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

IGEV-Stereo+	0.07 1	0.04 1	0.08 8	0.15 45	0.06 3	0.04 1	0.09 5	0.10 1	0.09 3	0.06 1	0.06 2	0.06 4	0.06 13	0.06 1	0.09 22	0.06 59	0.04 2	0.05 2	0.04 10	0.06 109	0.06 121

CAS	0.08 4	0.04 1	0.07 1	0.17 139	0.08 60	0.10 70	0.13 59	0.12 9	0.09 3	0.09 28	0.10 50	0.08 41	0.06 13	0.09 12	0.09 22	0.08 215	0.04 2	0.05 2	0.03 1	0.05 44	0.04 5

CES	0.08 4	0.04 1	0.08 8	0.14 15	0.07 21	0.09 43	0.14 95	0.11 3	0.09 3	0.08 12	0.09 35	0.11 97	0.07 46	0.12 114	0.08 10	0.06 59	0.04 2	0.05 2	0.03 1	0.05 44	0.05 54

CREStereo++_RVC	0.08 4	0.04 1	0.07 1	0.13 7	0.07 21	0.09 43	0.12 33	0.14 28	0.14 73	0.10 51	0.14 109	0.08 41	0.07 46	0.10 23	0.11 98	0.06 59	0.04 2	0.05 2	0.05 49	0.04 1	0.04 5
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
TANstereo	0.09 19	0.04 1	0.08 8	0.13 7	0.06 3	0.11 99	0.13 59	0.15 40	0.19 161	0.11 82	0.15 121	0.10 80	0.07 46	0.12 114	0.09 22	0.07 161	0.05 93	0.05 2	0.04 10	0.06 109	0.05 54

UGAM-zero	0.10 66	0.05 6	0.15 205	0.15 45	0.08 60	0.10 70	0.13 59	0.20 153	0.15 87	0.11 82	0.15 121	0.07 26	0.08 71	0.09 12	0.10 61	0.06 59	0.05 93	0.06 44	0.05 49	0.05 44	0.06 121

WCG-NET	0.09 19	0.05 6	0.10 47	0.15 45	0.07 21	0.11 99	0.11 17	0.16 58	0.09 3	0.09 28	0.12 82	0.08 41	0.06 13	0.14 178	0.09 22	0.07 161	0.04 2	0.06 44	0.05 49	0.06 109	0.05 54

model_zeroshot	0.10 66	0.05 6	0.12 105	0.15 45	0.09 150	0.13 153	0.14 95	0.20 153	0.14 73	0.11 82	0.10 50	0.12 116	0.07 46	0.12 114	0.11 98	0.07 161	0.06 216	0.06 44	0.05 49	0.06 109	0.06 121

Occ-G	0.08 4	0.05 6	0.07 1	0.14 15	0.07 21	0.09 43	0.14 95	0.14 28	0.15 87	0.07 4	0.12 82	0.07 26	0.05 3	0.09 12	0.10 61	0.06 59	0.05 93	0.05 2	0.04 10	0.05 44	0.06 121

Pointernet	0.09 19	0.05 6	0.10 47	0.16 81	0.08 60	0.13 153	0.10 8	0.15 40	0.18 141	0.09 28	0.07 15	0.06 4	0.06 13	0.11 52	0.10 61	0.08 215	0.04 2	0.05 2	0.03 1	0.06 109	0.05 54

AIO-Stereo-zeroshot1	0.11 98	0.05 6	0.14 170	0.16 81	0.21 416	0.09 43	0.17 227	0.21 166	0.16 106	0.11 82	0.15 121	0.10 80	0.07 46	0.10 23	0.08 10	0.06 59	0.05 93	0.07 124	0.07 191	0.07 171	0.09 290

AIO-Stereo-zeroshot	0.11 98	0.05 6	0.12 105	0.15 45	0.13 347	0.14 188	0.16 207	0.23 202	0.18 141	0.10 51	0.13 96	0.10 80	0.07 46	0.12 114	0.09 22	0.06 59	0.05 93	0.06 44	0.06 107	0.07 171	0.08 249

WCG-NET（raft）	0.08 4	0.05 6	0.10 47	0.15 45	0.06 3	0.11 99	0.13 59	0.15 40	0.12 38	0.08 12	0.07 15	0.06 4	0.06 13	0.13 158	0.08 10	0.05 3	0.04 2	0.05 2	0.04 10	0.05 44	0.04 5

trnet	0.08 4	0.05 6	0.07 1	0.12 3	0.05 1	0.12 131	0.10 8	0.13 20	0.10 10	0.08 12	0.13 96	0.09 58	0.08 71	0.11 52	0.10 61	0.08 215	0.05 93	0.05 2	0.03 1	0.06 109	0.05 54

MoCha-V2	0.08 4	0.05 6	0.11 78	0.20 308	0.07 21	0.10 70	0.14 95	0.12 9	0.08 1	0.07 4	0.08 26	0.07 26	0.06 13	0.09 12	0.08 10	0.05 3	0.05 93	0.05 2	0.04 10	0.04 1	0.04 5

IGEV_Zeroshot_test	0.09 19	0.05 6	0.13 132	0.14 15	0.08 60	0.12 131	0.13 59	0.17 91	0.11 24	0.10 51	0.06 2	0.09 58	0.06 13	0.11 52	0.09 22	0.06 59	0.04 2	0.06 44	0.06 107	0.05 44	0.05 54

MSKI-zero shot	0.09 19	0.05 6	0.09 29	0.16 81	0.07 21	0.10 70	0.13 59	0.15 40	0.14 73	0.09 28	0.09 35	0.09 58	0.06 13	0.12 114	0.11 98	0.06 59	0.04 2	0.05 2	0.04 10	0.04 1	0.05 54

AEACV	0.09 19	0.05 6	0.08 8	0.14 15	0.13 347	0.14 188	0.13 59	0.15 40	0.09 3	0.07 4	0.09 35	0.07 26	0.08 71	0.10 23	0.09 22	0.06 59	0.04 2	0.06 44	0.05 49	0.05 44	0.04 5

Any-RAFT	0.10 66	0.05 6	0.10 47	0.15 45	0.07 21	0.13 153	0.14 95	0.21 166	0.15 87	0.11 82	0.12 82	0.13 139	0.10 112	0.13 158	0.10 61	0.07 161	0.04 2	0.05 2	0.04 10	0.06 109	0.05 54

LoS_RVC	0.08 4	0.05 6	0.07 1	0.15 45	0.07 21	0.08 26	0.15 153	0.12 9	0.11 24	0.08 12	0.09 35	0.06 4	0.09 93	0.10 23	0.09 22	0.05 3	0.04 2	0.05 2	0.03 1	0.04 1	0.04 5

LoS	0.09 19	0.05 6	0.11 78	0.13 7	0.07 21	0.14 188	0.11 17	0.15 40	0.15 87	0.09 28	0.09 35	0.12 116	0.09 93	0.15 195	0.10 61	0.07 161	0.05 93	0.05 2	0.03 1	0.05 44	0.05 54
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
EGLCR-Stereo	0.08 4	0.05 6	0.08 8	0.14 15	0.07 21	0.11 99	0.12 33	0.11 3	0.16 106	0.06 1	0.05 1	0.07 26	0.05 3	0.10 23	0.11 98	0.06 59	0.04 2	0.06 44	0.05 49	0.04 1	0.04 5

iRaft-Stereo_20w	0.09 19	0.05 6	0.13 132	0.14 15	0.09 150	0.12 131	0.15 153	0.19 140	0.11 24	0.11 82	0.08 26	0.08 41	0.05 3	0.10 23	0.09 22	0.06 59	0.04 2	0.06 44	0.05 49	0.06 109	0.05 54

TRStereo	0.10 66	0.05 6	0.12 105	0.16 81	0.12 325	0.10 70	0.13 59	0.18 116	0.19 161	0.09 28	0.09 35	0.09 58	0.07 46	0.10 23	0.08 10	0.07 161	0.05 93	0.07 124	0.07 191	0.04 1	0.04 5

XX-Stereo	0.09 19	0.05 6	0.09 29	0.17 139	0.09 150	0.15 212	0.12 33	0.21 166	0.10 10	0.10 51	0.14 109	0.07 26	0.06 13	0.13 158	0.08 10	0.06 59	0.05 93	0.06 44	0.06 107	0.04 1	0.04 5

CREStereo	0.09 19	0.05 6	0.08 8	0.11 1	0.06 3	0.14 188	0.14 95	0.14 28	0.10 10	0.09 28	0.13 96	0.09 58	0.08 71	0.12 114	0.10 61	0.08 215	0.04 2	0.05 2	0.03 1	0.06 109	0.06 121
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	0.09 19	0.05 6	0.09 29	0.12 3	0.06 3	0.13 153	0.14 95	0.16 58	0.11 24	0.09 28	0.13 96	0.10 80	0.07 46	0.14 178	0.10 61	0.15 390	0.04 2	0.05 2	0.03 1	0.07 171	0.06 121

IGEV-Stereo++	0.07 1	0.06 28	0.08 8	0.18 212	0.06 3	0.05 2	0.10 8	0.11 3	0.11 24	0.06 1	0.07 15	0.07 26	0.06 13	0.09 12	0.09 22	0.05 3	0.04 2	0.05 2	0.04 10	0.05 44	0.04 5

AIO-Stereo	0.08 4	0.06 28	0.10 47	0.18 212	0.06 3	0.09 43	0.11 17	0.16 58	0.09 3	0.09 28	0.08 26	0.07 26	0.05 3	0.11 52	0.08 10	0.05 3	0.05 93	0.05 2	0.04 10	0.04 1	0.04 5

RSM++	0.08 4	0.06 28	0.09 29	0.17 139	0.07 21	0.09 43	0.12 33	0.11 3	0.11 24	0.08 12	0.06 2	0.07 26	0.05 3	0.10 23	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.03 1

RSM	0.08 4	0.06 28	0.09 29	0.17 139	0.07 21	0.08 26	0.12 33	0.12 9	0.10 10	0.08 12	0.07 15	0.06 4	0.05 3	0.11 52	0.09 22	0.04 1	0.04 2	0.05 2	0.04 10	0.04 1	0.04 5

RAFT-Stereo-weight	0.09 19	0.06 28	0.11 78	0.16 81	0.07 21	0.09 43	0.14 95	0.19 140	0.16 106	0.11 82	0.10 50	0.08 41	0.06 13	0.10 23	0.11 98	0.06 59	0.04 2	0.06 44	0.04 10	0.04 1	0.04 5

gcap-zeroshot	0.09 19	0.06 28	0.10 47	0.16 81	0.07 21	0.14 188	0.13 59	0.11 3	0.12 38	0.13 137	0.12 82	0.09 58	0.08 71	0.09 12	0.09 22	0.06 59	0.05 93	0.06 44	0.05 49	0.04 1	0.04 5

testlalala2	0.10 66	0.06 28	0.11 78	0.20 308	0.10 249	0.10 70	0.11 17	0.17 91	0.13 57	0.12 111	0.13 96	0.09 58	0.08 71	0.11 52	0.13 180	0.06 59	0.05 93	0.05 2	0.04 10	0.05 44	0.05 54

IGEV++	0.08 4	0.06 28	0.09 29	0.18 212	0.07 21	0.10 70	0.13 59	0.10 1	0.10 10	0.08 12	0.08 26	0.06 4	0.05 3	0.13 158	0.09 22	0.05 3	0.04 2	0.05 2	0.04 10	0.05 44	0.04 5

MIF-Stereo (partial)	0.11 98	0.06 28	0.10 47	0.19 263	0.10 249	0.10 70	0.12 33	0.17 91	0.19 161	0.14 160	0.16 137	0.10 80	0.11 138	0.12 114	0.12 150	0.08 215	0.05 93	0.08 191	0.07 191	0.06 109	0.07 184

RAFT-Test	0.09 19	0.06 28	0.10 47	0.16 81	0.07 21	0.11 99	0.15 153	0.16 58	0.13 57	0.09 28	0.10 50	0.11 97	0.09 93	0.12 114	0.09 22	0.06 59	0.04 2	0.05 2	0.04 10	0.05 44	0.05 54

HH	0.09 19	0.06 28	0.13 132	0.17 139	0.08 60	0.11 99	0.16 207	0.15 40	0.10 10	0.08 12	0.10 50	0.08 41	0.07 46	0.10 23	0.09 22	0.06 59	0.04 2	0.06 44	0.05 49	0.05 44	0.04 5

HanStereo	0.09 19	0.06 28	0.13 132	0.17 139	0.08 60	0.11 99	0.16 207	0.15 40	0.10 10	0.08 12	0.10 50	0.08 41	0.07 46	0.10 23	0.09 22	0.06 59	0.04 2	0.06 44	0.05 49	0.05 44	0.04 5

Selective-IGEV	0.07 1	0.06 28	0.09 29	0.17 139	0.06 3	0.08 26	0.12 33	0.13 20	0.08 1	0.08 12	0.07 15	0.06 4	0.04 1	0.10 23	0.09 22	0.05 3	0.04 2	0.05 2	0.04 10	0.04 1	0.03 1

knoymous	0.11 98	0.06 28	0.12 105	0.14 15	0.07 21	0.15 212	0.13 59	0.20 153	0.14 73	0.11 82	0.17 154	0.13 139	0.09 93	0.14 178	0.11 98	0.09 264	0.05 93	0.06 44	0.05 49	0.07 171	0.07 184

riskmin	0.11 98	0.06 28	0.13 132	0.14 15	0.08 60	0.14 188	0.14 95	0.18 116	0.15 87	0.12 111	0.15 121	0.17 215	0.11 138	0.14 178	0.12 150	0.09 264	0.05 93	0.07 124	0.05 49	0.08 231	0.08 249

RCA-Stereo	0.09 19	0.06 28	0.09 29	0.16 81	0.06 3	0.09 43	0.13 59	0.18 116	0.14 73	0.10 51	0.11 72	0.08 41	0.07 46	0.12 114	0.11 98	0.06 59	0.04 2	0.06 44	0.05 49	0.05 44	0.04 5

fff	0.10 66	0.06 28	0.12 105	0.15 45	0.07 21	0.09 43	0.17 227	0.16 58	0.21 191	0.13 137	0.17 154	0.10 80	0.11 138	0.12 114	0.13 180	0.06 59	0.04 2	0.05 2	0.04 10	0.04 1	0.05 54

ADStereo(finetuned)	0.10 66	0.06 28	0.13 132	0.16 81	0.06 3	0.09 43	0.17 227	0.16 58	0.20 178	0.13 137	0.18 175	0.10 80	0.12 167	0.12 114	0.12 150	0.06 59	0.04 2	0.05 2	0.04 10	0.05 44	0.05 54

test-3	0.09 19	0.06 28	0.10 47	0.18 212	0.07 21	0.07 17	0.14 95	0.12 9	0.16 106	0.10 51	0.08 26	0.08 41	0.08 71	0.11 52	0.10 61	0.05 3	0.04 2	0.07 124	0.05 49	0.04 1	0.04 5

test_1	0.09 19	0.06 28	0.10 47	0.18 212	0.07 21	0.07 17	0.14 95	0.12 9	0.16 106	0.10 51	0.08 26	0.08 41	0.08 71	0.11 52	0.10 61	0.05 3	0.04 2	0.07 124	0.05 49	0.04 1	0.04 5

PFNet+	0.12 165	0.06 28	0.14 170	0.16 81	0.09 150	0.05 2	0.12 33	0.18 116	0.21 191	0.16 211	0.19 188	0.14 157	0.10 112	0.11 52	0.11 98	0.08 215	0.05 93	0.09 266	0.08 252	0.06 109	0.11 335

HHNet	0.11 98	0.06 28	0.16 246	0.15 45	0.14 362	0.07 17	0.13 59	0.20 153	0.18 141	0.15 184	0.25 268	0.11 97	0.09 93	0.13 158	0.10 61	0.06 59	0.04 2	0.08 191	0.06 107	0.05 44	0.09 290

IIG-Stereo	0.11 98	0.06 28	0.13 132	0.17 139	0.08 60	0.11 99	0.12 33	0.22 188	0.18 141	0.14 160	0.17 154	0.12 116	0.13 197	0.12 114	0.13 180	0.06 59	0.05 93	0.07 124	0.06 107	0.06 109	0.05 54

ASMatch	0.11 98	0.06 28	0.13 132	0.17 139	0.10 249	0.08 26	0.14 95	0.18 116	0.16 106	0.12 111	0.16 137	0.16 198	0.11 138	0.13 158	0.11 98	0.05 3	0.04 2	0.06 44	0.06 107	0.04 1	0.09 290

DEmStereo	0.12 165	0.06 28	0.14 170	0.14 15	0.10 249	0.16 235	0.15 153	0.16 58	0.24 230	0.17 221	0.23 232	0.12 116	0.14 226	0.12 114	0.14 215	0.05 3	0.04 2	0.07 124	0.06 107	0.05 44	0.05 54

DRaft	0.12 165	0.06 28	0.12 105	0.14 15	0.09 150	0.14 188	0.17 227	0.21 166	0.30 303	0.18 251	0.27 296	0.10 80	0.16 264	0.11 52	0.12 150	0.05 3	0.04 2	0.07 124	0.07 191	0.05 44	0.05 54

PFNet	0.12 165	0.06 28	0.17 268	0.18 212	0.08 60	0.09 43	0.15 153	0.26 252	0.20 178	0.16 211	0.16 137	0.14 157	0.12 167	0.13 158	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.05 44	0.05 54

GrayStereo	0.11 98	0.06 28	0.11 78	0.19 263	0.09 150	0.09 43	0.16 207	0.18 116	0.17 127	0.14 160	0.17 154	0.17 215	0.11 138	0.12 114	0.11 98	0.05 3	0.05 93	0.07 124	0.06 107	0.06 109	0.10 313

RAFT-RH_RVC	0.12 165	0.06 28	0.14 170	0.16 81	0.09 150	0.12 131	0.12 33	0.17 91	0.12 38	0.13 137	0.40 381	0.11 97	0.10 112	0.13 158	0.12 150	0.05 3	0.04 2	0.08 191	0.05 49	0.05 44	0.06 121

AnonymousM	0.10 66	0.06 28	0.10 47	0.14 15	0.07 21	0.09 43	0.13 59	0.19 140	0.14 73	0.13 137	0.12 82	0.09 58	0.08 71	0.13 158	0.10 61	0.08 215	0.05 93	0.08 191	0.05 49	0.05 44	0.05 54

rafts_anoy	0.11 98	0.06 28	0.10 47	0.17 139	0.08 60	0.10 70	0.14 95	0.18 116	0.14 73	0.13 137	0.13 96	0.12 116	0.11 138	0.11 52	0.13 180	0.07 161	0.05 93	0.09 266	0.11 348	0.07 171	0.06 121

s12784h	0.10 66	0.06 28	0.08 8	0.15 45	0.05 1	0.16 235	0.18 270	0.16 58	0.15 87	0.10 51	0.11 72	0.11 97	0.11 138	0.11 52	0.12 150	0.05 3	0.04 2	0.06 44	0.04 10	0.04 1	0.04 5

