07 278	0.82 215	0.89 281	1.16 324	0.88 290	0.91 365	0.80 269	0.74 311	0.21 253	0.21 321	0.20 212	0.18 219	0.19 212	0.22 266

DMCA	0.47 197	0.27 245	0.59 243	0.39 84	0.29 234	0.53 193	0.34 149	0.98 245	0.70 145	0.78 217	0.83 180	0.79 265	0.55 207	0.54 89	0.57 274	0.21 253	0.16 245	0.21 255	0.16 141	0.19 212	0.22 266

ADCRef	0.84 362	0.46 363	1.60 419	0.52 342	0.45 371	1.08 373	0.52 324	1.13 301	1.03 321	1.22 385	1.43 377	0.87 286	0.93 369	0.91 305	3.35 441	0.19 219	0.16 245	0.23 286	0.23 316	0.23 281	0.22 266

ADCP+	1.18 405	0.37 324	3.09 440	0.50 314	0.52 393	1.48 406	0.61 356	1.32 372	1.07 338	1.21 383	1.16 324	1.08 346	1.11 389	1.63 410	7.17 458	0.20 239	0.16 245	0.24 299	0.22 304	0.29 330	0.22 266

StereoDRNet	0.67 327	0.35 313	0.82 328	0.53 350	0.44 365	1.03 366	0.53 328	1.51 406	1.06 331	1.13 376	0.91 220	1.07 345	0.74 313	0.87 291	0.95 354	0.24 302	0.19 306	0.25 311	0.23 316	0.27 320	0.22 266

rvit_105_1	0.56 282	0.42 352	0.84 339	0.59 380	0.37 326	0.59 230	0.68 368	0.73 158	0.97 298	0.82 230	0.69 118	0.75 244	0.63 251	0.80 269	0.56 268	0.34 378	0.29 377	0.31 365	0.34 387	0.23 281	0.23 287

test_sample6	0.51 243	0.27 245	0.55 215	0.38 64	0.23 69	0.64 253	0.39 224	1.18 316	0.88 249	0.84 242	1.06 291	0.66 199	0.61 243	0.75 239	0.52 249	0.23 293	0.17 277	0.22 268	0.22 304	0.24 294	0.23 287

CFNet_ucs	0.51 243	0.25 197	0.58 235	0.39 84	0.31 269	0.59 230	0.35 171	1.04 264	0.95 286	0.89 281	1.19 334	0.80 269	0.49 185	0.66 184	0.45 211	0.21 253	0.16 245	0.26 327	0.18 219	0.27 320	0.23 287

CBFPSM	0.61 314	0.25 197	1.41 406	0.39 84	0.27 190	1.10 374	0.67 365	0.83 197	0.84 221	0.82 230	0.81 173	1.33 379	0.85 348	0.72 228	0.86 333	0.16 120	0.15 221	0.15 59	0.17 191	0.17 152	0.23 287

UDGNet	0.50 232	0.82 414	0.56 225	0.51 326	0.32 291	0.41 140	0.34 149	0.71 136	0.93 275	0.65 133	0.60 94	0.58 146	0.44 159	0.65 175	0.43 198	0.33 370	0.15 221	0.67 426	0.20 265	0.49 402	0.23 287

dad	0.61 314	0.53 376	0.72 301	0.44 231	0.31 269	0.64 253	0.37 193	0.85 201	1.28 384	1.05 354	1.17 329	1.18 361	0.61 243	0.70 216	0.54 264	0.36 386	0.23 339	0.37 386	0.21 284	0.31 340	0.23 287

GEStereo_RVC	0.56 282	0.30 287	0.70 293	0.51 326	0.31 269	0.70 281	0.54 334	1.31 367	0.93 275	0.85 254	0.86 195	0.84 274	0.63 251	0.92 307	0.67 299	0.24 302	0.16 245	0.19 178	0.17 191	0.21 240	0.23 287

ADLNet	0.57 288	0.29 273	0.58 235	0.46 267	0.35 319	0.80 315	0.46 284	1.14 303	0.88 249	1.03 344	0.98 251	0.92 306	0.66 267	0.71 223	0.83 329	0.22 271	0.16 245	0.22 268	0.22 304	0.22 263	0.23 287

CVANet_RVC	0.59 303	0.35 313	0.54 211	0.49 303	0.33 303	0.70 281	0.67 365	1.12 295	0.97 298	0.88 274	1.05 285	1.01 325	0.72 307	0.94 313	0.55 266	0.30 354	0.20 314	0.28 346	0.26 350	0.32 346	0.23 287

DRN-Test	0.68 330	0.34 309	0.77 316	0.52 342	0.40 343	1.14 381	0.61 356	1.56 413	1.04 325	1.18 380	1.10 303	1.05 337	0.72 307	0.82 279	1.01 363	0.24 302	0.18 289	0.26 327	0.25 342	0.26 311	0.23 287

Anonymous3	0.47 197	0.35 313	0.91 358	0.50 314	0.38 332	0.81 320	0.55 337	0.76 173	0.66 129	0.52 82	0.65 106	0.44 77	0.45 166	0.66 184	0.39 166	0.25 314	0.25 356	0.22 268	0.21 284	0.23 281	0.24 297

GES	0.46 188	0.25 197	0.62 255	0.41 142	0.30 257	0.62 239	0.37 193	1.06 276	0.70 145	0.75 193	0.83 180	0.47 94	0.52 196	0.69 209	0.46 215	0.23 293	0.17 277	0.17 109	0.16 141	0.18 177	0.24 297

GANet	0.74 342	0.38 331	0.63 259	0.54 360	0.35 319	1.01 362	0.95 411	1.15 306	0.95 286	1.09 368	2.00 414	1.14 358	0.92 367	1.29 380	0.75 313	0.25 314	0.27 369	0.27 335	0.23 316	0.32 346	0.24 297

NLCA_NET_v2_RVC	0.55 273	0.33 304	0.71 295	0.46 267	0.31 269	0.66 267	0.43 268	1.07 278	0.89 254	0.93 299	0.91 220	0.98 315	0.61 243	0.76 249	0.64 295	0.22 271	0.18 289	0.22 268	0.22 304	0.22 263	0.24 297
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
UCFNet_RVC	0.50 232	0.27 245	0.37 41	0.40 120	0.27 190	0.66 267	0.42 261	1.18 316	0.86 231	0.70 165	0.89 208	0.91 303	0.60 237	0.62 151	0.48 228	0.24 302	0.18 289	0.28 346	0.27 356	0.25 305	0.24 297

DISCO	0.72 336	0.27 245	0.72 301	0.45 243	0.31 269	1.12 379	0.53 328	1.32 372	1.25 379	0.84 242	1.07 295	1.52 405	0.87 355	1.82 421	1.08 380	0.20 239	0.15 221	0.18 146	0.16 141	0.24 294	0.24 297

ttt	0.56 282	0.27 245	0.49 149	0.39 84	0.25 128	0.65 260	0.42 261	1.24 341	1.08 342	0.76 198	1.10 303	0.63 174	0.51 193	0.95 318	1.03 368	0.25 314	0.22 330	0.22 268	0.21 284	0.25 305	0.25 303

HHNet	0.42 154	0.19 44	0.43 93	0.35 19	0.38 332	0.33 85	0.33 140	0.71 136	0.78 182	0.87 266	1.30 356	0.52 112	0.36 111	0.53 81	0.37 142	0.16 120	0.11 49	0.19 178	0.15 115	0.15 87	0.25 303

PSMNet_ROB	0.67 327	0.39 336	0.76 313	0.57 373	0.43 360	1.00 358	0.85 404	1.25 347	0.93 275	0.82 230	1.04 282	1.08 346	0.64 259	0.89 298	1.02 367	0.29 347	0.21 321	0.31 365	0.31 377	0.27 320	0.25 303

SGM_RVC	1.04 390	0.30 287	0.47 128	0.41 142	0.23 69	1.73 423	0.77 390	1.63 421	1.30 389	2.39 437	1.99 413	2.64 432	1.78 428	2.22 435	1.40 398	0.28 337	0.27 369	0.27 335	0.25 342	0.25 305	0.25 303
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
rvit_stereo_0075_2	0.48 206	0.38 331	0.74 309	0.54 360	0.46 380	0.43 154	0.35 171	0.85 201	0.68 136	0.56 95	0.73 125	0.59 156	0.47 177	0.64 168	0.47 224	0.33 370	0.23 339	0.35 378	0.26 350	0.32 346	0.26 307

test_sample7	0.54 266	0.30 287	0.55 215	0.37 47	0.28 211	0.63 244	0.47 292	1.11 291	0.92 270	0.93 299	0.89 208	0.86 280	0.71 296	0.74 232	0.53 259	0.27 328	0.22 330	0.27 335	0.26 350	0.27 320	0.26 307

