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

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 121	0.12 4	0.11 16	0.08 5	0.09 24	0.06 3	0.09 67	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 109	0.08 46	0.10 57	0.13 45	0.12 4	0.09 2	0.09 16	0.10 37	0.08 24	0.06 7	0.09 10	0.09 16	0.08 192	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

raft_robust	0.13 158	0.10 237	0.07 1	0.18 176	0.08 46	0.13 124	0.24 321	0.29 258	0.34 281	0.20 241	0.20 160	0.15 151	0.10 80	0.11 42	0.12 122	0.05 2	0.05 82	0.07 100	0.07 160	0.05 36	0.04 4

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 17	0.14 56	0.10 35	0.14 81	0.08 24	0.07 30	0.10 15	0.11 72	0.06 52	0.04 2	0.05 2	0.05 32	0.04 1	0.04 4
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
XX-TBD	0.09 8	0.06 17	0.07 1	0.14 11	0.07 14	0.13 124	0.16 172	0.14 17	0.14 56	0.11 62	0.12 63	0.09 39	0.08 50	0.10 15	0.10 45	0.06 52	0.04 2	0.05 2	0.04 7	0.06 93	0.05 43

StereoIM	0.09 8	0.09 182	0.08 6	0.17 109	0.09 123	0.14 154	0.11 10	0.16 38	0.16 84	0.09 16	0.11 53	0.06 3	0.06 7	0.09 10	0.13 149	0.07 143	0.06 189	0.08 161	0.05 32	0.05 36	0.04 4

MIF-Stereo	0.09 8	0.07 52	0.08 6	0.18 176	0.08 46	0.13 124	0.11 10	0.12 4	0.11 16	0.10 35	0.12 63	0.05 1	0.06 7	0.09 10	0.10 45	0.07 143	0.06 189	0.05 2	0.05 32	0.06 93	0.05 43

AEACV	0.09 8	0.05 5	0.08 6	0.14 11	0.13 304	0.14 154	0.13 45	0.15 24	0.09 2	0.07 2	0.09 24	0.07 18	0.08 50	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 76	0.11 2	0.09 2	0.08 5	0.09 24	0.11 73	0.07 30	0.12 93	0.08 9	0.06 52	0.04 2	0.05 2	0.03 1	0.05 36	0.05 43

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 79	0.12 23	0.11 2	0.16 84	0.06 1	0.05 1	0.07 18	0.05 2	0.10 15	0.11 72	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

CroCo-Stereo Lap2	0.09 8	0.09 182	0.08 6	0.22 308	0.09 123	0.09 36	0.18 230	0.16 38	0.12 26	0.09 16	0.10 37	0.05 1	0.05 2	0.08 5	0.08 9	0.06 52	0.06 189	0.07 100	0.05 32	0.06 93	0.05 43

TestStereo1	0.13 158	0.08 135	0.08 6	0.20 265	0.08 46	0.18 232	0.29 364	0.23 168	0.17 99	0.17 183	0.20 160	0.16 165	0.11 104	0.12 93	0.13 149	0.06 52	0.06 189	0.08 161	0.06 83	0.05 36	0.05 43

test_5	0.14 183	0.12 271	0.08 6	0.20 265	0.10 217	0.14 154	0.28 354	0.21 135	0.24 192	0.19 221	0.28 258	0.11 73	0.15 209	0.12 93	0.13 149	0.06 52	0.05 82	0.07 100	0.08 213	0.08 198	0.07 151

SA-5K	0.13 158	0.08 135	0.08 6	0.20 265	0.08 46	0.18 232	0.29 364	0.23 168	0.17 99	0.17 183	0.20 160	0.16 165	0.11 104	0.12 93	0.13 149	0.06 52	0.06 189	0.08 161	0.06 83	0.05 36	0.05 43

test_4	0.11 72	0.10 237	0.08 6	0.19 223	0.09 123	0.08 22	0.21 292	0.15 24	0.18 109	0.12 80	0.18 140	0.12 92	0.09 67	0.08 5	0.11 72	0.04 1	0.04 2	0.08 161	0.08 213	0.04 1	0.04 4

GMOStereo	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 354	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

error version	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 354	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

test-v	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 354	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

CroCo-Stereo	0.09 8	0.08 135	0.08 6	0.22 308	0.09 123	0.09 36	0.18 230	0.16 38	0.12 26	0.07 2	0.07 13	0.08 24	0.06 7	0.08 5	0.07 1	0.07 143	0.05 82	0.06 31	0.04 7	0.05 36	0.04 4
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
test-2	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 354	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

s12784h	0.10 47	0.06 17	0.08 6	0.15 35	0.05 1	0.16 196	0.18 230	0.16 38	0.15 68	0.10 35	0.11 53	0.11 73	0.11 104	0.11 42	0.12 122	0.05 2	0.04 2	0.06 31	0.04 7	0.04 1	0.04 4

TANstereo	0.09 8	0.04 1	0.08 6	0.13 6	0.06 2	0.11 79	0.13 45	0.15 24	0.19 123	0.11 62	0.15 92	0.10 58	0.07 30	0.12 93	0.09 16	0.07 143	0.05 82	0.05 2	0.04 7	0.06 93	0.05 43

CREStereo	0.09 8	0.05 5	0.08 6	0.11 1	0.06 2	0.14 154	0.14 76	0.14 17	0.10 6	0.09 16	0.13 74	0.09 39	0.08 50	0.12 93	0.10 45	0.08 192	0.04 2	0.05 2	0.03 1	0.06 93	0.06 98
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
IGEV+	0.08 2	0.06 17	0.09 24	0.18 176	0.07 14	0.10 57	0.13 45	0.10 1	0.10 6	0.08 5	0.08 17	0.06 3	0.05 2	0.13 130	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

MSKI-zero shot	0.09 8	0.05 5	0.09 24	0.16 60	0.07 14	0.10 57	0.13 45	0.15 24	0.14 56	0.09 16	0.09 24	0.09 39	0.06 7	0.12 93	0.11 72	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

CASnet	0.09 8	0.09 182	0.09 24	0.19 223	0.06 2	0.07 15	0.11 10	0.18 89	0.14 56	0.11 62	0.10 37	0.09 39	0.07 30	0.10 15	0.10 45	0.06 52	0.04 2	0.10 270	0.08 213	0.06 93	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 109	0.06 2	0.08 22	0.12 23	0.13 11	0.08 1	0.08 5	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

MC-Stereo	0.09 8	0.07 52	0.09 24	0.17 109	0.06 2	0.10 57	0.14 76	0.12 4	0.11 16	0.09 16	0.12 63	0.09 39	0.06 7	0.11 42	0.10 45	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

RCA-Stereo	0.09 8	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 89	0.14 56	0.10 35	0.11 53	0.08 24	0.07 30	0.12 93	0.11 72	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

RAFT+CT+SA	0.13 158	0.11 256	0.09 24	0.19 223	0.09 123	0.15 174	0.28 354	0.22 154	0.22 173	0.15 146	0.26 233	0.10 58	0.10 80	0.11 42	0.12 122	0.05 2	0.04 2	0.07 100	0.08 213	0.07 151	0.06 98

Sa-1000	0.12 134	0.08 135	0.09 24	0.18 176	0.08 46	0.15 174	0.22 302	0.22 154	0.19 123	0.15 146	0.20 160	0.17 181	0.11 104	0.10 15	0.10 45	0.06 52	0.05 82	0.09 229	0.09 252	0.05 36	0.05 43

SA	0.13 158	0.09 182	0.09 24	0.18 176	0.08 46	0.12 104	0.24 321	0.23 168	0.19 123	0.17 183	0.27 248	0.15 151	0.11 104	0.11 42	0.11 72	0.05 2	0.05 82	0.09 229	0.08 213	0.05 36	0.05 43

LCNet	0.11 72	0.07 52	0.09 24	0.19 223	0.09 123	0.08 22	0.14 76	0.21 135	0.15 68	0.12 80	0.15 92	0.16 165	0.11 104	0.12 93	0.11 72	0.05 2	0.04 2	0.08 161	0.07 160	0.06 93	0.14 330

cross-raft	0.10 47	0.09 182	0.09 24	0.19 223	0.07 14	0.11 79	0.24 321	0.13 11	0.15 68	0.08 5	0.10 37	0.12 92	0.10 80	0.09 10	0.11 72	0.05 2	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

raft+_RVC	0.11 72	0.07 52	0.09 24	0.16 60	0.07 14	0.10 57	0.11 10	0.24 186	0.20 141	0.12 80	0.15 92	0.12 92	0.08 50	0.12 93	0.13 149	0.07 143	0.04 2	0.07 100	0.06 83	0.05 36	0.05 43

RALCasStereoNet	0.11 72	0.07 52	0.09 24	0.16 60	0.08 46	0.13 124	0.14 76	0.17 65	0.11 16	0.12 80	0.17 120	0.14 130	0.10 80	0.12 93	0.11 72	0.07 143	0.06 189	0.06 31	0.05 32	0.08 198	0.07 151

XX-Stereo	0.09 8	0.05 5	0.09 24	0.17 109	0.09 123	0.15 174	0.12 23	0.21 135	0.10 6	0.10 35	0.14 81	0.07 18	0.06 7	0.13 130	0.08 9	0.06 52	0.05 82	0.06 31	0.06 83	0.04 1	0.04 4

PMTNet	0.09 8	0.05 5	0.09 24	0.12 3	0.06 2	0.13 124	0.14 76	0.16 38	0.11 16	0.09 16	0.13 74	0.10 58	0.07 30	0.14 148	0.10 45	0.15 348	0.04 2	0.05 2	0.03 1	0.07 151	0.06 98

H2IRNET	0.10 47	0.09 182	0.10 39	0.18 176	0.09 123	0.12 104	0.15 121	0.14 17	0.21 154	0.10 35	0.10 37	0.10 58	0.11 104	0.10 15	0.10 45	0.06 52	0.04 2	0.08 161	0.08 213	0.06 93	0.05 43

MyStereo07	0.10 47	0.07 52	0.10 39	0.17 109	0.09 123	0.14 154	0.17 192	0.15 24	0.15 68	0.09 16	0.06 2	0.06 3	0.07 30	0.12 93	0.09 16	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

MyStereo05	0.13 158	0.07 52	0.10 39	0.17 109	0.09 123	0.13 124	0.18 230	0.28 244	0.35 292	0.17 183	0.14 81	0.15 151	0.11 104	0.15 162	0.13 149	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

MyStereo04	0.13 158	0.07 52	0.10 39	0.17 109	0.09 123	0.14 154	0.17 192	0.29 258	0.38 309	0.17 183	0.14 81	0.16 165	0.11 104	0.15 162	0.13 149	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

test croco	0.11 72	0.09 182	0.10 39	0.19 223	0.09 123	0.11 79	0.14 76	0.14 17	0.13 42	0.13 104	0.15 92	0.09 39	0.12 133	0.13 130	0.12 122	0.07 143	0.05 82	0.09 229	0.06 83	0.06 93	0.06 98

StereoVision	0.14 183	0.13 290	0.10 39	0.24 333	0.10 217	0.16 196	0.21 292	0.21 135	0.20 141	0.12 80	0.25 221	0.10 58	0.10 80	0.16 187	0.10 45	0.09 234	0.10 312	0.12 313	0.12 324	0.06 93	0.05 43

MIF-Stereo (partial)	0.11 72	0.06 17	0.10 39	0.19 223	0.10 217	0.10 57	0.12 23	0.17 65	0.19 123	0.14 125	0.16 104	0.10 58	0.11 104	0.12 93	0.12 122	0.08 192	0.05 82	0.08 161	0.07 160	0.06 93	0.07 151

Any-RAFT	0.10 47	0.05 5	0.10 39	0.15 35	0.07 14	0.13 124	0.14 76	0.21 135	0.15 68	0.11 62	0.12 63	0.13 114	0.10 80	0.13 130	0.10 45	0.07 143	0.04 2	0.05 2	0.04 7	0.06 93	0.05 43

RAFT-Test	0.09 8	0.06 17	0.10 39	0.16 60	0.07 14	0.11 79	0.15 121	0.16 38	0.13 42	0.09 16	0.10 37	0.11 73	0.09 67	0.12 93	0.09 16	0.06 52	0.04 2	0.05 2	0.04 7	0.05 36	0.05 43

4D-IteraStereo	0.10 47	0.07 52	0.10 39	0.18 176	0.07 14	0.09 36	0.15 121	0.18 89	0.15 68	0.10 35	0.11 53	0.10 58	0.07 30	0.12 93	0.09 16	0.05 2	0.03 1	0.08 161	0.07 160	0.06 93	0.05 43

RAFT_CTSACE	0.12 134	0.09 182	0.10 39	0.22 308	0.08 46	0.12 104	0.24 321	0.18 89	0.17 99	0.21 250	0.27 248	0.13 114	0.07 30	0.13 130	0.09 16	0.05 2	0.06 189	0.08 161	0.07 160	0.04 1	0.04 4

test-3	0.09 8	0.06 17	0.10 39	0.18 176	0.07 14	0.07 15	0.14 76	0.12 4	0.16 84	0.10 35	0.08 17	0.08 24	0.08 50	0.11 42	0.10 45	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 4

test_1	0.09 8	0.06 17	0.10 39	0.18 176	0.07 14	0.07 15	0.14 76	0.12 4	0.16 84	0.10 35	0.08 17	0.08 24	0.08 50	0.11 42	0.10 45	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 4

test_3	0.11 72	0.09 182	0.10 39	0.21 291	0.08 46	0.13 124	0.25 337	0.14 17	0.21 154	0.10 35	0.10 37	0.09 39	0.10 80	0.08 5	0.11 72	0.05 2	0.04 2	0.08 161	0.07 160	0.04 1	0.04 4

PSM-AAD	0.11 72	0.07 52	0.10 39	0.20 265	0.09 123	0.10 57	0.14 76	0.21 135	0.13 42	0.12 80	0.14 81	0.18 193	0.11 104	0.11 42	0.10 45	0.05 2	0.05 82	0.09 229	0.08 213	0.06 93	0.14 330

KYRaft	0.12 134	0.07 52	0.10 39	0.19 223	0.09 123	0.08 22	0.15 121	0.23 168	0.12 26	0.13 104	0.16 104	0.20 212	0.10 80	0.12 93	0.11 72	0.06 52	0.04 2	0.08 161	0.08 213	0.06 93	0.15 345

AnonymousM	0.10 47	0.06 17	0.10 39	0.14 11	0.07 14	0.09 36	0.13 45	0.19 113	0.14 56	0.13 104	0.12 63	0.09 39	0.08 50	0.13 130	0.10 45	0.08 192	0.05 82	0.08 161	0.05 32	0.05 36	0.05 43

GMM-Stereo	0.11 72	0.07 52	0.10 39	0.18 176	0.09 123	0.08 22	0.14 76	0.24 186	0.16 84	0.11 62	0.15 92	0.13 114	0.11 104	0.11 42	0.11 72	0.05 2	0.04 2	0.08 161	0.07 160	0.06 93	0.09 246

rafts_anoy	0.11 72	0.06 17	0.10 39	0.17 109	0.08 46	0.10 57	0.14 76	0.18 89	0.14 56	0.13 104	0.13 74	0.12 92	0.11 104	0.11 42	0.13 149	0.07 143	0.05 82	0.09 229	0.11 306	0.07 151	0.06 98

iRaftStereo_RVC	0.10 47	0.07 52	0.10 39	0.17 109	0.09 123	0.11 79	0.17 192	0.18 89	0.12 26	0.09 16	0.11 53	0.10 58	0.07 30	0.11 42	0.10 45	0.05 2	0.04 2	0.08 161	0.08 213	0.04 1	0.04 4

RALAANet	0.11 72	0.08 135	0.10 39	0.17 109	0.09 123	0.14 154	0.10 5	0.20 124	0.16 84	0.14 125	0.13 74	0.16 165	0.09 67	0.12 93	0.12 122	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.04 4

RAFT-Stereo + iAFF	0.09 8	0.06 17	0.10 39	0.17 109	0.07 14	0.10 57	0.15 121	0.17 65	0.15 68	0.10 35	0.10 37	0.08 24	0.09 67	0.12 93	0.10 45	0.05 2	0.04 2	0.06 31	0.06 83	0.04 1	0.03 1

AFF-stereo	0.09 8	0.07 52	0.10 39	0.17 109	0.07 14	0.10 57	0.15 121	0.18 89	0.10 6	0.10 35	0.11 53	0.09 39	0.10 80	0.12 93	0.10 45	0.05 2	0.04 2	0.07 100	0.07 160	0.04 1	0.04 4

