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

CASnet	0.09 12	0.09 193	0.09 28	0.19 230	0.06 2	0.07 16	0.11 11	0.18 99	0.14 59	0.11 62	0.10 39	0.09 39	0.07 33	0.10 18	0.10 51	0.06 56	0.04 2	0.10 271	0.08 213	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 19	0.08 23	0.15 116	0.11 1	0.10 7	0.08 6	0.09 23	0.06 3	0.09 69	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 117	0.06 2	0.08 23	0.12 21	0.13 11	0.07 1	0.08 6	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

test_4	0.10 52	0.10 241	0.08 11	0.19 230	0.09 133	0.08 23	0.22 306	0.15 29	0.17 101	0.12 86	0.18 145	0.12 92	0.09 69	0.08 6	0.11 88	0.04 1	0.04 2	0.08 164	0.08 213	0.04 1	0.03 1

RAFT-Stereo + iAFF	0.09 12	0.06 19	0.10 45	0.17 117	0.06 2	0.10 58	0.16 173	0.17 75	0.14 59	0.09 16	0.10 39	0.08 26	0.09 69	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.03 1

AFF-stereo	0.09 12	0.06 19	0.10 45	0.17 117	0.07 19	0.10 58	0.16 173	0.17 75	0.09 2	0.10 42	0.12 64	0.09 39	0.09 69	0.12 103	0.09 19	0.05 2	0.04 2	0.07 100	0.07 163	0.04 1	0.03 1

IGEV+	0.08 2	0.06 19	0.10 45	0.16 69	0.06 2	0.09 35	0.13 43	0.12 4	0.14 59	0.09 16	0.09 23	0.06 3	0.05 2	0.12 103	0.09 19	0.06 56	0.04 2	0.05 2	0.04 8	0.06 101	0.04 7

AE-Stereo	0.10 52	0.08 142	0.10 45	0.18 184	0.09 133	0.10 58	0.15 116	0.14 17	0.19 130	0.09 16	0.14 83	0.12 92	0.08 51	0.11 47	0.10 51	0.05 2	0.06 193	0.07 100	0.06 88	0.05 40	0.04 7

StereoIM	0.09 12	0.09 193	0.08 11	0.17 117	0.09 133	0.13 133	0.10 6	0.16 45	0.16 89	0.09 16	0.11 56	0.06 3	0.06 7	0.09 10	0.13 160	0.07 144	0.06 193	0.07 100	0.05 32	0.05 40	0.04 7

MSKI-zero shot	0.09 12	0.05 6	0.09 28	0.15 38	0.07 19	0.10 58	0.13 43	0.14 17	0.13 42	0.09 16	0.09 23	0.09 39	0.06 7	0.12 103	0.10 51	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DLNR_Zeroshot_test	10.40 427	1.82 422	19.49 437	120.77 443	13.11 433	0.06 2	0.13 43	0.23 176	0.10 7	0.07 2	0.10 39	0.09 39	0.06 7	0.10 18	0.09 19	0.13 335	0.04 2	0.06 32	0.04 8	51.54 442	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 304	0.14 157	0.13 43	0.14 17	0.09 2	0.07 2	0.09 23	0.07 18	0.08 51	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

HH	0.09 12	0.06 19	0.13 131	0.17 117	0.08 48	0.10 58	0.16 173	0.14 17	0.10 7	0.08 6	0.09 23	0.08 26	0.07 33	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

HanStereo	0.09 12	0.06 19	0.13 131	0.17 117	0.08 48	0.10 58	0.16 173	0.14 17	0.10 7	0.08 6	0.09 23	0.08 26	0.07 33	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 48	0.10 58	0.13 43	0.12 4	0.09 2	0.09 16	0.10 39	0.08 26	0.06 7	0.09 10	0.08 11	0.08 194	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 58	0.12 21	0.11 1	0.16 89	0.06 1	0.05 1	0.07 18	0.05 2	0.10 18	0.11 88	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

DCRE	0.11 83	0.07 70	0.13 131	0.16 69	0.11 257	0.11 84	0.17 194	0.18 99	0.17 101	0.11 62	0.18 145	0.10 60	0.10 90	0.15 169	0.11 88	0.06 56	0.05 109	0.06 32	0.06 88	0.05 40	0.04 7

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 117	0.06 2	0.10 58	0.14 70	0.12 4	0.10 7	0.09 16	0.12 64	0.09 39	0.06 7	0.11 47	0.10 51	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

RCA-Stereo	0.09 12	0.06 19	0.09 28	0.16 69	0.06 2	0.09 35	0.13 43	0.18 99	0.14 59	0.09 16	0.10 39	0.08 26	0.07 33	0.12 103	0.11 88	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