LoS_RVC	0.28 16	0.17 16	0.29 11	0.33 11	0.32 291	0.43 154	0.34 149	0.42 7	0.34 13	0.33 22	0.51 63	0.29 9	0.38 123	0.37 14	0.28 48	0.11 1	0.10 9	0.11 1	0.08 1	0.11 1	0.26 307

GASNet	0.70 333	0.77 411	1.16 383	0.71 413	0.49 385	0.62 239	0.48 298	1.12 295	1.05 327	0.98 329	0.84 183	0.94 308	0.82 339	1.41 395	0.85 332	0.33 370	0.22 330	0.29 354	0.28 362	0.44 391	0.26 307

Wz-Net-MNSev	0.81 355	0.42 352	1.64 422	0.51 326	0.41 348	1.46 404	0.95 411	1.24 341	1.26 382	1.31 395	1.25 342	1.17 360	0.83 341	1.21 372	1.06 376	0.22 271	0.19 306	0.24 299	0.23 316	0.29 330	0.26 307

STTStereo	0.57 288	0.39 336	0.87 351	0.45 243	0.32 291	0.62 239	0.45 281	1.01 255	0.87 238	1.01 337	0.91 220	0.95 309	0.58 228	0.77 256	0.66 296	0.25 314	0.24 348	0.27 335	0.33 386	0.25 305	0.26 307

AF-Net	0.85 367	0.41 348	0.87 351	0.66 400	0.54 398	0.96 350	0.52 324	1.66 423	1.37 395	1.03 344	2.04 416	1.46 395	1.36 407	1.19 368	1.05 375	0.34 378	0.24 348	0.39 392	0.28 362	0.31 340	0.26 307

DeepPruner_ROB	0.55 273	0.37 324	0.67 275	0.42 170	0.31 269	0.50 177	0.43 268	1.22 336	0.73 162	0.86 264	1.05 285	0.85 276	0.58 228	0.90 303	0.56 268	0.29 347	0.23 339	0.22 268	0.22 304	0.26 311	0.26 307

NaN_ROB	0.73 337	0.46 363	0.89 355	0.52 342	0.34 313	0.98 355	1.11 420	1.28 359	1.20 374	1.27 393	0.96 239	1.08 346	0.79 331	1.34 390	0.78 317	0.24 302	0.30 382	0.23 286	0.24 330	0.23 281	0.26 307

MDST_ROB	0.97 383	0.29 273	1.02 373	0.64 396	0.43 360	2.64 438	0.82 398	1.68 425	1.18 370	2.89 444	1.82 406	0.97 313	0.75 316	1.83 422	0.89 337	0.26 319	0.22 330	0.32 370	0.28 362	0.26 311	0.26 307

AIO-Stereo-zeroshot1	0.52 255	0.23 145	1.38 403	0.40 120	0.53 395	0.29 49	0.30 95	1.49 402	0.45 64	0.69 159	1.15 319	0.98 315	0.32 86	0.70 216	0.29 60	0.15 79	0.11 49	0.17 109	0.20 265	0.22 263	0.27 317

Wz-Net-LNSev	0.75 346	0.54 383	1.59 416	0.51 326	0.41 348	1.16 385	0.79 394	1.27 354	1.13 355	1.04 349	1.14 317	1.11 354	0.94 372	0.93 310	1.00 362	0.24 302	0.22 330	0.21 255	0.19 244	0.26 311	0.27 317

NF-Stereo	0.39 119	0.21 94	0.51 170	0.42 170	0.25 128	0.26 22	0.30 95	0.71 136	0.72 153	0.66 138	0.77 143	0.57 131	0.31 79	0.69 209	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.16 128	0.27 317

OCTAStereo	0.39 119	0.21 94	0.51 170	0.42 170	0.25 128	0.26 22	0.30 95	0.71 136	0.72 153	0.66 138	0.77 143	0.58 146	0.31 79	0.69 209	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.16 128	0.27 317

RE-Stereo	0.39 119	0.21 94	0.51 170	0.42 170	0.25 128	0.26 22	0.30 95	0.71 136	0.72 153	0.66 138	0.77 143	0.57 131	0.31 79	0.70 216	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.16 128	0.27 317

TVStereo	0.39 119	0.21 94	0.51 170	0.42 170	0.25 128	0.26 22	0.30 95	0.71 136	0.72 153	0.66 138	0.77 143	0.57 131	0.31 79	0.70 216	0.39 166	0.18 182	0.12 104	0.20 212	0.16 141	0.16 128	0.27 317

Syn2CoEx	0.74 342	0.55 389	1.17 384	0.66 400	0.45 371	0.89 340	0.56 340	1.54 408	1.15 361	0.95 311	1.35 362	1.03 329	1.03 380	0.96 321	0.89 337	0.31 358	0.27 369	0.29 354	0.24 330	0.23 281	0.27 317

hitnet-ft	0.57 288	0.29 273	0.43 93	0.42 170	0.29 234	0.81 320	0.40 236	0.98 245	0.91 264	0.84 242	1.01 267	1.13 357	0.72 307	0.83 281	0.71 306	0.28 337	0.21 321	0.28 346	0.22 304	0.29 330	0.27 317

SuperB	1.00 388	0.41 348	4.03 448	0.45 243	0.32 291	0.99 357	0.49 309	1.09 286	2.09 432	1.10 371	1.10 303	0.74 239	0.83 341	1.13 358	1.75 413	0.20 239	0.15 221	0.17 109	0.15 115	2.50 455	0.27 317

CBMV	0.68 330	0.37 324	0.50 161	0.43 207	0.26 158	1.00 358	0.71 374	1.17 314	1.16 363	1.24 389	1.29 354	1.06 341	0.86 352	0.98 330	0.75 313	0.29 347	0.30 382	0.34 377	0.30 368	0.26 311	0.27 317
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CAS	0.37 89	0.13 1	0.27 8	1.34 438	0.31 269	0.46 168	0.38 209	0.50 23	0.48 78	0.35 26	0.52 69	0.24 4	0.19 6	0.30 3	0.28 48	1.03 440	0.08 1	0.12 2	0.08 1	0.12 4	0.28 327

CASS	0.46 188	0.28 261	0.45 104	0.48 294	0.22 43	0.63 244	0.34 149	0.99 248	0.66 129	0.76 198	0.86 195	0.61 162	0.58 228	0.58 106	0.44 205	0.29 347	0.16 245	0.22 268	0.18 219	0.23 281	0.28 327
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
GMM-Stereo	0.44 173	0.20 70	0.39 50	0.42 170	0.25 128	0.50 177	0.44 276	0.72 146	0.57 102	0.77 206	1.37 366	0.76 251	0.38 123	0.62 151	0.34 113	0.15 79	0.10 9	0.20 212	0.19 244	0.17 152	0.28 327

GwcNet	0.73 337	0.39 336	1.37 402	0.53 350	0.43 360	1.10 374	0.52 324	1.27 354	1.19 371	1.05 354	1.41 371	1.06 341	0.86 352	0.98 330	1.01 363	0.26 319	0.24 348	0.24 299	0.23 316	0.23 281	0.28 327

SGM-Forest	0.65 325	0.33 304	0.43 93	0.44 231	0.30 257	1.01 362	0.54 334	1.13 301	1.09 348	1.11 374	1.21 336	1.10 352	0.76 325	0.99 335	0.71 306	0.32 363	0.33 400	0.33 375	0.30 368	0.30 337	0.28 327
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
FADNet-RVC-Resample	0.58 299	0.35 313	1.34 400	0.50 314	0.34 313	0.73 293	0.43 268	1.09 286	0.96 293	0.83 236	0.87 202	0.76 251	0.66 267	0.77 256	0.52 249	0.19 219	0.18 289	0.26 327	0.27 356	0.28 328	0.29 332

ADCL	1.10 395	0.42 352	1.57 415	0.51 326	0.41 348	1.71 422	0.92 408	1.36 382	1.45 404	1.33 396	1.56 391	1.22 366	1.26 403	1.45 400	5.27 453	0.22 271	0.19 306	0.25 311	0.25 342	0.29 330	0.29 332