CFNet-RSSM	0.09 8	0.07 52	0.10 39	0.16 60	0.07 14	0.09 36	0.15 121	0.17 65	0.18 109	0.08 5	0.12 63	0.11 73	0.09 67	0.12 93	0.10 45	0.06 52	0.04 2	0.06 31	0.04 7	0.04 1	0.04 4

Gwc-CoAtRS	0.09 8	0.07 52	0.10 39	0.16 60	0.07 14	0.10 57	0.15 121	0.18 89	0.17 99	0.08 5	0.10 37	0.12 92	0.09 67	0.12 93	0.09 16	0.06 52	0.04 2	0.06 31	0.04 7	0.04 1	0.05 43

AE-Stereo	0.10 47	0.08 135	0.11 64	0.19 223	0.09 123	0.10 57	0.15 121	0.14 17	0.20 141	0.09 16	0.15 92	0.12 92	0.08 50	0.11 42	0.10 45	0.05 2	0.06 189	0.07 100	0.06 83	0.05 36	0.04 4

ff7	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

IGEVStereo-DCA	0.09 8	0.07 52	0.11 64	0.16 60	0.10 217	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.08 24	0.06 7	0.10 15	0.09 16	0.06 52	0.05 82	0.06 31	0.05 32	0.05 36	0.06 98

ffff	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

11t	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

MIM_Stereo	0.10 47	0.07 52	0.11 64	0.15 35	0.07 14	0.07 15	0.12 23	0.20 124	0.14 56	0.13 104	0.14 81	0.09 39	0.05 2	0.12 93	0.08 9	0.05 2	0.06 189	0.07 100	0.06 83	0.06 93	0.05 43

anonymousdsp2	0.11 72	0.07 52	0.11 64	0.16 60	0.09 123	0.13 124	0.14 76	0.19 113	0.23 182	0.13 104	0.14 81	0.12 92	0.09 67	0.14 148	0.11 72	0.05 2	0.05 82	0.05 2	0.04 7	0.06 93	0.06 98

anonymousdsp	0.09 8	0.07 52	0.11 64	0.17 109	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

LoS	0.09 8	0.05 5	0.11 64	0.13 6	0.07 14	0.14 154	0.11 10	0.15 24	0.15 68	0.09 16	0.09 24	0.12 92	0.09 67	0.15 162	0.10 45	0.07 143	0.05 82	0.05 2	0.03 1	0.05 36	0.05 43

ProNet	0.09 8	0.07 52	0.11 64	0.17 109	0.08 46	0.11 79	0.15 121	0.15 24	0.12 26	0.10 35	0.06 2	0.07 18	0.06 7	0.11 42	0.09 16	0.05 2	0.05 82	0.06 31	0.05 32	0.04 1	0.06 98

ccc-4	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

IGEV-Stereo	0.09 8	0.07 52	0.11 64	0.17 109	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 72	0.07 52	0.11 64	0.18 176	0.07 14	0.08 22	0.13 45	0.16 38	0.24 192	0.12 80	0.13 74	0.12 92	0.08 50	0.18 226	0.12 122	0.06 52	0.08 270	0.08 161	0.06 83	0.05 36	0.05 43

THIR-Stereo	0.12 134	0.07 52	0.11 64	0.15 35	0.08 46	0.14 154	0.16 172	0.18 89	0.25 208	0.17 183	0.24 195	0.13 114	0.13 162	0.12 93	0.14 173	0.06 52	0.05 82	0.07 100	0.07 160	0.05 36	0.05 43

GrayStereo	0.11 72	0.06 17	0.11 64	0.19 223	0.09 123	0.09 36	0.16 172	0.18 89	0.17 99	0.14 125	0.17 120	0.17 181	0.11 104	0.12 93	0.11 72	0.05 2	0.05 82	0.07 100	0.06 83	0.06 93	0.10 268

RAFT	0.13 158	0.09 182	0.11 64	0.18 176	0.08 46	0.15 174	0.23 313	0.21 135	0.20 141	0.21 250	0.21 176	0.18 193	0.13 162	0.17 217	0.10 45	0.06 52	0.07 244	0.10 270	0.09 252	0.06 93	0.05 43

Prome-Stereo	0.11 72	0.07 52	0.11 64	0.18 176	0.09 123	0.12 104	0.14 76	0.23 168	0.13 42	0.13 104	0.16 104	0.13 114	0.08 50	0.12 93	0.10 45	0.05 2	0.05 82	0.07 100	0.06 83	0.06 93	0.10 268

TestStereo	0.14 183	0.15 311	0.11 64	0.23 325	0.08 46	0.15 174	0.21 292	0.20 124	0.23 182	0.14 125	0.25 221	0.16 165	0.13 162	0.16 187	0.14 173	0.06 52	0.06 189	0.08 161	0.06 83	0.09 250	0.05 43

raftrobust	0.09 8	0.06 17	0.11 64	0.17 109	0.08 46	0.09 36	0.10 5	0.18 89	0.16 84	0.10 35	0.09 24	0.12 92	0.08 50	0.12 93	0.10 45	0.08 192	0.05 82	0.06 31	0.05 32	0.05 36	0.06 98

EAI-Stereo	0.09 8	0.07 52	0.11 64	0.16 60	0.07 14	0.10 57	0.15 121	0.16 38	0.09 2	0.08 5	0.09 24	0.08 24	0.07 30	0.09 10	0.11 72	0.05 2	0.05 82	0.05 2	0.05 32	0.05 36	0.04 4

R-Stereo Train	0.10 47	0.06 17	0.11 64	0.17 109	0.08 46	0.11 79	0.14 76	0.24 186	0.11 16	0.12 80	0.19 151	0.11 73	0.08 50	0.10 15	0.11 72	0.07 143	0.05 82	0.06 31	0.05 32	0.05 36	0.05 43

RAFT-Stereo	0.10 47	0.06 17	0.11 64	0.17 109	0.08 46	0.11 79	0.14 76	0.24 186	0.11 16	0.12 80	0.19 151	0.11 73	0.08 50	0.10 15	0.11 72	0.07 143	0.05 82	0.06 31	0.05 32	0.05 36	0.05 43
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
AANet_RVC	0.16 238	0.10 237	0.11 64	0.18 176	0.09 123	0.19 247	0.18 230	0.27 223	0.32 266	0.22 259	0.35 308	0.21 219	0.22 290	0.22 290	0.17 232	0.06 52	0.05 82	0.06 31	0.06 83	0.07 151	0.06 98

MGS-Stereo	0.09 8	0.07 52	0.12 87	0.16 60	0.08 46	0.09 36	0.15 121	0.12 4	0.12 26	0.07 2	0.10 37	0.08 24	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.06 93	0.05 43

MyStereo06	0.10 47	0.07 52	0.12 87	0.17 109	0.09 123	0.13 124	0.18 230	0.19 113	0.12 26	0.13 104	0.08 17	0.07 18	0.07 30	0.11 42	0.09 16	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

LL-Strereo	0.13 158	0.10 237	0.12 87	0.20 265	0.10 217	0.11 79	0.18 230	0.33 295	0.25 208	0.16 173	0.16 104	0.14 130	0.14 191	0.19 245	0.11 72	0.06 52	0.05 82	0.09 229	0.08 213	0.04 1	0.05 43

CASS	0.14 183	0.12 271	0.12 87	0.23 325	0.09 123	0.15 174	0.17 192	0.19 113	0.20 141	0.17 183	0.18 140	0.15 151	0.15 209	0.15 162	0.14 173	0.09 234	0.06 189	0.10 270	0.08 213	0.09 250	0.07 151
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 72	0.06 17	0.12 87	0.14 11	0.07 14	0.15 174	0.13 45	0.20 124	0.14 56	0.11 62	0.17 120	0.13 114	0.09 67	0.14 148	0.11 72	0.09 234	0.05 82	0.06 31	0.05 32	0.07 151	0.07 151

Selective-RAFT	0.11 72	0.11 256	0.12 87	0.21 291	0.08 46	0.16 196	0.13 45	0.21 135	0.23 182	0.10 35	0.10 37	0.11 73	0.10 80	0.15 162	0.11 72	0.05 2	0.05 82	0.06 31	0.05 32	0.06 93	0.05 43

fff	0.10 47	0.06 17	0.12 87	0.15 35	0.07 14	0.09 36	0.17 192	0.16 38	0.21 154	0.13 104	0.17 120	0.10 58	0.11 104	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

iRaft-Stereo_5w	0.12 134	0.09 182	0.12 87	0.20 265	0.08 46	0.09 36	0.12 23	0.22 154	0.22 173	0.19 221	0.14 81	0.11 73	0.09 67	0.20 258	0.16 220	0.05 2	0.05 82	0.07 100	0.06 83	0.05 36	0.06 98

CrosDoStereo	0.12 134	0.07 52	0.12 87	0.14 11	0.09 123	0.12 104	0.15 121	0.17 65	0.22 173	0.19 221	0.24 195	0.15 151	0.11 104	0.11 42	0.12 122	0.06 52	0.05 82	0.07 100	0.07 160	0.05 36	0.05 43

TRStereo	0.10 47	0.05 5	0.12 87	0.16 60	0.12 284	0.10 57	0.13 45	0.18 89	0.19 123	0.09 16	0.09 24	0.09 39	0.07 30	0.10 15	0.08 9	0.07 143	0.05 82	0.07 100	0.07 160	0.04 1	0.04 4

DeepStereo_LL	0.12 134	0.07 52	0.12 87	0.14 11	0.09 123	0.12 104	0.15 121	0.17 65	0.22 173	0.19 221	0.24 195	0.15 151	0.11 104	0.11 42	0.12 122	0.06 52	0.05 82	0.07 100	0.07 160	0.05 36	0.05 43

DRaft	0.12 134	0.06 17	0.12 87	0.14 11	0.09 123	0.14 154	0.17 192	0.21 135	0.30 254	0.18 211	0.27 248	0.10 58	0.16 220	0.11 42	0.12 122	0.05 2	0.04 2	0.07 100	0.07 160	0.05 36	0.05 43

Pruner-Stereo	0.11 72	0.07 52	0.12 87	0.17 109	0.09 123	0.06 2	0.12 23	0.18 89	0.17 99	0.14 125	0.19 151	0.13 114	0.10 80	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.06 93	0.08 214

ICVP	0.16 238	0.09 182	0.12 87	0.22 308	0.09 123	0.18 232	0.21 292	0.26 211	0.24 192	0.18 211	0.30 274	0.27 278	0.18 251	0.18 226	0.15 203	0.10 266	0.07 244	0.08 161	0.07 160	0.07 151	0.08 214
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
HCRNet	0.16 238	0.23 360	0.12 87	0.35 380	0.11 255	0.15 174	0.17 192	0.26 211	0.22 173	0.19 221	0.24 195	0.21 219	0.14 191	0.15 162	0.13 149	0.11 291	0.07 244	0.11 296	0.10 283	0.09 250	0.07 151

DCANet	0.10 47	0.06 17	0.12 87	0.16 60	0.06 2	0.09 36	0.17 192	0.16 38	0.20 141	0.13 104	0.18 140	0.10 58	0.11 104	0.11 42	0.12 122	0.06 52	0.04 2	0.05 2	0.04 7	0.05 36	0.05 43

csc	0.10 47	0.06 17	0.12 87	0.15 35	0.07 14	0.09 36	0.17 192	0.16 38	0.21 154	0.13 104	0.17 120	0.10 58	0.11 104	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

cscssc	0.10 47	0.06 17	0.12 87	0.15 35	0.07 14	0.09 36	0.17 192	0.16 38	0.21 154	0.13 104	0.17 120	0.10 58	0.11 104	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

111	0.11 72	0.06 17	0.12 87	0.15 35	0.07 14	0.10 57	0.14 76	0.21 135	0.24 192	0.11 62	0.12 63	0.14 130	0.12 133	0.13 130	0.10 45	0.06 52	0.04 2	0.06 31	0.04 7	0.06 93	0.05 43

test_xeample3	0.09 8	0.07 52	0.12 87	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.14 56	0.10 35	0.07 13	0.08 24	0.06 7	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

UPFNet	0.16 238	0.08 135	0.12 87	0.20 265	0.12 284	0.20 264	0.23 313	0.28 244	0.26 220	0.18 211	0.24 195	0.22 235	0.20 278	0.19 245	0.22 286	0.09 234	0.07 244	0.08 161	0.09 252	0.08 198	0.06 98

GwcNet-RSSM	0.14 183	0.07 52	0.12 87	0.16 60	0.08 46	0.15 174	0.20 279	0.22 154	0.28 243	0.18 211	0.28 258	0.23 246	0.17 241	0.15 162	0.16 220	0.10 266	0.06 189	0.07 100	0.09 252	0.07 151	0.07 151

HSM-Net_RVC	0.14 183	0.08 135	0.12 87	0.15 35	0.08 46	0.16 196	0.15 121	0.27 223	0.29 249	0.20 241	0.21 176	0.29 293	0.14 191	0.18 226	0.13 149	0.06 52	0.06 189	0.06 31	0.06 83	0.07 151	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HITNet	0.11 72	0.06 17	0.12 87	0.14 11	0.06 2	0.12 104	0.10 5	0.18 89	0.18 109	0.13 104	0.17 120	0.15 151	0.11 104	0.15 162	0.14 173	0.06 52	0.04 2	0.04 1	0.04 7	0.06 93	0.05 43
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
Former-RAFT_DAM_RVC	0.11 72	0.08 135	0.13 111	0.16 60	0.08 46	0.15 174	0.16 172	0.18 89	0.19 123	0.10 35	0.09 24	0.09 39	0.08 50	0.11 42	0.12 122	0.07 143	0.05 82	0.08 161	0.06 83	0.07 151	0.06 98

CoDeX	0.12 134	0.07 52	0.13 111	0.17 109	0.08 46	0.12 104	0.16 172	0.23 168	0.27 230	0.13 104	0.17 120	0.15 151	0.12 133	0.14 148	0.11 72	0.07 143	0.05 82	0.07 100	0.06 83	0.06 93	0.05 43

ACVNet-DCA	0.10 47	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.24 186	0.16 84	0.09 16	0.09 24	0.06 3	0.06 7	0.10 15	0.07 1	0.06 52	0.05 82	0.06 31	0.05 32	0.07 151	0.07 151

xx1	0.11 72	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.16 38	0.18 109	0.09 16	0.09 24	0.16 165	0.16 220	0.10 15	0.07 1	0.06 52	0.05 82	0.08 161	0.08 213	0.07 151	0.07 151

1test111	0.11 72	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.24 186	0.16 84	0.09 16	0.09 24	0.06 3	0.06 7	0.15 162	0.16 220	0.06 52	0.05 82	0.06 31	0.05 32	0.07 151	0.07 151

cc1	0.10 47	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.16 38	0.18 109	0.09 16	0.09 24	0.06 3	0.06 7	0.10 15	0.07 1	0.06 52	0.05 82	0.06 31	0.05 32	0.06 93	0.06 98

rrr	0.09 8	0.07 52	0.13 111	0.16 60	0.10 217	0.11 79	0.15 121	0.16 38	0.15 68	0.10 35	0.06 2	0.08 24	0.06 7	0.10 15	0.09 16	0.06 52	0.05 82	0.06 31	0.05 32	0.05 36	0.06 98

tt1	0.10 47	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.15 24	0.19 123	0.09 16	0.08 17	0.06 3	0.06 7	0.10 15	0.08 9	0.06 52	0.05 82	0.06 31	0.05 32	0.06 93	0.06 98

1111x	0.16 238	0.09 182	0.13 111	0.18 176	0.08 46	0.18 232	0.25 337	0.32 285	0.25 208	0.17 183	0.24 195	0.27 278	0.15 209	0.14 148	0.24 307	0.07 143	0.07 244	0.08 161	0.09 252	0.07 151	0.07 151

IGEV_Zeroshot_test	0.09 8	0.05 5	0.13 111	0.14 11	0.08 46	0.12 104	0.13 45	0.17 65	0.11 16	0.10 35	0.06 2	0.09 39	0.06 7	0.11 42	0.09 16	0.06 52	0.04 2	0.06 31	0.06 83	0.05 36	0.05 43

HH	0.09 8	0.06 17	0.13 111	0.17 109	0.08 46	0.11 79	0.16 172	0.15 24	0.10 6	0.08 5	0.10 37	0.08 24	0.07 30	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