ADStereo(finetuned)	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.12 141	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

raft_robust	0.13 160	0.10 241	0.07 2	0.18 184	0.08 48	0.13 133	0.24 325	0.28 251	0.33 278	0.20 245	0.19 151	0.14 130	0.10 90	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.07 163	0.05 40	0.04 7

RAFT_CTSACE	0.12 138	0.09 193	0.10 45	0.22 309	0.08 48	0.12 107	0.24 325	0.18 99	0.16 89	0.20 245	0.27 251	0.13 115	0.07 33	0.13 136	0.09 19	0.05 2	0.06 193	0.08 164	0.07 163	0.04 1	0.04 7

SA	0.12 138	0.09 193	0.08 11	0.18 184	0.08 48	0.12 107	0.24 325	0.23 176	0.18 118	0.17 188	0.27 251	0.14 130	0.11 112	0.11 47	0.11 88	0.05 2	0.05 109	0.09 230	0.08 213	0.05 40	0.04 7

IPLG	0.10 52	0.07 70	0.15 194	0.17 117	0.08 48	0.11 84	0.14 70	0.20 126	0.15 71	0.12 86	0.17 123	0.07 18	0.07 33	0.14 151	0.13 160	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

MIPNet	0.11 83	0.08 142	0.14 157	0.17 117	0.09 133	0.12 107	0.14 70	0.20 126	0.24 195	0.11 62	0.10 39	0.09 39	0.07 33	0.13 136	0.12 130	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

IPLGR	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.12 107	0.17 194	0.21 143	0.24 195	0.11 62	0.12 64	0.11 77	0.08 51	0.12 103	0.12 130	0.06 56	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

GMOStereo	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

error version	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test-v	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 117	0.07 19	0.07 16	0.14 70	0.12 4	0.15 71	0.09 16	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 117	0.07 19	0.07 16	0.14 70	0.12 4	0.15 71	0.09 16	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

test_3	0.10 52	0.09 193	0.10 45	0.20 272	0.08 48	0.13 133	0.26 345	0.14 17	0.21 164	0.10 42	0.10 39	0.09 39	0.09 69	0.08 6	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.04 1	0.04 7

TRStereo	0.09 12	0.05 6	0.12 92	0.15 38	0.12 286	0.10 58	0.13 43	0.18 99	0.18 118	0.09 16	0.09 23	0.09 39	0.06 7	0.10 18	0.08 11	0.07 144	0.05 109	0.07 100	0.07 163	0.04 1	0.04 7

STrans-v2	0.10 52	0.07 70	0.12 92	0.18 184	0.07 19	0.10 58	0.14 70	0.21 143	0.11 17	0.11 62	0.15 97	0.12 92	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.04 7

OMP-Stereo	0.11 83	0.06 19	0.14 157	0.18 184	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.13 107	0.14 83	0.11 77	0.12 141	0.11 47	0.13 160	0.06 56	0.04 2	0.07 100	0.06 88	0.05 40	0.04 7

IIG-Stereo	0.11 83	0.06 19	0.13 131	0.17 117	0.08 48	0.11 84	0.12 21	0.22 159	0.17 101	0.14 127	0.17 123	0.11 77	0.12 141	0.12 103	0.12 130	0.06 56	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

CroCo-Stereo	0.09 12	0.08 142	0.08 11	0.22 309	0.09 133	0.09 35	0.19 265	0.15 29	0.12 25	0.07 2	0.07 14	0.08 26	0.06 7	0.08 6	0.07 1	0.07 144	0.05 109	0.06 32	0.04 8	0.05 40	0.04 7
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 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

cross-raft	0.10 52	0.09 193	0.09 28	0.19 230	0.07 19	0.11 84	0.25 339	0.13 11	0.15 71	0.08 6	0.11 56	0.12 92	0.10 90	0.09 10	0.11 88	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

test-1	0.10 52	0.07 70	0.16 224	0.19 230	0.08 48	0.11 84	0.24 325	0.14 17	0.18 118	0.09 16	0.07 14	0.09 39	0.08 51	0.07 1	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

iRaftStereo_RVC	0.10 52	0.07 70	0.09 28	0.17 117	0.09 133	0.11 84	0.17 194	0.18 99	0.12 25	0.09 16	0.12 64	0.10 60	0.07 33	0.11 47	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 19	0.09 35	0.12 21	0.14 17	0.14 59	0.10 42	0.14 83	0.08 26	0.07 33	0.09 10	0.11 88	0.06 56	0.04 2	0.05 2	0.05 32	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.09 12	0.06 19	0.07 2	0.15 38	0.05 1	0.16 203	0.18 234	0.15 29	0.15 71	0.10 42	0.11 56	0.11 77	0.11 112	0.10 18	0.12 130	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