PS-NSSS	0.60 310	0.46 363	0.68 282	0.43 207	0.34 313	0.66 267	0.57 342	1.05 271	0.91 264	0.80 224	1.28 350	0.72 231	0.67 276	0.89 298	0.61 286	0.32 363	0.26 365	0.40 395	0.27 356	0.35 362	0.29 332

XPNet_ROB	0.73 337	0.38 331	0.80 321	0.53 350	0.40 343	0.80 315	0.83 400	1.21 329	0.96 293	1.37 398	1.17 329	1.37 386	0.87 355	1.14 360	0.99 361	0.33 370	0.25 356	0.27 335	0.24 330	0.31 340	0.29 332

Wz-Net-SNSev	0.99 387	0.80 413	3.00 439	0.57 373	0.46 380	0.94 346	1.22 430	1.40 388	1.28 384	1.04 349	1.33 358	1.46 395	0.90 364	2.06 429	1.65 411	0.26 319	0.24 348	0.25 311	0.26 350	0.33 351	0.30 336

GrayStereo	0.49 219	0.20 70	0.44 98	0.47 286	0.29 234	0.51 182	0.62 358	0.71 136	0.66 129	1.04 349	1.46 382	0.77 256	0.73 311	0.58 106	0.35 122	0.15 79	0.12 104	0.17 109	0.17 191	0.15 87	0.30 336

Prome-Stereo	0.46 188	0.20 70	0.37 41	0.45 243	0.26 158	0.40 130	0.42 261	0.69 117	0.49 81	0.96 323	1.84 407	0.58 146	0.64 259	0.63 161	0.32 92	0.15 79	0.11 49	0.16 80	0.14 93	0.17 152	0.30 336

pcwnet_v2	0.60 310	0.29 273	0.89 355	0.46 267	0.36 324	0.62 239	0.38 209	1.33 375	1.24 377	1.02 341	1.27 349	0.71 216	0.59 233	0.71 223	0.51 244	0.28 337	0.21 321	0.24 299	0.23 316	0.29 330	0.30 336

FADNet_RVC	0.58 299	0.39 336	1.26 389	0.45 243	0.32 291	0.55 205	0.34 149	1.12 295	0.90 258	0.68 156	0.90 214	0.61 162	0.71 296	1.03 346	0.80 325	0.21 253	0.18 289	0.27 335	0.23 316	0.33 351	0.30 336

SGM-ForestM	4.73 458	0.34 309	1.05 375	0.46 267	0.28 211	10.26 464	3.48 464	4.52 459	5.16 456	8.68 467	7.48 465	18.87 474	10.80 466	11.26 469	10.01 462	0.32 363	0.34 403	0.32 370	0.32 380	0.29 330	0.30 336

FBW_ROB	0.94 379	0.54 383	1.03 374	0.56 369	0.42 357	1.16 385	0.76 389	1.56 413	1.41 399	1.38 400	1.33 358	1.47 397	1.07 385	2.94 447	1.14 384	0.26 319	0.32 395	0.45 404	0.30 368	0.34 357	0.30 336

FADNet-RVC	0.62 320	0.56 391	1.29 394	0.47 286	0.39 340	0.63 244	0.40 236	1.16 308	0.91 264	0.71 175	0.86 195	1.04 334	0.55 207	0.99 335	0.78 317	0.27 328	0.26 365	0.28 346	0.29 367	0.32 346	0.31 343

Nwc_Net	0.82 356	0.40 344	0.86 346	0.62 390	0.56 400	1.04 368	0.57 342	1.72 427	1.08 342	0.93 299	1.88 409	1.44 393	1.24 401	1.19 368	0.94 351	0.31 358	0.25 356	0.36 382	0.39 398	0.31 340	0.31 343

PWCDC_ROB	0.93 375	0.54 383	0.97 369	0.78 420	0.41 348	1.03 366	0.42 261	1.39 384	2.34 438	1.04 349	3.73 447	0.80 269	1.12 391	1.29 380	1.04 373	0.37 390	0.22 330	0.24 299	0.20 265	0.36 366	0.31 343

CES	0.29 20	0.15 2	0.25 1	0.31 5	0.71 420	0.36 101	0.27 61	0.51 25	0.47 76	0.34 24	0.48 49	0.27 7	0.23 18	0.40 25	0.24 9	0.13 13	0.11 49	0.12 2	0.08 1	0.13 20	0.32 346

HBP-ISP	0.61 314	0.47 369	0.45 104	0.46 267	0.33 303	0.79 309	0.29 80	1.15 306	1.05 327	0.85 254	1.18 333	0.67 206	0.71 296	0.92 307	0.57 274	0.37 390	0.38 409	0.47 408	0.41 406	0.39 378	0.32 346

FTStereo	0.56 282	0.21 94	0.39 50	0.42 170	0.25 128	0.39 122	0.73 384	0.69 117	0.45 64	1.09 368	3.23 439	0.69 211	0.71 296	0.55 90	0.34 113	0.15 79	0.13 166	0.19 178	0.17 191	0.15 87	0.32 346

APVNet	0.73 337	0.39 336	1.01 372	0.58 378	0.45 371	1.16 385	0.68 368	1.47 401	0.87 238	0.84 242	1.15 319	1.04 334	0.84 344	1.14 360	1.18 386	0.27 328	0.28 375	0.32 370	0.31 377	0.29 330	0.32 346

RTSC	0.93 375	0.54 383	1.59 416	0.56 369	0.40 343	1.17 389	0.55 337	1.44 397	1.82 426	1.53 406	1.26 345	1.15 359	0.82 339	1.70 415	2.44 430	0.26 319	0.20 314	0.23 286	0.24 330	0.31 340	0.32 346

CBMV_ROB	0.62 320	0.39 336	0.41 67	0.41 142	0.28 211	0.86 334	0.28 72	1.06 276	1.02 317	0.95 311	1.33 358	0.81 271	0.84 344	0.94 313	0.56 268	0.37 390	0.37 408	0.43 401	0.40 401	0.33 351	0.32 346

SANet	1.15 400	0.45 358	1.40 405	0.50 314	0.32 291	1.54 412	1.21 428	1.49 402	3.35 449	1.61 408	2.41 424	2.32 429	1.80 429	1.57 407	1.27 392	0.28 337	0.25 356	0.26 327	0.24 330	0.36 366	0.32 346

LALA_ROB	0.76 349	0.46 363	0.86 346	0.55 366	0.41 348	1.00 358	0.93 410	1.25 347	1.13 355	1.23 387	1.15 319	1.55 407	0.80 335	1.11 357	0.96 356	0.33 370	0.23 339	0.35 378	0.30 368	0.35 362	0.32 346

PWC_ROB	0.92 374	0.57 392	1.64 422	0.53 350	0.33 303	0.93 344	0.39 224	1.42 395	1.51 410	1.66 413	2.57 428	1.18 361	1.11 389	1.50 404	1.54 408	0.26 319	0.18 289	0.28 346	0.20 265	0.30 337	0.32 346

aanetorigin	0.85 367	0.58 395	1.98 430	0.50 314	0.40 343	0.66 267	0.70 372	0.72 146	1.01 312	2.44 439	2.00 414	1.32 374	1.25 402	0.96 321	1.16 385	0.20 239	0.19 306	0.20 212	0.20 265	0.27 320	0.33 355

DeepPrunerF	0.93 375	0.55 389	3.88 445	0.70 411	0.81 423	0.72 289	0.74 386	1.28 359	1.97 429	0.95 311	1.02 269	0.87 286	0.85 348	1.16 364	1.07 378	0.35 384	0.29 377	0.43 401	0.40 401	0.31 340	0.33 355

FINET	0.75 346	0.45 358	1.38 403	0.48 294	0.46 380	0.98 355	1.00 415	1.22 336	1.69 422	0.91 295	1.25 342	0.74 239	0.74 313	1.09 354	0.82 328	0.37 390	0.31 390	0.27 335	0.24 330	0.35 362	0.34 357

NCCL2	0.74 342	0.45 358	0.77 316	0.65 398	0.45 371	0.97 351	1.16 425	1.16 308	1.02 317	1.00 335	0.98 251	1.48 399	0.88 359	0.99 335	0.89 337	0.31 358	0.27 369	0.39 392	0.39 398	0.33 351	0.34 357