HanStereo	0.09 8	0.06 17	0.13 111	0.17 109	0.08 46	0.11 79	0.16 172	0.15 24	0.10 6	0.08 5	0.10 37	0.08 24	0.07 30	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

gwcnet-sp	0.14 183	0.07 52	0.13 111	0.18 176	0.09 123	0.16 196	0.18 230	0.24 186	0.24 192	0.19 221	0.24 195	0.15 151	0.16 220	0.16 187	0.15 203	0.08 192	0.07 244	0.07 100	0.08 213	0.08 198	0.07 151

scenet	0.14 183	0.07 52	0.13 111	0.18 176	0.09 123	0.16 196	0.18 230	0.24 186	0.24 192	0.19 221	0.24 195	0.15 151	0.16 220	0.16 187	0.15 203	0.08 192	0.07 244	0.07 100	0.08 213	0.08 198	0.07 151

DCRE	0.11 72	0.07 52	0.13 111	0.16 60	0.11 255	0.11 79	0.17 192	0.18 89	0.17 99	0.11 62	0.18 140	0.11 73	0.10 80	0.15 162	0.11 72	0.06 52	0.05 82	0.06 31	0.06 83	0.05 36	0.05 43

riskmin	0.11 72	0.06 17	0.13 111	0.14 11	0.08 46	0.14 154	0.14 76	0.18 89	0.15 68	0.12 80	0.15 92	0.17 181	0.11 104	0.14 148	0.12 122	0.09 234	0.05 82	0.07 100	0.05 32	0.08 198	0.08 214

ssnet	0.14 183	0.07 52	0.13 111	0.18 176	0.09 123	0.16 196	0.18 230	0.24 186	0.24 192	0.19 221	0.24 195	0.15 151	0.16 220	0.16 187	0.15 203	0.08 192	0.07 244	0.07 100	0.08 213	0.08 198	0.07 151

DCANet-4	0.11 72	0.07 52	0.13 111	0.16 60	0.06 2	0.09 36	0.17 192	0.18 89	0.20 141	0.13 104	0.17 120	0.09 39	0.14 191	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

ADStereo(finetuned)	0.10 47	0.06 17	0.13 111	0.16 60	0.06 2	0.09 36	0.17 192	0.16 38	0.20 141	0.13 104	0.18 140	0.10 58	0.12 133	0.12 93	0.12 122	0.06 52	0.04 2	0.05 2	0.04 7	0.05 36	0.05 43

DisPM	0.11 72	0.07 52	0.13 111	0.16 60	0.09 123	0.06 2	0.13 45	0.18 89	0.17 99	0.14 125	0.19 151	0.12 92	0.10 80	0.12 93	0.11 72	0.07 143	0.05 82	0.07 100	0.06 83	0.06 93	0.11 289

IER	0.14 183	0.08 135	0.13 111	0.17 109	0.09 123	0.14 154	0.16 172	0.26 211	0.27 230	0.18 211	0.26 233	0.17 181	0.20 278	0.17 217	0.14 173	0.08 192	0.05 82	0.07 100	0.06 83	0.08 198	0.07 151

iRaft-Stereo_20w	0.09 8	0.05 5	0.13 111	0.14 11	0.09 123	0.12 104	0.15 121	0.19 113	0.11 16	0.11 62	0.08 17	0.08 24	0.05 2	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.06 93	0.05 43

AASNet	0.16 238	0.08 135	0.13 111	0.19 223	0.09 123	0.19 247	0.15 121	0.38 344	0.37 303	0.20 241	0.24 195	0.20 212	0.17 241	0.17 217	0.21 273	0.10 266	0.08 270	0.08 161	0.07 160	0.09 250	0.09 246

PSMNet-ADL	0.15 215	0.12 271	0.13 111	0.22 308	0.09 123	0.13 124	0.20 279	0.26 211	0.23 182	0.18 211	0.20 160	0.23 246	0.17 241	0.18 226	0.18 244	0.09 234	0.08 270	0.08 161	0.11 306	0.08 198	0.07 151

STrans-v2	0.10 47	0.07 52	0.13 111	0.18 176	0.08 46	0.10 57	0.14 76	0.22 154	0.11 16	0.11 62	0.15 92	0.12 92	0.10 80	0.11 42	0.12 122	0.05 2	0.04 2	0.06 31	0.06 83	0.05 36	0.05 43

TransformOpticalFlow	0.10 47	0.08 135	0.13 111	0.18 176	0.07 14	0.09 36	0.15 121	0.19 113	0.16 84	0.12 80	0.16 104	0.11 73	0.11 104	0.11 42	0.11 72	0.05 2	0.04 2	0.06 31	0.06 83	0.05 36	0.05 43

IIG-Stereo	0.11 72	0.06 17	0.13 111	0.17 109	0.08 46	0.11 79	0.12 23	0.22 154	0.18 109	0.14 125	0.17 120	0.12 92	0.13 162	0.12 93	0.13 149	0.06 52	0.05 82	0.07 100	0.06 83	0.06 93	0.05 43

NF-Stereo	0.11 72	0.07 52	0.13 111	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.12 307

ASMatch	0.11 72	0.06 17	0.13 111	0.17 109	0.10 217	0.08 22	0.14 76	0.18 89	0.16 84	0.12 80	0.16 104	0.16 165	0.11 104	0.13 130	0.11 72	0.05 2	0.04 2	0.06 31	0.06 83	0.04 1	0.09 246

RE-Stereo	0.11 72	0.07 52	0.13 111	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.11 289

TVStereo	0.11 72	0.07 52	0.13 111	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.11 289

FENet	0.13 158	0.08 135	0.13 111	0.16 60	0.08 46	0.15 174	0.16 172	0.23 168	0.23 182	0.17 183	0.24 195	0.16 165	0.13 162	0.14 148	0.15 203	0.08 192	0.05 82	0.08 161	0.08 213	0.08 198	0.08 214

cf-r	0.14 183	0.07 52	0.13 111	0.16 60	0.08 46	0.14 154	0.19 265	0.21 135	0.25 208	0.17 183	0.26 233	0.22 235	0.17 241	0.14 148	0.15 203	0.10 266	0.05 82	0.06 31	0.08 213	0.06 93	0.06 98

GANet-RSSM	0.14 183	0.07 52	0.13 111	0.13 6	0.08 46	0.14 154	0.18 230	0.23 168	0.21 154	0.17 183	0.25 221	0.24 255	0.16 220	0.16 187	0.16 220	0.10 266	0.06 189	0.07 100	0.08 213	0.08 198	0.07 151

UCFNet_RVC	0.15 215	0.08 135	0.13 111	0.11 1	0.10 217	0.20 264	0.10 5	0.24 186	0.23 182	0.17 183	0.21 176	0.24 255	0.15 209	0.18 226	0.15 203	0.12 314	0.07 244	0.11 296	0.13 334	0.11 291	0.10 268

iResNet_ROB	0.14 183	0.07 52	0.13 111	0.15 35	0.07 14	0.19 247	0.14 76	0.26 211	0.32 266	0.23 273	0.26 233	0.23 246	0.16 220	0.15 162	0.14 173	0.07 143	0.05 82	0.05 2	0.04 7	0.08 198	0.08 214

11t1	0.12 134	0.07 52	0.14 147	0.14 11	0.08 46	0.17 216	0.15 121	0.19 113	0.15 68	0.15 146	0.15 92	0.17 181	0.16 220	0.15 162	0.13 149	0.08 192	0.05 82	0.06 31	0.05 32	0.08 198	0.07 151

ttt	0.14 183	0.08 135	0.14 147	0.15 35	0.08 46	0.15 174	0.18 230	0.27 223	0.30 254	0.16 173	0.24 195	0.17 181	0.14 191	0.13 130	0.14 173	0.11 291	0.08 270	0.09 229	0.08 213	0.09 250	0.09 246

EKT-Stereo	0.11 72	0.07 52	0.14 147	0.16 60	0.10 217	0.13 124	0.14 76	0.19 113	0.21 154	0.11 62	0.08 17	0.13 114	0.10 80	0.11 42	0.12 122	0.08 192	0.06 189	0.07 100	0.06 83	0.08 198	0.07 151

anonymousa	0.13 158	0.07 52	0.14 147	0.18 176	0.09 123	0.13 124	0.17 192	0.20 124	0.29 249	0.15 146	0.24 195	0.16 165	0.14 191	0.14 148	0.14 173	0.07 143	0.05 82	0.07 100	0.09 252	0.05 36	0.07 151

BUS	0.15 215	0.09 182	0.14 147	0.22 308	0.10 217	0.20 264	0.14 76	0.34 309	0.20 141	0.17 183	0.23 186	0.16 165	0.14 191	0.16 187	0.14 173	0.08 192	0.06 189	0.10 270	0.09 252	0.07 151	0.07 151

BSDual-CNN	0.15 215	0.09 182	0.14 147	0.22 308	0.10 217	0.15 174	0.15 121	0.34 309	0.20 141	0.17 183	0.23 186	0.25 264	0.16 220	0.16 187	0.14 173	0.08 192	0.06 189	0.10 270	0.09 252	0.07 151	0.07 151

hknet	0.15 215	0.11 256	0.14 147	0.22 308	0.11 255	0.15 174	0.15 121	0.34 309	0.26 220	0.17 183	0.23 186	0.22 235	0.18 251	0.17 217	0.13 149	0.07 143	0.06 189	0.10 270	0.09 252	0.07 151	0.07 151

psmg	0.14 183	0.09 182	0.14 147	0.17 109	0.10 217	0.15 174	0.17 192	0.29 258	0.20 141	0.17 183	0.21 176	0.25 264	0.16 220	0.16 187	0.14 173	0.08 192	0.07 244	0.08 161	0.08 213	0.07 151	0.07 151

CSP-Net	0.16 238	0.09 182	0.14 147	0.17 109	0.09 123	0.19 247	0.18 230	0.25 203	0.33 271	0.26 301	0.31 277	0.25 264	0.16 220	0.21 273	0.19 254	0.09 234	0.06 189	0.07 100	0.07 160	0.08 198	0.08 214

GwcNet-ADL	0.13 158	0.08 135	0.14 147	0.20 265	0.09 123	0.12 104	0.20 279	0.30 268	0.25 208	0.14 125	0.14 81	0.18 193	0.14 191	0.13 130	0.15 203	0.07 143	0.05 82	0.06 31	0.05 32	0.07 151	0.06 98

ADLNet2	0.16 238	0.09 182	0.14 147	0.17 109	0.09 123	0.20 264	0.16 172	0.32 285	0.39 313	0.17 183	0.20 160	0.20 212	0.19 265	0.21 273	0.23 296	0.08 192	0.07 244	0.07 100	0.07 160	0.09 250	0.07 151

PFNet+	0.12 134	0.06 17	0.14 147	0.16 60	0.09 123	0.05 1	0.12 23	0.18 89	0.21 154	0.16 173	0.19 151	0.14 130	0.10 80	0.11 42	0.11 72	0.08 192	0.05 82	0.09 229	0.08 213	0.06 93	0.11 289

OMP-Stereo	0.11 72	0.07 52	0.14 147	0.18 176	0.08 46	0.09 36	0.12 23	0.21 135	0.21 154	0.13 104	0.14 81	0.11 73	0.12 133	0.11 42	0.13 149	0.06 52	0.05 82	0.07 100	0.06 83	0.05 36	0.04 4

OCTAStereo	0.11 72	0.07 52	0.14 147	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.11 289

FTStereo	0.12 134	0.07 52	0.14 147	0.18 176	0.09 123	0.07 15	0.15 121	0.22 154	0.18 109	0.12 80	0.24 195	0.11 73	0.13 162	0.13 130	0.14 173	0.05 2	0.05 82	0.07 100	0.07 160	0.06 93	0.10 268

DEmStereo	0.12 134	0.06 17	0.14 147	0.14 11	0.10 217	0.16 196	0.15 121	0.16 38	0.24 192	0.17 183	0.23 186	0.12 92	0.14 191	0.12 93	0.14 173	0.05 2	0.04 2	0.07 100	0.06 83	0.05 36	0.05 43

RAFT-RH_RVC	0.12 134	0.06 17	0.14 147	0.16 60	0.09 123	0.12 104	0.12 23	0.17 65	0.12 26	0.13 104	0.40 332	0.11 73	0.10 80	0.13 130	0.12 122	0.05 2	0.04 2	0.08 161	0.05 32	0.05 36	0.06 98

LMCR-Stereo	0.15 215	0.08 135	0.14 147	0.21 291	0.09 123	0.18 232	0.19 265	0.28 244	0.19 123	0.24 284	0.24 195	0.23 246	0.17 241	0.20 258	0.17 232	0.07 143	0.06 189	0.08 161	0.06 83	0.10 275	0.09 246

xxxx	0.15 215	0.07 52	0.14 147	0.14 11	0.08 46	0.24 304	0.18 230	0.32 285	0.20 141	0.14 125	0.28 258	0.22 235	0.14 191	0.15 162	0.29 345	0.09 234	0.05 82	0.07 100	0.07 160	0.08 198	0.08 214

test_xeample	0.15 215	0.07 52	0.14 147	0.15 35	0.08 46	0.22 287	0.20 279	0.29 258	0.21 154	0.16 173	0.29 268	0.19 197	0.17 241	0.16 187	0.28 338	0.09 234	0.05 82	0.07 100	0.07 160	0.07 151	0.07 151

GMStereo	0.13 158	0.15 311	0.14 147	0.18 176	0.09 123	0.16 196	0.16 172	0.20 124	0.25 208	0.17 183	0.17 120	0.11 73	0.11 104	0.16 187	0.13 149	0.07 143	0.06 189	0.06 31	0.06 83	0.07 151	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 183	0.07 52	0.14 147	0.15 35	0.08 46	0.13 124	0.16 172	0.25 203	0.24 192	0.17 183	0.28 258	0.23 246	0.14 191	0.16 187	0.14 173	0.11 291	0.06 189	0.09 229	0.12 324	0.08 198	0.07 151

DSFCA	0.16 238	0.09 182	0.14 147	0.16 60	0.10 217	0.21 274	0.19 265	0.28 244	0.31 261	0.23 273	0.25 221	0.22 235	0.16 220	0.20 258	0.20 262	0.10 266	0.07 244	0.09 229	0.09 252	0.08 198	0.08 214

TDLM	0.18 270	0.12 271	0.14 147	0.24 333	0.10 217	0.18 232	0.18 230	0.37 337	0.30 254	0.22 259	0.28 258	0.28 286	0.18 251	0.23 297	0.19 254	0.11 291	0.07 244	0.10 270	0.10 283	0.08 198	0.08 214

CVANet_RVC	0.18 270	0.11 256	0.14 147	0.21 291	0.11 255	0.19 247	0.18 230	0.34 309	0.34 281	0.22 259	0.31 277	0.28 286	0.18 251	0.24 307	0.18 244	0.12 314	0.08 270	0.12 313	0.12 324	0.09 250	0.08 214

LE_ROB	0.50 386	0.07 52	0.14 147	0.15 35	0.08 46	0.26 322	0.17 192	0.23 168	1.71 417	4.68 422	0.67 381	0.46 370	0.47 379	0.21 273	0.30 351	0.07 143	0.06 189	0.06 31	0.06 83	0.08 198	0.06 98

MyStereo8	0.12 134	0.07 52	0.15 173	0.15 35	0.09 123	0.18 232	0.14 76	0.19 113	0.22 173	0.12 80	0.18 140	0.11 73	0.10 80	0.16 187	0.18 244	0.07 143	0.05 82	0.07 100	0.05 32	0.08 198	0.09 246

DualNet	0.13 158	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.15 24	0.19 123	0.15 146	0.26 233	0.19 197	0.13 162	0.10 15	0.22 286	0.06 52	0.05 82	0.09 229	0.08 213	0.06 93	0.06 98

ffm	0.12 134	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.15 24	0.19 123	0.15 146	0.26 233	0.19 197	0.13 162	0.10 15	0.08 9	0.06 52	0.05 82	0.09 229	0.08 213	0.06 93	0.06 98

ff1	0.13 158	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.15 24	0.19 123	0.15 146	0.26 233	0.19 197	0.13 162	0.15 162	0.22 286	0.06 52	0.05 82	0.09 229	0.08 213	0.06 93	0.06 98

mmx	0.15 215	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.27 223	0.26 220	0.15 146	0.26 233	0.19 197	0.13 162	0.15 162	0.22 286	0.08 192	0.06 189	0.09 229	0.08 213	0.08 198	0.08 214

xxx	0.15 215	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.27 223	0.26 220	0.15 146	0.26 233	0.19 197	0.13 162	0.15 162	0.22 286	0.08 192	0.06 189	0.09 229	0.08 213	0.08 198	0.08 214