XX-TBD	0.09 19	0.06 28	0.07 1	0.14 15	0.07 21	0.13 153	0.16 207	0.14 28	0.14 73	0.11 82	0.12 82	0.09 58	0.08 71	0.10 23	0.10 61	0.06 59	0.04 2	0.05 2	0.04 10	0.06 109	0.05 54

raftrobust	0.09 19	0.06 28	0.11 78	0.17 139	0.08 60	0.09 43	0.10 8	0.18 116	0.16 106	0.10 51	0.09 35	0.12 116	0.08 71	0.12 114	0.10 61	0.08 215	0.05 93	0.06 44	0.05 49	0.05 44	0.06 121

DCANet	0.10 66	0.06 28	0.12 105	0.16 81	0.06 3	0.09 43	0.17 227	0.16 58	0.20 178	0.13 137	0.18 175	0.10 80	0.11 138	0.11 52	0.12 150	0.06 59	0.04 2	0.05 2	0.04 10	0.05 44	0.05 54

csc	0.10 66	0.06 28	0.12 105	0.15 45	0.07 21	0.09 43	0.17 227	0.16 58	0.21 191	0.13 137	0.17 154	0.10 80	0.11 138	0.12 114	0.13 180	0.06 59	0.04 2	0.05 2	0.04 10	0.04 1	0.05 54

cscssc	0.10 66	0.06 28	0.12 105	0.15 45	0.07 21	0.09 43	0.17 227	0.16 58	0.21 191	0.13 137	0.17 154	0.10 80	0.11 138	0.12 114	0.13 180	0.06 59	0.04 2	0.05 2	0.04 10	0.04 1	0.05 54

111	0.11 98	0.06 28	0.12 105	0.15 45	0.07 21	0.10 70	0.14 95	0.21 166	0.24 230	0.11 82	0.12 82	0.14 157	0.12 167	0.13 158	0.10 61	0.06 59	0.04 2	0.06 44	0.04 10	0.06 109	0.05 54

RAFT-Stereo + iAFF	0.09 19	0.06 28	0.10 47	0.17 139	0.07 21	0.10 70	0.15 153	0.17 91	0.15 87	0.10 51	0.10 50	0.08 41	0.09 93	0.12 114	0.10 61	0.05 3	0.04 2	0.06 44	0.06 107	0.04 1	0.03 1

R-Stereo Train	0.10 66	0.06 28	0.11 78	0.17 139	0.08 60	0.11 99	0.14 95	0.24 222	0.11 24	0.12 111	0.19 188	0.11 97	0.08 71	0.10 23	0.11 98	0.07 161	0.05 93	0.06 44	0.05 49	0.05 44	0.05 54

RAFT-Stereo	0.10 66	0.06 28	0.11 78	0.17 139	0.08 60	0.11 99	0.14 95	0.24 222	0.11 24	0.12 111	0.19 188	0.11 97	0.08 71	0.10 23	0.11 98	0.07 161	0.05 93	0.06 44	0.05 49	0.05 44	0.05 54
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.11 98	0.06 28	0.12 105	0.14 15	0.06 3	0.12 131	0.10 8	0.18 116	0.18 141	0.13 137	0.17 154	0.15 180	0.11 138	0.15 195	0.14 215	0.06 59	0.04 2	0.04 1	0.04 10	0.06 109	0.05 54
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
GCAP-BAT	0.09 19	0.07 70	0.14 170	0.15 45	0.08 60	0.10 70	0.12 33	0.15 40	0.11 24	0.11 82	0.10 50	0.09 58	0.07 46	0.12 114	0.10 61	0.06 59	0.05 93	0.06 44	0.04 10	0.04 1	0.04 5

U	0.08 4	0.07 70	0.10 47	0.19 263	0.10 249	0.10 70	0.13 59	0.12 9	0.17 127	0.07 4	0.07 15	0.06 4	0.05 3	0.07 2	0.09 22	0.06 59	0.04 2	0.06 44	0.04 10	0.06 109	0.05 54

rvit_stereo_ft	0.12 165	0.07 70	0.13 132	0.19 263	0.10 249	0.12 131	0.17 227	0.16 58	0.16 106	0.13 137	0.13 96	0.15 180	0.10 112	0.14 178	0.13 180	0.10 298	0.06 216	0.08 191	0.07 191	0.07 171	0.06 121

test_sample2	0.13 192	0.07 70	0.12 105	0.14 15	0.08 60	0.16 235	0.18 270	0.21 166	0.16 106	0.14 160	0.21 214	0.20 255	0.15 246	0.15 195	0.13 180	0.08 215	0.06 216	0.07 124	0.06 107	0.08 231	0.08 249

test_sample1	0.13 192	0.07 70	0.14 170	0.14 15	0.08 60	0.19 293	0.17 227	0.20 153	0.15 87	0.14 160	0.22 228	0.18 229	0.16 264	0.17 257	0.15 248	0.07 161	0.06 216	0.06 44	0.06 107	0.08 231	0.08 249

CAS++	0.11 98	0.07 70	0.11 78	0.14 15	0.10 249	0.13 153	0.14 95	0.24 222	0.14 73	0.11 82	0.09 35	0.11 97	0.07 46	0.14 178	0.09 22	0.11 328	0.09 331	0.09 266	0.07 191	0.07 171	0.08 249
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.09 19	0.07 70	0.12 105	0.16 81	0.08 60	0.09 43	0.15 153	0.12 9	0.12 38	0.07 4	0.10 50	0.08 41	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.06 109	0.05 54

MyStereo8	0.12 165	0.07 70	0.15 205	0.15 45	0.09 150	0.18 273	0.14 95	0.19 140	0.22 211	0.12 111	0.18 175	0.11 97	0.10 112	0.16 222	0.18 292	0.07 161	0.05 93	0.07 124	0.05 49	0.08 231	0.09 290

SMFormer	0.14 219	0.07 70	0.18 297	0.14 15	0.08 60	0.17 257	0.17 227	0.27 266	0.27 276	0.19 264	0.20 197	0.19 238	0.15 246	0.15 195	0.17 280	0.08 215	0.05 93	0.07 124	0.06 107	0.08 231	0.07 184

tta	0.14 219	0.07 70	0.18 297	0.14 15	0.08 60	0.17 257	0.17 227	0.27 266	0.27 276	0.19 264	0.20 197	0.19 238	0.15 246	0.15 195	0.17 280	0.08 215	0.05 93	0.07 124	0.06 107	0.06 109	0.06 121

qqq1	0.14 219	0.07 70	0.18 297	0.14 15	0.08 60	0.17 257	0.17 227	0.27 266	0.27 276	0.19 264	0.20 197	0.19 238	0.15 246	0.15 195	0.12 150	0.08 215	0.05 93	0.05 2	0.05 49	0.06 109	0.06 121

fff1	0.14 219	0.07 70	0.18 297	0.14 15	0.08 60	0.17 257	0.17 227	0.27 266	0.27 276	0.19 264	0.20 197	0.19 238	0.15 246	0.15 195	0.12 150	0.08 215	0.05 93	0.05 2	0.05 49	0.06 109	0.06 121

MyStereo07	0.10 66	0.07 70	0.10 47	0.17 139	0.09 150	0.14 188	0.17 227	0.15 40	0.15 87	0.09 28	0.06 2	0.06 4	0.07 46	0.12 114	0.09 22	0.06 59	0.05 93	0.08 191	0.07 191	0.06 109	0.06 121

MyStereo06	0.10 66	0.07 70	0.12 105	0.17 139	0.09 150	0.13 153	0.18 270	0.19 140	0.12 38	0.13 137	0.08 26	0.07 26	0.07 46	0.11 52	0.09 22	0.06 59	0.05 93	0.08 191	0.07 191	0.06 109	0.06 121

MyStereo05	0.13 192	0.07 70	0.10 47	0.17 139	0.09 150	0.13 153	0.18 270	0.28 288	0.35 342	0.17 221	0.14 109	0.15 180	0.11 138	0.15 195	0.13 180	0.06 59	0.05 93	0.08 191	0.07 191	0.06 109	0.06 121

MyStereo04	0.13 192	0.07 70	0.10 47	0.17 139	0.09 150	0.14 188	0.17 227	0.29 305	0.38 358	0.17 221	0.14 109	0.16 198	0.11 138	0.15 195	0.13 180	0.06 59	0.05 93	0.08 191	0.07 191	0.06 109	0.06 121

CoDeX	0.12 165	0.07 70	0.13 132	0.17 139	0.08 60	0.12 131	0.16 207	0.23 202	0.27 276	0.13 137	0.17 154	0.15 180	0.12 167	0.14 178	0.11 98	0.07 161	0.05 93	0.07 124	0.06 107	0.06 109	0.05 54

11t1	0.12 165	0.07 70	0.14 170	0.14 15	0.08 60	0.17 257	0.15 153	0.19 140	0.15 87	0.15 184	0.15 121	0.17 215	0.16 264	0.15 195	0.13 180	0.08 215	0.05 93	0.06 44	0.05 49	0.08 231	0.07 184

ff7	0.09 19	0.07 70	0.11 78	0.16 81	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121

IGEVStereo-DCA	0.09 19	0.07 70	0.11 78	0.16 81	0.10 249	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.08 41	0.06 13	0.10 23	0.09 22	0.06 59	0.05 93	0.06 44	0.05 49	0.05 44	0.06 121

ffff	0.09 19	0.07 70	0.11 78	0.16 81	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121

rrr	0.09 19	0.07 70	0.13 132	0.16 81	0.10 249	0.11 99	0.15 153	0.16 58	0.15 87	0.10 51	0.06 2	0.08 41	0.06 13	0.10 23	0.09 22	0.06 59	0.05 93	0.06 44	0.05 49	0.05 44	0.06 121

11t	0.09 19	0.07 70	0.11 78	0.16 81	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121

UniTT-Stereo	0.09 19	0.07 70	0.08 8	0.18 212	0.08 60	0.13 153	0.11 17	0.12 9	0.11 24	0.10 51	0.12 82	0.05 1	0.06 13	0.09 12	0.10 61	0.07 161	0.06 216	0.05 2	0.05 49	0.06 109	0.05 54

EKT-Stereo	0.11 98	0.07 70	0.14 170	0.16 81	0.10 249	0.13 153	0.14 95	0.19 140	0.21 191	0.11 82	0.08 26	0.13 139	0.10 112	0.11 52	0.12 150	0.08 215	0.06 216	0.07 124	0.06 107	0.08 231	0.07 184

MIM_Stereo	0.10 66	0.07 70	0.11 78	0.15 45	0.07 21	0.07 17	0.12 33	0.20 153	0.14 73	0.13 137	0.14 109	0.09 58	0.05 3	0.12 114	0.08 10	0.05 3	0.06 216	0.07 124	0.06 107	0.06 109	0.05 54

testlalala	0.08 4	0.07 70	0.17 268	0.16 81	0.08 60	0.09 43	0.12 33	0.15 40	0.10 10	0.07 4	0.09 35	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.04 10	0.04 1	0.04 5

SPstereo	0.09 19	0.07 70	0.13 132	0.18 212	0.06 3	0.11 99	0.07 1	0.14 28	0.12 38	0.09 28	0.10 50	0.07 26	0.09 93	0.13 158	0.10 61	0.06 59	0.05 93	0.05 2	0.04 10	0.04 1	0.05 54

4D-IteraStereo	0.10 66	0.07 70	0.10 47	0.18 212	0.07 21	0.09 43	0.15 153	0.18 116	0.15 87	0.10 51	0.11 72	0.10 80	0.07 46	0.12 114	0.09 22	0.05 3	0.03 1	0.08 191	0.07 191	0.06 109	0.05 54

anonymousdsp2	0.11 98	0.07 70	0.11 78	0.16 81	0.09 150	0.13 153	0.14 95	0.19 140	0.23 220	0.13 137	0.14 109	0.12 116	0.09 93	0.14 178	0.11 98	0.05 3	0.05 93	0.05 2	0.04 10	0.06 109	0.06 121

anonymousdsp	0.09 19	0.07 70	0.11 78	0.17 139	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121

CBFPSM	0.15 256	0.07 70	0.27 363	0.17 139	0.09 150	0.13 153	0.15 153	0.22 188	0.23 220	0.20 284	0.27 296	0.23 292	0.16 264	0.16 222	0.19 305	0.06 59	0.06 216	0.06 44	0.07 191	0.07 171	0.07 184

iinet-f	0.17 301	0.07 70	0.46 412	0.14 15	0.10 249	0.21 323	0.14 95	0.27 266	0.23 220	0.22 307	0.25 268	0.21 262	0.16 264	0.18 270	0.22 337	0.09 264	0.07 281	0.07 124	0.06 107	0.09 289	0.10 313

gwcnet-sp	0.14 219	0.07 70	0.13 132	0.18 212	0.09 150	0.16 235	0.18 270	0.24 222	0.24 230	0.19 264	0.24 242	0.15 180	0.16 264	0.16 222	0.15 248	0.08 215	0.07 281	0.07 124	0.08 252	0.08 231	0.07 184

scenet	0.14 219	0.07 70	0.13 132	0.18 212	0.09 150	0.16 235	0.18 270	0.24 222	0.24 230	0.19 264	0.24 242	0.15 180	0.16 264	0.16 222	0.15 248	0.08 215	0.07 281	0.07 124	0.08 252	0.08 231	0.07 184

DCRE	0.11 98	0.07 70	0.13 132	0.16 81	0.11 296	0.11 99	0.17 227	0.18 116	0.17 127	0.11 82	0.18 175	0.11 97	0.10 112	0.15 195	0.11 98	0.06 59	0.05 93	0.06 44	0.06 107	0.05 44	0.05 54

anonymousa	0.13 192	0.07 70	0.14 170	0.18 212	0.09 150	0.13 153	0.17 227	0.20 153	0.29 298	0.15 184	0.24 242	0.16 198	0.14 226	0.14 178	0.14 215	0.07 161	0.05 93	0.07 124	0.09 290	0.05 44	0.07 184

ProNet	0.09 19	0.07 70	0.11 78	0.17 139	0.08 60	0.11 99	0.15 153	0.15 40	0.12 38	0.10 51	0.06 2	0.07 26	0.06 13	0.11 52	0.09 22	0.05 3	0.05 93	0.06 44	0.05 49	0.04 1	0.06 121

MC-Stereo	0.09 19	0.07 70	0.09 29	0.17 139	0.06 3	0.10 70	0.14 95	0.12 9	0.11 24	0.09 28	0.12 82	0.09 58	0.06 13	0.11 52	0.10 61	0.06 59	0.04 2	0.06 44	0.05 49	0.04 1	0.04 5

ssnet	0.14 219	0.07 70	0.13 132	0.18 212	0.09 150	0.16 235	0.18 270	0.24 222	0.24 230	0.19 264	0.24 242	0.15 180	0.16 264	0.16 222	0.15 248	0.08 215	0.07 281	0.07 124	0.08 252	0.08 231	0.07 184

DCANet-4	0.11 98	0.07 70	0.13 132	0.16 81	0.06 3	0.09 43	0.17 227	0.18 116	0.20 178	0.13 137	0.17 154	0.09 58	0.14 226	0.12 114	0.13 180	0.06 59	0.04 2	0.05 2	0.04 10	0.04 1	0.05 54

ccc-4	0.09 19	0.07 70	0.11 78	0.16 81	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121

tt	4.65 469	0.07 70	3.54 467	2.01 471	1.55 469	10.25 475	16.66 474	8.90 479	5.03 472	1.33 465	0.96 450	4.71 472	4.74 471	3.33 472	5.86 473	6.06 478	10.30 482	1.87 472	2.09 473	2.61 471	1.19 470

DisPM	0.11 98	0.07 70	0.13 132	0.16 81	0.09 150	0.06 4	0.13 59	0.18 116	0.17 127	0.14 160	0.19 188	0.12 116	0.10 112	0.12 114	0.11 98	0.07 161	0.05 93	0.07 124	0.06 107	0.06 109	0.11 335

IGEV-Stereo	0.09 19	0.07 70	0.11 78	0.17 139	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 98	0.07 70	0.11 78	0.18 212	0.07 21	0.08 26	0.13 59	0.16 58	0.24 230	0.12 111	0.13 96	0.12 116	0.08 71	0.18 270	0.12 150	0.06 59	0.08 309	0.08 191	0.06 107	0.05 44	0.05 54

GANet-ADL	0.13 192	0.07 70	0.15 205	0.17 139	0.10 249	0.19 293	0.15 153	0.30 315	0.21 191	0.13 137	0.18 175	0.19 238	0.13 197	0.16 222	0.14 215	0.08 215	0.06 216	0.06 44	0.05 49	0.07 171	0.08 249

CrosDoStereo	0.12 165	0.07 70	0.12 105	0.14 15	0.09 150	0.12 131	0.15 153	0.17 91	0.22 211	0.19 264	0.24 242	0.15 180	0.11 138	0.11 52	0.12 150	0.06 59	0.05 93	0.07 124	0.07 191	0.05 44	0.05 54

LCNet	0.11 98	0.07 70	0.09 29	0.19 263	0.09 150	0.08 26	0.14 95	0.21 166	0.15 87	0.12 111	0.15 121	0.16 198	0.11 138	0.12 114	0.11 98	0.05 3	0.04 2	0.08 191	0.07 191	0.06 109	0.14 379

STrans-v2	0.10 66	0.07 70	0.13 132	0.18 212	0.08 60	0.10 70	0.14 95	0.22 188	0.11 24	0.11 82	0.15 121	0.12 116	0.10 112	0.11 52	0.12 150	0.05 3	0.04 2	0.06 44	0.06 107	0.05 44	0.05 54

OMP-Stereo	0.11 98	0.07 70	0.14 170	0.18 212	0.08 60	0.09 43	0.12 33	0.21 166	0.21 191	0.13 137	0.14 109	0.11 97	0.12 167	0.11 52	0.13 180	0.06 59	0.05 93	0.07 124	0.06 107	0.05 44	0.04 5

NF-Stereo	0.11 98	0.07 70	0.13 132	0.17 139	0.09 150	0.10 70	0.13 59	0.23 202	0.19 161	0.12 111	0.17 154	0.12 116	0.12 167	0.11 52	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.07 171	0.12 353

OCTAStereo	0.11 98	0.07 70	0.14 170	0.17 139	0.09 150	0.10 70	0.13 59	0.23 202	0.19 161	0.12 111	0.17 154	0.12 116	0.12 167	0.11 52	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.07 171	0.11 335

PSM-softLoss	0.12 165	0.07 70	0.15 205	0.17 139	0.09 150	0.08 26	0.12 33	0.24 222	0.17 127	0.15 184	0.19 188	0.13 139	0.11 138	0.11 52	0.11 98	0.07 161	0.05 93	0.08 191	0.07 191	0.07 171	0.12 353

KMStereo	0.12 165	0.07 70	0.15 205	0.17 139	0.09 150	0.08 26	0.12 33	0.24 222	0.17 127	0.15 184	0.19 188	0.13 139	0.11 138	0.11 52	0.11 98	0.07 161	0.05 93	0.08 191	0.07 191	0.07 171	0.12 353

PSM-AAD	0.11 98	0.07 70	0.10 47	0.20 308	0.09 150	0.10 70	0.14 95	0.21 166	0.13 57	0.12 111	0.14 109	0.18 229	0.11 138	0.11 52	0.10 61	0.05 3	0.05 93	0.09 266	0.08 252	0.06 109	0.14 379