MeshStereo	1.38 418	0.45 358	0.58 235	0.45 243	0.35 319	1.63 416	0.60 354	2.07 435	1.43 402	4.49 459	3.32 443	4.67 450	2.08 437	2.08 431	1.32 395	0.36 386	0.36 407	0.37 386	0.32 380	0.32 346	0.34 357
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
DualNet (step1)	0.60 310	0.37 324	0.83 332	0.39 84	0.31 269	0.72 289	0.49 309	1.11 291	0.92 270	0.93 299	0.89 208	0.86 280	0.71 296	0.74 232	0.53 259	0.42 403	0.22 330	0.40 395	0.41 406	0.36 366	0.35 360

test_sample9	1.17 403	0.37 324	0.83 332	0.39 84	0.31 269	0.72 289	0.49 309	1.11 291	0.92 270	0.93 299	0.89 208	0.86 280	0.71 296	1.29 380	2.03 422	0.42 403	9.50 473	0.40 395	0.41 406	0.36 366	0.35 360

test_sample8	1.36 417	0.37 324	0.83 332	0.39 84	0.31 269	0.72 289	0.49 309	1.19 320	0.79 188	1.51 404	0.96 239	3.29 442	1.64 422	1.29 380	2.03 422	0.42 403	9.50 473	0.40 395	0.41 406	0.36 366	0.35 360

NCC-stereo	0.82 356	0.43 355	0.87 351	0.63 393	0.68 418	0.88 337	0.72 379	1.60 419	1.12 350	0.95 311	1.41 371	1.37 386	1.37 409	1.26 376	0.94 351	0.32 363	0.30 382	0.37 386	0.49 422	0.34 357	0.35 360

Abc-Net	0.82 356	0.43 355	0.87 351	0.63 393	0.68 418	0.88 337	0.72 379	1.60 419	1.12 350	0.95 311	1.41 371	1.37 386	1.37 409	1.26 376	0.94 351	0.32 363	0.30 382	0.37 386	0.49 422	0.34 357	0.35 360
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ETE_ROB	0.73 337	0.52 374	0.93 359	0.57 373	0.37 326	0.80 315	0.86 405	1.19 320	0.95 286	1.20 382	1.22 338	1.39 392	0.86 352	1.07 350	0.88 335	0.27 328	0.21 321	0.31 365	0.27 356	0.34 357	0.35 360

FADNet	0.63 323	0.53 376	1.20 385	0.46 267	0.44 365	0.66 267	0.41 255	1.24 341	1.07 338	0.70 165	0.84 183	0.98 315	0.65 266	0.87 291	0.54 264	0.29 347	0.30 382	0.27 335	0.30 368	0.48 398	0.36 366

RP	0.80 353	0.38 331	0.73 305	0.67 402	0.59 407	0.82 323	0.57 342	1.21 329	1.28 384	1.03 344	1.68 398	1.45 394	1.49 417	1.08 353	0.90 343	0.36 386	0.31 390	0.37 386	0.30 368	0.36 366	0.36 366

ADCMid	1.22 406	0.57 392	3.17 442	0.54 360	0.44 365	1.07 372	0.77 390	1.31 367	1.13 355	2.14 432	1.48 385	1.49 400	1.47 416	1.65 412	5.30 454	0.26 319	0.24 348	0.29 354	0.32 380	0.38 374	0.36 366

DANet	0.74 342	0.47 369	0.98 370	0.60 382	0.41 348	0.92 343	0.41 255	1.02 258	0.87 238	1.22 385	1.22 338	1.33 379	0.88 359	1.26 376	1.37 397	0.27 328	0.24 348	0.31 365	0.25 342	0.37 372	0.36 366
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CSAN	0.88 371	0.52 374	0.93 359	0.61 386	0.42 357	1.19 390	1.11 420	1.27 354	1.48 408	1.37 398	1.44 378	1.37 386	1.30 404	1.46 402	1.01 363	0.39 396	0.31 390	0.36 382	0.37 393	0.35 362	0.36 366

NOSS_ROB	0.59 303	0.40 344	0.42 75	0.45 243	0.31 269	0.79 309	0.53 328	1.09 286	1.12 350	0.69 159	0.92 226	0.77 256	0.63 251	0.81 274	0.52 249	0.39 396	0.38 409	0.44 403	0.42 411	0.38 374	0.36 366

LCNet	0.42 154	0.21 94	0.34 19	0.44 231	0.24 102	0.47 170	0.28 72	0.69 117	0.57 102	0.72 176	1.03 279	0.66 199	0.58 228	0.60 125	0.35 122	0.15 79	0.10 9	0.19 178	0.19 244	0.22 263	0.37 372

ADCPNet	1.11 398	0.53 376	3.26 443	0.55 366	0.44 365	1.47 405	0.83 400	1.21 329	1.17 366	1.26 392	1.42 375	1.67 413	1.12 391	1.48 403	3.86 447	0.30 354	0.29 377	0.30 364	0.32 380	0.37 372	0.37 372

RGC	0.82 356	0.62 399	0.80 321	0.67 402	0.66 416	0.91 342	0.59 352	1.35 378	1.09 348	1.12 375	1.46 382	1.50 401	1.09 387	1.28 379	0.97 359	0.34 378	0.30 382	0.48 412	0.40 401	0.38 374	0.38 374

SACVNet	0.61 314	0.36 322	0.67 275	0.57 373	0.37 326	0.65 260	0.47 292	1.16 308	0.80 196	1.04 349	1.06 291	1.02 327	0.81 338	0.99 335	0.57 274	0.28 337	0.21 321	0.25 311	0.24 330	0.30 337	0.39 375

MaskLacGwcNet_RVC	0.71 335	0.84 418	0.80 321	0.55 366	0.38 332	1.38 400	0.57 342	1.07 278	0.81 205	0.90 288	0.94 231	0.95 309	0.54 204	1.01 341	0.61 286	0.41 401	0.30 382	0.57 422	0.31 377	0.86 426	0.39 375

edge stereo	0.79 352	0.40 344	0.82 328	0.52 342	0.44 365	0.83 326	0.58 349	1.34 377	1.08 342	1.30 394	1.38 367	1.79 416	1.13 393	1.15 363	0.92 347	0.34 378	0.32 395	0.42 400	0.28 362	0.33 351	0.39 375

PA-Net	0.70 333	0.46 363	0.96 365	0.51 326	0.53 395	0.94 346	0.73 384	1.14 303	1.15 361	0.83 236	0.90 214	0.88 290	0.76 325	1.19 368	0.96 356	0.25 314	0.41 418	0.29 354	0.44 412	0.27 320	0.39 375
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DPSNet	1.08 394	0.44 357	2.64 438	0.54 360	0.42 357	1.59 413	1.25 431	2.39 442	1.50 409	1.13 376	1.12 309	1.51 403	2.19 441	1.44 399	1.51 407	0.35 384	0.25 356	0.25 311	0.21 284	0.49 402	0.39 375

coex-ft	6.50 465	1.57 445	87.99 484	0.49 303	0.38 332	1.41 401	1.21 428	1.21 329	7.96 461	12.14 468	2.78 434	2.74 433	3.83 455	1.30 386	3.19 440	0.24 302	0.23 339	0.27 335	0.24 330	0.48 398	0.40 380

stereogan	0.83 361	0.33 304	0.89 355	0.61 386	0.51 391	1.80 424	0.50 315	1.41 390	1.39 398	1.05 354	1.47 384	1.56 409	1.04 382	1.32 389	0.87 334	0.29 347	0.29 377	0.29 354	0.25 342	0.39 378	0.40 380

RTS	2.03 438	1.03 429	11.50 462	0.68 405	0.63 412	2.71 439	1.56 444	1.55 409	2.32 436	1.93 424	2.57 428	1.32 374	1.32 405	5.20 459	4.30 448	0.31 358	0.23 339	0.29 354	0.30 368	0.41 382	0.40 380

RTSA	2.03 438	1.03 429	11.50 462	0.68 405	0.63 412	2.71 439	1.56 444	1.55 409	2.32 436	1.93 424	2.57 428	1.32 374	1.32 405	5.20 459	4.30 448	0.31 358	0.23 339	0.29 354	0.30 368	0.41 382	0.40 380

CC-Net-ROB	0.84 362	1.01 428	0.93 359	0.60 382	0.45 371	1.25 393	0.71 374	1.20 326	1.05 327	0.84 242	1.24 341	0.90 297	0.78 330	1.14 360	0.70 304	0.48 412	0.34 403	1.71 442	0.38 396	0.78 424	0.40 380