RALAANet	0.11 83	0.08 142	0.10 45	0.17 117	0.09 133	0.14 157	0.10 6	0.20 126	0.15 71	0.14 127	0.13 74	0.16 165	0.09 69	0.12 103	0.11 88	0.06 56	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

XX-Stereo	0.09 12	0.05 6	0.08 11	0.17 117	0.09 133	0.15 179	0.12 21	0.20 126	0.10 7	0.10 42	0.14 83	0.07 18	0.06 7	0.12 103	0.08 11	0.06 56	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

DCANet	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

ARAFT	0.12 138	0.08 142	0.17 249	0.19 230	0.09 133	0.14 157	0.18 234	0.20 126	0.12 25	0.12 86	0.13 74	0.14 130	0.11 112	0.15 169	0.12 130	0.06 56	0.05 109	0.10 271	0.09 254	0.05 40	0.04 7

EAI-Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.06 2	0.10 58	0.15 116	0.16 45	0.09 2	0.08 6	0.09 23	0.08 26	0.07 33	0.09 10	0.11 88	0.05 2	0.04 2	0.05 2	0.05 32	0.05 40	0.04 7

CFNet-RSSM	0.09 12	0.07 70	0.09 28	0.16 69	0.07 19	0.09 35	0.15 116	0.16 45	0.17 101	0.08 6	0.12 64	0.10 60	0.09 69	0.11 47	0.09 19	0.06 56	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 12	0.06 19	0.10 45	0.16 69	0.07 19	0.10 58	0.14 70	0.17 75	0.17 101	0.08 6	0.10 39	0.12 92	0.09 69	0.12 103	0.09 19	0.06 56	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

MLCV	0.12 138	0.07 70	0.16 224	0.18 184	0.06 2	0.15 179	0.17 194	0.19 119	0.21 164	0.18 215	0.25 229	0.17 184	0.13 173	0.14 151	0.13 160	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

H2IRNET	0.10 52	0.09 193	0.09 28	0.18 184	0.09 133	0.12 107	0.15 116	0.14 17	0.21 164	0.10 42	0.10 39	0.10 60	0.10 90	0.10 18	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.06 101	0.05 52

MGS-Stereo	0.09 12	0.07 70	0.12 92	0.15 38	0.08 48	0.09 35	0.15 116	0.12 4	0.12 25	0.07 2	0.10 39	0.08 26	0.06 7	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

CoDeX	0.12 138	0.07 70	0.12 92	0.17 117	0.08 48	0.12 107	0.15 116	0.23 176	0.27 234	0.13 107	0.17 123	0.16 165	0.11 112	0.14 151	0.11 88	0.07 144	0.05 109	0.07 100	0.06 88	0.06 101	0.05 52

IGEV_Zeroshot_test	0.09 12	0.05 6	0.12 92	0.13 6	0.08 48	0.12 107	0.13 43	0.17 75	0.11 17	0.10 42	0.06 2	0.09 39	0.06 7	0.11 47	0.09 19	0.06 56	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

StereoVision	0.13 160	0.12 275	0.09 28	0.24 333	0.10 219	0.15 179	0.21 296	0.21 143	0.20 151	0.12 86	0.24 200	0.10 60	0.10 90	0.16 201	0.10 51	0.09 239	0.11 323	0.12 313	0.12 327	0.06 101	0.05 52

MIF-Stereo	0.09 12	0.07 70	0.08 11	0.18 184	0.08 48	0.13 133	0.11 11	0.12 4	0.11 17	0.10 42	0.12 64	0.05 1	0.07 33	0.09 10	0.09 19	0.07 144	0.05 109	0.05 2	0.05 32	0.05 40	0.05 52

MIM_Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.07 19	0.06 2	0.12 21	0.20 126	0.14 59	0.13 107	0.13 74	0.09 39	0.05 2	0.12 103	0.08 11	0.05 2	0.06 193	0.07 100	0.06 88	0.06 101	0.05 52

Any-RAFT	0.10 52	0.05 6	0.09 28	0.14 13	0.07 19	0.13 133	0.14 70	0.21 143	0.15 71	0.11 62	0.12 64	0.12 92	0.09 69	0.12 103	0.09 19	0.07 144	0.04 2	0.05 2	0.04 8	0.06 101	0.05 52

RAFT-Test	0.09 12	0.06 19	0.10 45	0.15 38	0.07 19	0.11 84	0.15 116	0.16 45	0.13 42	0.09 16	0.10 39	0.10 60	0.09 69	0.12 103	0.09 19	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