FTStereo	0.12 165	0.07 70	0.14 170	0.18 212	0.09 150	0.07 17	0.15 153	0.22 188	0.18 141	0.12 111	0.24 242	0.11 97	0.13 197	0.13 158	0.14 215	0.05 3	0.05 93	0.07 124	0.07 191	0.06 109	0.10 313

KYRaft	0.12 165	0.07 70	0.10 47	0.19 263	0.09 150	0.08 26	0.15 153	0.23 202	0.12 38	0.13 137	0.16 137	0.20 255	0.10 112	0.12 114	0.11 98	0.06 59	0.04 2	0.08 191	0.08 252	0.06 109	0.15 393

DeepStereo_LL	0.12 165	0.07 70	0.12 105	0.14 15	0.09 150	0.12 131	0.15 153	0.17 91	0.22 211	0.19 264	0.24 242	0.15 180	0.11 138	0.11 52	0.12 150	0.06 59	0.05 93	0.07 124	0.07 191	0.05 44	0.05 54

SST-Stereo	0.11 98	0.07 70	0.16 246	0.18 212	0.09 150	0.06 4	0.12 33	0.18 116	0.10 10	0.15 184	0.18 175	0.13 139	0.12 167	0.10 23	0.11 98	0.06 59	0.04 2	0.09 266	0.06 107	0.07 171	0.06 121

THIR-Stereo	0.12 165	0.07 70	0.11 78	0.15 45	0.08 60	0.14 188	0.16 207	0.18 116	0.25 252	0.17 221	0.24 242	0.13 139	0.13 197	0.12 114	0.14 215	0.06 59	0.05 93	0.07 124	0.07 191	0.05 44	0.05 54

RAFT_R40	0.11 98	0.07 70	0.15 205	0.18 212	0.09 150	0.06 4	0.13 59	0.17 91	0.15 87	0.14 160	0.18 175	0.15 180	0.12 167	0.10 23	0.11 98	0.06 59	0.04 2	0.09 266	0.06 107	0.06 109	0.05 54

RE-Stereo	0.11 98	0.07 70	0.13 132	0.17 139	0.09 150	0.10 70	0.13 59	0.23 202	0.19 161	0.12 111	0.17 154	0.12 116	0.12 167	0.11 52	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.07 171	0.11 335

Pruner-Stereo	0.11 98	0.07 70	0.12 105	0.17 139	0.09 150	0.06 4	0.12 33	0.18 116	0.17 127	0.14 160	0.19 188	0.13 139	0.10 112	0.11 52	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.06 109	0.08 249

TVStereo	0.11 98	0.07 70	0.13 132	0.17 139	0.09 150	0.10 70	0.13 59	0.23 202	0.19 161	0.12 111	0.17 154	0.12 116	0.12 167	0.11 52	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.07 171	0.11 335

RAFT-345	0.11 98	0.07 70	0.16 246	0.17 139	0.08 60	0.08 26	0.12 33	0.16 58	0.10 10	0.11 82	0.34 353	0.09 58	0.10 112	0.11 52	0.12 150	0.05 3	0.05 93	0.07 124	0.06 107	0.04 1	0.05 54

test-1	0.10 66	0.07 70	0.17 268	0.19 263	0.08 60	0.11 99	0.24 369	0.15 40	0.18 141	0.09 28	0.07 15	0.10 80	0.08 71	0.08 7	0.09 22	0.06 59	0.04 2	0.06 44	0.06 107	0.04 1	0.05 54

GMM-Stereo	0.11 98	0.07 70	0.10 47	0.18 212	0.09 150	0.08 26	0.14 95	0.24 222	0.16 106	0.11 82	0.15 121	0.13 139	0.11 138	0.11 52	0.11 98	0.05 3	0.04 2	0.08 191	0.07 191	0.06 109	0.09 290

Prome-Stereo	0.11 98	0.07 70	0.11 78	0.18 212	0.09 150	0.12 131	0.14 95	0.23 202	0.13 57	0.13 137	0.16 137	0.13 139	0.08 71	0.12 114	0.10 61	0.05 3	0.05 93	0.07 124	0.06 107	0.06 109	0.10 313

iRaftStereo_RVC	0.10 66	0.07 70	0.10 47	0.17 139	0.09 150	0.11 99	0.17 227	0.18 116	0.12 38	0.09 28	0.11 72	0.10 80	0.07 46	0.11 52	0.10 61	0.05 3	0.04 2	0.08 191	0.08 252	0.04 1	0.04 5

raft+_RVC	0.11 98	0.07 70	0.09 29	0.16 81	0.07 21	0.10 70	0.11 17	0.24 222	0.20 178	0.12 111	0.15 121	0.12 116	0.08 71	0.12 114	0.13 180	0.07 161	0.04 2	0.07 124	0.06 107	0.05 44	0.05 54

RALCasStereoNet	0.11 98	0.07 70	0.09 29	0.16 81	0.08 60	0.13 153	0.14 95	0.17 91	0.11 24	0.12 111	0.17 154	0.14 157	0.10 112	0.12 114	0.11 98	0.07 161	0.06 216	0.06 44	0.05 49	0.08 231	0.07 184

222	0.16 281	0.07 70	0.15 205	0.14 15	0.08 60	0.25 361	0.18 270	0.30 315	0.21 191	0.18 251	0.29 319	0.17 215	0.16 264	0.16 222	0.44 434	0.10 298	0.05 93	0.07 124	0.06 107	0.08 231	0.08 249

test_xeample3	0.09 19	0.07 70	0.12 105	0.16 81	0.09 150	0.11 99	0.15 153	0.16 58	0.14 73	0.10 51	0.07 15	0.08 41	0.06 13	0.10 23	0.09 22	0.06 59	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121

xxxx	0.15 256	0.07 70	0.14 170	0.14 15	0.08 60	0.24 353	0.18 270	0.32 333	0.20 178	0.14 160	0.28 305	0.22 279	0.14 226	0.15 195	0.29 395	0.09 264	0.05 93	0.07 124	0.07 191	0.08 231	0.08 249

test_xeample	0.15 256	0.07 70	0.14 170	0.15 45	0.08 60	0.22 335	0.20 325	0.29 305	0.21 191	0.16 211	0.29 319	0.19 238	0.17 286	0.16 222	0.28 388	0.09 264	0.05 93	0.07 124	0.07 191	0.07 171	0.07 184

AFF-stereo	0.09 19	0.07 70	0.10 47	0.17 139	0.07 21	0.10 70	0.15 153	0.18 116	0.10 10	0.10 51	0.11 72	0.09 58	0.10 112	0.12 114	0.10 61	0.05 3	0.04 2	0.07 124	0.07 191	0.04 1	0.04 5

EAI-Stereo	0.09 19	0.07 70	0.11 78	0.16 81	0.07 21	0.10 70	0.15 153	0.16 58	0.09 3	0.08 12	0.09 35	0.08 41	0.07 46	0.09 12	0.11 98	0.05 3	0.05 93	0.05 2	0.05 49	0.05 44	0.04 5

CFNet-RSSM	0.09 19	0.07 70	0.10 47	0.16 81	0.07 21	0.09 43	0.15 153	0.17 91	0.18 141	0.08 12	0.12 82	0.11 97	0.09 93	0.12 114	0.10 61	0.06 59	0.04 2	0.06 44	0.04 10	0.04 1	0.04 5

SFCPSM	0.13 192	0.07 70	0.15 205	0.17 139	0.09 150	0.15 212	0.16 207	0.28 288	0.27 276	0.14 160	0.18 175	0.12 116	0.13 197	0.14 178	0.11 98	0.08 215	0.05 93	0.07 124	0.07 191	0.07 171	0.06 121

Gwc-CoAtRS	0.09 19	0.07 70	0.10 47	0.16 81	0.07 21	0.10 70	0.15 153	0.18 116	0.17 127	0.08 12	0.10 50	0.12 116	0.09 93	0.12 114	0.09 22	0.06 59	0.04 2	0.06 44	0.04 10	0.04 1	0.05 54

cf-r	0.14 219	0.07 70	0.13 132	0.16 81	0.08 60	0.14 188	0.19 310	0.21 166	0.25 252	0.17 221	0.26 281	0.22 279	0.17 286	0.14 178	0.15 248	0.10 298	0.05 93	0.06 44	0.08 252	0.06 109	0.06 121

GANet-RSSM	0.14 219	0.07 70	0.13 132	0.13 7	0.08 60	0.14 188	0.18 270	0.23 202	0.21 191	0.17 221	0.25 268	0.24 301	0.16 264	0.16 222	0.16 266	0.10 298	0.06 216	0.07 124	0.08 252	0.08 231	0.07 184

PSMNet-RSSM	0.14 219	0.07 70	0.14 170	0.15 45	0.08 60	0.13 153	0.16 207	0.25 241	0.24 230	0.17 221	0.28 305	0.23 292	0.14 226	0.16 222	0.14 215	0.11 328	0.06 216	0.09 266	0.12 368	0.08 231	0.07 184

GwcNet-RSSM	0.14 219	0.07 70	0.12 105	0.16 81	0.08 60	0.15 212	0.20 325	0.22 188	0.28 292	0.18 251	0.28 305	0.23 292	0.17 286	0.15 195	0.16 266	0.10 298	0.06 216	0.07 124	0.09 290	0.07 171	0.07 184

CFNet-ft	0.14 219	0.07 70	0.15 205	0.12 3	0.09 150	0.17 257	0.18 270	0.22 188	0.24 230	0.17 221	0.26 281	0.24 301	0.14 226	0.16 222	0.15 248	0.11 328	0.06 216	0.08 191	0.09 290	0.09 289	0.08 249

RASNet	0.15 256	0.07 70	0.15 205	0.16 81	0.08 60	0.19 293	0.14 95	0.30 315	0.21 191	0.17 221	0.25 268	0.21 262	0.19 312	0.20 308	0.20 313	0.07 161	0.06 216	0.06 44	0.08 252	0.06 109	0.06 121

CFNet_RVC	0.14 219	0.07 70	0.15 205	0.12 3	0.09 150	0.17 257	0.18 270	0.22 188	0.24 230	0.17 221	0.26 281	0.24 301	0.14 226	0.16 222	0.15 248	0.11 328	0.06 216	0.08 191	0.09 290	0.09 289	0.08 249

iResNet_ROB	0.14 219	0.07 70	0.13 132	0.15 45	0.07 21	0.19 293	0.14 95	0.26 252	0.32 316	0.23 321	0.26 281	0.23 292	0.16 264	0.15 195	0.14 215	0.07 161	0.05 93	0.05 2	0.04 10	0.08 231	0.08 249

LE_ROB	0.50 436	0.07 70	0.14 170	0.15 45	0.08 60	0.26 371	0.17 227	0.23 202	1.71 467	4.68 472	0.67 431	0.46 419	0.47 429	0.21 323	0.30 400	0.07 161	0.06 216	0.06 44	0.06 107	0.08 231	0.06 121

pmcnn	0.15 256	0.07 70	0.20 323	0.15 45	0.07 21	0.21 323	0.16 207	0.25 241	0.26 264	0.21 295	0.33 343	0.29 341	0.19 312	0.18 270	0.17 280	0.07 161	0.05 93	0.05 2	0.04 10	0.07 171	0.06 121

rvit_stereo_0083	0.12 165	0.08 161	0.17 268	0.16 81	0.09 150	0.11 99	0.15 153	0.15 40	0.26 264	0.11 82	0.14 109	0.13 139	0.10 112	0.12 114	0.13 180	0.10 298	0.08 309	0.09 266	0.07 191	0.07 171	0.06 121

rvit_stereo_0081	0.11 98	0.08 161	0.16 246	0.16 81	0.09 150	0.11 99	0.14 95	0.14 28	0.24 230	0.11 82	0.13 96	0.14 157	0.09 93	0.11 52	0.12 150	0.10 298	0.07 281	0.08 191	0.07 191	0.07 171	0.06 121

rvit_stereo_0082	0.11 98	0.08 161	0.16 246	0.16 81	0.09 150	0.11 99	0.14 95	0.14 28	0.24 230	0.11 82	0.13 96	0.14 157	0.09 93	0.11 52	0.12 150	0.10 298	0.07 281	0.08 191	0.07 191	0.07 171	0.06 121

rvit_stereo_0080	0.10 66	0.08 161	0.15 205	0.15 45	0.10 249	0.07 17	0.15 153	0.16 58	0.16 106	0.11 82	0.10 50	0.15 180	0.09 93	0.12 114	0.10 61	0.09 264	0.07 281	0.07 124	0.06 107	0.07 171	0.05 54

test_sample5	0.14 219	0.08 161	0.14 170	0.16 81	0.08 60	0.18 273	0.18 270	0.25 241	0.17 127	0.17 221	0.28 305	0.18 229	0.15 246	0.16 222	0.13 180	0.08 215	0.06 216	0.08 191	0.07 191	0.09 289	0.08 249

test_sample4	0.14 219	0.08 161	0.15 205	0.15 45	0.08 60	0.19 293	0.18 270	0.26 252	0.18 141	0.17 221	0.26 281	0.18 229	0.15 246	0.17 257	0.13 180	0.08 215	0.06 216	0.08 191	0.06 107	0.09 289	0.08 249

test_sample3	0.14 219	0.08 161	0.15 205	0.14 15	0.09 150	0.20 312	0.17 227	0.27 266	0.18 141	0.17 221	0.22 228	0.19 238	0.15 246	0.17 257	0.14 215	0.09 264	0.06 216	0.07 124	0.06 107	0.09 289	0.08 249

Former-RAFT_DAM_RVC	0.11 98	0.08 161	0.13 132	0.16 81	0.08 60	0.15 212	0.16 207	0.18 116	0.19 161	0.10 51	0.09 35	0.09 58	0.08 71	0.11 52	0.12 150	0.07 161	0.05 93	0.08 191	0.06 107	0.07 171	0.06 121

AE-Stereo	0.10 66	0.08 161	0.11 78	0.19 263	0.09 150	0.10 70	0.15 153	0.14 28	0.20 178	0.09 28	0.15 121	0.12 116	0.08 71	0.11 52	0.10 61	0.05 3	0.06 216	0.07 124	0.06 107	0.05 44	0.04 5

ACVNet-DCA	0.10 66	0.08 161	0.13 132	0.17 139	0.09 150	0.13 153	0.15 153	0.24 222	0.16 106	0.09 28	0.09 35	0.06 4	0.06 13	0.10 23	0.07 1	0.06 59	0.05 93	0.06 44	0.05 49	0.07 171	0.07 184

xx1	0.11 98	0.08 161	0.13 132	0.17 139	0.09 150	0.13 153	0.15 153	0.16 58	0.18 141	0.09 28	0.09 35	0.16 198	0.16 264	0.10 23	0.07 1	0.06 59	0.05 93	0.08 191	0.08 252	0.07 171	0.07 184

1test111	0.11 98	0.08 161	0.13 132	0.17 139	0.09 150	0.13 153	0.15 153	0.24 222	0.16 106	0.09 28	0.09 35	0.06 4	0.06 13	0.15 195	0.16 266	0.06 59	0.05 93	0.06 44	0.05 49	0.07 171	0.07 184

cc1	0.10 66	0.08 161	0.13 132	0.17 139	0.09 150	0.13 153	0.15 153	0.16 58	0.18 141	0.09 28	0.09 35	0.06 4	0.06 13	0.10 23	0.07 1	0.06 59	0.05 93	0.06 44	0.05 49	0.06 109	0.06 121

mmm	0.14 219	0.08 161	0.18 297	0.17 139	0.09 150	0.17 257	0.18 270	0.21 166	0.16 106	0.16 211	0.23 232	0.21 262	0.16 264	0.16 222	0.17 280	0.08 215	0.05 93	0.08 191	0.08 252	0.08 231	0.07 184

DualNet	0.14 219	0.08 161	0.14 170	0.16 81	0.08 60	0.18 273	0.18 270	0.25 241	0.17 127	0.18 251	0.28 305	0.18 229	0.15 246	0.16 222	0.13 180	0.08 215	0.06 216	0.08 191	0.07 191	0.09 289	0.08 249

tt1	0.10 66	0.08 161	0.13 132	0.17 139	0.09 150	0.13 153	0.15 153	0.15 40	0.19 161	0.09 28	0.08 26	0.06 4	0.06 13	0.10 23	0.08 10	0.06 59	0.05 93	0.06 44	0.05 49	0.06 109	0.06 121

ttt	0.14 219	0.08 161	0.14 170	0.15 45	0.08 60	0.15 212	0.18 270	0.27 266	0.30 303	0.16 211	0.24 242	0.17 215	0.14 226	0.13 158	0.14 215	0.11 328	0.08 309	0.09 266	0.08 252	0.09 289	0.09 290

whm_eth	0.10 66	0.08 161	0.15 205	0.15 45	0.10 249	0.07 17	0.15 153	0.16 58	0.16 106	0.11 82	0.10 50	0.15 180	0.09 93	0.12 114	0.10 61	0.09 264	0.07 281	0.07 124	0.06 107	0.07 171	0.05 54

PCWNet_CMD	0.14 219	0.08 161	0.15 205	0.17 139	0.09 150	0.14 188	0.14 95	0.29 305	0.36 348	0.14 160	0.20 197	0.21 262	0.13 197	0.17 257	0.14 215	0.07 161	0.05 93	0.07 124	0.07 191	0.07 171	0.07 184

TestStereo1	0.13 192	0.08 161	0.08 8	0.20 308	0.08 60	0.18 273	0.29 413	0.23 202	0.17 127	0.17 221	0.20 197	0.16 198	0.11 138	0.12 114	0.13 180	0.06 59	0.06 216	0.08 191	0.06 107	0.05 44	0.05 54

x	0.13 192	0.08 161	0.15 205	0.14 15	0.08 60	0.19 293	0.14 95	0.22 188	0.21 191	0.15 184	0.20 197	0.20 255	0.18 297	0.18 270	0.18 292	0.07 161	0.05 93	0.06 44	0.06 107	0.07 171	0.07 184

IER	0.14 219	0.08 161	0.13 132	0.17 139	0.09 150	0.14 188	0.16 207	0.26 252	0.27 276	0.18 251	0.26 281	0.17 215	0.20 324	0.17 257	0.14 215	0.08 215	0.05 93	0.07 124	0.06 107	0.08 231	0.07 184

CRFU-Net	0.16 281	0.08 161	0.15 205	0.17 139	0.09 150	0.20 312	0.14 95	0.27 266	0.21 191	0.28 367	0.28 305	0.29 341	0.18 297	0.19 291	0.18 292	0.09 264	0.09 331	0.07 124	0.07 191	0.08 231	0.09 290

SA-5K	0.13 192	0.08 161	0.08 8	0.20 308	0.08 60	0.18 273	0.29 413	0.23 202	0.17 127	0.17 221	0.20 197	0.16 198	0.11 138	0.12 114	0.13 180	0.06 59	0.06 216	0.08 191	0.06 107	0.05 44	0.05 54

Sa-1000	0.12 165	0.08 161	0.09 29	0.18 212	0.08 60	0.15 212	0.22 351	0.22 188	0.19 161	0.15 184	0.20 197	0.17 215	0.11 138	0.10 23	0.10 61	0.06 59	0.05 93	0.09 266	0.09 290	0.05 44	0.05 54