WZ-Net	1.29 413	0.64 401	5.42 454	0.64 396	0.52 393	1.37 399	1.29 433	1.41 390	1.77 425	1.56 407	1.69 400	1.74 414	1.41 411	2.50 442	2.16 427	0.28 337	0.21 321	0.23 286	0.25 342	0.39 378	0.41 385

FAT-Stereo	0.75 346	0.34 309	0.81 327	0.51 326	0.38 332	0.78 303	0.63 361	1.39 384	1.32 391	1.05 354	1.40 369	1.58 410	1.14 394	0.92 307	0.91 345	0.29 347	0.28 375	0.28 346	0.23 316	0.28 328	0.41 385

PDISCO_ROB	0.96 381	0.51 372	1.13 380	1.03 430	1.00 432	1.81 425	0.77 390	1.72 427	1.60 416	1.09 368	1.19 334	1.34 382	0.80 335	1.62 409	1.01 363	0.58 423	0.22 330	0.45 404	0.40 401	0.50 404	0.41 385

Anonymous_2	0.84 362	0.45 358	0.66 270	0.41 142	0.45 371	0.82 323	0.53 328	0.81 190	0.81 205	0.73 183	0.61 97	0.91 303	0.76 325	0.77 256	0.61 286	0.51 416	0.55 432	0.54 420	4.92 469	0.54 412	0.42 388

PSM-AAD	0.48 206	0.21 94	0.39 50	0.44 231	0.23 69	0.56 210	0.47 292	0.67 102	0.73 162	1.08 364	1.12 309	0.58 146	0.87 355	0.63 161	0.33 102	0.15 79	0.11 49	0.25 311	0.26 350	0.18 177	0.42 388

EDNetEfficient	1.47 424	0.82 414	6.28 456	0.48 294	0.40 343	0.73 293	0.83 400	0.95 237	2.77 443	3.48 456	1.95 411	1.64 412	2.12 438	1.42 396	3.84 446	0.21 253	0.19 306	0.21 255	0.21 284	0.43 388	0.42 388

WCMA_ROB	1.22 406	0.39 336	0.93 359	0.51 326	0.45 371	1.44 403	0.79 394	1.20 326	1.30 389	2.99 450	3.94 451	3.30 443	2.17 440	1.42 396	1.31 394	0.46 407	0.35 405	0.35 378	0.37 393	0.41 382	0.42 388

Wz-Net-TNSev	1.23 408	1.24 434	5.25 453	0.51 326	0.43 360	1.49 409	1.09 419	1.58 416	1.42 401	1.25 390	1.26 345	1.58 410	1.52 418	1.97 426	1.95 417	0.33 370	0.32 395	0.26 327	0.30 368	0.41 382	0.43 392

sAnonymous2	0.42 154	0.41 348	0.96 365	0.48 294	0.37 326	0.41 140	0.48 298	0.60 59	0.52 89	0.39 38	0.48 49	0.35 37	0.44 159	0.44 38	0.30 73	0.19 219	0.14 200	0.19 178	0.17 191	0.55 414	0.43 392

CroCo_RVC	0.42 154	0.41 348	0.96 365	0.48 294	0.37 326	0.41 140	0.48 298	0.60 59	0.52 89	0.39 38	0.48 49	0.35 37	0.44 159	0.44 38	0.30 73	0.19 219	0.14 200	0.19 178	0.17 191	0.55 414	0.43 392

MFN_U_SF_DS_RVC	1.06 391	0.61 398	1.82 427	0.69 408	0.51 391	2.62 437	1.69 449	1.28 359	1.44 403	1.39 401	1.56 391	1.34 382	0.91 365	1.68 414	0.95 354	0.38 395	0.39 413	0.46 407	0.61 432	0.41 382	0.43 392

SHD	0.98 385	0.54 383	1.30 396	0.63 393	0.50 389	1.14 381	0.50 315	1.80 431	2.20 433	1.66 413	1.39 368	1.47 397	1.21 398	1.40 392	1.80 414	0.32 363	0.27 369	0.32 370	0.34 387	0.41 382	0.44 396

AnyNet_C32	1.27 411	0.72 409	3.33 444	0.59 380	0.56 400	1.51 410	1.53 442	1.27 354	1.28 384	1.52 405	1.48 385	1.38 390	1.23 400	1.64 411	5.26 452	0.30 354	0.29 377	0.29 354	0.34 387	0.38 374	0.44 396

psmorigin	0.84 362	0.53 376	2.21 434	0.50 314	0.41 348	0.86 334	0.57 342	1.08 283	0.90 258	1.50 403	1.42 375	1.50 401	1.09 387	1.29 380	1.03 368	0.32 363	0.33 400	0.27 335	0.27 356	0.34 357	0.45 398

G-Net	0.95 380	0.48 371	1.13 380	0.67 402	0.49 385	2.07 430	0.63 361	1.02 258	0.90 258	1.77 419	2.62 431	1.28 368	1.60 420	1.09 354	1.06 376	0.37 390	0.30 382	0.35 378	0.25 342	0.46 395	0.45 398

RYNet	0.76 349	0.37 324	0.74 309	0.54 360	0.67 417	1.35 398	0.68 368	1.28 359	1.21 376	1.10 371	0.90 214	1.31 372	0.94 372	1.01 341	1.30 393	0.22 271	0.16 245	0.27 335	0.23 316	0.43 388	0.45 398

MSMD_ROB	1.25 409	0.51 372	0.64 263	0.60 382	0.50 389	1.66 418	0.67 365	1.26 349	1.26 382	2.64 441	3.82 448	3.06 438	3.20 453	1.45 400	0.91 345	0.46 407	0.41 418	0.49 415	0.51 425	0.47 397	0.45 398

ADCS	1.60 427	0.70 405	4.02 447	0.61 386	0.53 395	1.31 395	1.11 420	1.71 426	1.86 428	1.97 427	1.68 398	1.51 403	1.46 414	2.07 430	9.20 461	0.34 378	0.32 395	0.33 375	0.36 391	0.45 392	0.46 402

NVstereo2D	0.62 320	0.32 298	0.82 328	0.50 314	0.44 365	0.88 337	0.48 298	1.12 295	1.17 366	0.67 147	0.90 214	0.90 297	0.69 286	1.02 344	0.69 303	0.33 370	0.16 245	0.29 354	0.20 265	0.43 388	0.46 402

FC-DCNN v2	1.74 431	0.53 376	0.68 282	0.62 390	0.49 385	1.67 419	0.71 374	1.85 432	1.57 413	4.84 462	5.01 461	6.42 462	3.92 456	2.24 436	1.43 401	0.47 410	0.42 420	0.47 408	0.46 413	0.48 398	0.47 404

MFN_U_SF_RVC	1.14 399	0.63 400	2.33 435	0.69 408	0.46 380	2.04 429	0.70 372	1.90 433	1.37 395	1.62 409	1.56 391	1.94 421	1.36 407	1.73 417	1.90 416	0.41 401	0.38 409	0.45 404	0.48 419	0.45 392	0.47 404

FC-DCNN	1.67 430	0.53 376	0.68 282	0.62 390	0.49 385	1.62 415	0.71 374	1.77 430	1.55 411	4.73 461	4.66 459	5.82 458	3.94 457	2.13 433	1.42 399	0.47 410	0.42 420	0.47 408	0.46 413	0.48 398	0.47 404

ccnet	0.84 362	0.59 397	0.86 346	0.56 369	0.60 410	1.11 378	0.72 379	1.44 397	0.97 298	1.15 378	1.44 378	1.28 368	0.95 374	1.01 341	1.33 396	0.49 413	0.43 423	0.50 417	0.47 415	0.52 410	0.48 407

XQC	0.97 383	0.70 405	1.54 414	0.70 411	0.55 399	1.48 406	0.81 396	1.41 390	1.57 413	1.21 383	1.12 309	1.33 379	1.04 382	1.55 406	2.00 421	0.39 396	0.25 356	0.37 386	0.32 380	0.55 414	0.49 408

GANetREF_RVC	0.82 356	0.77 411	0.95 364	0.68 405	0.43 360	1.15 383	1.06 418	1.19 320	1.20 374	1.03 344	1.02 269	1.10 352	0.89 361	1.20 371	0.78 317	0.49 413	0.39 413	0.58 423	0.39 398	0.69 421	0.49 408
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
SDNR	0.89 372	0.39 336	1.66 425	0.42 170	0.39 340	3.35 451	0.32 129	0.95 237	1.05 327	1.05 354	2.12 417	0.62 169	0.71 296	1.40 392	0.78 317	0.53 418	0.56 433	0.36 382	0.27 356	0.46 395	0.50 410