PCWNet_CMD	0.14 183	0.08 135	0.15 173	0.17 109	0.09 123	0.14 154	0.14 76	0.29 258	0.36 299	0.14 125	0.20 160	0.21 219	0.13 162	0.17 217	0.14 173	0.07 143	0.05 82	0.07 100	0.07 160	0.07 151	0.07 151

qqq	0.13 158	0.09 182	0.15 173	0.16 60	0.08 46	0.13 124	0.15 121	0.24 186	0.16 84	0.15 146	0.19 151	0.16 165	0.16 220	0.15 162	0.16 220	0.07 143	0.06 189	0.08 161	0.08 213	0.07 151	0.07 151

x	0.13 158	0.08 135	0.15 173	0.14 11	0.08 46	0.19 247	0.14 76	0.22 154	0.21 154	0.15 146	0.20 160	0.20 212	0.18 251	0.18 226	0.18 244	0.07 143	0.05 82	0.06 31	0.06 83	0.07 151	0.07 151

CRFU-Net	0.16 238	0.08 135	0.15 173	0.17 109	0.09 123	0.20 264	0.14 76	0.27 223	0.21 154	0.28 320	0.28 258	0.29 293	0.18 251	0.19 245	0.18 244	0.09 234	0.09 291	0.07 100	0.07 160	0.08 198	0.09 246

CIPLG	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.13 124	0.15 121	0.17 65	0.16 84	0.14 125	0.11 53	0.16 165	0.10 80	0.17 217	0.12 122	0.07 143	0.05 82	0.06 31	0.06 83	0.05 36	0.06 98

IPLG	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.11 79	0.14 76	0.20 124	0.15 68	0.13 104	0.18 140	0.07 18	0.07 30	0.14 148	0.14 173	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

IPLGR_C	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.12 104	0.15 121	0.17 65	0.15 68	0.14 125	0.11 53	0.16 165	0.10 80	0.16 187	0.12 122	0.07 143	0.05 82	0.06 31	0.06 83	0.05 36	0.06 98

MIPNet	0.11 72	0.08 135	0.15 173	0.17 109	0.09 123	0.12 104	0.14 76	0.21 135	0.25 208	0.12 80	0.10 37	0.09 39	0.07 30	0.13 130	0.13 149	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

ACRE	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.13 124	0.15 121	0.17 65	0.14 56	0.14 125	0.11 53	0.16 165	0.10 80	0.16 187	0.12 122	0.07 143	0.05 82	0.06 31	0.06 83	0.05 36	0.06 98

SACVNet	0.19 279	0.12 271	0.15 173	0.17 109	0.13 304	0.22 287	0.18 230	0.31 281	0.31 261	0.24 284	0.31 277	0.30 300	0.23 296	0.23 297	0.17 232	0.11 291	0.08 270	0.10 270	0.10 283	0.12 304	0.14 330

AACVNet	0.16 238	0.08 135	0.15 173	0.15 35	0.10 217	0.18 232	0.15 121	0.24 186	0.25 208	0.27 308	0.27 248	0.28 286	0.18 251	0.19 245	0.17 232	0.09 234	0.07 244	0.09 229	0.07 160	0.10 275	0.09 246

GANet-ADL	0.13 158	0.07 52	0.15 173	0.17 109	0.10 217	0.19 247	0.15 121	0.30 268	0.21 154	0.13 104	0.18 140	0.19 197	0.13 162	0.16 187	0.14 173	0.08 192	0.06 189	0.06 31	0.05 32	0.07 151	0.08 214

PSM-softLoss	0.12 134	0.07 52	0.15 173	0.17 109	0.09 123	0.08 22	0.12 23	0.24 186	0.17 99	0.15 146	0.19 151	0.13 114	0.11 104	0.11 42	0.11 72	0.07 143	0.05 82	0.08 161	0.07 160	0.07 151	0.12 307

KMStereo	0.12 134	0.07 52	0.15 173	0.17 109	0.09 123	0.08 22	0.12 23	0.24 186	0.17 99	0.15 146	0.19 151	0.13 114	0.11 104	0.11 42	0.11 72	0.07 143	0.05 82	0.08 161	0.07 160	0.07 151	0.12 307

NRIStereo	0.11 72	0.08 135	0.15 173	0.18 176	0.08 46	0.10 57	0.13 45	0.17 65	0.15 68	0.12 80	0.15 92	0.13 114	0.13 162	0.13 130	0.10 45	0.06 52	0.04 2	0.07 100	0.06 83	0.06 93	0.07 151

RAFT_R40	0.11 72	0.07 52	0.15 173	0.18 176	0.09 123	0.06 2	0.13 45	0.17 65	0.15 68	0.14 125	0.18 140	0.15 151	0.12 133	0.10 15	0.11 72	0.06 52	0.04 2	0.09 229	0.06 83	0.06 93	0.05 43

ADLNet	0.16 238	0.08 135	0.15 173	0.16 60	0.10 217	0.16 196	0.17 192	0.33 295	0.27 230	0.23 273	0.27 248	0.24 255	0.16 220	0.18 226	0.21 273	0.10 266	0.06 189	0.10 270	0.10 283	0.08 198	0.09 246

222	0.16 238	0.07 52	0.15 173	0.14 11	0.08 46	0.25 312	0.18 230	0.30 268	0.21 154	0.18 211	0.29 268	0.17 181	0.16 220	0.16 187	0.44 384	0.10 266	0.05 82	0.07 100	0.06 83	0.08 198	0.08 214

SFCPSM	0.13 158	0.07 52	0.15 173	0.17 109	0.09 123	0.15 174	0.16 172	0.28 244	0.27 230	0.14 125	0.18 140	0.12 92	0.13 162	0.14 148	0.11 72	0.08 192	0.05 82	0.07 100	0.07 160	0.07 151	0.06 98

ac_64	0.16 238	0.09 182	0.15 173	0.18 176	0.10 217	0.22 287	0.17 192	0.24 186	0.22 173	0.19 221	0.24 195	0.29 293	0.18 251	0.19 245	0.22 286	0.09 234	0.08 270	0.08 161	0.09 252	0.07 151	0.06 98

ACVNet	0.15 215	0.09 182	0.15 173	0.13 6	0.12 284	0.14 154	0.20 279	0.22 154	0.34 281	0.17 183	0.26 233	0.21 219	0.17 241	0.18 226	0.21 273	0.07 143	0.06 189	0.06 31	0.06 83	0.08 198	0.06 98

CFNet-ft	0.14 183	0.07 52	0.15 173	0.12 3	0.09 123	0.17 216	0.18 230	0.22 154	0.24 192	0.17 183	0.26 233	0.24 255	0.14 191	0.16 187	0.15 203	0.11 291	0.06 189	0.08 161	0.09 252	0.09 250	0.08 214

DIP-Stereo	0.11 72	0.08 135	0.15 173	0.17 109	0.09 123	0.13 124	0.09 3	0.16 38	0.16 84	0.12 80	0.16 104	0.14 130	0.12 133	0.16 187	0.14 173	0.06 52	0.05 82	0.06 31	0.05 32	0.05 36	0.07 151
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 134	0.09 182	0.15 173	0.18 176	0.07 14	0.15 174	0.07 1	0.23 168	0.19 123	0.16 173	0.19 151	0.19 197	0.14 191	0.17 217	0.15 203	0.07 143	0.05 82	0.05 2	0.05 32	0.06 93	0.07 151

RASNet	0.15 215	0.07 52	0.15 173	0.16 60	0.08 46	0.19 247	0.14 76	0.30 268	0.21 154	0.17 183	0.25 221	0.21 219	0.19 265	0.20 258	0.20 262	0.07 143	0.06 189	0.06 31	0.08 213	0.06 93	0.06 98

MSMDNet	0.14 183	0.08 135	0.15 173	0.17 109	0.09 123	0.14 154	0.14 76	0.29 258	0.36 299	0.14 125	0.20 160	0.21 219	0.13 162	0.18 226	0.14 173	0.07 143	0.05 82	0.07 100	0.07 160	0.07 151	0.07 151

CFNet_RVC	0.14 183	0.07 52	0.15 173	0.12 3	0.09 123	0.17 216	0.18 230	0.22 154	0.24 192	0.17 183	0.26 233	0.24 255	0.14 191	0.16 187	0.15 203	0.11 291	0.06 189	0.08 161	0.09 252	0.09 250	0.08 214

HSM	0.15 215	0.09 182	0.15 173	0.16 60	0.09 123	0.16 196	0.14 76	0.28 244	0.25 208	0.20 241	0.24 195	0.37 338	0.17 241	0.20 258	0.15 203	0.07 143	0.05 82	0.07 100	0.06 83	0.07 151	0.06 98

PSMNet_ROB	0.22 304	0.12 271	0.15 173	0.27 356	0.15 329	0.25 312	0.36 382	0.43 366	0.37 303	0.27 308	0.33 293	0.32 319	0.23 296	0.21 273	0.27 331	0.12 314	0.08 270	0.13 326	0.11 306	0.10 275	0.09 246

LL-Strereo2	0.11 72	0.10 237	0.16 208	0.18 176	0.08 46	0.15 174	0.09 3	0.17 65	0.14 56	0.14 125	0.11 53	0.09 39	0.07 30	0.16 187	0.10 45	0.05 2	0.05 82	0.11 296	0.07 160	0.06 93	0.05 43

NINENet	0.16 238	0.10 237	0.16 208	0.17 109	0.11 255	0.20 264	0.14 76	0.41 357	0.37 303	0.18 211	0.21 176	0.16 165	0.14 191	0.16 187	0.14 173	0.08 192	0.08 270	0.10 270	0.07 160	0.10 275	0.09 246

HHNet	0.11 72	0.06 17	0.16 208	0.15 35	0.14 319	0.07 15	0.13 45	0.20 124	0.18 109	0.15 146	0.25 221	0.11 73	0.09 67	0.13 130	0.10 45	0.06 52	0.04 2	0.08 161	0.06 83	0.05 36	0.09 246

SST-Stereo	0.11 72	0.07 52	0.16 208	0.18 176	0.09 123	0.06 2	0.12 23	0.18 89	0.10 6	0.15 146	0.18 140	0.13 114	0.12 133	0.10 15	0.11 72	0.06 52	0.04 2	0.09 229	0.06 83	0.07 151	0.06 98

RAFT-345	0.11 72	0.07 52	0.16 208	0.17 109	0.08 46	0.08 22	0.12 23	0.16 38	0.10 6	0.11 62	0.34 303	0.09 39	0.10 80	0.11 42	0.12 122	0.05 2	0.05 82	0.07 100	0.06 83	0.04 1	0.05 43

CRE-IMP	0.11 72	0.09 182	0.16 208	0.19 223	0.09 123	0.10 57	0.12 23	0.18 89	0.10 6	0.14 125	0.14 81	0.14 130	0.13 162	0.12 93	0.12 122	0.07 143	0.04 2	0.08 161	0.06 83	0.08 198	0.08 214

GEStereo_RVC	0.17 257	0.12 271	0.16 208	0.22 308	0.11 255	0.19 247	0.18 230	0.32 285	0.49 350	0.20 241	0.25 221	0.17 181	0.13 162	0.21 273	0.16 220	0.10 266	0.06 189	0.08 161	0.07 160	0.09 250	0.08 214

CFNet_pseudo	0.14 183	0.08 135	0.16 208	0.16 60	0.09 123	0.13 124	0.14 76	0.27 223	0.34 281	0.15 146	0.21 176	0.22 235	0.13 162	0.18 226	0.14 173	0.07 143	0.05 82	0.08 161	0.06 83	0.07 151	0.07 151

GES	0.14 183	0.08 135	0.16 208	0.15 35	0.10 217	0.13 124	0.13 45	0.28 244	0.26 220	0.17 183	0.24 195	0.19 197	0.14 191	0.16 187	0.14 173	0.08 192	0.08 270	0.07 100	0.06 83	0.08 198	0.09 246

acv_ft	0.15 215	0.09 182	0.16 208	0.19 223	0.10 217	0.16 196	0.17 192	0.25 203	0.34 281	0.19 221	0.26 233	0.21 219	0.17 241	0.18 226	0.19 254	0.07 143	0.06 189	0.06 31	0.06 83	0.08 198	0.06 98

DMCA-RVC	0.17 257	0.10 237	0.16 208	0.24 333	0.11 255	0.19 247	0.18 230	0.26 211	0.24 192	0.21 250	0.27 248	0.25 264	0.27 321	0.18 226	0.21 273	0.12 314	0.08 270	0.13 326	0.10 283	0.10 275	0.08 214

ccs_rob	0.14 183	0.09 182	0.16 208	0.16 60	0.09 123	0.13 124	0.14 76	0.27 223	0.34 281	0.15 146	0.21 176	0.22 235	0.13 162	0.18 226	0.14 173	0.07 143	0.05 82	0.08 161	0.07 160	0.07 151	0.07 151

AdaStereo	0.15 215	0.11 256	0.16 208	0.19 223	0.09 123	0.21 274	0.11 10	0.33 295	0.28 243	0.21 250	0.23 186	0.21 219	0.13 162	0.19 245	0.15 203	0.13 328	0.05 82	0.10 270	0.07 160	0.09 250	0.07 151
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	0.19 279	0.11 256	0.16 208	0.17 109	0.16 341	0.28 338	0.23 313	0.44 370	0.42 326	0.15 146	0.28 258	0.25 264	0.19 265	0.23 297	0.18 244	0.09 234	0.06 189	0.10 270	0.08 213	0.15 345	0.10 268

DeepPruner_ROB	0.16 238	0.11 256	0.16 208	0.17 109	0.10 217	0.17 216	0.15 121	0.32 285	0.21 154	0.19 221	0.21 176	0.22 235	0.19 265	0.21 273	0.16 220	0.13 328	0.09 291	0.09 229	0.10 283	0.11 291	0.11 289

iResNetv2_ROB	0.15 215	0.08 135	0.16 208	0.16 60	0.08 46	0.16 196	0.13 45	0.26 211	0.36 299	0.21 250	0.29 268	0.24 255	0.13 162	0.14 148	0.14 173	0.06 52	0.06 189	0.06 31	0.04 7	0.09 250	0.08 214

StereoDRNet-Refined	0.17 257	0.12 271	0.16 208	0.20 265	0.10 217	0.18 232	0.18 230	0.27 223	0.24 192	0.26 301	0.41 342	0.23 246	0.18 251	0.21 273	0.21 273	0.09 234	0.05 82	0.09 229	0.10 283	0.07 151	0.07 151
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.18 270	0.10 237	0.16 208	0.23 325	0.11 255	0.24 304	0.18 230	0.30 268	0.28 243	0.27 308	0.29 268	0.28 286	0.25 309	0.20 258	0.20 262	0.08 192	0.08 270	0.09 229	0.09 252	0.07 151	0.07 151

SGM_RVC	0.24 327	0.12 271	0.16 208	0.15 35	0.09 123	0.34 354	0.19 265	0.35 324	0.32 266	0.44 372	0.38 322	0.53 379	0.36 361	0.36 360	0.26 326	0.13 328	0.13 344	0.13 326	0.13 334	0.11 291	0.11 289
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
CFNet_ucs	0.15 215	0.09 182	0.17 227	0.16 60	0.11 255	0.14 154	0.14 76	0.30 268	0.34 281	0.16 173	0.24 195	0.23 246	0.14 191	0.18 226	0.15 203	0.09 234	0.06 189	0.08 161	0.07 160	0.09 250	0.09 246

HBP-ISP	0.18 270	0.13 290	0.17 227	0.15 35	0.11 255	0.08 22	0.13 45	0.28 244	0.30 254	0.22 259	0.33 293	0.21 219	0.25 309	0.23 297	0.18 244	0.15 348	0.17 365	0.21 367	0.17 360	0.10 275	0.09 246

UDGNet	0.14 183	0.13 290	0.17 227	0.18 176	0.10 217	0.12 104	0.16 172	0.21 135	0.27 230	0.20 241	0.20 160	0.17 181	0.13 162	0.16 187	0.14 173	0.10 266	0.06 189	0.09 229	0.07 160	0.07 151	0.07 151

dd	0.15 215	0.17 328	0.17 227	0.19 223	0.09 123	0.15 174	0.18 230	0.22 154	0.26 220	0.23 273	0.20 160	0.21 219	0.10 80	0.21 273	0.17 232	0.10 266	0.06 189	0.08 161	0.06 83	0.08 198	0.07 151