CIPLG	0.11 98	0.08 161	0.15 205	0.17 139	0.08 60	0.13 153	0.15 153	0.17 91	0.16 106	0.14 160	0.11 72	0.16 198	0.10 112	0.17 257	0.12 150	0.07 161	0.05 93	0.06 44	0.06 107	0.05 44	0.06 121

DAS	0.15 256	0.08 161	0.18 297	0.19 263	0.10 249	0.19 293	0.17 227	0.28 288	0.30 303	0.18 251	0.26 281	0.21 262	0.16 264	0.16 222	0.13 180	0.08 215	0.06 216	0.06 44	0.06 107	0.07 171	0.07 184

SepStereo	0.15 256	0.08 161	0.18 297	0.19 263	0.10 249	0.19 293	0.17 227	0.28 288	0.30 303	0.18 251	0.26 281	0.21 262	0.16 264	0.26 366	0.13 180	0.08 215	0.06 216	0.06 44	0.06 107	0.07 171	0.07 184

IPLG	0.11 98	0.08 161	0.15 205	0.17 139	0.08 60	0.11 99	0.14 95	0.20 153	0.15 87	0.13 137	0.18 175	0.07 26	0.07 46	0.14 178	0.14 215	0.06 59	0.04 2	0.06 44	0.05 49	0.04 1	0.04 5

IPLGR_C	0.11 98	0.08 161	0.15 205	0.17 139	0.08 60	0.12 131	0.15 153	0.17 91	0.15 87	0.14 160	0.11 72	0.16 198	0.10 112	0.16 222	0.12 150	0.07 161	0.05 93	0.06 44	0.06 107	0.05 44	0.06 121

MIPNet	0.11 98	0.08 161	0.15 205	0.17 139	0.09 150	0.12 131	0.14 95	0.21 166	0.25 252	0.12 111	0.10 50	0.09 58	0.07 46	0.13 158	0.13 180	0.06 59	0.04 2	0.06 44	0.05 49	0.04 1	0.04 5

AASNet	0.16 281	0.08 161	0.13 132	0.19 263	0.09 150	0.19 293	0.15 153	0.38 393	0.37 352	0.20 284	0.24 242	0.20 255	0.17 286	0.17 257	0.21 324	0.10 298	0.08 309	0.08 191	0.07 191	0.09 289	0.09 290

ACRE	0.11 98	0.08 161	0.15 205	0.17 139	0.08 60	0.13 153	0.15 153	0.17 91	0.14 73	0.14 160	0.11 72	0.16 198	0.10 112	0.16 222	0.12 150	0.07 161	0.05 93	0.06 44	0.06 107	0.05 44	0.06 121

AACVNet	0.16 281	0.08 161	0.15 205	0.15 45	0.10 249	0.18 273	0.15 153	0.24 222	0.25 252	0.27 355	0.27 296	0.28 334	0.18 297	0.19 291	0.17 280	0.09 264	0.07 281	0.09 266	0.07 191	0.10 320	0.09 290

GwcNet-ADL	0.13 192	0.08 161	0.14 170	0.20 308	0.09 150	0.12 131	0.20 325	0.30 315	0.25 252	0.14 160	0.14 109	0.18 229	0.14 226	0.13 158	0.15 248	0.07 161	0.05 93	0.06 44	0.05 49	0.07 171	0.06 121

AAGNet	0.12 165	0.08 161	0.17 268	0.19 263	0.09 150	0.08 26	0.13 59	0.19 140	0.13 57	0.16 211	0.21 214	0.13 139	0.14 226	0.11 52	0.14 215	0.06 59	0.04 2	0.09 266	0.06 107	0.06 109	0.05 54

TransformOpticalFlow	0.10 66	0.08 161	0.13 132	0.18 212	0.07 21	0.09 43	0.15 153	0.19 140	0.16 106	0.12 111	0.16 137	0.11 97	0.11 138	0.11 52	0.11 98	0.05 3	0.04 2	0.06 44	0.06 107	0.05 44	0.05 54

NRIStereo	0.11 98	0.08 161	0.15 205	0.18 212	0.08 60	0.10 70	0.13 59	0.17 91	0.15 87	0.12 111	0.15 121	0.13 139	0.13 197	0.13 158	0.10 61	0.06 59	0.04 2	0.07 124	0.06 107	0.06 109	0.07 184

DeepStereo_RVC	0.11 98	0.08 161	0.17 268	0.18 212	0.08 60	0.08 26	0.11 17	0.17 91	0.12 38	0.13 137	0.15 121	0.12 116	0.12 167	0.12 114	0.11 98	0.06 59	0.04 2	0.07 124	0.06 107	0.07 171	0.08 249

IRAFT_RVC	0.12 165	0.08 161	0.17 268	0.19 263	0.08 60	0.07 17	0.14 95	0.25 241	0.23 220	0.14 160	0.15 121	0.15 180	0.12 167	0.12 114	0.11 98	0.06 59	0.04 2	0.09 266	0.06 107	0.06 109	0.06 121

CroCo-Stereo	0.09 19	0.08 161	0.08 8	0.22 355	0.09 150	0.09 43	0.18 270	0.16 58	0.12 38	0.07 4	0.07 15	0.08 41	0.06 13	0.08 7	0.07 1	0.07 161	0.05 93	0.06 44	0.04 10	0.05 44	0.04 5
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
LMCR-Stereo	0.15 256	0.08 161	0.14 170	0.21 338	0.09 150	0.18 273	0.19 310	0.28 288	0.19 161	0.24 332	0.24 242	0.23 292	0.17 286	0.20 308	0.17 280	0.07 161	0.06 216	0.08 191	0.06 107	0.10 320	0.09 290

CFNet_pseudo	0.14 219	0.08 161	0.16 246	0.16 81	0.09 150	0.13 153	0.14 95	0.27 266	0.34 331	0.15 184	0.21 214	0.22 279	0.13 197	0.18 270	0.14 215	0.07 161	0.05 93	0.08 191	0.06 107	0.07 171	0.07 184

RALAANet	0.11 98	0.08 161	0.10 47	0.17 139	0.09 150	0.14 188	0.10 8	0.20 153	0.16 106	0.14 160	0.13 96	0.16 198	0.09 93	0.12 114	0.12 150	0.06 59	0.05 93	0.08 191	0.07 191	0.06 109	0.04 5

ADLNet	0.16 281	0.08 161	0.15 205	0.16 81	0.10 249	0.16 235	0.17 227	0.33 345	0.27 276	0.23 321	0.27 296	0.24 301	0.16 264	0.18 270	0.21 324	0.10 298	0.06 216	0.10 308	0.10 322	0.08 231	0.09 290

GES	0.14 219	0.08 161	0.16 246	0.15 45	0.10 249	0.13 153	0.13 59	0.28 288	0.26 264	0.17 221	0.24 242	0.19 238	0.14 226	0.16 222	0.14 215	0.08 215	0.08 309	0.07 124	0.06 107	0.08 231	0.09 290

ARAFT	0.12 165	0.08 161	0.18 297	0.19 263	0.09 150	0.15 212	0.17 227	0.20 153	0.13 57	0.12 111	0.13 96	0.14 157	0.12 167	0.15 195	0.13 180	0.06 59	0.05 93	0.10 308	0.09 290	0.06 109	0.04 5

RAFT + AFF	0.13 192	0.08 161	0.21 329	0.20 308	0.10 249	0.14 188	0.23 361	0.27 266	0.21 191	0.12 111	0.10 50	0.12 116	0.10 112	0.16 222	0.12 150	0.08 215	0.07 281	0.09 266	0.09 290	0.06 109	0.09 290

UPFNet	0.16 281	0.08 161	0.12 105	0.20 308	0.12 325	0.20 312	0.23 361	0.28 288	0.26 264	0.18 251	0.24 242	0.22 279	0.20 324	0.19 291	0.22 337	0.09 264	0.07 281	0.08 191	0.09 290	0.08 231	0.06 121

FENet	0.13 192	0.08 161	0.13 132	0.16 81	0.08 60	0.15 212	0.16 207	0.23 202	0.23 220	0.17 221	0.24 242	0.16 198	0.13 197	0.14 178	0.15 248	0.08 215	0.05 93	0.08 191	0.08 252	0.08 231	0.08 249

DIP-Stereo	0.11 98	0.08 161	0.15 205	0.17 139	0.09 150	0.13 153	0.09 5	0.16 58	0.16 106	0.12 111	0.16 137	0.14 157	0.12 167	0.16 222	0.14 215	0.06 59	0.05 93	0.06 44	0.05 49	0.05 44	0.07 184
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 219	0.08 161	0.15 205	0.17 139	0.09 150	0.14 188	0.14 95	0.29 305	0.36 348	0.14 160	0.20 197	0.21 262	0.13 197	0.18 270	0.14 215	0.07 161	0.05 93	0.07 124	0.07 191	0.07 171	0.07 184

HSM-Net_RVC	0.14 219	0.08 161	0.12 105	0.15 45	0.08 60	0.16 235	0.15 153	0.27 266	0.29 298	0.20 284	0.21 214	0.29 341	0.14 226	0.18 270	0.13 180	0.06 59	0.06 216	0.06 44	0.06 107	0.07 171	0.06 121
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UCFNet_RVC	0.15 256	0.08 161	0.13 132	0.11 1	0.10 249	0.20 312	0.10 8	0.24 222	0.23 220	0.17 221	0.21 214	0.24 301	0.15 246	0.18 270	0.15 248	0.12 352	0.07 281	0.11 336	0.13 378	0.11 337	0.10 313

iResNetv2_ROB	0.15 256	0.08 161	0.16 246	0.16 81	0.08 60	0.16 235	0.13 59	0.26 252	0.36 348	0.21 295	0.29 319	0.24 301	0.13 197	0.14 178	0.14 215	0.06 59	0.06 216	0.06 44	0.04 10	0.09 289	0.08 249

MLCV	0.13 192	0.08 161	0.17 268	0.18 212	0.06 3	0.16 235	0.17 227	0.19 140	0.22 211	0.19 264	0.25 268	0.17 215	0.13 197	0.15 195	0.14 215	0.05 3	0.04 2	0.05 2	0.04 10	0.05 44	0.04 5

rvit_0105_6	0.14 219	0.09 217	0.18 297	0.17 139	0.10 249	0.10 70	0.17 227	0.19 140	0.26 264	0.12 111	0.18 175	0.17 215	0.13 197	0.18 270	0.13 180	0.15 390	0.11 366	0.12 354	0.10 322	0.09 289	0.06 121

rvit_0105_4	0.15 256	0.09 217	0.17 268	0.17 139	0.10 249	0.12 131	0.20 325	0.23 202	0.27 276	0.14 160	0.20 197	0.17 215	0.14 226	0.17 257	0.13 180	0.15 390	0.11 366	0.11 336	0.10 322	0.09 289	0.06 121

rvit_stereo_0081_aga	0.12 165	0.09 217	0.15 205	0.18 212	0.10 249	0.14 188	0.14 95	0.14 28	0.19 161	0.10 51	0.18 175	0.16 198	0.09 93	0.12 114	0.10 61	0.10 298	0.06 216	0.08 191	0.07 191	0.07 171	0.06 121

RAStereo	0.10 66	0.09 217	0.08 8	0.20 308	0.08 60	0.13 153	0.18 270	0.16 58	0.17 127	0.10 51	0.12 82	0.05 1	0.06 13	0.09 12	0.08 10	0.07 161	0.05 93	0.07 124	0.05 49	0.05 44	0.04 5

test_sample6	0.14 219	0.09 217	0.14 170	0.17 139	0.08 60	0.17 257	0.19 310	0.26 252	0.18 141	0.18 251	0.28 305	0.19 238	0.15 246	0.15 195	0.13 180	0.08 215	0.05 93	0.08 191	0.07 191	0.08 231	0.08 249

H2IRNET	0.10 66	0.09 217	0.10 47	0.18 212	0.09 150	0.12 131	0.15 153	0.14 28	0.21 191	0.10 51	0.10 50	0.10 80	0.11 138	0.10 23	0.10 61	0.06 59	0.04 2	0.08 191	0.08 252	0.06 109	0.05 54

DispNO	0.15 256	0.09 217	0.18 297	0.19 263	0.12 325	0.11 99	0.21 340	0.23 202	0.29 298	0.18 251	0.23 232	0.19 238	0.17 286	0.16 222	0.16 266	0.07 161	0.05 93	0.08 191	0.08 252	0.07 171	0.06 121

ffm	0.12 165	0.09 217	0.15 205	0.16 81	0.09 150	0.17 257	0.17 227	0.15 40	0.19 161	0.15 184	0.26 281	0.19 238	0.13 197	0.10 23	0.08 10	0.06 59	0.05 93	0.09 266	0.08 252	0.06 109	0.06 121

ff1	0.13 192	0.09 217	0.15 205	0.16 81	0.09 150	0.17 257	0.17 227	0.15 40	0.19 161	0.15 184	0.26 281	0.19 238	0.13 197	0.15 195	0.22 337	0.06 59	0.05 93	0.09 266	0.08 252	0.06 109	0.06 121

mmx	0.15 256	0.09 217	0.15 205	0.16 81	0.09 150	0.17 257	0.17 227	0.27 266	0.26 264	0.15 184	0.26 281	0.19 238	0.13 197	0.15 195	0.22 337	0.08 215	0.06 216	0.09 266	0.08 252	0.08 231	0.08 249

1111x	0.16 281	0.09 217	0.13 132	0.18 212	0.08 60	0.18 273	0.25 385	0.32 333	0.25 252	0.17 221	0.24 242	0.27 326	0.15 246	0.14 178	0.24 357	0.07 161	0.07 281	0.08 191	0.09 290	0.07 171	0.07 184

xxx	0.15 256	0.09 217	0.15 205	0.16 81	0.09 150	0.17 257	0.17 227	0.27 266	0.26 264	0.15 184	0.26 281	0.19 238	0.13 197	0.15 195	0.22 337	0.08 215	0.06 216	0.09 266	0.08 252	0.08 231	0.08 249

plain	0.11 98	0.09 217	0.10 47	0.19 263	0.09 150	0.11 99	0.14 95	0.14 28	0.13 57	0.13 137	0.15 121	0.09 58	0.12 167	0.13 158	0.12 150	0.07 161	0.05 93	0.09 266	0.06 107	0.06 109	0.06 121

MaDis-Stereo	0.09 19	0.09 217	0.08 8	0.17 139	0.09 150	0.14 188	0.11 17	0.16 58	0.16 106	0.09 28	0.11 72	0.06 4	0.06 13	0.09 12	0.13 180	0.07 161	0.06 216	0.08 191	0.05 49	0.05 44	0.04 5

CASnet	0.09 19	0.09 217	0.09 29	0.19 263	0.06 3	0.07 17	0.11 17	0.18 116	0.14 73	0.11 82	0.10 50	0.09 58	0.07 46	0.10 23	0.10 61	0.06 59	0.04 2	0.10 308	0.08 252	0.06 109	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
CFNet_ucs	0.15 256	0.09 217	0.17 268	0.16 81	0.11 296	0.14 188	0.14 95	0.30 315	0.34 331	0.16 211	0.24 242	0.23 292	0.14 226	0.18 270	0.15 248	0.09 264	0.06 216	0.08 191	0.07 191	0.09 289	0.09 290

testlalala_base	0.10 66	0.09 217	0.14 170	0.21 338	0.08 60	0.10 70	0.14 95	0.13 20	0.11 24	0.08 12	0.15 121	0.07 26	0.08 71	0.11 52	0.12 150	0.08 215	0.05 93	0.05 2	0.03 1	0.07 171	0.05 54

SDNR	0.20 334	0.09 217	0.19 320	0.16 81	0.12 325	0.79 450	0.13 59	0.26 252	0.33 321	0.19 264	0.25 268	0.19 238	0.12 167	0.19 291	0.15 248	0.16 407	0.18 413	0.14 381	0.11 348	0.08 231	0.12 353

CroCo-Stereo Lap2	0.09 19	0.09 217	0.08 8	0.22 355	0.09 150	0.09 43	0.18 270	0.16 58	0.12 38	0.09 28	0.10 50	0.05 1	0.05 3	0.08 7	0.08 10	0.06 59	0.06 216	0.07 124	0.05 49	0.06 109	0.05 54

qqq	0.13 192	0.09 217	0.15 205	0.16 81	0.08 60	0.13 153	0.15 153	0.24 222	0.16 106	0.15 184	0.19 188	0.16 198	0.16 264	0.15 195	0.16 266	0.07 161	0.06 216	0.08 191	0.08 252	0.07 171	0.07 184

Wz-Net-LNSev-Ref	0.18 316	0.09 217	0.30 380	0.15 45	0.11 296	0.23 347	0.20 325	0.27 266	0.40 366	0.26 348	0.43 400	0.25 313	0.15 246	0.21 323	0.20 313	0.07 161	0.05 93	0.06 44	0.05 49	0.10 320	0.09 290

BUS	0.15 256	0.09 217	0.14 170	0.22 355	0.10 249	0.20 312	0.14 95	0.34 359	0.20 178	0.17 221	0.23 232	0.16 198	0.14 226	0.16 222	0.14 215	0.08 215	0.06 216	0.10 308	0.09 290	0.07 171	0.07 184

RAFT_CTSACE	0.12 165	0.09 217	0.10 47	0.22 355	0.08 60	0.12 131	0.24 369	0.18 116	0.17 127	0.21 295	0.27 296	0.13 139	0.07 46	0.13 158	0.09 22	0.05 3	0.06 216	0.08 191	0.07 191	0.04 1	0.04 5

BSDual-CNN	0.15 256	0.09 217	0.14 170	0.22 355	0.10 249	0.15 212	0.15 153	0.34 359	0.20 178	0.17 221	0.23 232	0.25 313	0.16 264	0.16 222	0.14 215	0.08 215	0.06 216	0.10 308	0.09 290	0.07 171	0.07 184

SA	0.13 192	0.09 217	0.09 29	0.18 212	0.08 60	0.12 131	0.24 369	0.23 202	0.19 161	0.17 221	0.27 296	0.15 180	0.11 138	0.11 52	0.11 98	0.05 3	0.05 93	0.09 266	0.08 252	0.05 44	0.05 54

iRaft-Stereo_5w	0.12 165	0.09 217	0.12 105	0.20 308	0.08 60	0.09 43	0.12 33	0.22 188	0.22 211	0.19 264	0.14 109	0.11 97	0.09 93	0.20 308	0.16 266	0.05 3	0.05 93	0.07 124	0.06 107	0.05 44	0.06 121

psmg	0.14 219	0.09 217	0.14 170	0.17 139	0.10 249	0.15 212	0.17 227	0.29 305	0.20 178	0.17 221	0.21 214	0.25 313	0.16 264	0.16 222	0.14 215	0.08 215	0.07 281	0.08 191	0.08 252	0.07 171	0.07 184

CSP-Net	0.16 281	0.09 217	0.14 170	0.17 139	0.09 150	0.19 293	0.18 270	0.25 241	0.33 321	0.26 348	0.31 328	0.25 313	0.16 264	0.21 323	0.19 305	0.09 264	0.06 216	0.07 124	0.07 191	0.08 231	0.08 249