S-Stereo	0.76 349	0.36 322	1.10 377	0.57 373	0.46 380	0.83 326	0.59 352	1.31 367	1.62 418	0.98 329	1.41 371	1.11 354	0.93 369	0.85 287	1.07 378	0.27 328	0.31 390	0.28 346	0.25 342	0.33 351	0.50 410

AnyNet_C01	1.63 428	1.16 432	7.38 457	0.65 398	0.56 400	2.25 433	1.53 442	1.53 407	1.46 406	1.71 417	1.95 411	1.83 417	1.41 411	2.48 440	4.42 450	0.33 370	0.32 395	0.32 370	0.34 387	0.45 392	0.50 410

MANE	4.73 458	0.54 383	0.77 316	0.69 408	0.60 410	10.35 465	1.67 448	8.68 467	12.66 466	6.90 466	9.43 467	11.59 468	10.59 465	8.26 466	8.41 459	0.51 416	0.45 425	0.48 412	1.02 447	0.50 404	0.50 410

FCDSN-DC	1.43 422	0.57 392	0.69 291	0.74 416	0.59 407	1.42 402	0.65 364	1.40 388	1.41 399	3.31 454	4.42 457	4.57 449	3.01 451	1.70 415	1.19 388	0.46 407	0.42 420	0.48 412	0.47 415	0.51 407	0.51 414
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SAMSARA	1.15 400	0.69 404	1.44 409	1.09 432	0.93 425	2.10 431	1.87 456	1.64 422	1.47 407	1.64 411	1.21 336	2.06 423	1.14 394	1.61 408	1.50 406	0.39 396	0.45 425	0.36 382	0.38 396	0.50 404	0.51 414

MSC_U_SF_DS_RVC	1.38 418	0.91 421	2.11 433	0.89 423	0.57 405	4.27 457	1.79 453	1.55 409	2.00 431	1.64 411	1.85 408	1.83 417	1.44 413	1.89 425	1.49 405	0.49 413	0.40 416	0.56 421	0.58 429	0.75 423	0.52 416

BEATNet-Init1	15.65 470	1.62 448	54.26 483	0.75 418	0.56 400	37.03 480	13.39 469	13.20 471	14.59 468	29.41 481	29.29 481	47.69 484	21.87 477	26.91 479	19.58 470	0.43 406	0.39 413	0.47 408	0.47 415	0.52 410	0.52 416

EDNetEfficientorigin	9.96 467	1.17 433	175.17 485	0.49 303	0.37 326	1.13 380	0.74 386	1.27 354	2.70 442	3.16 453	2.49 425	2.28 426	2.15 439	1.88 423	2.27 429	0.21 253	0.19 306	0.25 311	0.20 265	0.54 412	0.53 418

ELAS_RVC	1.76 433	0.64 401	1.20 385	0.74 416	0.59 407	2.18 432	2.53 461	2.10 437	2.85 444	3.46 455	3.41 446	3.12 439	4.11 458	2.69 445	2.53 435	0.54 421	0.47 428	0.51 419	0.48 419	0.55 414	0.55 419
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.77 434	0.64 401	1.10 377	0.72 414	0.58 406	3.37 452	1.76 451	2.54 443	2.57 440	3.77 457	3.96 452	2.83 435	3.44 454	2.34 439	2.73 437	0.53 418	0.47 428	0.50 417	0.48 419	0.55 414	0.55 419
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PASM	0.96 381	0.71 408	2.05 432	0.72 414	0.72 422	0.84 331	0.92 408	1.14 303	1.34 394	1.25 390	1.22 338	1.34 382	1.07 385	1.31 387	1.11 381	0.53 418	0.57 434	0.59 424	0.67 433	0.56 419	0.57 421

DGSMNet	0.80 353	0.58 395	1.42 407	0.61 386	0.65 414	0.94 346	0.75 388	1.35 378	1.16 363	0.88 274	1.26 345	1.00 321	0.75 316	1.07 350	0.89 337	0.36 386	0.31 390	0.41 399	0.40 401	0.60 420	0.59 422

PVD	1.34 416	0.70 405	1.42 407	0.78 420	0.65 414	1.68 420	0.91 406	2.12 438	3.01 445	2.25 434	2.35 423	1.90 420	1.99 435	1.98 427	2.14 425	0.40 400	0.38 409	0.49 415	0.37 393	0.51 407	0.67 423

SQANet	0.87 370	0.76 410	0.76 313	1.16 433	0.99 431	1.10 374	0.51 318	1.12 295	0.85 225	0.93 299	1.05 285	1.03 329	0.76 325	1.07 350	0.70 304	0.79 429	0.25 356	1.04 435	0.36 391	1.56 437	0.70 424

GCST	0.85 367	1.25 436	0.80 321	1.58 441	1.03 434	1.04 368	0.24 33	0.81 190	0.81 205	0.99 334	0.67 115	0.78 258	0.35 105	0.98 330	0.38 157	0.97 436	0.65 436	1.20 437	0.81 440	0.93 429	0.72 425

test_for_model	0.90 373	3.60 467	0.42 75	2.47 456	2.11 456	0.39 122	0.28 72	0.46 15	0.48 78	0.76 198	0.32 17	0.30 11	0.28 48	0.35 11	0.27 37	0.69 427	0.12 104	0.13 14	0.09 5	3.76 466	0.74 426

UDG	0.93 375	1.03 429	0.75 312	1.00 427	0.97 429	1.02 364	0.57 342	1.18 316	1.01 312	0.93 299	1.02 269	1.32 374	1.03 380	0.88 297	0.92 347	0.55 422	0.33 400	1.82 444	0.41 406	1.20 435	0.74 426

KYRaft	0.48 206	0.21 94	0.41 67	0.45 243	0.23 69	0.43 154	0.36 180	0.68 107	0.45 64	0.94 306	1.72 402	0.78 258	0.40 142	0.65 175	0.32 92	0.16 120	0.11 49	0.18 146	0.22 304	0.17 152	0.76 428

Consistency-Raft	1.01 389	0.82 414	1.27 392	0.85 422	0.97 429	0.81 320	0.83 400	1.35 378	1.61 417	1.06 362	1.66 397	1.11 354	0.93 369	0.93 310	1.11 381	0.65 425	0.75 443	0.79 429	0.91 443	1.09 434	0.79 429

MADNet+	2.28 445	2.56 460	10.82 460	1.25 436	0.96 428	2.77 443	1.44 441	2.34 440	1.76 424	1.36 397	1.78 405	1.84 419	1.74 427	6.33 462	4.57 451	0.67 426	0.66 437	0.59 424	0.54 428	0.84 425	0.81 430

otaku	1.10 395	0.96 423	0.96 365	1.37 439	1.06 437	1.65 417	0.72 379	1.46 400	1.19 371	1.10 371	1.32 357	1.32 374	0.95 374	1.29 380	0.81 327	0.89 434	0.46 427	1.24 438	0.50 424	1.86 440	0.89 431

DDUNet	1.10 395	2.58 462	0.83 332	1.21 435	1.27 440	1.02 364	0.69 371	1.17 314	0.95 286	0.98 329	1.26 345	1.28 368	0.84 344	0.97 328	0.79 324	0.85 432	0.40 416	2.00 447	0.60 431	1.34 436	0.94 432

MFMNet_re	1.17 403	0.99 425	1.31 397	1.02 429	0.95 427	1.32 396	1.32 434	1.44 397	1.58 415	1.72 418	1.70 401	1.21 363	1.57 419	1.16 364	1.04 373	0.88 433	0.76 445	0.79 429	0.75 437	0.90 427	0.94 432

anonymity	0.98 385	0.89 420	1.06 376	0.93 425	1.04 436	0.97 351	0.82 398	1.33 375	0.93 275	1.08 364	0.98 251	1.02 327	0.95 374	1.02 344	0.93 349	0.96 435	0.96 456	0.90 432	0.91 443	0.92 428	0.95 434

IGEV-BASED-STEREO-	0.56 282	3.08 466	2.41 437	0.32 7	0.18 6	0.29 49	0.20 3	0.39 2	0.33 11	0.29 10	0.25 4	0.18 1	0.18 3	0.32 5	0.22 1	1.08 441	0.09 2	0.17 109	0.16 141	0.15 87	0.96 435