IPLGR	0.11 72	0.09 182	0.17 227	0.18 176	0.08 46	0.13 124	0.16 172	0.21 135	0.24 192	0.12 80	0.12 63	0.11 73	0.09 67	0.13 130	0.12 122	0.06 52	0.05 82	0.06 31	0.06 83	0.05 36	0.04 4

Patchmatch Stereo++	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151
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
AAGNet	0.12 134	0.08 135	0.17 227	0.19 223	0.09 123	0.08 22	0.13 45	0.19 113	0.13 42	0.16 173	0.21 176	0.13 114	0.14 191	0.11 42	0.14 173	0.06 52	0.04 2	0.09 229	0.06 83	0.06 93	0.05 43

PSM-adaLoss	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.12 23	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

ROB_FTStereo_v2	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.12 23	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

ROB_FTStereo	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

HUI-Stereo	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

PFNet	0.12 134	0.06 17	0.17 227	0.18 176	0.08 46	0.09 36	0.15 121	0.26 211	0.20 141	0.16 173	0.16 104	0.14 130	0.12 133	0.13 130	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.05 36	0.05 43

DeepStereo_RVC	0.11 72	0.08 135	0.17 227	0.18 176	0.08 46	0.08 22	0.11 10	0.17 65	0.12 26	0.13 104	0.15 92	0.12 92	0.12 133	0.12 93	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.08 214

iGMRVC	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.12 23	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

IRAFT_RVC	0.12 134	0.08 135	0.17 227	0.19 223	0.08 46	0.07 15	0.14 76	0.25 203	0.23 182	0.14 125	0.15 92	0.15 151	0.12 133	0.12 93	0.11 72	0.06 52	0.04 2	0.09 229	0.06 83	0.06 93	0.06 98

iRAFT	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

test-1	0.10 47	0.07 52	0.17 227	0.19 223	0.08 46	0.11 79	0.24 321	0.15 24	0.18 109	0.09 16	0.07 13	0.10 58	0.08 50	0.08 5	0.09 16	0.06 52	0.04 2	0.06 31	0.06 83	0.04 1	0.05 43

RAFT-IKP	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

MMNet	0.17 257	0.10 237	0.17 227	0.20 265	0.11 255	0.27 330	0.20 279	0.26 211	0.42 326	0.22 259	0.30 274	0.22 235	0.20 278	0.18 226	0.20 262	0.06 52	0.06 189	0.07 100	0.07 160	0.08 198	0.07 151

hitnet-ft	0.18 270	0.10 237	0.17 227	0.14 11	0.09 123	0.27 330	0.20 279	0.25 203	0.26 220	0.24 284	0.32 286	0.32 319	0.23 296	0.24 307	0.21 273	0.12 314	0.07 244	0.10 270	0.08 213	0.12 304	0.11 289

DMCA	0.14 183	0.09 182	0.17 227	0.19 223	0.09 123	0.15 174	0.17 192	0.23 168	0.28 243	0.14 125	0.20 160	0.17 181	0.18 251	0.15 162	0.17 232	0.10 266	0.06 189	0.08 161	0.06 83	0.09 250	0.10 268

AF-Net	0.23 317	0.17 328	0.17 227	0.27 356	0.13 304	0.26 322	0.24 321	0.33 295	0.51 355	0.25 297	0.33 293	0.39 349	0.27 321	0.28 326	0.26 326	0.11 291	0.10 312	0.16 351	0.12 324	0.11 291	0.11 289

CFNet	0.15 215	0.11 256	0.17 227	0.17 109	0.08 46	0.19 247	0.10 5	0.29 258	0.26 220	0.19 221	0.24 195	0.24 255	0.18 251	0.18 226	0.15 203	0.08 192	0.06 189	0.09 229	0.10 283	0.08 198	0.07 151

SGM-ForestM	0.33 365	0.12 271	0.17 227	0.16 60	0.11 255	0.42 373	0.20 279	0.43 366	0.53 364	0.53 380	0.57 374	1.41 411	0.44 378	0.42 378	0.29 345	0.14 346	0.16 361	0.16 351	0.16 353	0.12 304	0.13 317

MLCV	0.13 158	0.08 135	0.17 227	0.18 176	0.06 2	0.16 196	0.17 192	0.19 113	0.22 173	0.19 221	0.25 221	0.17 181	0.13 162	0.15 162	0.14 173	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

DN-CSS_ROB	0.13 158	0.13 290	0.17 227	0.18 176	0.10 217	0.16 196	0.08 2	0.22 154	0.19 123	0.17 183	0.23 186	0.13 114	0.13 162	0.13 130	0.14 173	0.05 2	0.05 82	0.10 270	0.10 283	0.08 198	0.06 98

SMFormer	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.17 232	0.08 192	0.05 82	0.07 100	0.06 83	0.08 198	0.07 151

tta	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.17 232	0.08 192	0.05 82	0.07 100	0.06 83	0.06 93	0.06 98

qqq1	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.12 122	0.08 192	0.05 82	0.05 2	0.05 32	0.06 93	0.06 98

fff1	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.12 122	0.08 192	0.05 82	0.05 2	0.05 32	0.06 93	0.06 98

mmm	0.14 183	0.08 135	0.18 253	0.17 109	0.09 123	0.17 216	0.18 230	0.21 135	0.16 84	0.16 173	0.23 186	0.21 219	0.16 220	0.16 187	0.17 232	0.08 192	0.05 82	0.08 161	0.08 213	0.08 198	0.07 151

ssnet_v2	0.17 257	0.10 237	0.18 253	0.17 109	0.11 255	0.21 274	0.22 302	0.34 309	0.25 208	0.23 273	0.23 186	0.27 278	0.19 265	0.22 290	0.21 273	0.11 291	0.10 312	0.09 229	0.09 252	0.08 198	0.08 214

DAS	0.15 215	0.08 135	0.18 253	0.19 223	0.10 217	0.19 247	0.17 192	0.28 244	0.30 254	0.18 211	0.26 233	0.21 219	0.16 220	0.16 187	0.13 149	0.08 192	0.06 189	0.06 31	0.06 83	0.07 151	0.07 151

SepStereo	0.15 215	0.08 135	0.18 253	0.19 223	0.10 217	0.19 247	0.17 192	0.28 244	0.30 254	0.18 211	0.26 233	0.21 219	0.16 220	0.26 316	0.13 149	0.08 192	0.06 189	0.06 31	0.06 83	0.07 151	0.07 151

ARAFT	0.12 134	0.08 135	0.18 253	0.19 223	0.09 123	0.15 174	0.17 192	0.20 124	0.13 42	0.12 80	0.13 74	0.14 130	0.12 133	0.15 162	0.13 149	0.06 52	0.05 82	0.10 270	0.09 252	0.06 93	0.04 4

delet	0.17 257	0.09 182	0.18 253	0.19 223	0.11 255	0.21 274	0.22 302	0.30 268	0.38 309	0.17 183	0.27 248	0.19 197	0.19 265	0.19 245	0.21 273	0.08 192	0.08 270	0.09 229	0.11 306	0.06 93	0.07 151

psm_up	0.19 279	0.10 237	0.18 253	0.21 291	0.11 255	0.17 216	0.19 265	0.38 344	0.34 281	0.22 259	0.28 258	0.29 293	0.25 309	0.20 258	0.22 286	0.09 234	0.10 312	0.11 296	0.11 306	0.08 198	0.08 214

UNet	0.17 257	0.09 182	0.18 253	0.19 223	0.12 284	0.28 338	0.19 265	0.33 295	0.30 254	0.21 250	0.25 221	0.23 246	0.19 265	0.20 258	0.19 254	0.07 143	0.06 189	0.08 161	0.07 160	0.08 198	0.07 151

StereoDRNet	0.19 279	0.11 256	0.18 253	0.22 308	0.11 255	0.22 287	0.22 302	0.37 337	0.34 281	0.24 284	0.28 258	0.30 300	0.19 265	0.20 258	0.21 273	0.10 266	0.08 270	0.11 296	0.09 252	0.09 250	0.07 151

iResNet	0.13 158	0.10 237	0.18 253	0.19 223	0.08 46	0.14 154	0.18 230	0.21 135	0.27 230	0.16 173	0.24 195	0.15 151	0.13 162	0.14 148	0.15 203	0.06 52	0.04 2	0.06 31	0.05 32	0.06 93	0.05 43

NCCL2	0.24 327	0.15 311	0.18 253	0.34 378	0.18 360	0.24 304	0.24 321	0.34 309	0.29 249	0.31 335	0.38 322	0.38 344	0.29 333	0.23 297	0.25 314	0.15 348	0.12 332	0.18 362	0.21 368	0.13 319	0.13 317

MDST_ROB	0.22 304	0.10 237	0.18 253	0.18 176	0.11 255	0.40 371	0.19 265	0.44 370	0.42 326	0.40 360	0.40 332	0.29 293	0.21 283	0.27 318	0.19 254	0.11 291	0.10 312	0.14 337	0.11 306	0.10 275	0.08 214

CBMV_ROB	0.19 279	0.13 290	0.18 253	0.16 60	0.11 255	0.16 196	0.12 23	0.27 223	0.29 249	0.27 308	0.31 277	0.27 278	0.24 303	0.24 307	0.16 220	0.15 348	0.18 367	0.22 371	0.20 366	0.10 275	0.12 307

NOSS_ROB	0.19 279	0.13 290	0.18 253	0.16 60	0.12 284	0.16 196	0.12 23	0.30 268	0.33 271	0.20 241	0.22 185	0.27 278	0.24 303	0.21 273	0.16 220	0.16 360	0.18 367	0.23 372	0.21 368	0.13 319	0.13 317

SGM-Forest	0.20 286	0.14 305	0.18 253	0.20 265	0.13 304	0.21 274	0.22 302	0.33 295	0.31 261	0.24 284	0.29 268	0.28 286	0.20 278	0.23 297	0.18 244	0.15 348	0.16 361	0.15 344	0.14 340	0.13 319	0.12 307
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.20 286	0.15 311	0.18 253	0.18 176	0.10 217	0.20 264	0.11 10	0.30 268	0.31 261	0.29 325	0.31 277	0.31 312	0.23 296	0.28 326	0.19 254	0.13 328	0.15 356	0.17 354	0.16 353	0.10 275	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	0.27 350	0.13 290	0.18 253	0.15 35	0.11 255	0.33 350	0.24 321	0.41 357	0.36 299	0.53 380	0.58 376	0.67 389	0.41 370	0.36 360	0.27 331	0.14 346	0.13 344	0.13 326	0.11 306	0.11 291	0.11 289
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
SDNR	0.20 286	0.09 182	0.19 274	0.16 60	0.12 284	0.79 400	0.13 45	0.26 211	0.33 271	0.19 221	0.25 221	0.19 197	0.12 133	0.19 245	0.15 203	0.16 360	0.18 367	0.14 337	0.11 306	0.08 198	0.12 307

ToySt	0.17 257	0.11 256	0.19 274	0.17 109	0.11 255	0.16 196	0.26 343	0.24 186	0.33 271	0.19 221	0.24 195	0.26 273	0.24 303	0.19 245	0.21 273	0.07 143	0.08 270	0.09 229	0.10 283	0.09 250	0.08 214

HGLStereo	0.17 257	0.09 182	0.19 274	0.17 109	0.12 284	0.18 232	0.18 230	0.31 281	0.33 271	0.22 259	0.33 293	0.24 255	0.18 251	0.20 258	0.21 273	0.10 266	0.09 291	0.07 100	0.07 160	0.09 250	0.10 268

DispNO	0.16 238	0.10 237	0.20 277	0.21 291	0.11 255	0.13 124	0.27 347	0.23 168	0.35 292	0.22 259	0.27 248	0.20 212	0.20 278	0.16 187	0.16 220	0.09 234	0.06 189	0.07 100	0.07 160	0.06 93	0.06 98

fast-acv-ft	0.18 270	0.11 256	0.20 277	0.19 223	0.12 284	0.26 322	0.21 292	0.26 211	0.35 292	0.22 259	0.34 303	0.27 278	0.21 283	0.21 273	0.23 296	0.09 234	0.09 291	0.08 161	0.10 283	0.08 198	0.07 151

UDG	0.21 296	0.17 328	0.20 277	0.23 325	0.15 329	0.31 346	0.20 279	0.33 295	0.35 292	0.24 284	0.28 258	0.31 312	0.29 333	0.21 273	0.23 296	0.15 348	0.12 332	0.13 326	0.09 252	0.14 334	0.15 345

APVNet	0.23 317	0.12 271	0.20 277	0.18 176	0.14 319	0.32 348	0.31 371	0.40 352	0.33 271	0.27 308	0.40 332	0.30 300	0.29 333	0.27 318	0.25 314	0.11 291	0.12 332	0.11 296	0.14 340	0.12 304	0.13 317

GwcNet	0.20 286	0.14 305	0.20 277	0.18 176	0.12 284	0.25 312	0.20 279	0.36 330	0.45 338	0.20 241	0.33 293	0.33 325	0.21 283	0.22 290	0.25 314	0.11 291	0.09 291	0.09 229	0.09 252	0.09 250	0.10 268

XPNet_ROB	0.22 304	0.12 271	0.20 277	0.22 308	0.13 304	0.22 287	0.19 265	0.35 324	0.40 317	0.30 330	0.40 332	0.38 344	0.27 321	0.26 316	0.29 345	0.15 348	0.10 312	0.10 270	0.10 283	0.13 319	0.12 307

pmcnn	0.15 215	0.07 52	0.20 277	0.15 35	0.07 14	0.21 274	0.16 172	0.25 203	0.26 220	0.21 250	0.33 293	0.29 293	0.19 265	0.18 226	0.17 232	0.07 143	0.05 82	0.05 2	0.04 7	0.07 151	0.06 98

whm_eth	0.14 183	0.09 182	0.21 284	0.21 291	0.12 284	0.12 104	0.16 172	0.18 89	0.29 249	0.17 183	0.32 286	0.09 39	0.13 162	0.18 226	0.14 173	0.07 143	0.07 244	0.08 161	0.07 160	0.07 151	0.07 151

dad	0.18 270	0.20 349	0.21 284	0.17 109	0.11 255	0.20 264	0.19 265	0.21 135	0.28 243	0.30 330	0.24 195	0.30 300	0.13 162	0.19 245	0.17 232	0.18 365	0.09 291	0.11 296	0.09 252	0.11 291	0.07 151

RAFT + AFF	0.13 158	0.08 135	0.21 284	0.20 265	0.10 217	0.14 154	0.23 313	0.27 223	0.21 154	0.12 80	0.10 37	0.12 92	0.10 80	0.16 187	0.12 122	0.08 192	0.07 244	0.09 229	0.09 252	0.06 93	0.09 246

stereogan	0.22 304	0.11 256	0.21 284	0.20 265	0.12 284	0.32 348	0.19 265	0.36 330	0.45 338	0.23 273	0.39 329	0.35 334	0.27 321	0.33 348	0.23 296	0.10 266	0.12 332	0.10 270	0.10 283	0.14 334	0.14 330

edge stereo	0.23 317	0.14 305	0.21 284	0.21 291	0.13 304	0.24 304	0.16 172	0.32 285	0.42 326	0.32 342	0.40 332	0.39 349	0.35 358	0.25 312	0.25 314	0.13 328	0.11 324	0.14 337	0.11 306	0.12 304	0.14 330

GANet	0.22 304	0.13 290	0.21 284	0.25 339	0.14 319	0.23 298	0.22 302	0.42 361	0.27 230	0.31 335	0.43 351	0.37 338	0.29 333	0.23 297	0.23 296	0.10 266	0.12 332	0.10 270	0.09 252	0.10 275	0.08 214

DRN-Test	0.20 286	0.11 256	0.21 284	0.22 308	0.10 217	0.22 287	0.22 302	0.40 352	0.38 309	0.24 284	0.33 293	0.26 273	0.22 290	0.22 290	0.25 314	0.11 291	0.07 244	0.11 296	0.10 283	0.09 250	0.08 214

DDUNet	0.23 317	0.18 341	0.22 291	0.22 308	0.15 329	0.25 312	0.24 321	0.30 268	0.31 261	0.31 335	0.37 315	0.34 329	0.26 316	0.25 312	0.21 273	0.18 365	0.13 344	0.17 354	0.11 306	0.16 353	0.17 362