IPLGR	0.11 98	0.09 217	0.17 268	0.18 212	0.08 60	0.13 153	0.16 207	0.21 166	0.24 230	0.12 111	0.12 82	0.11 97	0.09 93	0.13 158	0.12 150	0.06 59	0.05 93	0.06 44	0.06 107	0.05 44	0.04 5

GMOStereo	0.11 98	0.09 217	0.08 8	0.19 263	0.08 60	0.12 131	0.28 402	0.13 20	0.18 141	0.11 82	0.17 154	0.14 157	0.12 167	0.07 2	0.07 1	0.05 3	0.05 93	0.09 266	0.07 191	0.04 1	0.04 5

error version	0.11 98	0.09 217	0.08 8	0.19 263	0.08 60	0.12 131	0.28 402	0.13 20	0.18 141	0.11 82	0.17 154	0.14 157	0.12 167	0.07 2	0.07 1	0.05 3	0.05 93	0.09 266	0.07 191	0.04 1	0.04 5

test-v	0.11 98	0.09 217	0.08 8	0.19 263	0.08 60	0.12 131	0.28 402	0.13 20	0.18 141	0.11 82	0.17 154	0.14 157	0.12 167	0.07 2	0.07 1	0.05 3	0.05 93	0.09 266	0.07 191	0.04 1	0.04 5

test_3	0.11 98	0.09 217	0.10 47	0.21 338	0.08 60	0.13 153	0.25 385	0.14 28	0.21 191	0.10 51	0.10 50	0.09 58	0.10 112	0.08 7	0.11 98	0.05 3	0.04 2	0.08 191	0.07 191	0.04 1	0.04 5

ADLNet2	0.16 281	0.09 217	0.14 170	0.17 139	0.09 150	0.20 312	0.16 207	0.32 333	0.39 362	0.17 221	0.20 197	0.20 255	0.19 312	0.21 323	0.23 346	0.08 215	0.07 281	0.07 124	0.07 191	0.09 289	0.07 184

Patchmatch Stereo++	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.11 17	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184
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	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.12 33	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

ROB_FTStereo_v2	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.12 33	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

ROB_FTStereo	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.11 17	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

HUI-Stereo	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.11 17	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

iGMRVC	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.12 33	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

iRAFT	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.11 17	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

CRE-IMP	0.11 98	0.09 217	0.16 246	0.19 263	0.09 150	0.10 70	0.12 33	0.18 116	0.10 10	0.14 160	0.14 109	0.14 157	0.13 197	0.12 114	0.12 150	0.07 161	0.04 2	0.08 191	0.06 107	0.08 231	0.08 249

test-2	0.11 98	0.09 217	0.08 8	0.19 263	0.08 60	0.12 131	0.28 402	0.13 20	0.18 141	0.11 82	0.17 154	0.14 157	0.12 167	0.07 2	0.07 1	0.05 3	0.05 93	0.09 266	0.07 191	0.04 1	0.04 5

cross-raft	0.10 66	0.09 217	0.09 29	0.19 263	0.07 21	0.11 99	0.24 369	0.13 20	0.15 87	0.08 12	0.10 50	0.12 116	0.10 112	0.09 12	0.11 98	0.05 3	0.04 2	0.06 44	0.05 49	0.04 1	0.04 5

RAFT	0.13 192	0.09 217	0.11 78	0.18 212	0.08 60	0.15 212	0.23 361	0.21 166	0.20 178	0.21 295	0.21 214	0.18 229	0.13 197	0.17 257	0.10 61	0.06 59	0.07 281	0.10 308	0.09 290	0.06 109	0.05 54

RAFT-IKP	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.11 17	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184

ICVP	0.16 281	0.09 217	0.12 105	0.22 355	0.09 150	0.18 273	0.21 340	0.26 252	0.24 230	0.18 251	0.30 325	0.27 326	0.18 297	0.18 270	0.15 248	0.10 298	0.07 281	0.08 191	0.07 191	0.07 171	0.08 249
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 165	0.09 217	0.24 350	0.24 382	0.11 296	0.19 293	0.14 95	0.17 91	0.15 87	0.10 51	0.13 96	0.12 116	0.07 46	0.14 178	0.11 98	0.08 215	0.08 309	0.08 191	0.08 252	0.05 44	0.07 184

delet	0.17 301	0.09 217	0.18 297	0.19 263	0.11 296	0.21 323	0.22 351	0.30 315	0.38 358	0.17 221	0.27 296	0.19 238	0.19 312	0.19 291	0.21 324	0.08 215	0.08 309	0.09 266	0.11 348	0.06 109	0.07 184

UNet	0.17 301	0.09 217	0.18 297	0.19 263	0.12 325	0.28 387	0.19 310	0.33 345	0.30 303	0.21 295	0.25 268	0.23 292	0.19 312	0.20 308	0.19 305	0.07 161	0.06 216	0.08 191	0.07 191	0.08 231	0.07 184

ac_64	0.16 281	0.09 217	0.15 205	0.18 212	0.10 249	0.22 335	0.17 227	0.24 222	0.22 211	0.19 264	0.24 242	0.29 341	0.18 297	0.19 291	0.22 337	0.09 264	0.08 309	0.08 191	0.09 290	0.07 171	0.06 121

ACVNet	0.15 256	0.09 217	0.15 205	0.13 7	0.12 325	0.14 188	0.20 325	0.22 188	0.34 331	0.17 221	0.26 281	0.21 262	0.17 286	0.18 270	0.21 324	0.07 161	0.06 216	0.06 44	0.06 107	0.08 231	0.06 121

acv_ft	0.15 256	0.09 217	0.16 246	0.19 263	0.10 249	0.16 235	0.17 227	0.25 241	0.34 331	0.19 264	0.26 281	0.21 262	0.17 286	0.18 270	0.19 305	0.07 161	0.06 216	0.06 44	0.06 107	0.08 231	0.06 121

HGLStereo	0.17 301	0.09 217	0.19 320	0.17 139	0.12 325	0.18 273	0.18 270	0.31 329	0.33 321	0.22 307	0.33 343	0.24 301	0.18 297	0.20 308	0.21 324	0.10 298	0.09 331	0.07 124	0.07 191	0.09 289	0.10 313

DSFCA	0.16 281	0.09 217	0.14 170	0.16 81	0.10 249	0.21 323	0.19 310	0.28 288	0.31 311	0.23 321	0.25 268	0.22 279	0.16 264	0.20 308	0.20 313	0.10 298	0.07 281	0.09 266	0.09 290	0.08 231	0.08 249

DMCA	0.14 219	0.09 217	0.17 268	0.19 263	0.09 150	0.15 212	0.17 227	0.23 202	0.28 292	0.14 160	0.20 197	0.17 215	0.18 297	0.15 195	0.17 280	0.10 298	0.06 216	0.08 191	0.06 107	0.09 289	0.10 313

BEATNet_4x	0.12 165	0.09 217	0.15 205	0.18 212	0.07 21	0.15 212	0.07 1	0.23 202	0.19 161	0.16 211	0.19 188	0.19 238	0.14 226	0.17 257	0.15 248	0.07 161	0.05 93	0.05 2	0.05 49	0.06 109	0.07 184

ccs_rob	0.14 219	0.09 217	0.16 246	0.16 81	0.09 150	0.13 153	0.14 95	0.27 266	0.34 331	0.15 184	0.21 214	0.22 279	0.13 197	0.18 270	0.14 215	0.07 161	0.05 93	0.08 191	0.07 191	0.07 171	0.07 184

HSM	0.15 256	0.09 217	0.15 205	0.16 81	0.09 150	0.16 235	0.14 95	0.28 288	0.25 252	0.20 284	0.24 242	0.37 387	0.17 286	0.20 308	0.15 248	0.07 161	0.05 93	0.07 124	0.06 107	0.07 171	0.06 121

DISCO	0.20 334	0.09 217	0.22 338	0.17 139	0.10 249	0.25 361	0.18 270	0.28 288	0.45 389	0.23 321	0.32 337	0.34 377	0.26 364	0.29 384	0.29 395	0.08 215	0.06 216	0.07 124	0.07 191	0.09 289	0.10 313

rvit_0105_5	0.14 219	0.10 277	0.14 170	0.17 139	0.09 150	0.14 188	0.23 361	0.24 222	0.27 276	0.14 160	0.15 121	0.18 229	0.13 197	0.17 257	0.14 215	0.14 386	0.11 366	0.10 308	0.11 348	0.08 231	0.07 184

rvit_0105_3	0.16 281	0.10 277	0.15 205	0.20 308	0.12 325	0.15 212	0.26 391	0.25 241	0.30 303	0.15 184	0.17 154	0.21 262	0.14 226	0.18 270	0.14 215	0.14 386	0.11 366	0.12 354	0.14 383	0.07 171	0.07 184

UGAM	0.13 192	0.10 277	0.09 29	0.22 355	0.08 60	0.13 153	0.20 325	0.18 116	0.24 230	0.22 307	0.16 137	0.13 139	0.13 197	0.19 291	0.13 180	0.07 161	0.05 93	0.13 368	0.11 348	0.07 171	0.05 54

IGEV-BASED-STEREO-	0.09 19	0.10 277	0.32 387	0.15 45	0.06 3	0.08 26	0.14 95	0.11 3	0.10 10	0.07 4	0.07 15	0.06 4	0.04 1	0.11 52	0.07 1	0.12 352	0.04 2	0.07 124	0.05 49	0.05 44	0.05 54

test_sample7	0.16 281	0.10 277	0.16 246	0.14 15	0.12 325	0.16 235	0.17 227	0.28 288	0.24 230	0.21 295	0.21 214	0.24 301	0.20 324	0.16 222	0.16 266	0.12 352	0.06 216	0.10 308	0.09 290	0.11 337	0.10 313

LL-Strereo2	0.11 98	0.10 277	0.16 246	0.18 212	0.08 60	0.15 212	0.09 5	0.17 91	0.14 73	0.14 160	0.11 72	0.09 58	0.07 46	0.16 222	0.10 61	0.05 3	0.05 93	0.11 336	0.07 191	0.06 109	0.05 54

LL-Strereo	0.13 192	0.10 277	0.12 105	0.20 308	0.10 249	0.11 99	0.18 270	0.33 345	0.25 252	0.16 211	0.16 137	0.14 157	0.14 226	0.19 291	0.11 98	0.06 59	0.05 93	0.09 266	0.08 252	0.04 1	0.05 54

ssnet_v2	0.17 301	0.10 277	0.18 297	0.17 139	0.11 296	0.21 323	0.22 351	0.34 359	0.25 252	0.23 321	0.23 232	0.27 326	0.19 312	0.22 340	0.21 324	0.11 328	0.10 353	0.09 266	0.09 290	0.08 231	0.08 249

raft_robust	0.13 192	0.10 277	0.07 1	0.18 212	0.08 60	0.13 153	0.24 369	0.29 305	0.34 331	0.20 284	0.20 197	0.15 180	0.10 112	0.11 52	0.12 150	0.05 3	0.05 93	0.07 124	0.07 191	0.05 44	0.04 5

NINENet	0.16 281	0.10 277	0.16 246	0.17 139	0.11 296	0.20 312	0.14 95	0.41 406	0.37 352	0.18 251	0.21 214	0.16 198	0.14 226	0.16 222	0.14 215	0.08 215	0.08 309	0.10 308	0.07 191	0.10 320	0.09 290

test_4	0.11 98	0.10 277	0.08 8	0.19 263	0.09 150	0.08 26	0.21 340	0.15 40	0.18 141	0.12 111	0.18 175	0.12 116	0.09 93	0.08 7	0.11 98	0.04 1	0.04 2	0.08 191	0.08 252	0.04 1	0.04 5

MMNet	0.17 301	0.10 277	0.17 268	0.20 308	0.11 296	0.27 379	0.20 325	0.26 252	0.42 375	0.22 307	0.30 325	0.22 279	0.20 324	0.18 270	0.20 313	0.06 59	0.06 216	0.07 124	0.07 191	0.08 231	0.07 184

psm_up	0.19 326	0.10 277	0.18 297	0.21 338	0.11 296	0.17 257	0.19 310	0.38 393	0.34 331	0.22 307	0.28 305	0.29 341	0.25 357	0.20 308	0.22 337	0.09 264	0.10 353	0.11 336	0.11 348	0.08 231	0.08 249

hitnet-ft	0.18 316	0.10 277	0.17 268	0.14 15	0.09 150	0.27 379	0.20 325	0.25 241	0.26 264	0.24 332	0.32 337	0.32 367	0.23 344	0.24 357	0.21 324	0.12 352	0.07 281	0.10 308	0.08 252	0.12 351	0.11 335

DMCA-RVC	0.17 301	0.10 277	0.16 246	0.24 382	0.11 296	0.19 293	0.18 270	0.26 252	0.24 230	0.21 295	0.27 296	0.25 313	0.27 370	0.18 270	0.21 324	0.12 352	0.08 309	0.13 368	0.10 322	0.10 320	0.08 249

SuperB	0.20 334	0.10 277	0.57 424	0.16 81	0.09 150	0.19 293	0.18 270	0.25 241	0.51 405	0.27 355	0.39 378	0.17 215	0.22 338	0.22 340	0.21 324	0.08 215	0.06 216	0.06 44	0.06 107	0.12 351	0.11 335

ADCP+	0.20 334	0.10 277	0.35 398	0.21 338	0.12 325	0.22 335	0.27 396	0.31 329	0.35 342	0.26 348	0.37 364	0.22 279	0.22 338	0.27 368	0.28 388	0.09 264	0.06 216	0.08 191	0.08 252	0.10 320	0.10 313

NLCA_NET_v2_RVC	0.17 301	0.10 277	0.23 344	0.20 308	0.10 249	0.15 212	0.18 270	0.31 329	0.25 252	0.21 295	0.31 328	0.25 313	0.17 286	0.21 323	0.20 313	0.09 264	0.06 216	0.08 191	0.09 290	0.07 171	0.08 249
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 281	0.10 277	0.11 78	0.18 212	0.09 150	0.19 293	0.18 270	0.27 266	0.32 316	0.22 307	0.35 358	0.21 262	0.22 338	0.22 340	0.17 280	0.06 59	0.05 93	0.06 44	0.06 107	0.07 171	0.06 121

iResNet	0.13 192	0.10 277	0.18 297	0.19 263	0.08 60	0.14 188	0.18 270	0.21 166	0.27 276	0.16 211	0.24 242	0.15 180	0.13 197	0.14 178	0.15 248	0.06 59	0.04 2	0.06 44	0.05 49	0.06 109	0.05 54

MDST_ROB	0.22 353	0.10 277	0.18 297	0.18 212	0.11 296	0.40 421	0.19 310	0.44 420	0.42 375	0.40 409	0.40 381	0.29 341	0.21 331	0.27 368	0.19 305	0.11 328	0.10 353	0.14 381	0.11 348	0.10 320	0.08 249

DLCB_ROB	0.18 316	0.10 277	0.16 246	0.23 373	0.11 296	0.24 353	0.18 270	0.30 315	0.28 292	0.27 355	0.29 319	0.28 334	0.25 357	0.20 308	0.20 313	0.08 215	0.08 309	0.09 266	0.09 290	0.07 171	0.07 184

fast-acv-ft	0.18 316	0.11 299	0.20 323	0.19 263	0.12 325	0.26 371	0.21 340	0.26 252	0.35 342	0.22 307	0.34 353	0.27 326	0.21 331	0.21 323	0.23 346	0.09 264	0.09 331	0.08 191	0.10 322	0.08 231	0.07 184

ToySt	0.17 301	0.11 299	0.19 320	0.17 139	0.11 296	0.16 235	0.26 391	0.24 222	0.33 321	0.19 264	0.24 242	0.26 322	0.24 351	0.19 291	0.21 324	0.07 161	0.08 309	0.09 266	0.10 322	0.09 289	0.08 249

Selective-RAFT	0.11 98	0.11 299	0.12 105	0.21 338	0.08 60	0.16 235	0.13 59	0.21 166	0.23 220	0.10 51	0.10 50	0.11 97	0.10 112	0.15 195	0.11 98	0.05 3	0.05 93	0.06 44	0.05 49	0.06 109	0.05 54

RAFT+CT+SA	0.13 192	0.11 299	0.09 29	0.19 263	0.09 150	0.15 212	0.28 402	0.22 188	0.22 211	0.15 184	0.26 281	0.10 80	0.10 112	0.11 52	0.12 150	0.05 3	0.04 2	0.07 124	0.08 252	0.07 171	0.06 121

hknet	0.15 256	0.11 299	0.14 170	0.22 355	0.11 296	0.15 212	0.15 153	0.34 359	0.26 264	0.17 221	0.23 232	0.22 279	0.18 297	0.17 257	0.13 180	0.07 161	0.06 216	0.10 308	0.09 290	0.07 171	0.07 184

pcwnet_v2	0.19 326	0.11 299	0.26 361	0.18 212	0.14 362	0.18 273	0.15 153	0.37 386	0.46 396	0.19 264	0.24 242	0.21 262	0.19 312	0.21 323	0.20 313	0.13 369	0.10 353	0.10 308	0.10 322	0.11 337	0.13 363

stereogan	0.22 353	0.11 299	0.21 329	0.20 308	0.12 325	0.32 397	0.19 310	0.36 379	0.45 389	0.23 321	0.39 378	0.35 382	0.27 370	0.33 397	0.23 346	0.10 298	0.12 378	0.10 308	0.10 322	0.14 379	0.14 379

CFNet	0.15 256	0.11 299	0.17 268	0.17 139	0.08 60	0.19 293	0.10 8	0.29 305	0.26 264	0.19 264	0.24 242	0.24 301	0.18 297	0.18 270	0.15 248	0.08 215	0.06 216	0.09 266	0.10 322	0.08 231	0.07 184

CVANet_RVC	0.18 316	0.11 299	0.14 170	0.21 338	0.11 296	0.19 293	0.18 270	0.34 359	0.34 331	0.22 307	0.31 328	0.28 334	0.18 297	0.24 357	0.18 292	0.12 352	0.08 309	0.12 354	0.12 368	0.09 289	0.08 249

AdaStereo	0.15 256	0.11 299	0.16 246	0.19 263	0.09 150	0.21 323	0.11 17	0.33 345	0.28 292	0.21 295	0.23 232	0.21 262	0.13 197	0.19 291	0.15 248	0.13 369	0.05 93	0.10 308	0.07 191	0.09 289	0.07 184
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.
NVstereo2D	0.19 326	0.11 299	0.16 246	0.17 139	0.16 387	0.28 387	0.23 361	0.44 420	0.42 375	0.15 184	0.28 305	0.25 313	0.19 312	0.23 347	0.18 292	0.09 264	0.06 216	0.10 308	0.08 252	0.15 390	0.10 313

DeepPruner_ROB	0.16 281	0.11 299	0.16 246	0.17 139	0.10 249	0.17 257	0.15 153	0.32 333	0.21 191	0.19 264	0.21 214	0.22 279	0.19 312	0.21 323	0.16 266	0.13 369	0.09 331	0.09 266	0.10 322	0.11 337	0.11 335

DRN-Test	0.20 334	0.11 299	0.21 329	0.22 355	0.10 249	0.22 335	0.22 351	0.40 401	0.38 358	0.24 332	0.33 343	0.26 322	0.22 338	0.22 340	0.25 364	0.11 328	0.07 281	0.11 336	0.10 322	0.09 289	0.08 249