NVStereoNet_ROB	1.31 415	0.96 423	1.33 399	0.90 424	0.92 424	1.15 383	1.05 417	1.49 402	1.62 418	1.63 410	2.51 426	2.31 427	1.62 421	2.16 434	1.42 399	0.81 431	0.73 439	0.79 429	1.02 447	0.73 422	0.97 436
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	1.29 413	0.94 422	1.10 377	1.05 431	1.03 434	1.48 406	0.91 406	1.57 415	1.24 377	2.13 429	1.90 410	1.94 421	1.46 414	1.77 418	1.64 410	0.97 436	0.94 455	0.90 432	0.89 442	0.96 431	0.97 436
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-7	1.96 435	1.24 434	1.52 411	1.28 437	1.06 437	2.92 447	1.64 447	3.32 450	3.05 447	2.28 435	3.32 443	3.19 441	2.38 444	3.39 449	2.49 434	1.02 439	0.92 451	1.06 436	1.04 449	1.05 433	0.99 438

Ntro	1.15 400	1.00 427	1.00 371	1.49 440	1.20 439	1.69 421	0.81 396	1.39 384	1.25 379	1.01 337	1.28 350	1.31 372	1.00 378	1.31 387	0.89 337	1.10 442	0.43 423	1.36 439	0.51 425	1.95 442	0.99 438

SGM+DAISY	1.52 425	0.99 425	1.61 420	1.01 428	1.02 433	1.86 427	1.19 427	1.49 402	1.38 397	2.96 448	3.00 438	2.79 434	1.94 431	1.88 423	1.62 409	0.98 438	0.97 457	0.91 434	0.91 443	0.94 430	0.99 438

PWCK	2.06 440	1.75 452	4.11 449	1.69 442	0.93 425	3.13 450	2.86 463	2.18 439	2.41 439	2.38 436	2.33 420	2.22 425	1.85 430	3.52 451	2.20 428	1.65 448	0.73 439	1.52 441	0.83 441	1.81 438	1.02 441

IGEV-Stereo+	0.25 2	0.15 2	0.28 9	0.32 7	0.19 12	0.13 1	0.17 1	0.29 1	0.30 6	0.22 1	0.15 1	0.22 2	0.22 14	0.42 32	0.22 1	0.14 25	0.10 9	0.12 2	0.09 5	0.15 87	1.09 442

ACVNet-4b	1.43 422	1.34 438	1.28 393	1.95 448	1.60 443	1.93 428	0.77 390	1.59 417	1.64 420	1.05 354	1.60 395	2.10 424	0.92 367	1.79 420	0.84 330	1.76 451	0.35 405	2.03 450	0.67 433	2.16 447	1.18 443

RainbowNet	1.42 421	1.53 444	1.31 397	1.93 447	1.46 441	1.52 411	1.03 416	1.67 424	1.55 411	1.23 387	1.59 394	1.54 406	1.21 398	1.40 392	1.03 368	1.70 449	0.70 438	1.82 444	0.80 439	2.11 446	1.22 444

WAO-8	3.00 448	1.60 446	1.52 411	1.82 445	1.65 446	5.57 459	1.35 437	4.65 461	12.37 464	2.89 444	4.04 453	4.89 453	2.78 447	3.73 453	2.44 430	1.29 443	0.93 453	2.00 447	1.16 456	2.02 443	1.23 445

Venus	3.00 448	1.60 446	1.52 411	1.82 445	1.65 446	5.57 459	1.35 437	4.65 461	12.37 464	2.89 444	4.04 453	4.89 453	2.78 447	3.73 453	2.44 430	1.29 443	0.93 453	2.00 447	1.16 456	2.02 443	1.23 445

ACVNet_2	1.74 431	1.30 437	1.62 421	1.81 444	1.63 444	2.28 434	1.34 436	2.35 441	2.64 441	1.82 420	2.55 427	2.99 436	1.71 426	1.67 413	1.20 389	1.48 446	0.59 435	1.81 443	0.71 435	2.09 445	1.29 447

ACVNet_1	1.55 426	1.36 439	1.35 401	1.96 449	1.63 444	1.83 426	0.96 413	2.09 436	1.85 427	1.43 402	1.54 389	2.31 427	1.68 425	1.42 396	1.18 386	1.76 451	0.51 431	2.05 452	0.59 430	2.24 450	1.30 448

DispFullNet	1.64 429	2.64 463	3.14 441	2.57 457	1.78 449	1.32 396	0.55 337	1.42 395	1.45 404	1.89 423	1.48 385	1.55 407	2.35 443	2.08 431	1.12 383	0.60 424	0.19 306	2.33 455	0.73 436	2.35 451	1.30 448

JetBlue	3.02 450	1.39 440	7.91 458	1.17 434	1.49 442	8.53 463	7.94 466	2.82 444	1.98 430	2.15 433	2.69 433	3.32 444	3.01 451	6.66 463	3.81 445	0.79 429	0.78 446	0.75 428	0.76 438	1.04 432	1.33 450

Dean	2.07 441	1.39 440	1.69 426	2.17 451	1.83 451	2.75 442	1.28 432	3.49 454	3.80 453	2.13 429	3.30 442	3.18 440	1.98 434	1.78 419	1.72 412	1.73 450	0.79 449	1.99 446	0.91 443	2.17 448	1.34 451

WAO-6	2.11 442	1.52 443	1.25 388	1.73 443	1.69 448	2.72 441	1.62 446	3.15 448	3.64 450	2.01 428	3.28 441	3.52 447	2.20 442	2.59 443	2.48 433	1.31 445	0.92 451	2.04 451	1.22 458	1.89 441	1.35 452

LVE	2.20 444	1.47 442	1.44 409	2.06 450	1.80 450	2.79 444	1.77 452	2.96 445	3.94 455	1.95 426	4.29 456	3.47 446	1.97 432	2.48 440	1.85 415	2.06 453	0.88 450	2.06 453	1.13 454	2.17 448	1.53 453

IMH-64-1	1.96 435	1.64 449	1.26 389	2.26 453	1.91 452	2.30 435	1.35 437	2.99 446	2.29 434	1.70 415	2.79 435	2.47 430	1.66 423	2.33 437	1.95 417	2.07 454	0.74 441	2.44 456	1.04 449	2.40 452	1.59 454

IMH-64	1.96 435	1.64 449	1.26 389	2.26 453	1.91 452	2.30 435	1.35 437	2.99 446	2.29 434	1.70 415	2.79 435	2.47 430	1.66 423	2.33 437	1.95 417	2.07 454	0.74 441	2.44 456	1.04 449	2.40 452	1.59 454

IMH	2.15 443	1.66 451	1.29 394	2.25 452	1.92 454	2.87 445	1.33 435	3.25 449	3.04 446	1.87 422	3.33 445	3.00 437	2.03 436	2.80 446	1.95 417	2.09 456	0.78 446	2.45 458	1.05 452	2.44 454	1.62 456

TorneroNet	4.49 457	1.92 454	1.65 424	2.60 459	2.29 457	14.95 470	1.86 455	4.86 464	19.56 478	3.10 452	7.52 466	7.00 463	2.90 450	4.48 458	3.66 443	2.24 458	0.78 446	2.68 462	1.14 455	2.79 459	1.80 457

TorneroNet-64	3.54 453	1.89 453	1.59 416	2.62 460	2.29 457	6.88 462	1.72 450	4.72 463	11.88 462	2.43 438	5.46 464	8.16 464	2.80 449	4.13 457	3.03 439	2.25 459	0.75 443	2.57 460	1.09 453	2.65 458	1.84 458

KSHMR	2.64 446	1.96 455	1.86 429	2.69 461	2.44 459	2.88 446	2.04 457	3.46 453	6.31 459	2.51 440	3.27 440	3.39 445	1.97 432	2.59 443	2.08 424	2.48 461	1.41 461	2.80 465	1.51 461	2.98 460	2.09 459

ktn	3.02 450	2.27 458	1.85 428	2.89 462	2.54 463	3.72 453	2.14 458	3.79 457	5.33 457	2.82 443	5.09 462	5.95 459	2.54 445	3.34 448	2.58 436	2.65 463	1.44 462	2.78 464	2.03 464	2.61 457	2.10 460

notaker	2.87 447	2.31 459	2.01 431	3.03 463	2.60 464	2.94 448	1.82 454	3.43 452	3.06 448	2.89 444	4.21 455	6.15 461	2.71 446	3.42 450	2.90 438	2.67 464	1.18 459	3.00 466	1.67 462	3.13 461	2.26 461

tt	6.21 464	0.22 121	5.88 455	3.55 467	2.07 455	11.25 468	19.19 470	11.84 470	5.47 458	2.71 442	2.18 418	4.87 452	6.25 463	3.71 452	7.09 457	8.31 471	11.17 475	4.91 469	5.39 470	5.72 468	2.42 462