FAT-Stereo	0.21 296	0.13 290	0.22 291	0.21 291	0.12 284	0.18 232	0.18 230	0.35 324	0.40 317	0.28 320	0.37 315	0.33 325	0.33 354	0.21 273	0.20 262	0.09 234	0.11 324	0.10 270	0.09 252	0.11 291	0.14 330

RP	0.22 304	0.13 290	0.22 291	0.23 325	0.12 284	0.21 274	0.20 279	0.26 211	0.45 338	0.22 259	0.38 322	0.37 338	0.25 309	0.28 326	0.25 314	0.11 291	0.12 332	0.13 326	0.12 324	0.13 319	0.14 330

Nwc_Net	0.23 317	0.17 328	0.22 291	0.25 339	0.15 329	0.25 312	0.27 347	0.38 344	0.39 313	0.22 259	0.41 342	0.30 300	0.29 333	0.28 326	0.25 314	0.11 291	0.10 312	0.17 354	0.20 366	0.10 275	0.11 289

RYNet	0.23 317	0.12 271	0.22 291	0.19 223	0.17 351	0.47 376	0.26 343	0.39 349	0.49 350	0.24 284	0.29 268	0.34 329	0.24 303	0.20 258	0.31 355	0.10 266	0.06 189	0.09 229	0.09 252	0.14 334	0.15 345

DISCO	0.20 286	0.09 182	0.22 291	0.17 109	0.10 217	0.25 312	0.18 230	0.28 244	0.45 338	0.23 273	0.32 286	0.34 329	0.26 316	0.29 334	0.29 345	0.08 192	0.06 189	0.07 100	0.07 160	0.09 250	0.10 268

NLCA_NET_v2_RVC	0.17 257	0.10 237	0.23 297	0.20 265	0.10 217	0.15 174	0.18 230	0.31 281	0.25 208	0.21 250	0.31 277	0.25 264	0.17 241	0.21 273	0.20 262	0.09 234	0.06 189	0.08 161	0.09 252	0.07 151	0.08 214
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 286	0.21 354	0.23 297	0.20 265	0.10 217	0.19 247	0.17 192	0.36 330	0.26 220	0.27 308	0.34 303	0.27 278	0.24 303	0.20 258	0.20 262	0.15 348	0.12 332	0.17 354	0.14 340	0.10 275	0.09 246

FBW_ROB	0.25 334	0.17 328	0.23 297	0.27 356	0.14 319	0.26 322	0.22 302	0.42 361	0.43 333	0.42 366	0.41 342	0.43 362	0.27 321	0.32 345	0.24 307	0.09 234	0.15 356	0.15 344	0.12 324	0.12 304	0.10 268

ETE_ROB	0.23 317	0.17 328	0.23 297	0.25 339	0.14 319	0.26 322	0.29 364	0.32 285	0.37 303	0.28 320	0.37 315	0.45 366	0.27 321	0.28 326	0.27 331	0.11 291	0.09 291	0.12 313	0.10 283	0.14 334	0.13 317

LALA_ROB	0.25 334	0.16 319	0.23 297	0.27 356	0.17 351	0.27 330	0.27 347	0.42 361	0.38 309	0.33 346	0.39 329	0.51 376	0.26 316	0.29 334	0.28 338	0.16 360	0.09 291	0.13 326	0.12 324	0.13 319	0.13 317

PWCDC_ROB	0.21 296	0.13 290	0.23 297	0.25 339	0.12 284	0.20 264	0.15 121	0.34 309	0.55 365	0.29 325	0.49 361	0.21 219	0.15 209	0.28 326	0.20 262	0.11 291	0.09 291	0.10 270	0.08 213	0.11 291	0.09 246

sCroCo_RVC	0.12 134	0.09 182	0.24 303	0.24 333	0.11 255	0.19 247	0.14 76	0.17 65	0.15 68	0.10 35	0.13 74	0.12 92	0.07 30	0.14 148	0.11 72	0.08 192	0.08 270	0.08 161	0.08 213	0.05 36	0.07 151

Anonymous	0.14 183	0.10 237	0.24 303	0.23 325	0.13 304	0.18 232	0.23 313	0.20 124	0.19 123	0.14 125	0.12 63	0.11 73	0.13 162	0.17 217	0.13 149	0.08 192	0.07 244	0.08 161	0.08 213	0.12 304	0.10 268

ccnet	0.30 358	0.28 372	0.24 303	0.20 265	0.28 383	0.41 372	0.22 302	0.46 375	0.33 271	0.37 354	0.46 357	0.37 338	0.30 344	0.40 372	0.43 381	0.23 382	0.14 352	0.21 367	0.17 360	0.23 371	0.19 369

WCMA_ROB	0.24 327	0.11 256	0.24 303	0.17 109	0.14 319	0.34 354	0.16 172	0.33 295	0.33 271	0.39 357	0.54 368	0.40 355	0.35 358	0.35 356	0.26 326	0.12 314	0.12 332	0.12 313	0.11 306	0.14 334	0.14 330

GMStereo_Zeroshot	0.16 238	0.13 290	0.25 307	0.20 265	0.10 217	0.17 216	0.13 45	0.30 268	0.25 208	0.23 273	0.32 286	0.25 264	0.11 104	0.19 245	0.14 173	0.09 234	0.06 189	0.11 296	0.06 83	0.12 304	0.08 214

sAnonymous2	0.13 158	0.12 271	0.25 307	0.20 265	0.12 284	0.18 232	0.14 76	0.27 223	0.21 154	0.11 62	0.12 63	0.13 114	0.08 50	0.11 42	0.11 72	0.09 234	0.05 82	0.08 161	0.06 83	0.15 345	0.10 268

CroCo_RVC	0.13 158	0.12 271	0.25 307	0.20 265	0.12 284	0.18 232	0.14 76	0.27 223	0.21 154	0.11 62	0.12 63	0.13 114	0.08 50	0.11 42	0.11 72	0.09 234	0.05 82	0.08 161	0.06 83	0.15 345	0.10 268

S-Stereo	0.21 296	0.12 271	0.25 307	0.21 291	0.13 304	0.21 274	0.19 265	0.33 295	0.45 338	0.23 273	0.36 312	0.28 286	0.29 333	0.20 258	0.23 296	0.09 234	0.12 332	0.10 270	0.10 283	0.13 319	0.14 330

MaskLacGwcNet_RVC	0.22 304	0.21 354	0.25 307	0.26 349	0.11 255	0.24 304	0.14 76	0.39 349	0.24 192	0.32 342	0.36 312	0.30 300	0.21 283	0.19 245	0.22 286	0.17 364	0.14 352	0.21 367	0.16 353	0.13 319	0.12 307

NaN_ROB	0.23 317	0.20 349	0.25 307	0.25 339	0.13 304	0.31 346	0.27 347	0.34 309	0.41 324	0.31 335	0.31 277	0.32 319	0.23 296	0.31 341	0.22 286	0.11 291	0.17 365	0.10 270	0.11 306	0.08 198	0.09 246

pcwnet_v2	0.19 279	0.11 256	0.26 313	0.18 176	0.14 319	0.18 232	0.15 121	0.37 337	0.46 346	0.19 221	0.24 195	0.21 219	0.19 265	0.21 273	0.20 262	0.13 328	0.10 312	0.10 270	0.10 283	0.11 291	0.13 317

MSMD_ROB	0.31 363	0.26 369	0.26 313	0.24 333	0.21 369	0.34 354	0.25 337	0.34 309	0.39 313	0.40 360	0.69 384	0.45 366	0.41 370	0.34 351	0.28 338	0.20 373	0.20 373	0.26 374	0.25 377	0.23 371	0.22 376

CBFPSM	0.15 215	0.07 52	0.27 315	0.17 109	0.09 123	0.13 124	0.15 121	0.22 154	0.23 182	0.20 241	0.27 248	0.23 246	0.16 220	0.16 187	0.19 254	0.06 52	0.06 189	0.06 31	0.07 160	0.07 151	0.07 151

PWC_ROB	0.21 296	0.16 319	0.27 315	0.18 176	0.11 255	0.22 287	0.13 45	0.33 295	0.49 350	0.30 330	0.40 332	0.32 319	0.25 309	0.31 341	0.23 296	0.10 266	0.07 244	0.11 296	0.08 213	0.11 291	0.10 268

Anonymous_2	0.22 304	0.17 328	0.28 317	0.15 35	0.16 341	0.33 350	0.22 302	0.23 168	0.18 109	0.23 273	0.24 195	0.26 273	0.27 321	0.27 318	0.24 307	0.22 377	0.26 386	0.17 354	0.17 360	0.16 353	0.18 364

FINET	0.22 304	0.18 341	0.28 317	0.19 223	0.16 341	0.24 304	0.24 321	0.33 295	0.49 350	0.26 301	0.33 293	0.22 235	0.23 296	0.23 297	0.18 244	0.18 365	0.16 361	0.11 296	0.10 283	0.15 345	0.14 330

FCDSN-DC	0.33 365	0.28 372	0.28 317	0.30 371	0.24 374	0.39 370	0.28 354	0.43 366	0.42 326	0.44 372	0.53 367	0.51 376	0.42 373	0.37 364	0.30 351	0.21 375	0.20 373	0.27 377	0.26 378	0.25 380	0.25 380
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
STTStereo	0.18 270	0.13 290	0.28 317	0.20 265	0.11 255	0.16 196	0.21 292	0.29 258	0.23 182	0.22 259	0.30 274	0.29 293	0.18 251	0.20 258	0.20 262	0.12 314	0.11 324	0.11 296	0.14 340	0.09 250	0.08 214

MANE	0.47 384	0.28 372	0.28 317	0.27 356	0.24 374	0.50 377	0.32 379	0.57 387	0.62 378	0.74 394	1.20 412	1.21 404	0.64 393	0.54 387	0.39 375	0.22 377	0.20 373	0.27 377	0.31 386	0.26 382	0.25 380

FC-DCNN	0.33 365	0.28 372	0.28 317	0.26 349	0.23 372	0.38 368	0.29 364	0.40 352	0.44 335	0.46 375	0.56 370	0.51 376	0.41 370	0.38 368	0.31 355	0.21 375	0.20 373	0.27 377	0.26 378	0.25 380	0.24 379

CSAN	0.30 358	0.24 363	0.28 317	0.34 378	0.19 364	0.34 354	0.42 390	0.38 344	0.51 355	0.38 356	0.40 332	0.44 365	0.34 355	0.29 334	0.31 355	0.19 369	0.16 361	0.19 364	0.19 365	0.14 334	0.15 345

PDISCO_ROB	0.28 352	0.16 319	0.28 317	0.28 362	0.20 367	0.33 350	0.27 347	0.45 372	0.58 371	0.28 320	0.41 342	0.45 366	0.30 344	0.34 351	0.35 366	0.12 314	0.09 291	0.17 354	0.16 353	0.17 360	0.13 317

Syn2CoEx	0.22 304	0.16 319	0.29 325	0.29 369	0.15 329	0.26 322	0.21 292	0.34 309	0.32 266	0.29 325	0.36 312	0.28 286	0.25 309	0.20 258	0.25 314	0.16 360	0.12 332	0.14 337	0.11 306	0.09 250	0.08 214

RGC	0.25 334	0.20 349	0.29 325	0.28 362	0.16 341	0.22 287	0.23 313	0.33 295	0.44 335	0.27 308	0.40 332	0.38 344	0.28 330	0.37 364	0.23 296	0.11 291	0.13 344	0.17 354	0.17 360	0.15 345	0.16 354

DANet	0.21 296	0.16 319	0.29 325	0.25 339	0.13 304	0.23 298	0.19 265	0.28 244	0.27 230	0.28 320	0.32 286	0.35 334	0.32 352	0.31 341	0.24 307	0.11 291	0.09 291	0.11 296	0.10 283	0.13 319	0.11 289
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANetREF_RVC	0.31 363	0.34 382	0.29 325	0.35 380	0.16 341	0.33 350	0.42 390	0.48 377	0.52 361	0.35 347	0.35 308	0.34 329	0.32 352	0.40 372	0.33 363	0.27 386	0.20 373	0.29 383	0.15 351	0.19 366	0.18 364
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
SANet	0.25 334	0.14 305	0.29 325	0.21 291	0.11 255	0.29 340	0.25 337	0.40 352	0.65 382	0.36 349	0.40 332	0.42 359	0.27 321	0.27 318	0.25 314	0.12 314	0.09 291	0.10 270	0.09 252	0.13 319	0.12 307

Wz-Net-LNSev-Ref	0.18 270	0.09 182	0.30 330	0.15 35	0.11 255	0.23 298	0.20 279	0.27 223	0.40 317	0.26 301	0.43 351	0.25 264	0.15 209	0.21 273	0.20 262	0.07 143	0.05 82	0.06 31	0.05 32	0.10 275	0.09 246

MFN_U_SF_DS_RVC	0.30 358	0.24 363	0.30 330	0.36 382	0.16 341	0.36 362	0.31 371	0.34 309	0.43 333	0.41 364	0.46 357	0.38 344	0.30 344	0.35 356	0.29 345	0.19 369	0.20 373	0.26 374	0.29 383	0.18 362	0.19 369

RTSC	0.23 317	0.13 290	0.30 330	0.21 291	0.13 304	0.29 340	0.17 192	0.36 330	0.68 383	0.27 308	0.34 303	0.30 300	0.22 290	0.32 345	0.31 355	0.10 266	0.08 270	0.09 229	0.10 283	0.13 319	0.14 330

SQANet	0.24 327	0.24 363	0.31 333	0.31 373	0.19 364	0.27 330	0.13 45	0.30 268	0.33 271	0.25 297	0.37 315	0.31 312	0.22 290	0.27 318	0.23 296	0.15 348	0.10 312	0.21 367	0.16 353	0.22 369	0.16 354

NCC-stereo	0.25 334	0.15 311	0.31 333	0.26 349	0.17 351	0.21 274	0.31 371	0.41 357	0.40 317	0.24 284	0.38 322	0.33 325	0.29 333	0.37 364	0.28 338	0.13 328	0.11 324	0.15 344	0.22 371	0.13 319	0.13 317

Abc-Net	0.25 334	0.15 311	0.31 333	0.26 349	0.17 351	0.21 274	0.31 371	0.41 357	0.40 317	0.24 284	0.38 322	0.33 325	0.29 333	0.37 364	0.28 338	0.13 328	0.11 324	0.15 344	0.22 371	0.13 319	0.13 317
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 345	0.15 311	0.31 333	0.24 333	0.18 360	0.23 298	0.15 121	0.39 349	0.72 388	0.32 342	0.42 348	0.36 336	0.29 333	0.33 348	0.30 351	0.13 328	0.11 324	0.14 337	0.13 334	0.16 353	0.20 372

FADNet-RVC-Resample	0.17 257	0.12 271	0.32 337	0.22 308	0.12 284	0.19 247	0.14 76	0.25 203	0.24 192	0.24 284	0.27 248	0.20 212	0.15 209	0.17 217	0.16 220	0.07 143	0.08 270	0.12 313	0.10 283	0.09 250	0.11 289

Wz-Net-MNSev	0.23 317	0.13 290	0.33 338	0.20 265	0.15 329	0.36 362	0.25 337	0.34 309	0.45 338	0.29 325	0.41 342	0.39 349	0.19 265	0.25 312	0.27 331	0.09 234	0.07 244	0.09 229	0.09 252	0.12 304	0.10 268

DPSNet	0.28 352	0.16 319	0.33 338	0.18 176	0.13 304	0.55 382	0.42 390	0.52 382	0.68 383	0.29 325	0.38 322	0.39 349	0.30 344	0.32 345	0.23 296	0.11 291	0.10 312	0.11 296	0.08 213	0.20 368	0.16 354

ELAS_RVC	0.42 377	0.29 378	0.33 338	0.28 362	0.24 374	0.56 383	0.38 385	0.50 379	0.61 375	0.74 394	0.76 391	0.67 389	0.56 387	0.55 388	0.42 380	0.22 377	0.21 380	0.27 377	0.26 378	0.27 384	0.26 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
GASNet	0.22 304	0.24 363	0.34 341	0.26 349	0.17 351	0.27 330	0.16 172	0.45 372	0.42 326	0.27 308	0.24 195	0.30 300	0.16 220	0.27 318	0.18 244	0.12 314	0.09 291	0.12 313	0.11 306	0.16 353	0.08 214