StereoDRNet	0.19 326	0.11 299	0.18 297	0.22 355	0.11 296	0.22 335	0.22 351	0.37 386	0.34 331	0.24 332	0.28 305	0.30 348	0.19 312	0.20 308	0.21 324	0.10 298	0.08 309	0.11 336	0.09 290	0.09 289	0.07 184

WCMA_ROB	0.24 376	0.11 299	0.24 350	0.17 139	0.14 362	0.34 403	0.16 207	0.33 345	0.33 321	0.39 406	0.54 417	0.40 404	0.35 407	0.35 405	0.26 376	0.12 352	0.12 378	0.12 354	0.11 348	0.14 379	0.14 379

rvit_105_1	0.19 326	0.12 314	0.25 353	0.21 338	0.16 387	0.22 335	0.28 402	0.32 333	0.42 375	0.20 284	0.21 214	0.22 279	0.18 297	0.19 291	0.18 292	0.12 352	0.12 378	0.13 368	0.15 398	0.08 231	0.07 184

rvit_stereo_0075_2	0.17 301	0.12 314	0.25 353	0.23 373	0.16 387	0.13 153	0.10 8	0.30 315	0.27 276	0.20 284	0.28 305	0.22 279	0.15 246	0.18 270	0.13 180	0.16 407	0.10 353	0.17 401	0.10 322	0.10 320	0.10 313

DualNet (step1)	0.17 301	0.12 314	0.21 329	0.13 7	0.14 362	0.18 273	0.14 95	0.28 288	0.24 230	0.21 295	0.21 214	0.24 301	0.20 324	0.16 222	0.16 266	0.15 390	0.06 216	0.14 381	0.14 383	0.15 390	0.13 363

test_sample9	0.18 316	0.12 314	0.21 329	0.13 7	0.14 362	0.18 273	0.14 95	0.28 288	0.24 230	0.21 295	0.21 214	0.24 301	0.20 324	0.19 291	0.18 292	0.15 390	0.30 437	0.14 381	0.14 383	0.15 390	0.13 363

test_sample8	0.20 334	0.12 314	0.21 329	0.13 7	0.14 362	0.18 273	0.14 95	0.32 333	0.21 191	0.28 367	0.22 228	0.36 384	0.26 364	0.19 291	0.18 292	0.15 390	0.30 437	0.14 381	0.14 383	0.15 390	0.13 363

test_for_model	0.09 19	0.12 314	0.14 170	0.23 373	0.11 296	0.08 26	0.13 59	0.12 9	0.13 57	0.10 51	0.07 15	0.07 26	0.06 13	0.11 52	0.10 61	0.06 59	0.05 93	0.05 2	0.04 10	0.08 231	0.05 54

CASS	0.14 219	0.12 314	0.12 105	0.23 373	0.09 150	0.15 212	0.17 227	0.19 140	0.20 178	0.17 221	0.18 175	0.15 180	0.15 246	0.15 195	0.14 215	0.09 264	0.06 216	0.10 308	0.08 252	0.09 289	0.07 184
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 219	0.12 314	0.08 8	0.20 308	0.10 249	0.14 188	0.28 402	0.21 166	0.24 230	0.19 264	0.28 305	0.11 97	0.15 246	0.12 114	0.13 180	0.06 59	0.05 93	0.07 124	0.08 252	0.08 231	0.07 184

SACVNet	0.19 326	0.12 314	0.15 205	0.17 139	0.13 347	0.22 335	0.18 270	0.31 329	0.31 311	0.24 332	0.31 328	0.30 348	0.23 344	0.23 347	0.17 280	0.11 328	0.08 309	0.10 308	0.10 322	0.12 351	0.14 379

PSMNet-ADL	0.15 256	0.12 314	0.13 132	0.22 355	0.09 150	0.13 153	0.20 325	0.26 252	0.23 220	0.18 251	0.20 197	0.23 292	0.17 286	0.18 270	0.18 292	0.09 264	0.08 309	0.08 191	0.11 348	0.08 231	0.07 184

GEStereo_RVC	0.17 301	0.12 314	0.16 246	0.22 355	0.11 296	0.19 293	0.18 270	0.32 333	0.49 400	0.20 284	0.25 268	0.17 215	0.13 197	0.21 323	0.16 266	0.10 298	0.06 216	0.08 191	0.07 191	0.09 289	0.08 249

sAnonymous2	0.13 192	0.12 314	0.25 353	0.20 308	0.12 325	0.18 273	0.14 95	0.27 266	0.21 191	0.11 82	0.12 82	0.13 139	0.08 71	0.11 52	0.11 98	0.09 264	0.05 93	0.08 191	0.06 107	0.15 390	0.10 313

CroCo_RVC	0.13 192	0.12 314	0.25 353	0.20 308	0.12 325	0.18 273	0.14 95	0.27 266	0.21 191	0.11 82	0.12 82	0.13 139	0.08 71	0.11 52	0.11 98	0.09 264	0.05 93	0.08 191	0.06 107	0.15 390	0.10 313

APVNet	0.23 366	0.12 314	0.20 323	0.18 212	0.14 362	0.32 397	0.31 421	0.40 401	0.33 321	0.27 355	0.40 381	0.30 348	0.29 382	0.27 368	0.25 364	0.11 328	0.12 378	0.11 336	0.14 383	0.12 351	0.13 363

FADNet-RVC-Resample	0.17 301	0.12 314	0.32 387	0.22 355	0.12 325	0.19 293	0.14 95	0.25 241	0.24 230	0.24 332	0.27 296	0.20 255	0.15 246	0.17 257	0.16 266	0.07 161	0.08 309	0.12 354	0.10 322	0.09 289	0.11 335

S-Stereo	0.21 345	0.12 314	0.25 353	0.21 338	0.13 347	0.21 323	0.19 310	0.33 345	0.45 389	0.23 321	0.36 361	0.28 334	0.29 382	0.20 308	0.23 346	0.09 264	0.12 378	0.10 308	0.10 322	0.13 364	0.14 379

ADCL	0.25 382	0.12 314	0.49 417	0.22 355	0.12 325	0.36 411	0.29 413	0.30 315	0.57 418	0.24 332	0.47 408	0.30 348	0.31 398	0.30 390	0.30 400	0.09 264	0.07 281	0.09 266	0.09 290	0.10 320	0.10 313

ADCRef	0.20 334	0.12 314	0.43 410	0.20 308	0.12 325	0.23 347	0.18 270	0.32 333	0.37 352	0.26 348	0.33 343	0.18 229	0.23 344	0.25 362	0.26 376	0.07 161	0.06 216	0.09 266	0.09 290	0.08 231	0.09 290

RYNet	0.23 366	0.12 314	0.22 338	0.19 263	0.17 399	0.47 426	0.26 391	0.39 398	0.49 400	0.24 332	0.29 319	0.34 377	0.24 351	0.20 308	0.31 405	0.10 298	0.06 216	0.09 266	0.09 290	0.14 379	0.15 393

TDLM	0.18 316	0.12 314	0.14 170	0.24 382	0.10 249	0.18 273	0.18 270	0.37 386	0.30 303	0.22 307	0.28 305	0.28 334	0.18 297	0.23 347	0.19 305	0.11 328	0.07 281	0.10 308	0.10 322	0.08 231	0.08 249

SGM-ForestM	0.33 413	0.12 314	0.17 268	0.16 81	0.11 296	0.42 423	0.20 325	0.43 416	0.53 414	0.53 430	0.57 423	1.41 461	0.44 428	0.42 428	0.29 395	0.14 386	0.16 407	0.16 398	0.16 401	0.12 351	0.13 363

StereoDRNet-Refined	0.17 301	0.12 314	0.16 246	0.20 308	0.10 249	0.18 273	0.18 270	0.27 266	0.24 230	0.26 348	0.41 391	0.23 292	0.18 297	0.21 323	0.21 324	0.09 264	0.05 93	0.09 266	0.10 322	0.07 171	0.07 184
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
XPNet_ROB	0.22 353	0.12 314	0.20 323	0.22 355	0.13 347	0.22 335	0.19 310	0.35 373	0.40 366	0.30 379	0.40 381	0.38 393	0.27 370	0.26 366	0.29 395	0.15 390	0.10 353	0.10 308	0.10 322	0.13 364	0.12 353

PSMNet_ROB	0.22 353	0.12 314	0.15 205	0.27 405	0.15 375	0.25 361	0.36 432	0.43 416	0.37 352	0.27 355	0.33 343	0.32 367	0.23 344	0.21 323	0.27 381	0.12 352	0.08 309	0.13 368	0.11 348	0.10 320	0.09 290

SGM_RVC	0.24 376	0.12 314	0.16 246	0.15 45	0.09 150	0.34 403	0.19 310	0.35 373	0.32 316	0.44 421	0.38 371	0.53 429	0.36 410	0.36 409	0.26 376	0.13 369	0.13 390	0.13 368	0.13 378	0.11 337	0.11 335
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 281	0.13 339	0.25 353	0.20 308	0.10 249	0.17 257	0.13 59	0.30 315	0.25 252	0.23 321	0.32 337	0.25 313	0.11 138	0.19 291	0.14 215	0.09 264	0.06 216	0.11 336	0.06 107	0.12 351	0.08 249

StereoVision	0.14 219	0.13 339	0.10 47	0.24 382	0.10 249	0.16 235	0.21 340	0.21 166	0.20 178	0.12 111	0.25 268	0.10 80	0.10 112	0.16 222	0.10 61	0.09 264	0.10 353	0.12 354	0.12 368	0.06 109	0.05 54

HBP-ISP	0.18 316	0.13 339	0.17 268	0.15 45	0.11 296	0.08 26	0.13 59	0.28 288	0.30 303	0.22 307	0.33 343	0.21 262	0.25 357	0.23 347	0.18 292	0.15 390	0.17 411	0.21 415	0.17 408	0.10 320	0.09 290

Wz-Net-MNSev	0.23 366	0.13 339	0.33 389	0.20 308	0.15 375	0.36 411	0.25 385	0.34 359	0.45 389	0.29 374	0.41 391	0.39 398	0.19 312	0.25 362	0.27 381	0.09 264	0.07 281	0.09 266	0.09 290	0.12 351	0.10 313

UDGNet	0.14 219	0.13 339	0.17 268	0.18 212	0.10 249	0.12 131	0.16 207	0.21 166	0.27 276	0.20 284	0.20 197	0.17 215	0.13 197	0.16 222	0.14 215	0.10 298	0.06 216	0.09 266	0.07 191	0.07 171	0.07 184

FAT-Stereo	0.21 345	0.13 339	0.22 338	0.21 338	0.12 325	0.18 273	0.18 270	0.35 373	0.40 366	0.28 367	0.37 364	0.33 373	0.33 403	0.21 323	0.20 313	0.09 264	0.11 366	0.10 308	0.09 290	0.11 337	0.14 379

STTStereo	0.18 316	0.13 339	0.28 366	0.20 308	0.11 296	0.16 235	0.21 340	0.29 305	0.23 220	0.22 307	0.30 325	0.29 341	0.18 297	0.20 308	0.20 313	0.12 352	0.11 366	0.11 336	0.14 383	0.09 289	0.08 249

RP	0.22 353	0.13 339	0.22 338	0.23 373	0.12 325	0.21 323	0.20 325	0.26 252	0.45 389	0.22 307	0.38 371	0.37 387	0.25 357	0.28 376	0.25 364	0.11 328	0.12 378	0.13 368	0.12 368	0.13 364	0.14 379

RTSC	0.23 366	0.13 339	0.30 380	0.21 338	0.13 347	0.29 389	0.17 227	0.36 379	0.68 433	0.27 355	0.34 353	0.30 348	0.22 338	0.32 394	0.31 405	0.10 298	0.08 309	0.09 266	0.10 322	0.13 364	0.14 379

GANet	0.22 353	0.13 339	0.21 329	0.25 388	0.14 362	0.23 347	0.22 351	0.42 411	0.27 276	0.31 384	0.43 400	0.37 387	0.29 382	0.23 347	0.23 346	0.10 298	0.12 378	0.10 308	0.09 290	0.10 320	0.08 249

CBMV_ROB	0.19 326	0.13 339	0.18 297	0.16 81	0.11 296	0.16 235	0.12 33	0.27 266	0.29 298	0.27 355	0.31 328	0.27 326	0.24 351	0.24 357	0.16 266	0.15 390	0.18 413	0.22 419	0.20 414	0.10 320	0.12 353

NOSS_ROB	0.19 326	0.13 339	0.18 297	0.16 81	0.12 325	0.16 235	0.12 33	0.30 315	0.33 321	0.20 284	0.22 228	0.27 326	0.24 351	0.21 323	0.16 266	0.16 407	0.18 413	0.23 420	0.21 416	0.13 364	0.13 363

DN-CSS_ROB	0.13 192	0.13 339	0.17 268	0.18 212	0.10 249	0.16 235	0.08 3	0.22 188	0.19 161	0.17 221	0.23 232	0.13 139	0.13 197	0.13 158	0.14 215	0.05 3	0.05 93	0.10 308	0.10 322	0.08 231	0.06 121

PWCDC_ROB	0.21 345	0.13 339	0.23 344	0.25 388	0.12 325	0.20 312	0.15 153	0.34 359	0.55 415	0.29 374	0.49 410	0.21 262	0.15 246	0.28 376	0.20 313	0.11 328	0.09 331	0.10 308	0.08 252	0.11 337	0.09 290

MeshStereo	0.27 398	0.13 339	0.18 297	0.15 45	0.11 296	0.33 399	0.24 369	0.41 406	0.36 348	0.53 430	0.58 426	0.67 439	0.41 419	0.36 409	0.27 381	0.14 386	0.13 390	0.13 368	0.11 348	0.11 337	0.11 335
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
Anonymous3	0.16 281	0.14 354	0.34 392	0.26 397	0.14 362	0.27 379	0.18 270	0.28 288	0.28 292	0.15 184	0.17 154	0.14 157	0.11 138	0.16 222	0.12 150	0.08 215	0.08 309	0.08 191	0.08 252	0.08 231	0.11 335

GwcNet	0.20 334	0.14 354	0.20 323	0.18 212	0.12 325	0.25 361	0.20 325	0.36 379	0.45 389	0.20 284	0.33 343	0.33 373	0.21 331	0.22 340	0.25 364	0.11 328	0.09 331	0.09 266	0.09 290	0.09 289	0.10 313

FADNet_RVC	0.17 301	0.14 354	0.41 407	0.20 308	0.11 296	0.13 153	0.13 59	0.27 266	0.22 211	0.21 295	0.23 232	0.20 255	0.18 297	0.15 195	0.17 280	0.08 215	0.08 309	0.12 354	0.09 290	0.11 337	0.10 313

edge stereo	0.23 366	0.14 354	0.21 329	0.21 338	0.13 347	0.24 353	0.16 207	0.32 333	0.42 375	0.32 391	0.40 381	0.39 398	0.35 407	0.25 362	0.25 364	0.13 369	0.11 366	0.14 381	0.11 348	0.12 351	0.14 379

SANet	0.25 382	0.14 354	0.29 375	0.21 338	0.11 296	0.29 389	0.25 385	0.40 401	0.65 432	0.36 398	0.40 381	0.42 408	0.27 370	0.27 368	0.25 364	0.12 352	0.09 331	0.10 308	0.09 290	0.13 364	0.12 353

SGM-Forest	0.20 334	0.14 354	0.18 297	0.20 308	0.13 347	0.21 323	0.22 351	0.33 345	0.31 311	0.24 332	0.29 319	0.28 334	0.20 324	0.23 347	0.18 292	0.15 390	0.16 407	0.15 391	0.14 383	0.13 364	0.12 353
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
TestStereo	0.14 219	0.15 360	0.11 78	0.23 373	0.08 60	0.15 212	0.21 340	0.20 153	0.23 220	0.14 160	0.25 268	0.16 198	0.13 197	0.16 222	0.14 215	0.06 59	0.06 216	0.08 191	0.06 107	0.09 289	0.05 54

GMStereo	0.13 192	0.15 360	0.14 170	0.18 212	0.09 150	0.16 235	0.16 207	0.20 153	0.25 252	0.17 221	0.17 154	0.11 97	0.11 138	0.16 222	0.13 180	0.07 161	0.06 216	0.06 44	0.06 107	0.07 171	0.06 121
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
NCC-stereo	0.25 382	0.15 360	0.31 383	0.26 397	0.17 399	0.21 323	0.31 421	0.41 406	0.40 366	0.24 332	0.38 371	0.33 373	0.29 382	0.37 413	0.28 388	0.13 369	0.11 366	0.15 391	0.22 419	0.13 364	0.13 363

Abc-Net	0.25 382	0.15 360	0.31 383	0.26 397	0.17 399	0.21 323	0.31 421	0.41 406	0.40 366	0.24 332	0.38 371	0.33 373	0.29 382	0.37 413	0.28 388	0.13 369	0.11 366	0.15 391	0.22 419	0.13 364	0.13 363
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 393	0.15 360	0.31 383	0.24 382	0.18 408	0.23 347	0.15 153	0.39 398	0.72 438	0.32 391	0.42 397	0.36 384	0.29 382	0.33 397	0.30 400	0.13 369	0.11 366	0.14 381	0.13 378	0.16 401	0.20 420

ADCMid	0.26 393	0.15 360	0.42 409	0.20 308	0.14 362	0.25 361	0.26 391	0.35 373	0.40 366	0.37 403	0.45 404	0.34 377	0.42 423	0.36 409	0.36 417	0.10 298	0.09 331	0.11 336	0.11 348	0.13 364	0.13 363

NCCL2	0.24 376	0.15 360	0.18 297	0.34 427	0.18 408	0.24 353	0.24 369	0.34 359	0.29 298	0.31 384	0.38 371	0.38 393	0.29 382	0.23 347	0.25 364	0.15 390	0.12 378	0.18 410	0.21 416	0.13 364	0.13 363

CBMV	0.20 334	0.15 360	0.18 297	0.18 212	0.10 249	0.20 312	0.11 17	0.30 315	0.31 311	0.29 374	0.31 328	0.31 360	0.23 344	0.28 376	0.19 305	0.13 369	0.15 402	0.17 401	0.16 401	0.10 320	0.10 313
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.22 353	0.16 368	0.41 407	0.22 355	0.13 347	0.25 361	0.24 369	0.33 345	0.44 385	0.30 379	0.42 397	0.32 367	0.19 312	0.23 347	0.27 381	0.10 298	0.09 331	0.08 191	0.08 252	0.12 351	0.11 335

Syn2CoEx	0.22 353	0.16 368	0.29 375	0.29 418	0.15 375	0.26 371	0.21 340	0.34 359	0.32 316	0.29 374	0.36 361	0.28 334	0.25 357	0.20 308	0.25 364	0.16 407	0.12 378	0.14 381	0.11 348	0.09 289	0.08 249

psmorigin	0.25 382	0.16 368	0.35 398	0.17 139	0.13 347	0.24 353	0.14 95	0.34 359	0.34 331	0.41 413	0.55 418	0.41 406	0.38 413	0.35 405	0.28 388	0.11 328	0.15 402	0.11 336	0.11 348	0.12 351	0.17 410