UNDER WATER	3.63 454	2.12 457	4.11 449	3.17 464	2.51 461	3.77 455	2.45 460	3.53 455	13.66 467	2.98 449	2.92 437	5.75 457	4.13 459	3.85 455	3.75 444	2.84 465	1.11 458	2.71 463	1.41 459	3.26 463	2.50 463

UNDER WATER-64	3.72 455	2.07 456	4.57 451	3.30 466	2.52 462	5.61 461	2.63 462	3.67 456	12.27 463	3.09 451	2.66 432	5.99 460	4.74 461	3.93 456	3.57 442	2.54 462	1.24 460	2.65 461	1.48 460	3.21 462	2.62 464

DPSimNet_ROB	5.19 462	2.71 464	18.56 466	2.59 458	2.49 460	4.25 456	10.93 467	3.33 451	3.93 454	5.02 463	4.52 458	5.74 456	10.18 464	5.44 461	8.79 460	2.40 460	2.47 464	2.48 459	2.54 465	2.56 456	2.87 465

JetRed	5.38 463	6.17 468	12.68 465	2.38 455	2.85 465	12.60 469	11.17 468	4.60 460	3.74 451	3.87 458	3.85 449	4.83 451	4.13 459	6.81 464	12.18 465	2.18 457	2.95 466	2.19 454	1.98 463	3.49 464	3.01 466

HanzoNet	6.97 466	2.57 461	4.66 452	3.29 465	2.96 466	3.75 454	2.35 459	5.08 465	7.11 460	14.46 475	13.06 468	17.69 472	22.95 478	13.72 470	6.61 456	4.36 467	1.96 463	3.14 467	2.59 466	3.88 467	3.19 467

MADNet++	4.18 456	2.72 465	4.00 446	3.80 468	3.44 467	4.72 458	4.05 465	4.01 458	3.74 451	4.52 460	5.14 463	4.20 448	4.89 462	7.04 465	6.39 455	3.79 466	3.70 467	3.27 468	2.70 467	3.68 465	3.74 468

PML	40.49 485	30.31 477	12.46 464	7.19 469	14.30 468	91.44 485	212.44 486	7.73 466	23.24 479	74.44 485	185.05 486	49.81 485	25.78 479	21.34 474	12.84 466	8.71 472	2.93 465	8.43 472	3.24 468	13.77 473	4.45 469

LSM	4.83 460	0.83 417	11.23 461	0.76 419	56.73 480	1.10 374	1.18 426	1.35 378	1.70 423	2.13 429	2.34 421	1.34 382	1.19 397	1.52 405	1.23 390	0.34 378	0.50 430	0.39 392	0.47 415	0.51 407	9.82 470

DPSMNet_ROB	12.13 469	8.03 469	21.13 468	9.02 471	16.82 470	10.68 466	30.78 475	9.15 469	15.24 470	6.56 465	15.50 476	9.02 465	15.13 468	9.28 468	21.71 472	4.59 469	8.60 468	5.08 471	9.26 471	5.89 470	11.06 471

DGTPSM_ROB	12.12 468	8.03 469	21.12 467	8.97 470	16.81 469	10.68 466	30.77 474	9.14 468	15.23 469	6.55 464	15.49 475	9.02 465	15.13 468	9.26 467	21.71 472	4.58 468	8.60 468	5.07 470	9.26 471	5.88 469	11.06 471

Anonymous_1	33.12 476	18.23 471	23.86 470	20.53 472	21.18 473	25.45 472	35.84 476	22.44 480	15.68 471	13.41 469	13.70 472	18.00 473	15.15 470	20.31 471	24.47 474	14.56 478	8.84 470	66.24 482	117.79 482	155.41 485	11.40 473

DPSM_ROB	17.80 471	18.60 472	24.24 474	20.89 473	19.49 471	25.83 473	36.10 477	21.62 478	16.41 472	13.46 470	14.26 473	19.11 475	16.15 471	20.74 472	25.59 475	9.37 473	9.23 471	9.47 473	9.81 473	13.47 471	12.09 474

DPSM	17.80 471	18.60 472	24.24 474	20.89 473	19.49 471	25.83 473	36.10 477	21.62 478	16.41 472	13.46 470	14.26 473	19.11 475	16.15 471	20.74 472	25.59 475	9.37 473	9.23 471	9.47 473	9.81 473	13.47 471	12.09 474

CasAABBNet	35.77 477	37.38 481	48.59 481	42.20 479	39.23 478	51.95 481	72.92 484	43.36 483	33.03 483	26.93 478	28.31 478	38.43 481	32.32 481	41.58 483	51.50 484	18.71 479	18.58 478	19.11 476	19.75 476	27.11 474	24.33 476

Selective-RAFT-Error	35.87 478	37.42 482	48.73 482	42.24 480	39.28 479	52.00 482	72.87 483	43.41 484	32.95 482	26.97 479	28.72 479	38.71 483	33.15 483	41.59 484	51.42 483	18.77 480	18.60 479	19.14 477	19.78 477	27.19 475	24.42 477

LRCNet_RVC	21.27 474	31.14 478	21.46 469	28.97 476	23.77 474	3.11 449	0.62 358	20.94 476	1.64 420	25.57 477	28.13 477	21.96 477	14.74 467	21.99 478	16.44 469	29.16 482	14.92 476	33.57 478	31.28 478	29.67 480	26.33 478

LSM0	38.96 484	37.52 483	48.37 480	43.79 481	91.31 485	52.31 483	72.38 482	43.71 485	32.75 481	27.16 480	28.73 480	38.51 482	32.63 482	41.75 485	51.59 485	18.85 481	18.43 477	19.09 475	19.60 475	27.21 476	33.44 479

xxxxx1	36.77 479	19.69 474	24.00 471	62.46 482	66.77 482	27.30 476	39.89 479	20.40 473	18.80 475	14.18 472	13.11 469	17.29 469	17.30 473	21.62 475	27.81 477	13.61 475	18.98 480	111.36 483	133.25 483	28.84 477	38.64 480

tt_ll	36.77 479	19.69 474	24.00 471	62.46 482	66.77 482	27.30 476	39.89 479	20.40 473	18.80 475	14.18 472	13.11 469	17.29 469	17.30 473	21.62 475	27.81 477	13.61 475	18.98 480	111.36 483	133.25 483	28.84 477	38.64 480

ff	36.77 479	19.69 474	24.00 471	62.46 482	66.77 482	27.30 476	39.89 479	20.40 473	18.80 475	14.18 472	13.11 469	17.29 469	17.30 473	21.62 475	27.81 477	13.61 475	18.98 480	111.36 483	133.25 483	28.84 477	38.64 480

HaxPig	31.93 475	37.19 480	34.22 476	24.41 475	24.94 475	18.53 471	20.18 471	21.15 477	28.84 480	35.74 482	38.86 482	26.18 478	28.75 480	33.85 480	34.15 480	35.89 483	38.80 483	37.79 479	40.52 479	39.33 481	39.33 483

AVERAGE_ROB	37.53 483	40.05 484	40.01 478	34.74 478	33.76 477	28.46 479	25.14 473	32.31 482	34.08 485	41.20 483	40.52 483	34.51 480	34.78 485	39.11 481	37.48 482	42.68 484	43.32 484	43.80 480	42.99 480	40.42 482	41.31 484

MEDIAN_ROB	37.35 482	40.72 485	40.37 479	32.26 477	31.80 476	27.29 475	25.02 472	29.47 481	33.43 484	41.99 484	41.60 484	33.48 479	34.37 484	39.66 482	36.94 481	43.49 485	43.96 485	44.07 481	43.35 481	41.32 483	42.43 485

test_example2	176.82 486	204.75 486	198.54 486	188.58 486	191.23 486	151.28 486	169.77 485	97.63 486	125.81 486	179.94 486	183.74 485	158.20 486	139.14 486	192.16 486	198.12 486	203.48 486	236.37 486	163.71 486	173.22 486	217.79 486	162.95 486

Low-res two-view benchmark