Anonymous3	0.16 238	0.14 305	0.34 341	0.26 349	0.14 319	0.27 330	0.18 230	0.28 244	0.28 243	0.15 146	0.17 120	0.14 130	0.11 104	0.16 187	0.12 122	0.08 192	0.08 270	0.08 161	0.08 213	0.08 198	0.11 289

DGSMNet	0.25 334	0.19 344	0.34 341	0.21 291	0.24 374	0.24 304	0.21 292	0.36 330	0.42 326	0.25 297	0.32 286	0.38 344	0.21 283	0.29 334	0.24 307	0.13 328	0.11 324	0.14 337	0.16 353	0.23 371	0.23 378

SAMSARA	0.41 375	0.28 372	0.34 341	0.55 395	0.39 389	0.85 403	1.25 418	0.49 378	0.52 361	0.36 349	0.35 308	0.56 381	0.39 365	0.39 369	0.41 378	0.15 348	0.20 373	0.15 344	0.14 340	0.23 371	0.21 373

PA-Net	0.24 327	0.18 341	0.34 341	0.28 362	0.22 371	0.22 287	0.39 387	0.29 258	0.39 313	0.22 259	0.33 293	0.25 264	0.26 316	0.21 273	0.25 314	0.10 266	0.23 384	0.15 344	0.22 371	0.09 250	0.13 317
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
ELAS	0.42 377	0.29 378	0.34 341	0.28 362	0.24 374	0.63 387	0.37 383	0.52 382	0.52 361	0.72 391	0.82 395	0.68 391	0.56 387	0.52 384	0.45 387	0.22 377	0.21 380	0.27 377	0.26 378	0.26 382	0.26 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
psmorigin	0.25 334	0.16 319	0.35 347	0.17 109	0.13 304	0.24 304	0.14 76	0.34 309	0.34 281	0.41 364	0.55 369	0.41 357	0.38 364	0.35 356	0.28 338	0.11 291	0.15 356	0.11 296	0.11 306	0.12 304	0.17 362

ADCP+	0.20 286	0.10 237	0.35 347	0.21 291	0.12 284	0.22 287	0.27 347	0.31 281	0.35 292	0.26 301	0.37 315	0.22 235	0.22 290	0.27 318	0.28 338	0.09 234	0.06 189	0.08 161	0.08 213	0.10 275	0.10 268

CC-Net-ROB	0.28 352	0.31 380	0.36 349	0.30 371	0.15 329	0.25 312	0.19 265	0.45 372	0.34 281	0.39 357	0.37 315	0.39 349	0.31 349	0.27 318	0.27 331	0.24 384	0.18 367	0.30 385	0.23 375	0.19 366	0.15 345

FADNet	0.21 296	0.23 360	0.37 350	0.18 176	0.17 351	0.25 312	0.13 45	0.32 285	0.32 266	0.23 273	0.25 221	0.27 278	0.21 283	0.19 245	0.16 220	0.13 328	0.15 356	0.12 313	0.15 351	0.17 360	0.18 364

G-Net	0.25 334	0.17 328	0.38 351	0.23 325	0.16 341	0.51 379	0.23 313	0.29 258	0.35 292	0.36 349	0.38 322	0.31 312	0.29 333	0.28 326	0.27 331	0.11 291	0.09 291	0.12 313	0.10 283	0.16 353	0.14 330

AnyNet_C32	0.26 345	0.16 319	0.39 352	0.20 265	0.17 351	0.26 322	0.31 371	0.32 285	0.45 338	0.31 335	0.50 363	0.30 300	0.34 355	0.41 377	0.36 367	0.12 314	0.12 332	0.12 313	0.14 340	0.14 334	0.15 345

STTRV1_RVC	0.25 334	0.26 369	0.39 352	0.19 223	0.26 381	0.30 343	0.24 321	0.35 324	0.35 292	0.36 349	0.34 303	0.31 312	0.31 349	0.28 326	0.25 314	0.18 365	0.10 312	0.16 351	0.14 340	0.18 362	0.12 307

FADNet-RVC	0.21 296	0.20 349	0.40 354	0.21 291	0.16 341	0.21 274	0.15 121	0.27 223	0.27 230	0.26 301	0.32 286	0.26 273	0.21 283	0.22 290	0.19 254	0.12 314	0.13 344	0.12 313	0.14 340	0.13 319	0.18 364

PVD	0.40 374	0.21 354	0.40 354	0.32 376	0.23 372	0.30 343	0.45 394	0.53 384	0.97 401	0.55 382	0.80 394	0.54 380	0.60 391	0.53 386	0.40 377	0.19 369	0.14 352	0.17 354	0.14 340	0.24 378	0.32 390

Wz-Net-LNSev	0.22 304	0.16 319	0.41 356	0.22 308	0.13 304	0.25 312	0.24 321	0.33 295	0.44 335	0.30 330	0.42 348	0.32 319	0.19 265	0.23 297	0.27 331	0.10 266	0.09 291	0.08 161	0.08 213	0.12 304	0.11 289

FADNet_RVC	0.17 257	0.14 305	0.41 356	0.20 265	0.11 255	0.13 124	0.13 45	0.27 223	0.22 173	0.21 250	0.23 186	0.20 212	0.18 251	0.15 162	0.17 232	0.08 192	0.08 270	0.12 313	0.09 252	0.11 291	0.10 268

ADCMid	0.26 345	0.15 311	0.42 358	0.20 265	0.14 319	0.25 312	0.26 343	0.35 324	0.40 317	0.37 354	0.45 355	0.34 329	0.42 373	0.36 360	0.36 367	0.10 266	0.09 291	0.11 296	0.11 306	0.13 319	0.13 317

ADCRef	0.20 286	0.12 271	0.43 359	0.20 265	0.12 284	0.23 298	0.18 230	0.32 285	0.37 303	0.26 301	0.33 293	0.18 193	0.23 296	0.25 312	0.26 326	0.07 143	0.06 189	0.09 229	0.09 252	0.08 198	0.09 246

DeepPrunerF	0.24 327	0.17 328	0.45 360	0.26 349	0.16 341	0.23 298	0.29 364	0.37 337	0.51 355	0.27 308	0.31 277	0.24 255	0.28 330	0.22 290	0.23 296	0.15 348	0.11 324	0.20 366	0.18 364	0.12 304	0.14 330

iinet-f	0.17 257	0.07 52	0.46 361	0.14 11	0.10 217	0.21 274	0.14 76	0.27 223	0.23 182	0.22 259	0.25 221	0.21 219	0.16 220	0.18 226	0.22 286	0.09 234	0.07 244	0.07 100	0.06 83	0.09 250	0.10 268

Wz-Net-SNSev	0.26 345	0.17 328	0.46 361	0.25 339	0.14 319	0.26 322	0.24 321	0.38 344	0.57 368	0.30 330	0.56 370	0.39 349	0.26 316	0.24 307	0.32 360	0.10 266	0.09 291	0.10 270	0.11 306	0.11 291	0.11 289

Consistency-Raft	0.44 379	0.40 388	0.46 361	0.37 383	0.43 392	0.42 373	0.41 388	0.57 387	0.55 365	0.32 342	0.73 388	0.32 319	0.50 382	0.42 378	0.49 390	0.39 392	0.36 392	0.45 392	0.52 402	0.42 392	0.30 388

NVStereoNet_ROB	0.47 384	0.37 385	0.47 364	0.42 387	0.29 386	0.35 358	0.35 381	0.50 379	0.61 375	0.73 392	0.94 399	0.70 393	0.68 395	0.48 381	0.62 398	0.22 377	0.33 391	0.34 387	0.34 390	0.30 385	0.31 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ADCS	0.30 358	0.19 344	0.48 365	0.21 291	0.18 360	0.29 340	0.24 321	0.42 361	0.64 380	0.40 360	0.50 363	0.40 355	0.37 362	0.40 372	0.43 381	0.13 328	0.13 344	0.13 326	0.14 340	0.16 353	0.16 354

ADCL	0.25 334	0.12 271	0.49 366	0.22 308	0.12 284	0.36 362	0.29 364	0.30 268	0.57 368	0.24 284	0.47 359	0.30 300	0.31 349	0.30 340	0.30 351	0.09 234	0.07 244	0.09 229	0.09 252	0.10 275	0.10 268

PASM	0.33 365	0.25 368	0.51 367	0.28 362	0.27 382	0.30 343	0.31 371	0.35 324	0.51 355	0.36 349	0.40 332	0.47 373	0.35 358	0.34 351	0.36 367	0.23 382	0.26 386	0.26 374	0.28 382	0.23 371	0.21 373

Anonymous Stereo	0.24 327	0.19 344	0.52 368	0.25 339	0.18 360	0.21 274	0.22 302	0.34 309	0.45 338	0.25 297	0.35 308	0.26 273	0.19 265	0.31 341	0.29 345	0.13 328	0.12 332	0.12 313	0.13 334	0.12 304	0.14 330

otaku	0.39 372	0.38 386	0.53 369	0.44 388	0.28 383	0.57 384	0.24 321	0.42 361	0.62 378	0.40 360	0.50 363	0.46 370	0.34 355	0.40 372	0.33 363	0.30 387	0.30 390	0.39 389	0.33 388	0.30 385	0.29 386

XQC	0.29 355	0.23 360	0.53 369	0.29 369	0.19 364	0.36 362	0.28 354	0.37 337	0.58 371	0.31 335	0.31 277	0.37 338	0.30 344	0.39 369	0.39 375	0.13 328	0.09 291	0.15 344	0.12 324	0.18 362	0.18 364

Ntro	0.41 375	0.40 388	0.54 371	0.46 392	0.30 387	0.64 388	0.24 321	0.47 376	0.68 383	0.42 366	0.49 361	0.47 373	0.42 373	0.40 372	0.32 360	0.32 389	0.28 388	0.37 388	0.31 386	0.33 390	0.29 386

ACVNet-4b	0.39 372	0.53 392	0.56 372	0.45 389	0.24 374	0.46 375	0.18 230	0.50 379	0.64 380	0.42 366	0.45 355	0.60 383	0.27 321	0.34 351	0.24 307	0.33 390	0.14 352	0.48 393	0.42 393	0.31 388	0.27 385

MSC_U_SF_DS_RVC	0.44 379	0.39 387	0.56 372	0.40 384	0.20 367	0.66 390	0.33 380	0.54 385	0.72 388	0.71 390	0.72 387	0.62 384	0.55 385	0.52 384	0.47 388	0.20 373	0.19 372	0.29 383	0.30 385	0.24 378	0.19 369

WAO-7	0.80 401	0.78 405	0.57 374	0.85 406	0.67 408	0.76 399	0.69 409	1.07 412	1.30 409	0.90 402	1.20 412	1.05 400	0.93 406	0.71 397	0.68 401	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.59 404

aanetorigin	0.22 304	0.17 328	0.57 374	0.18 176	0.10 217	0.16 196	0.19 265	0.20 124	0.33 271	0.49 377	0.48 360	0.30 300	0.28 330	0.21 273	0.24 307	0.08 192	0.07 244	0.08 161	0.07 160	0.10 275	0.09 246

SuperB	0.20 286	0.10 237	0.57 374	0.16 60	0.09 123	0.19 247	0.18 230	0.25 203	0.51 355	0.27 308	0.39 329	0.17 181	0.22 290	0.22 290	0.21 273	0.08 192	0.06 189	0.06 31	0.06 83	0.12 304	0.11 289

MFN_U_SF_RVC	0.33 365	0.22 358	0.58 377	0.31 373	0.15 329	0.36 362	0.17 192	0.54 385	0.46 346	0.47 376	0.56 370	0.58 382	0.39 365	0.36 360	0.38 374	0.15 348	0.15 356	0.18 362	0.21 368	0.16 353	0.16 354

ACVNet_1	0.45 381	0.51 391	0.61 378	0.45 389	0.28 383	0.50 377	0.28 354	0.58 392	0.71 387	0.63 385	0.59 378	0.74 394	0.50 382	0.50 382	0.36 367	0.26 385	0.25 385	0.39 389	0.29 383	0.32 389	0.25 380

ADCPNet	0.26 345	0.17 328	0.62 379	0.21 291	0.15 329	0.36 362	0.25 337	0.33 295	0.37 303	0.31 335	0.41 342	0.36 336	0.29 333	0.29 334	0.34 365	0.12 314	0.10 312	0.11 296	0.12 324	0.14 334	0.13 317

LSM	0.34 370	0.21 354	0.62 379	0.27 356	0.62 405	0.35 358	0.26 343	0.43 366	0.49 350	0.45 374	0.60 379	0.42 359	0.37 362	0.35 356	0.26 326	0.13 328	0.21 380	0.14 337	0.16 353	0.18 362	0.34 392

WAO-6	0.82 402	0.81 406	0.63 381	0.87 408	0.63 406	0.79 400	0.60 402	0.98 408	1.52 416	0.91 404	0.97 401	1.08 401	1.04 410	0.72 398	0.70 404	0.72 408	0.49 401	0.91 411	0.71 409	0.70 406	0.59 404

anonymity	0.53 387	0.58 393	0.66 382	0.41 385	0.61 404	0.54 381	0.41 388	0.57 387	0.41 324	0.56 383	0.50 363	0.50 375	0.55 385	0.59 393	0.50 391	0.58 403	0.50 404	0.51 395	0.51 400	0.52 394	0.58 401

MFMNet_re	0.65 392	0.66 400	0.66 382	0.51 393	0.69 409	0.70 393	0.58 400	0.65 396	0.75 392	0.61 384	0.73 388	0.63 385	0.68 395	0.65 396	0.60 397	0.66 407	0.58 413	0.63 399	0.59 403	0.68 404	0.69 411

DispFullNet	0.27 350	0.22 358	0.66 382	0.28 362	0.17 351	0.27 330	0.17 192	0.34 309	0.57 368	0.27 308	0.37 315	0.43 362	0.24 303	0.39 369	0.25 314	0.12 314	0.06 189	0.19 364	0.11 306	0.23 371	0.16 354

SPS-STEREO	0.58 391	0.59 395	0.66 382	0.45 389	0.55 398	0.65 389	0.44 393	0.63 394	0.51 355	0.69 388	0.65 380	0.66 388	0.58 390	0.62 394	0.62 398	0.62 406	0.47 399	0.51 395	0.49 397	0.55 397	0.58 401
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-8	0.92 406	0.83 407	0.67 386	0.94 411	0.70 410	0.92 406	0.68 407	1.08 414	1.80 419	1.06 410	1.42 416	1.29 406	1.08 412	0.86 404	0.80 407	0.74 410	0.54 407	0.86 409	0.75 410	0.71 407	0.63 408

Venus	0.92 406	0.83 407	0.67 386	0.94 411	0.70 410	0.92 406	0.68 407	1.08 414	1.80 419	1.06 410	1.42 416	1.29 406	1.08 412	0.86 404	0.80 407	0.74 410	0.54 407	0.86 409	0.75 410	0.71 407	0.63 408

SGM+DAISY	0.57 390	0.58 393	0.67 386	0.41 385	0.55 398	0.68 392	0.51 396	0.57 387	0.46 346	0.67 386	0.70 385	0.69 392	0.57 389	0.64 395	0.58 396	0.59 404	0.49 401	0.50 394	0.50 399	0.52 394	0.59 404

BEATNet-Init1	0.54 388	0.28 372	0.68 389	0.31 373	0.21 369	0.85 403	0.31 371	0.57 387	0.69 386	0.89 401	1.00 402	2.17 419	0.66 394	0.58 392	0.44 384	0.19 369	0.18 367	0.23 372	0.22 371	0.22 369	0.21 373

IMH-64-1	0.66 393	0.62 397	0.69 390	0.72 399	0.51 395	0.60 385	0.51 396	0.92 402	0.84 396	0.75 397	1.02 403	0.81 395	0.78 400	0.80 400	0.50 391	0.43 394	0.46 395	0.72 401	0.48 395	0.55 397	0.40 395

IMH-64	0.66 393	0.62 397	0.69 390	0.72 399	0.51 395	0.60 385	0.51 396	0.92 402	0.84 396	0.75 397	1.02 403	0.81 395	0.78 400	0.80 400	0.50 391	0.43 394	0.46 395	0.72 401	0.48 395	0.55 397	0.40 395

Wz-Net-TNSev	0.29 355	0.20 349	0.69 390	0.19 223	0.15 329	0.38 368	0.27 347	0.36 330	0.56 367	0.35 347	0.42 348	0.45 366	0.39 365	0.33 348	0.31 355	0.13 328	0.13 344	0.10 270	0.12 324	0.15 345	0.15 345