AnyNet_C32	0.26 393	0.16 368	0.39 403	0.20 308	0.17 399	0.26 371	0.31 421	0.32 333	0.45 389	0.31 384	0.50 412	0.30 348	0.34 404	0.41 427	0.36 417	0.12 352	0.12 378	0.12 354	0.14 383	0.14 379	0.15 393

DANet	0.21 345	0.16 368	0.29 375	0.25 388	0.13 347	0.23 347	0.19 310	0.28 288	0.27 276	0.28 367	0.32 337	0.35 382	0.32 401	0.31 391	0.24 357	0.11 328	0.09 331	0.11 336	0.10 322	0.13 364	0.11 335
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 400	0.16 368	0.33 389	0.18 212	0.13 347	0.55 432	0.42 440	0.52 432	0.68 433	0.29 374	0.38 371	0.39 398	0.30 393	0.32 394	0.23 346	0.11 328	0.10 353	0.11 336	0.08 252	0.20 416	0.16 402

PDISCO_ROB	0.28 400	0.16 368	0.28 366	0.28 411	0.20 414	0.33 399	0.27 396	0.45 422	0.58 421	0.28 367	0.41 391	0.45 415	0.30 393	0.34 400	0.35 416	0.12 352	0.09 331	0.17 401	0.16 401	0.17 408	0.13 363

LALA_ROB	0.25 382	0.16 368	0.23 344	0.27 405	0.17 399	0.27 379	0.27 396	0.42 411	0.38 358	0.33 395	0.39 378	0.51 425	0.26 364	0.29 384	0.28 388	0.16 407	0.09 331	0.13 368	0.12 368	0.13 364	0.13 363

PWC_ROB	0.21 345	0.16 368	0.27 363	0.18 212	0.11 296	0.22 335	0.13 59	0.33 345	0.49 400	0.30 379	0.40 381	0.32 367	0.25 357	0.31 391	0.23 346	0.10 298	0.07 281	0.11 336	0.08 252	0.11 337	0.10 313

Anonymous_2	0.22 353	0.17 377	0.28 366	0.15 45	0.16 387	0.33 399	0.22 351	0.23 202	0.18 141	0.23 321	0.24 242	0.26 322	0.27 370	0.27 368	0.24 357	0.22 426	0.26 433	0.17 401	0.17 408	0.16 401	0.18 412

Wz-Net-SNSev	0.26 393	0.17 377	0.46 412	0.25 388	0.14 362	0.26 371	0.24 369	0.38 393	0.57 418	0.30 379	0.56 419	0.39 398	0.26 364	0.24 357	0.32 410	0.10 298	0.09 331	0.10 308	0.11 348	0.11 337	0.11 335

WZ-Net	0.29 403	0.17 377	0.82 448	0.23 373	0.16 387	0.35 407	0.29 413	0.40 401	0.59 423	0.24 332	0.57 423	0.37 387	0.25 357	0.34 400	0.37 421	0.09 264	0.08 309	0.09 266	0.10 322	0.14 379	0.16 402

dd	0.15 256	0.17 377	0.17 268	0.19 263	0.09 150	0.15 212	0.18 270	0.22 188	0.26 264	0.23 321	0.20 197	0.21 262	0.10 112	0.21 323	0.17 280	0.10 298	0.06 216	0.08 191	0.06 107	0.08 231	0.07 184

UDG	0.21 345	0.17 377	0.20 323	0.23 373	0.15 375	0.31 395	0.20 325	0.33 345	0.35 342	0.24 332	0.28 305	0.31 360	0.29 382	0.21 323	0.23 346	0.15 390	0.12 378	0.13 368	0.09 290	0.14 379	0.15 393

aanetorigin	0.22 353	0.17 377	0.57 424	0.18 212	0.10 249	0.16 235	0.19 310	0.20 153	0.33 321	0.49 427	0.48 409	0.30 348	0.28 379	0.21 323	0.24 357	0.08 215	0.07 281	0.08 191	0.07 191	0.10 320	0.09 290

AF-Net	0.23 366	0.17 377	0.17 268	0.27 405	0.13 347	0.26 371	0.24 369	0.33 345	0.51 405	0.25 345	0.33 343	0.39 398	0.27 370	0.28 376	0.26 376	0.11 328	0.10 353	0.16 398	0.12 368	0.11 337	0.11 335

G-Net	0.25 382	0.17 377	0.38 402	0.23 373	0.16 387	0.51 429	0.23 361	0.29 305	0.35 342	0.36 398	0.38 371	0.31 360	0.29 382	0.28 376	0.27 381	0.11 328	0.09 331	0.12 354	0.10 322	0.16 401	0.14 379

Nwc_Net	0.23 366	0.17 377	0.22 338	0.25 388	0.15 375	0.25 361	0.27 396	0.38 393	0.39 362	0.22 307	0.41 391	0.30 348	0.29 382	0.28 376	0.25 364	0.11 328	0.10 353	0.17 401	0.20 414	0.10 320	0.11 335

DeepPrunerF	0.24 376	0.17 377	0.45 411	0.26 397	0.16 387	0.23 347	0.29 413	0.37 386	0.51 405	0.27 355	0.31 328	0.24 301	0.28 379	0.22 340	0.23 346	0.15 390	0.11 366	0.20 414	0.18 412	0.12 351	0.14 379

ADCPNet	0.26 393	0.17 377	0.62 429	0.21 338	0.15 375	0.36 411	0.25 385	0.33 345	0.37 352	0.31 384	0.41 391	0.36 384	0.29 382	0.29 384	0.34 415	0.12 352	0.10 353	0.11 336	0.12 368	0.14 379	0.13 363

FBW_ROB	0.25 382	0.17 377	0.23 344	0.27 405	0.14 362	0.26 371	0.22 351	0.42 411	0.43 383	0.42 415	0.41 391	0.43 411	0.27 370	0.32 394	0.24 357	0.09 264	0.15 402	0.15 391	0.12 368	0.12 351	0.10 313

ETE_ROB	0.23 366	0.17 377	0.23 344	0.25 388	0.14 362	0.26 371	0.29 413	0.32 333	0.37 352	0.28 367	0.37 364	0.45 415	0.27 370	0.28 376	0.27 381	0.11 328	0.09 331	0.12 354	0.10 322	0.14 379	0.13 363

DDUNet	0.23 366	0.18 390	0.22 338	0.22 355	0.15 375	0.25 361	0.24 369	0.30 315	0.31 311	0.31 384	0.37 364	0.34 377	0.26 364	0.25 362	0.21 324	0.18 413	0.13 390	0.17 401	0.11 348	0.16 401	0.17 410

FINET	0.22 353	0.18 390	0.28 366	0.19 263	0.16 387	0.24 353	0.24 369	0.33 345	0.49 400	0.26 348	0.33 343	0.22 279	0.23 344	0.23 347	0.18 292	0.18 413	0.16 407	0.11 336	0.10 322	0.15 390	0.14 379

PA-Net	0.24 376	0.18 390	0.34 392	0.28 411	0.22 419	0.22 335	0.39 437	0.29 305	0.39 362	0.22 307	0.33 343	0.25 313	0.26 364	0.21 323	0.25 364	0.10 298	0.23 431	0.15 391	0.22 419	0.09 289	0.13 363
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.25 382	0.19 393	0.34 392	0.21 338	0.24 423	0.24 353	0.21 340	0.36 379	0.42 375	0.25 345	0.32 337	0.38 393	0.21 331	0.29 384	0.24 357	0.13 369	0.11 366	0.14 381	0.16 401	0.23 419	0.23 426

RTS	0.46 432	0.19 393	3.33 465	0.25 388	0.15 375	0.72 445	0.21 340	0.37 386	0.78 444	0.42 415	0.44 402	0.31 360	0.43 426	0.55 438	0.37 421	0.10 298	0.09 331	0.13 368	0.13 378	0.15 390	0.15 393

RTSA	0.46 432	0.19 393	3.33 465	0.25 388	0.15 375	0.72 445	0.21 340	0.37 386	0.78 444	0.42 415	0.44 402	0.31 360	0.43 426	0.55 438	0.37 421	0.10 298	0.09 331	0.13 368	0.13 378	0.15 390	0.15 393

ADCS	0.30 406	0.19 393	0.48 416	0.21 338	0.18 408	0.29 389	0.24 369	0.42 411	0.64 430	0.40 409	0.50 412	0.40 404	0.37 411	0.40 422	0.43 431	0.13 369	0.13 390	0.13 368	0.14 383	0.16 401	0.16 402

Wz-Net-TNSev	0.29 403	0.20 397	0.69 440	0.19 263	0.15 375	0.38 417	0.27 396	0.36 379	0.56 417	0.35 396	0.42 397	0.45 415	0.39 414	0.33 397	0.31 405	0.13 369	0.13 390	0.10 308	0.12 368	0.15 390	0.15 393

dad	0.18 316	0.20 397	0.21 329	0.17 139	0.11 296	0.20 312	0.19 310	0.21 166	0.28 292	0.30 379	0.24 242	0.30 348	0.13 197	0.19 291	0.17 280	0.18 413	0.09 331	0.11 336	0.09 290	0.11 337	0.07 184

FADNet-RVC	0.21 345	0.20 397	0.40 405	0.21 338	0.16 387	0.21 323	0.15 153	0.27 266	0.27 276	0.26 348	0.32 337	0.26 322	0.21 331	0.22 340	0.19 305	0.12 352	0.13 390	0.12 354	0.14 383	0.13 364	0.18 412

RGC	0.25 382	0.20 397	0.29 375	0.28 411	0.16 387	0.22 335	0.23 361	0.33 345	0.44 385	0.27 355	0.40 381	0.38 393	0.28 379	0.37 413	0.23 346	0.11 328	0.13 390	0.17 401	0.17 408	0.15 390	0.16 402

NaN_ROB	0.23 366	0.20 397	0.25 353	0.25 388	0.13 347	0.31 395	0.27 396	0.34 359	0.41 373	0.31 384	0.31 328	0.32 367	0.23 344	0.31 391	0.22 337	0.11 328	0.17 411	0.10 308	0.11 348	0.08 231	0.09 290

MaskLacGwcNet_RVC	0.22 353	0.21 402	0.25 353	0.26 397	0.11 296	0.24 353	0.14 95	0.39 398	0.24 230	0.32 391	0.36 361	0.30 348	0.21 331	0.19 291	0.22 337	0.17 412	0.14 398	0.21 415	0.16 401	0.13 364	0.12 353

PVD	0.40 424	0.21 402	0.40 405	0.32 425	0.23 420	0.30 392	0.45 444	0.53 434	0.97 451	0.55 432	0.80 444	0.54 430	0.60 441	0.53 436	0.40 427	0.19 417	0.14 398	0.17 401	0.14 383	0.24 426	0.32 439

LSM	0.34 419	0.21 402	0.62 429	0.27 405	0.62 455	0.35 407	0.26 391	0.43 416	0.49 400	0.45 423	0.60 429	0.42 408	0.37 411	0.35 405	0.26 376	0.13 369	0.21 427	0.14 381	0.16 401	0.18 410	0.34 441

PS-NSSS	0.20 334	0.21 402	0.23 344	0.20 308	0.10 249	0.19 293	0.17 227	0.36 379	0.26 264	0.27 355	0.34 353	0.27 326	0.24 351	0.20 308	0.20 313	0.15 390	0.12 378	0.17 401	0.14 383	0.10 320	0.09 290

MFN_U_SF_RVC	0.33 413	0.22 406	0.58 427	0.31 422	0.15 375	0.36 411	0.17 227	0.54 435	0.46 396	0.47 426	0.56 419	0.58 432	0.39 414	0.36 409	0.38 424	0.15 390	0.15 402	0.18 410	0.21 416	0.16 401	0.16 402

DispFullNet	0.27 398	0.22 406	0.66 432	0.28 411	0.17 399	0.27 379	0.17 227	0.34 359	0.57 418	0.27 355	0.37 364	0.43 411	0.24 351	0.39 419	0.25 364	0.12 352	0.06 216	0.19 412	0.11 348	0.23 419	0.16 402

HCRNet	0.16 281	0.23 408	0.12 105	0.35 429	0.11 296	0.15 212	0.17 227	0.26 252	0.22 211	0.19 264	0.24 242	0.21 262	0.14 226	0.15 195	0.13 180	0.11 328	0.07 281	0.11 336	0.10 322	0.09 289	0.07 184

FADNet	0.21 345	0.23 408	0.37 401	0.18 212	0.17 399	0.25 361	0.13 59	0.32 333	0.32 316	0.23 321	0.25 268	0.27 326	0.21 331	0.19 291	0.16 266	0.13 369	0.15 402	0.12 354	0.15 398	0.17 408	0.18 412

XQC	0.29 403	0.23 408	0.53 419	0.29 418	0.19 411	0.36 411	0.28 402	0.37 386	0.58 421	0.31 384	0.31 328	0.37 387	0.30 393	0.39 419	0.39 425	0.13 369	0.09 331	0.15 391	0.12 368	0.18 410	0.18 412

SQANet	0.24 376	0.24 411	0.31 383	0.31 422	0.19 411	0.27 379	0.13 59	0.30 315	0.33 321	0.25 345	0.37 364	0.31 360	0.22 338	0.27 368	0.23 346	0.15 390	0.10 353	0.21 415	0.16 401	0.22 417	0.16 402

GASNet	0.22 353	0.24 411	0.34 392	0.26 397	0.17 399	0.27 379	0.16 207	0.45 422	0.42 375	0.27 355	0.24 242	0.30 348	0.16 264	0.27 368	0.18 292	0.12 352	0.09 331	0.12 354	0.11 348	0.16 401	0.08 249

EDNetEfficient	0.30 406	0.24 411	1.18 456	0.18 212	0.10 249	0.20 312	0.20 325	0.21 166	0.61 425	0.74 444	0.56 419	0.30 348	0.40 418	0.23 347	0.32 410	0.09 264	0.07 281	0.08 191	0.07 191	0.11 337	0.10 313

MFN_U_SF_DS_RVC	0.30 406	0.24 411	0.30 380	0.36 431	0.16 387	0.36 411	0.31 421	0.34 359	0.43 383	0.41 413	0.46 406	0.38 393	0.30 393	0.35 405	0.29 395	0.19 417	0.20 419	0.26 422	0.29 432	0.18 410	0.19 417

CSAN	0.30 406	0.24 411	0.28 366	0.34 427	0.19 411	0.34 403	0.42 440	0.38 393	0.51 405	0.38 405	0.40 381	0.44 414	0.34 404	0.29 384	0.31 405	0.19 417	0.16 407	0.19 412	0.19 413	0.14 379	0.15 393

PASM	0.33 413	0.25 416	0.51 418	0.28 411	0.27 431	0.30 392	0.31 421	0.35 373	0.51 405	0.36 398	0.40 381	0.47 422	0.35 407	0.34 400	0.36 417	0.23 431	0.26 433	0.26 422	0.28 431	0.23 419	0.21 421

AnyNet_C01	0.37 420	0.26 417	1.41 459	0.22 355	0.17 399	0.51 429	0.28 402	0.36 379	0.40 366	0.39 406	0.75 440	0.46 419	0.39 414	0.46 430	0.50 441	0.13 369	0.13 390	0.13 368	0.14 383	0.14 379	0.16 402

STTRV1_RVC	0.25 382	0.26 417	0.39 403	0.19 263	0.26 430	0.30 392	0.24 369	0.35 373	0.35 342	0.36 398	0.34 353	0.31 360	0.31 398	0.28 376	0.25 364	0.18 413	0.10 353	0.16 398	0.14 383	0.18 410	0.12 353

MSMD_ROB	0.31 411	0.26 417	0.26 361	0.24 382	0.21 416	0.34 403	0.25 385	0.34 359	0.39 362	0.40 409	0.69 434	0.45 415	0.41 419	0.34 400	0.28 388	0.20 421	0.20 419	0.26 422	0.25 425	0.23 419	0.22 424

FC-DCNN v2	0.33 413	0.28 420	0.28 366	0.26 397	0.23 420	0.39 419	0.29 413	0.41 406	0.44 385	0.46 424	0.57 423	0.51 425	0.41 419	0.38 417	0.30 400	0.21 423	0.20 419	0.27 425	0.26 426	0.25 428	0.24 427

ccnet	0.30 406	0.28 420	0.24 350	0.20 308	0.28 432	0.41 422	0.22 351	0.46 425	0.33 321	0.37 403	0.46 406	0.37 387	0.30 393	0.40 422	0.43 431	0.23 431	0.14 398	0.21 415	0.17 408	0.23 419	0.19 417

FCDSN-DC	0.33 413	0.28 420	0.28 366	0.30 420	0.24 423	0.39 419	0.28 402	0.43 416	0.42 375	0.44 421	0.53 416	0.51 425	0.42 423	0.37 413	0.30 400	0.21 423	0.20 419	0.27 425	0.26 426	0.25 428	0.25 429
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
BEATNet-Init1	0.54 438	0.28 420	0.68 439	0.31 422	0.21 416	0.85 453	0.31 421	0.57 437	0.69 436	0.89 451	1.00 452	2.17 469	0.66 444	0.58 442	0.44 434	0.19 417	0.18 413	0.23 420	0.22 419	0.22 417	0.21 421

SAMSARA	0.41 425	0.28 420	0.34 392	0.55 444	0.39 438	0.85 453	1.25 468	0.49 428	0.52 411	0.36 398	0.35 358	0.56 431	0.39 414	0.39 419	0.41 428	0.15 390	0.20 419	0.15 391	0.14 383	0.23 419	0.21 421

MANE	0.47 434	0.28 420	0.28 366	0.27 405	0.24 423	0.50 427	0.32 429	0.57 437	0.62 428	0.74 444	1.20 462	1.21 454	0.64 443	0.54 437	0.39 425	0.22 426	0.20 419	0.27 425	0.31 435	0.26 431	0.25 429

FC-DCNN	0.33 413	0.28 420	0.28 366	0.26 397	0.23 420	0.38 417	0.29 413	0.40 401	0.44 385	0.46 424	0.56 419	0.51 425	0.41 419	0.38 417	0.31 405	0.21 423	0.20 419	0.27 425	0.26 426	0.25 428	0.24 427

ELAS_RVC	0.42 427	0.29 427	0.33 389	0.28 411	0.24 423	0.56 433	0.38 435	0.50 429	0.61 425	0.74 444	0.76 441	0.67 439	0.56 437	0.55 438	0.42 430	0.22 426	0.21 427	0.27 425	0.26 426	0.27 433	0.26 432
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 427	0.29 427	0.34 392	0.28 411	0.24 423	0.63 437	0.37 433	0.52 432	0.52 411	0.72 441	0.82 445	0.68 441	0.56 437	0.52 434	0.45 437	0.22 426	0.21 427	0.27 425	0.26 426	0.26 431	0.26 432
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.28 400	0.31 429	0.36 400	0.30 420	0.15 375	0.25 361	0.19 310	0.45 422	0.34 331	0.39 406	0.37 364	0.39 398	0.31 398	0.27 368	0.27 381	0.24 433	0.18 413	0.30 434	0.23 423	0.19 414	0.15 393