IMH	0.72 396	0.65 399	0.70 393	0.77 401	0.54 397	0.71 394	0.56 399	0.99 410	1.08 403	0.82 400	1.09 406	0.89 397	0.88 404	0.88 408	0.53 395	0.44 397	0.50 404	0.75 404	0.51 400	0.58 400	0.42 398

ACVNet_2	0.67 395	0.68 401	0.70 393	0.64 397	0.41 390	0.75 398	0.50 395	0.98 408	1.38 412	0.90 402	1.09 406	1.04 399	0.74 398	0.55 388	0.48 389	0.43 394	0.40 394	0.53 397	0.45 394	0.48 393	0.36 394

RainbowNet	0.54 388	0.61 396	0.71 395	0.57 396	0.43 392	0.66 390	0.37 383	0.60 393	0.87 398	0.51 378	0.67 381	0.63 385	0.47 379	0.50 382	0.44 384	0.47 398	0.48 400	0.53 397	0.41 392	0.53 396	0.41 397

TorneroNet-64	0.76 399	0.73 403	0.77 396	0.78 403	0.58 403	0.94 408	0.58 400	0.85 401	1.26 407	0.67 386	0.88 397	1.41 411	0.76 399	0.87 406	0.68 401	0.49 399	0.46 395	0.73 403	0.59 403	0.68 404	0.54 400

Dean	0.88 405	0.88 410	0.81 397	0.82 405	0.57 401	0.91 405	0.62 403	1.17 417	1.71 417	1.15 412	1.16 410	1.31 408	1.00 409	0.82 402	0.83 410	0.57 401	0.56 410	0.78 407	0.65 406	0.67 403	0.58 401

ktn	1.02 411	1.23 417	0.82 398	1.24 417	0.86 415	1.00 411	0.86 412	0.96 406	1.37 411	1.05 408	1.12 409	1.16 403	1.06 411	0.95 411	0.62 398	1.28 420	0.71 416	1.39 420	0.83 413	1.06 417	0.77 414

WZ-Net	0.29 355	0.17 328	0.82 398	0.23 325	0.16 341	0.35 358	0.29 364	0.40 352	0.59 373	0.24 284	0.57 374	0.37 338	0.25 309	0.34 351	0.37 371	0.09 234	0.08 270	0.09 229	0.10 283	0.14 334	0.16 354

TorneroNet	0.83 403	0.75 404	0.83 400	0.85 406	0.63 406	1.03 412	0.65 404	0.96 406	1.14 405	0.80 399	1.10 408	1.36 409	0.88 404	0.95 411	0.82 409	0.57 401	0.49 401	0.79 408	0.66 407	0.74 410	0.64 410

LVE	0.84 404	0.87 409	0.86 401	0.81 404	0.56 400	1.09 414	0.66 405	1.07 412	1.45 414	0.97 406	1.23 414	1.11 402	0.86 403	0.84 403	0.72 405	0.49 399	0.56 410	0.76 405	0.60 405	0.66 402	0.60 407

DPSimNet_ROB	1.14 413	1.25 418	0.87 402	1.15 416	0.90 416	1.15 415	1.18 417	1.20 418	1.26 407	1.45 416	1.05 405	1.44 414	1.13 414	0.92 410	1.70 417	1.47 421	0.52 406	1.22 418	1.04 419	0.92 414	1.03 419

KSHMR	1.10 412	1.19 416	0.90 403	1.26 419	1.00 418	0.99 409	0.96 415	1.13 416	1.35 410	1.16 413	1.28 415	1.40 410	0.97 408	1.03 414	0.93 411	1.03 417	1.08 419	1.20 417	1.03 418	1.03 416	0.98 418

PWCK	0.72 396	0.95 411	0.99 404	0.77 401	0.32 388	0.79 400	0.38 385	0.92 402	0.90 399	0.96 405	0.76 391	0.97 398	0.62 392	0.87 406	0.68 401	0.73 409	0.46 395	0.76 405	0.49 397	0.71 407	0.44 399

notaker	0.98 409	1.13 415	1.02 405	1.14 415	0.81 413	0.73 397	0.69 409	0.94 405	1.15 406	1.19 414	1.19 411	1.41 411	1.17 415	1.10 417	0.74 406	0.82 413	0.64 415	1.18 416	0.79 412	1.02 415	0.82 416

EDNetEfficient	0.30 358	0.24 363	1.18 406	0.18 176	0.10 217	0.20 264	0.20 279	0.21 135	0.61 375	0.74 394	0.56 370	0.30 300	0.40 369	0.23 297	0.32 360	0.09 234	0.07 244	0.08 161	0.07 160	0.11 291	0.10 268

JetBlue	0.73 398	0.46 390	1.21 407	0.52 394	0.47 394	2.16 418	0.67 406	0.78 398	0.72 388	0.70 389	0.79 393	1.21 404	0.84 402	1.06 415	1.04 414	0.40 393	0.28 388	0.33 386	0.33 388	0.30 385	0.34 392

HanzoNet	1.31 414	1.29 419	1.22 408	1.13 414	0.85 414	1.05 413	0.84 411	1.06 411	1.47 415	1.66 417	1.63 418	2.48 421	1.78 418	1.63 419	1.69 416	1.27 419	0.80 418	1.32 419	1.02 417	1.07 418	0.90 417

AnyNet_C01	0.37 371	0.26 369	1.41 409	0.22 308	0.17 351	0.51 379	0.28 354	0.36 330	0.40 317	0.39 357	0.75 390	0.46 370	0.39 365	0.46 380	0.50 391	0.13 328	0.13 344	0.13 326	0.14 340	0.14 334	0.16 354

UNDER WATER	0.99 410	1.00 414	1.47 410	1.00 413	0.71 412	1.18 416	0.86 412	0.81 400	1.09 404	1.02 407	0.90 398	1.53 415	1.26 416	1.06 415	1.02 413	0.79 412	0.54 407	1.02 413	0.88 414	0.83 413	0.75 412

UNDER WATER-64	0.97 408	0.96 413	1.48 411	0.88 409	0.57 401	1.24 417	0.90 414	0.78 398	0.96 400	1.05 408	0.85 396	1.56 416	1.26 416	0.97 413	0.99 412	0.88 414	0.57 412	1.04 414	0.88 414	0.81 412	0.75 412

SPstereo	13.84 432	0.95 411	1.53 412	1.24 417	0.90 416	29.09 435	47.98 435	26.78 443	29.57 442	22.38 441	22.47 439	23.18 441	24.63 440	24.46 441	15.07 432	0.91 415	0.71 416	1.85 422	1.62 422	0.74 410	0.79 415

MADNet++	1.97 416	1.75 421	1.66 413	1.83 421	1.69 421	2.38 419	1.45 419	2.36 421	2.11 421	2.58 421	2.37 420	2.25 420	2.21 419	2.28 420	2.36 419	1.87 422	1.67 422	1.53 421	1.34 421	1.87 421	1.78 423

ASD4	3.59 418	3.47 423	2.05 414	1.75 420	2.54 423	9.22 424	17.86 425	2.29 420	5.54 423	2.49 420	2.86 421	2.05 418	3.46 420	2.77 421	5.29 421	1.23 418	1.36 420	1.13 415	1.33 420	1.71 420	1.50 422

JetRed	1.66 415	1.51 420	3.09 415	0.93 410	1.21 419	5.28 420	1.61 420	1.29 419	1.42 413	1.84 418	1.77 419	1.59 417	0.95 407	1.43 418	2.51 420	0.91 415	1.61 421	0.93 412	0.91 416	1.36 419	1.03 419

RTS	0.46 382	0.19 344	3.33 416	0.25 339	0.15 329	0.72 395	0.21 292	0.37 337	0.78 394	0.42 366	0.44 353	0.31 312	0.43 376	0.55 388	0.37 371	0.10 266	0.09 291	0.13 326	0.13 334	0.15 345	0.15 345

RTSA	0.46 382	0.19 344	3.33 416	0.25 339	0.15 329	0.72 395	0.21 292	0.37 337	0.78 394	0.42 366	0.44 353	0.31 312	0.43 376	0.55 388	0.37 371	0.10 266	0.09 291	0.13 326	0.13 334	0.15 345	0.15 345

tt	4.65 419	0.07 52	3.54 418	2.01 422	1.55 420	10.25 425	16.66 424	8.90 429	5.03 422	1.33 415	0.96 400	4.71 422	4.74 421	3.33 422	5.86 423	6.06 429	10.30 433	1.87 423	2.09 424	2.61 422	1.19 421

MADNet+	0.76 399	0.72 402	3.76 419	0.67 398	0.41 390	0.99 409	0.97 416	0.72 397	0.75 392	0.52 379	0.58 376	0.64 387	0.68 395	0.89 409	1.04 414	0.35 391	0.36 392	0.28 382	0.23 375	0.38 391	0.33 391

PML	8.57 426	9.39 432	6.24 420	5.34 426	6.36 427	13.21 427	20.99 426	5.35 423	6.68 424	17.75 433	26.46 441	7.58 425	6.08 423	7.89 426	5.76 422	5.33 428	1.83 423	5.95 432	1.93 423	8.75 430	2.53 424

xxxxx1	7.75 420	5.06 426	7.26 421	3.15 423	3.91 424	16.37 428	22.88 429	5.87 426	8.68 425	7.99 425	8.55 422	9.13 427	8.46 424	10.05 427	10.47 424	2.43 423	2.48 424	3.56 426	12.26 430	3.48 423	3.02 425

tt_ll	7.75 420	5.06 426	7.26 421	3.15 423	3.91 424	16.37 428	22.88 429	5.87 426	8.68 425	7.99 425	8.55 422	9.13 427	8.46 424	10.05 427	10.47 424	2.43 423	2.48 424	3.56 426	12.26 430	3.48 423	3.02 425

ff	7.75 420	5.06 426	7.26 421	3.15 423	3.91 424	16.37 428	22.88 429	5.87 426	8.68 425	7.99 425	8.55 422	9.13 427	8.46 424	10.05 427	10.47 424	2.43 423	2.48 424	3.56 426	12.26 430	3.48 423	3.02 425

Anonymous_1	10.87 429	7.82 429	7.41 424	10.29 429	10.08 428	18.64 432	26.11 432	11.02 430	13.45 431	9.43 428	10.10 427	9.73 430	11.31 429	10.69 430	12.47 427	6.42 430	8.38 430	5.70 429	10.22 429	11.41 431	6.65 428

DPSM_ROB	11.10 430	8.47 430	7.95 425	10.84 430	11.58 431	19.10 433	26.50 433	12.02 431	14.09 432	10.38 429	10.91 428	10.39 431	11.92 430	11.67 431	13.39 430	6.99 431	8.79 431	5.82 430	6.92 425	6.97 428	7.31 431

DPSM	11.10 430	8.47 430	7.95 425	10.84 430	11.58 431	19.10 433	26.50 433	12.02 431	14.09 432	10.38 429	10.91 428	10.39 431	11.92 430	11.67 431	13.39 430	6.99 431	8.79 431	5.82 430	6.92 425	6.97 428	7.31 431

LRCNet_RVC	10.76 428	13.97 433	7.97 427	19.07 433	2.04 422	0.35 358	0.31 371	5.29 422	0.48 349	13.02 431	17.65 431	8.69 426	5.73 422	4.78 423	2.22 418	23.53 440	2.69 427	27.60 441	25.75 441	17.60 438	16.54 439

DPSMNet_ROB	8.06 424	4.50 424	8.69 428	5.36 428	10.74 430	8.32 422	22.71 427	5.47 424	13.38 429	5.13 423	9.98 425	5.10 423	10.47 427	5.53 424	12.77 428	3.80 427	8.00 428	3.49 424	6.95 427	3.75 427	7.09 429

DGTPSM_ROB	8.06 424	4.50 424	8.69 428	5.34 426	10.73 429	8.32 422	22.71 427	5.47 424	13.38 429	5.13 423	9.98 425	5.10 423	10.47 427	5.53 424	12.77 428	3.79 426	8.00 428	3.49 424	6.95 427	3.74 426	7.09 429

CasAABBNet	22.33 435	17.11 434	15.84 430	21.94 438	23.28 439	38.30 436	53.40 441	24.05 436	28.44 437	20.66 435	21.86 434	21.03 439	24.04 438	23.35 435	27.03 437	14.06 433	17.69 436	11.70 433	13.94 434	14.04 435	14.76 437

Selective-RAFT-Error	22.39 439	17.14 438	16.01 431	22.00 439	23.34 440	38.37 440	53.36 437	24.24 441	28.53 441	20.80 436	21.94 435	20.94 435	24.02 437	23.48 440	27.33 441	14.07 434	17.70 437	11.70 433	13.93 433	14.05 436	14.83 438

MyStereo03	22.37 436	17.11 434	16.16 432	21.87 435	23.27 436	38.30 436	53.36 437	24.10 437	28.51 438	20.93 438	21.96 436	20.94 435	24.00 434	23.43 437	27.22 438	14.07 434	17.72 438	11.70 433	13.96 435	14.00 432	14.72 434

MyStereo02	22.37 436	17.11 434	16.16 432	21.87 435	23.27 436	38.30 436	53.36 437	24.10 437	28.51 438	20.93 438	21.96 436	20.94 435	24.00 434	23.43 437	27.22 438	14.07 434	17.72 438	11.70 433	13.96 435	14.00 432	14.72 434

MyStereo	22.37 436	17.11 434	16.16 432	21.87 435	23.27 436	38.30 436	53.36 437	24.10 437	28.51 438	20.93 438	21.96 436	20.94 435	24.00 434	23.43 437	27.22 438	14.07 434	17.72 438	11.70 433	13.96 435	14.00 432	14.72 434

LSM0	22.80 440	17.22 439	19.17 435	22.12 440	28.90 442	38.38 441	53.27 436	24.21 440	28.36 436	20.84 437	21.11 433	21.63 440	24.25 439	23.42 436	26.98 436	14.08 438	17.39 435	11.72 438	13.98 438	14.22 437	14.66 433

HaxPig	15.73 433	18.55 440	19.19 436	16.92 432	15.89 434	7.80 421	7.57 421	13.37 433	10.80 428	15.40 432	14.87 430	15.95 433	14.81 432	15.67 433	15.97 433	18.96 439	16.72 434	19.47 439	18.10 439	19.45 439	19.06 440

DLNR_Zeroshot_test	10.48 427	2.27 422	19.78 437	120.28 443	13.29 433	0.06 2	0.13 45	0.24 186	0.10 6	0.08 5	0.10 37	0.09 39	0.07 30	0.10 15	0.09 16	0.13 328	0.04 2	0.06 31	0.04 7	52.68 442	0.04 4

MEDIAN_ROB	20.38 434	24.05 441	23.36 438	21.18 434	21.62 435	10.51 426	8.17 422	17.68 434	15.46 434	20.04 434	19.65 432	20.30 434	20.16 433	21.17 434	21.03 434	23.81 441	21.77 441	24.98 440	23.75 440	25.01 440	23.94 441

AVERAGE_ROB	24.89 441	29.12 442	27.98 439	24.83 441	24.59 441	17.82 431	11.61 423	21.45 435	19.91 435	25.04 442	24.38 440	25.06 442	25.31 441	24.69 442	22.86 435	29.74 442	27.09 442	28.97 442	27.94 442	30.07 441	29.35 442

test_example2	97.69 442	92.93 443	45.57 440	96.02 442	109.84 443	88.44 442	93.70 442	25.54 442	94.63 443	130.46 443	126.87 442	58.93 443	75.48 442	87.99 443	77.94 442	150.16 443	221.11 443	76.29 443	98.21 443	108.42 443	95.33 443

coex-ft	3.24 417	0.35 384	57.83 441	0.18 176	0.13 304	0.27 330	0.23 313	0.28 244	0.72 388	1.89 419	0.70 385	0.43 362	0.47 379	0.29 334	0.43 381	0.09 234	0.09 291	0.12 313	0.09 252	0.14 334	0.14 330

EDNetEfficientorigin	7.92 423	0.32 381	152.98 442	0.20 265	0.10 217	0.22 287	0.17 192	0.23 168	0.60 374	0.73 392	0.67 381	0.41 357	0.51 384	0.24 307	0.41 378	0.08 192	0.07 244	0.09 229	0.07 160	0.12 304	0.11 289

FADE		0.34 382		0.33 377	0.25 380			0.64 395	1.07 402	0.43 371		0.42 359		0.72 398		0.30 387	0.21 380	0.41 391	0.38 391	0.23 371	0.22 376

Low-res two-view benchmark