EDNetEfficientorigin	7.92 473	0.32 430	152.98 488	0.20 308	0.10 249	0.22 335	0.17 227	0.23 202	0.60 424	0.73 442	0.67 431	0.41 406	0.51 434	0.24 357	0.41 428	0.08 215	0.07 281	0.09 266	0.07 191	0.12 351	0.11 335

GANetREF_RVC	0.31 411	0.34 431	0.29 375	0.35 429	0.16 387	0.33 399	0.42 440	0.48 427	0.52 411	0.35 396	0.35 358	0.34 377	0.32 401	0.40 422	0.33 413	0.27 435	0.20 419	0.29 432	0.15 398	0.19 414	0.18 412
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
FADE		0.34 431		0.33 426	0.25 429			0.64 445	1.07 452	0.43 420		0.42 408		0.72 448		0.30 436	0.21 427	0.41 440	0.38 440	0.23 419	0.22 424

coex-ft	3.24 467	0.35 433	57.83 487	0.18 212	0.13 347	0.27 379	0.23 361	0.28 288	0.72 438	1.89 469	0.70 435	0.43 411	0.47 429	0.29 384	0.43 431	0.09 264	0.09 331	0.12 354	0.09 290	0.14 379	0.14 379

NVStereoNet_ROB	0.47 434	0.37 434	0.47 415	0.42 436	0.29 435	0.35 407	0.35 431	0.50 429	0.61 425	0.73 442	0.94 449	0.70 443	0.68 445	0.48 431	0.62 448	0.22 426	0.33 440	0.34 436	0.34 439	0.30 434	0.31 438
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 422	0.38 435	0.53 419	0.44 437	0.28 432	0.57 434	0.24 369	0.42 411	0.62 428	0.40 409	0.50 412	0.46 419	0.34 404	0.40 422	0.33 413	0.30 436	0.30 437	0.39 438	0.33 437	0.30 434	0.29 435

MSC_U_SF_DS_RVC	0.44 429	0.39 436	0.56 422	0.40 433	0.20 414	0.66 440	0.33 430	0.54 435	0.72 438	0.71 440	0.72 437	0.62 434	0.55 435	0.52 434	0.47 438	0.20 421	0.19 418	0.29 432	0.30 434	0.24 426	0.19 417

Ntro	0.41 425	0.40 437	0.54 421	0.46 441	0.30 436	0.64 438	0.24 369	0.47 426	0.68 433	0.42 415	0.49 410	0.47 422	0.42 423	0.40 422	0.32 410	0.32 438	0.28 435	0.37 437	0.31 435	0.33 439	0.29 435

Consistency-Raft	0.44 429	0.40 437	0.46 412	0.37 432	0.43 442	0.42 423	0.41 438	0.57 437	0.55 415	0.32 391	0.73 438	0.32 367	0.50 432	0.42 428	0.49 440	0.39 441	0.36 441	0.45 441	0.52 451	0.42 441	0.30 437

GCST	0.37 420	0.42 439	0.27 363	1.03 463	0.39 438	0.18 273	0.08 3	0.21 166	0.18 141	0.28 367	0.25 268	0.15 180	0.12 167	0.16 222	0.14 215	0.64 456	0.43 444	0.75 453	0.65 455	0.64 450	0.46 449

JetBlue	0.73 448	0.46 440	1.21 457	0.52 443	0.47 444	2.16 468	0.67 456	0.78 448	0.72 438	0.70 439	0.79 443	1.21 454	0.84 452	1.06 465	1.04 464	0.40 442	0.28 435	0.33 435	0.33 437	0.30 434	0.34 441

ACVNet_1	0.45 431	0.51 441	0.61 428	0.45 438	0.28 432	0.50 427	0.28 402	0.58 442	0.71 437	0.63 435	0.59 428	0.74 444	0.50 432	0.50 432	0.36 417	0.26 434	0.25 432	0.39 438	0.29 432	0.32 438	0.25 429

ACVNet-4b	0.39 422	0.53 442	0.56 422	0.45 438	0.24 423	0.46 425	0.18 270	0.50 429	0.64 430	0.42 415	0.45 404	0.60 433	0.27 370	0.34 400	0.24 357	0.33 439	0.14 398	0.48 442	0.42 442	0.31 437	0.27 434

anonymity	0.53 437	0.58 443	0.66 432	0.41 434	0.61 454	0.54 431	0.41 438	0.57 437	0.41 373	0.56 433	0.50 412	0.50 424	0.55 435	0.59 443	0.50 441	0.58 452	0.50 454	0.51 444	0.51 449	0.52 443	0.58 451

SGM+DAISY	0.57 440	0.58 443	0.67 436	0.41 434	0.55 448	0.68 442	0.51 446	0.57 437	0.46 396	0.67 436	0.70 435	0.69 442	0.57 439	0.64 445	0.58 446	0.59 453	0.49 451	0.50 443	0.50 448	0.52 443	0.59 454

SPS-STEREO	0.58 441	0.59 445	0.66 432	0.45 438	0.55 448	0.65 439	0.44 443	0.63 444	0.51 405	0.69 438	0.65 430	0.66 438	0.58 440	0.62 444	0.62 448	0.62 455	0.47 449	0.51 444	0.49 446	0.55 446	0.58 451
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 438	0.61 446	0.71 445	0.57 445	0.43 442	0.66 440	0.37 433	0.60 443	0.87 448	0.51 428	0.67 431	0.63 435	0.47 429	0.50 432	0.44 434	0.47 447	0.48 450	0.53 446	0.41 441	0.53 445	0.41 446

IMH-64-1	0.66 443	0.62 447	0.69 440	0.72 448	0.51 445	0.60 435	0.51 446	0.92 452	0.84 446	0.75 447	1.02 453	0.81 445	0.78 450	0.80 450	0.50 441	0.43 443	0.46 445	0.72 450	0.48 444	0.55 446	0.40 444

IMH-64	0.66 443	0.62 447	0.69 440	0.72 448	0.51 445	0.60 435	0.51 446	0.92 452	0.84 446	0.75 447	1.02 453	0.81 445	0.78 450	0.80 450	0.50 441	0.43 443	0.46 445	0.72 450	0.48 444	0.55 446	0.40 444

IMH	0.72 446	0.65 449	0.70 443	0.77 450	0.54 447	0.71 444	0.56 449	0.99 460	1.08 453	0.82 450	1.09 456	0.89 447	0.88 454	0.88 458	0.53 445	0.44 446	0.50 454	0.75 453	0.51 449	0.58 449	0.42 447

MFMNet_re	0.65 442	0.66 450	0.66 432	0.51 442	0.69 459	0.70 443	0.58 450	0.65 446	0.75 442	0.61 434	0.73 438	0.63 435	0.68 445	0.65 446	0.60 447	0.66 457	0.58 463	0.63 448	0.59 452	0.68 454	0.69 461

ACVNet_2	0.67 445	0.68 451	0.70 443	0.64 446	0.41 440	0.75 448	0.50 445	0.98 458	1.38 462	0.90 452	1.09 456	1.04 449	0.74 448	0.55 438	0.48 439	0.43 443	0.40 443	0.53 446	0.45 443	0.48 442	0.36 443

MADNet+	0.76 449	0.72 452	3.76 468	0.67 447	0.41 440	0.99 459	0.97 466	0.72 447	0.75 442	0.52 429	0.58 426	0.64 437	0.68 445	0.89 459	1.04 464	0.35 440	0.36 441	0.28 431	0.23 423	0.38 440	0.33 440

TorneroNet-64	0.76 449	0.73 453	0.77 446	0.78 452	0.58 453	0.94 458	0.58 450	0.85 451	1.26 457	0.67 436	0.88 447	1.41 461	0.76 449	0.87 456	0.68 451	0.49 448	0.46 445	0.73 452	0.59 452	0.68 454	0.54 450

TorneroNet	0.83 453	0.75 454	0.83 450	0.85 455	0.63 456	1.03 462	0.65 454	0.96 456	1.14 455	0.80 449	1.10 458	1.36 459	0.88 454	0.95 461	0.82 459	0.57 450	0.49 451	0.79 458	0.66 457	0.74 460	0.64 460

WAO-7	0.80 451	0.78 455	0.57 424	0.85 455	0.67 458	0.76 449	0.69 459	1.07 462	1.30 459	0.90 452	1.20 462	1.05 450	0.93 456	0.71 447	0.68 451	0.60 454	0.62 464	0.67 449	0.68 458	0.64 450	0.59 454

WAO-6	0.82 452	0.81 456	0.63 431	0.87 457	0.63 456	0.79 450	0.60 452	0.98 458	1.52 466	0.91 454	0.97 451	1.08 451	1.04 460	0.72 448	0.70 454	0.72 458	0.49 451	0.91 461	0.71 459	0.70 456	0.59 454

WAO-8	0.92 456	0.83 457	0.67 436	0.94 460	0.70 460	0.92 456	0.68 457	1.08 464	1.80 469	1.06 460	1.42 466	1.29 456	1.08 462	0.86 454	0.80 457	0.74 460	0.54 457	0.86 459	0.75 460	0.71 457	0.63 458

Venus	0.92 456	0.83 457	0.67 436	0.94 460	0.70 460	0.92 456	0.68 457	1.08 464	1.80 469	1.06 460	1.42 466	1.29 456	1.08 462	0.86 454	0.80 457	0.74 460	0.54 457	0.86 459	0.75 460	0.71 457	0.63 458

LVE	0.84 454	0.87 459	0.86 451	0.81 453	0.56 450	1.09 464	0.66 455	1.07 462	1.45 464	0.97 456	1.23 464	1.11 452	0.86 453	0.84 453	0.72 455	0.49 448	0.56 460	0.76 455	0.60 454	0.66 452	0.60 457

Dean	0.88 455	0.88 460	0.81 447	0.82 454	0.57 451	0.91 455	0.62 453	1.17 467	1.71 467	1.15 462	1.16 460	1.31 458	1.00 459	0.82 452	0.83 460	0.57 450	0.56 460	0.78 457	0.65 455	0.67 453	0.58 451

PWCK	0.72 446	0.95 461	0.99 454	0.77 450	0.32 437	0.79 450	0.38 435	0.92 452	0.90 449	0.96 455	0.76 441	0.97 448	0.62 442	0.87 456	0.68 451	0.73 459	0.46 445	0.76 455	0.49 446	0.71 457	0.44 448

UNDER WATER-64	0.97 458	0.96 462	1.48 461	0.88 458	0.57 451	1.24 467	0.90 464	0.78 448	0.96 450	1.05 458	0.85 446	1.56 466	1.26 466	0.97 463	0.99 462	0.88 464	0.57 462	1.04 464	0.88 464	0.81 461	0.75 462

UNDER WATER	0.99 460	1.00 463	1.47 460	1.00 462	0.71 462	1.18 466	0.86 462	0.81 450	1.09 454	1.02 457	0.90 448	1.53 465	1.26 466	1.06 465	1.02 463	0.79 462	0.54 457	1.02 463	0.88 464	0.83 462	0.75 462

notaker	0.98 459	1.13 464	1.02 455	1.14 465	0.81 463	0.73 447	0.69 459	0.94 455	1.15 456	1.19 464	1.19 461	1.41 461	1.17 465	1.10 467	0.74 456	0.82 463	0.64 465	1.18 466	0.79 462	1.02 464	0.82 465

KSHMR	1.10 462	1.19 465	0.90 453	1.26 468	1.00 467	0.99 459	0.96 465	1.13 466	1.35 460	1.16 463	1.28 465	1.40 460	0.97 458	1.03 464	0.93 461	1.03 466	1.08 468	1.20 467	1.03 468	1.03 465	0.98 467

ktn	1.02 461	1.23 466	0.82 448	1.24 467	0.86 465	1.00 461	0.86 462	0.96 456	1.37 461	1.05 458	1.12 459	1.16 453	1.06 461	0.95 461	0.62 448	1.28 469	0.71 466	1.39 470	0.83 463	1.06 466	0.77 464

DPSimNet_ROB	1.14 463	1.25 467	0.87 452	1.15 466	0.90 466	1.15 465	1.18 467	1.20 468	1.26 457	1.45 466	1.05 455	1.44 464	1.13 464	0.92 460	1.70 467	1.47 470	0.52 456	1.22 468	1.04 469	0.92 463	1.03 468

HanzoNet	1.31 464	1.29 468	1.22 458	1.13 464	0.85 464	1.05 463	0.84 461	1.06 461	1.47 465	1.66 467	1.63 468	2.48 471	1.78 468	1.63 469	1.69 466	1.27 468	0.80 467	1.32 469	1.02 467	1.07 467	0.90 466

JetRed	1.66 465	1.51 469	3.09 464	0.93 459	1.21 468	5.28 470	1.61 470	1.29 469	1.42 463	1.84 468	1.77 469	1.59 467	0.95 457	1.43 468	2.51 470	0.91 465	1.61 470	0.93 462	0.91 466	1.36 468	1.03 468

MADNet++	1.97 466	1.75 470	1.66 462	1.83 470	1.69 470	2.38 469	1.45 469	2.36 471	2.11 471	2.58 471	2.37 470	2.25 470	2.21 469	2.28 470	2.36 469	1.87 471	1.67 471	1.53 471	1.34 471	1.87 470	1.78 472

DLNR_Zeroshot_test	10.48 477	2.27 471	19.78 483	120.28 489	13.29 482	0.06 4	0.13 59	0.24 222	0.10 10	0.08 12	0.10 50	0.09 58	0.07 46	0.10 23	0.09 22	0.13 369	0.04 2	0.06 44	0.04 10	52.68 488	0.04 5

ASD4	3.59 468	3.47 472	2.05 463	1.75 469	2.54 472	9.22 474	17.86 475	2.29 470	5.54 473	2.49 470	2.86 471	2.05 468	3.46 470	2.77 471	5.29 471	1.23 467	1.36 469	1.13 465	1.33 470	1.71 469	1.50 471

DPSMNet_ROB	8.06 474	4.50 473	8.69 477	5.36 477	10.74 479	8.32 472	22.71 477	5.47 474	13.38 479	5.13 473	9.98 475	5.10 473	10.47 477	5.53 474	12.77 478	3.80 476	8.00 477	3.49 473	6.95 476	3.75 476	7.09 478

DGTPSM_ROB	8.06 474	4.50 473	8.69 477	5.34 475	10.73 478	8.32 472	22.71 477	5.47 474	13.38 479	5.13 473	9.98 475	5.10 473	10.47 477	5.53 474	12.77 478	3.79 475	8.00 477	3.49 473	6.95 476	3.74 475	7.09 478

xxxxx1	7.75 470	5.06 475	7.26 470	3.15 472	3.91 473	16.37 478	22.88 479	5.87 476	8.68 475	7.99 475	8.55 472	9.13 477	8.46 474	10.05 477	10.47 474	2.43 472	2.48 473	3.56 475	12.26 479	3.48 472	3.02 474

tt_ll	7.75 470	5.06 475	7.26 470	3.15 472	3.91 473	16.37 478	22.88 479	5.87 476	8.68 475	7.99 475	8.55 472	9.13 477	8.46 474	10.05 477	10.47 474	2.43 472	2.48 473	3.56 475	12.26 479	3.48 472	3.02 474

ff	7.75 470	5.06 475	7.26 470	3.15 472	3.91 473	16.37 478	22.88 479	5.87 476	8.68 475	7.99 475	8.55 472	9.13 477	8.46 474	10.05 477	10.47 474	2.43 472	2.48 473	3.56 475	12.26 479	3.48 472	3.02 474

Anonymous_1	10.87 479	7.82 478	7.41 473	10.29 478	10.08 477	18.64 482	26.11 482	11.02 480	13.45 481	9.43 478	10.10 477	9.73 480	11.31 479	10.69 480	12.47 477	6.42 479	8.38 479	5.70 478	10.22 478	11.41 480	6.65 477

DPSM_ROB	11.10 480	8.47 479	7.95 474	10.84 479	11.58 480	19.10 483	26.50 483	12.02 481	14.09 482	10.38 479	10.91 478	10.39 481	11.92 480	11.67 481	13.39 480	6.99 480	8.79 480	5.82 479	6.92 474	6.97 477	7.31 480

DPSM	11.10 480	8.47 479	7.95 474	10.84 479	11.58 480	19.10 483	26.50 483	12.02 481	14.09 482	10.38 479	10.91 478	10.39 481	11.92 480	11.67 481	13.39 480	6.99 480	8.79 480	5.82 479	6.92 474	6.97 477	7.31 480

PML	8.57 476	9.39 481	6.24 469	5.34 475	6.36 476	13.21 477	20.99 476	5.35 473	6.68 474	17.75 483	26.46 487	7.58 475	6.08 473	7.89 476	5.76 472	5.33 477	1.83 472	5.95 481	1.93 472	8.75 479	2.53 473

LRCNet_RVC	10.76 478	13.97 482	7.97 476	19.07 482	2.04 471	0.35 407	0.31 421	5.29 472	0.48 399	13.02 481	17.65 481	8.69 476	5.73 472	4.78 473	2.22 468	23.53 486	2.69 476	27.60 487	25.75 487	17.60 484	16.54 485

CasAABBNet	22.33 484	17.11 483	15.84 479	21.94 484	23.28 485	38.30 485	53.40 487	24.05 486	28.44 487	20.66 485	21.86 484	21.03 486	24.04 485	23.35 485	27.03 486	14.06 482	17.69 485	11.70 482	13.94 483	14.04 481	14.76 483

Selective-RAFT-Error	22.39 485	17.14 484	16.01 480	22.00 485	23.34 486	38.37 486	53.36 486	24.24 488	28.53 488	20.80 486	21.94 485	20.94 485	24.02 484	23.48 487	27.33 487	14.07 483	17.70 486	11.70 482	13.93 482	14.05 482	14.83 484

LSM0	22.80 486	17.22 485	19.17 481	22.12 486	28.90 488	38.38 487	53.27 485	24.21 487	28.36 486	20.84 487	21.11 483	21.63 487	24.25 486	23.42 486	26.98 485	14.08 484	17.39 484	11.72 484	13.98 484	14.22 483	14.66 482

HaxPig	15.73 482	18.55 486	19.19 482	16.92 481	15.89 483	7.80 471	7.57 471	13.37 483	10.80 478	15.40 482	14.87 480	15.95 483	14.81 482	15.67 483	15.97 482	18.96 485	16.72 483	19.47 485	18.10 485	19.45 485	19.06 486

MEDIAN_ROB	20.38 483	24.05 487	23.36 484	21.18 483	21.62 484	10.51 476	8.17 472	17.68 484	15.46 484	20.04 484	19.65 482	20.30 484	20.16 483	21.17 484	21.03 483	23.81 487	21.77 487	24.98 486	23.75 486	25.01 486	23.94 487

AVERAGE_ROB	24.89 487	29.12 488	27.98 485	24.83 487	24.59 487	17.82 481	11.61 473	21.45 485	19.91 485	25.04 488	24.38 486	25.06 488	25.31 487	24.69 488	22.86 484	29.74 488	27.09 488	28.97 488	27.94 488	30.07 487	29.35 488

test_example2	97.69 488	92.93 489	45.57 486	96.02 488	109.84 489	88.44 488	93.70 488	25.54 489	94.63 489	130.46 489	126.87 488	58.93 489	75.48 488	87.99 489	77.94 488	150.16 489	221.11 489	76.29 489	98.21 489	108.42 489	95.33 489

Low-res two-view benchmark