LL-Strereo2	0.10 52	0.10 241	0.15 194	0.18 184	0.08 48	0.15 179	0.09 3	0.17 75	0.14 59	0.14 127	0.10 39	0.09 39	0.07 33	0.16 201	0.10 51	0.05 2	0.05 109	0.10 271	0.07 163	0.06 101	0.05 52

LL-Strereo	0.13 160	0.09 193	0.11 72	0.20 272	0.10 219	0.11 84	0.18 234	0.32 290	0.24 195	0.15 151	0.15 97	0.14 130	0.13 173	0.19 245	0.11 88	0.06 56	0.04 2	0.09 230	0.08 213	0.04 1	0.05 52

4D-IteraStereo	0.09 12	0.07 70	0.10 45	0.18 184	0.07 19	0.09 35	0.15 116	0.17 75	0.15 71	0.10 42	0.11 56	0.10 60	0.07 33	0.11 47	0.09 19	0.05 2	0.03 1	0.08 164	0.07 163	0.06 101	0.05 52

anonymousdsp2	0.11 83	0.07 70	0.10 45	0.16 69	0.09 133	0.13 133	0.14 70	0.18 99	0.22 176	0.13 107	0.14 83	0.12 92	0.09 69	0.14 151	0.11 88	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 52

LoS	0.09 12	0.05 6	0.11 72	0.13 6	0.07 19	0.14 157	0.11 11	0.15 29	0.15 71	0.09 16	0.09 23	0.12 92	0.09 69	0.15 169	0.10 51	0.07 144	0.05 109	0.05 2	0.03 1	0.05 40	0.05 52

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 19	0.09 35	0.14 70	0.11 1	0.09 2	0.08 6	0.09 23	0.11 77	0.06 7	0.12 103	0.08 11	0.06 56	0.04 2	0.05 2	0.03 1	0.05 40	0.05 52

Selective-RAFT	0.11 83	0.10 241	0.11 72	0.21 296	0.08 48	0.16 203	0.13 43	0.20 126	0.22 176	0.10 42	0.10 39	0.11 77	0.10 90	0.15 169	0.11 88	0.05 2	0.05 109	0.06 32	0.05 32	0.06 101	0.05 52

CroCo-Stereo Lap2	0.09 12	0.09 193	0.08 11	0.22 309	0.09 133	0.09 35	0.19 265	0.16 45	0.12 25	0.09 16	0.10 39	0.05 1	0.05 2	0.08 6	0.08 11	0.06 56	0.06 193	0.07 100	0.05 32	0.05 40	0.05 52

TestStereo1	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 365	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 56	0.06 193	0.08 164	0.06 88	0.05 40	0.05 52

DCANet-4	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.18 99	0.19 130	0.13 107	0.16 105	0.09 39	0.14 196	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

fff	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

SA-5K	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 365	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 56	0.06 193	0.08 164	0.06 88	0.05 40	0.05 52

Sa-1000	0.12 138	0.08 142	0.08 11	0.18 184	0.08 48	0.14 157	0.22 306	0.22 159	0.18 118	0.15 151	0.20 162	0.17 184	0.11 112	0.10 18	0.10 51	0.06 56	0.05 109	0.09 230	0.09 254	0.05 40	0.05 52

iRaft-Stereo_20w	0.09 12	0.05 6	0.13 131	0.14 13	0.08 48	0.12 107	0.15 116	0.18 99	0.10 7	0.11 62	0.08 17	0.08 26	0.05 2	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

GLC_STEREO	0.11 83	0.07 70	0.11 72	0.17 117	0.07 19	0.09 35	0.13 43	0.15 29	0.24 195	0.12 86	0.13 74	0.12 92	0.08 51	0.18 234	0.11 88	0.06 56	0.08 272	0.08 164	0.06 88	0.05 40	0.05 52

CrosDoStereo	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 107	0.15 116	0.17 75	0.22 176	0.19 228	0.24 200	0.15 154	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

AAGNet	0.11 83	0.07 70	0.16 224	0.19 230	0.09 133	0.08 23	0.13 43	0.18 99	0.13 42	0.16 176	0.21 176	0.13 115	0.14 196	0.11 47	0.14 188	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

TransformOpticalFlow	0.10 52	0.08 142	0.13 131	0.18 184	0.07 19	0.09 35	0.15 116	0.19 119	0.15 71	0.12 86	0.17 123	0.11 77	0.11 112	0.11 47	0.10 51	0.05 2	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

DeepStereo_LL	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 107	0.15 116	0.17 75	0.22 176	0.19 228	0.24 200	0.15 154	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

DEmStereo	0.12 138	0.06 19	0.14 157	0.14 13	0.10 219	0.16 203	0.15 116	0.16 45	0.24 195	0.17 188	0.24 200	0.13 115	0.14 196	0.12 103	0.13 160	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

SST-Stereo	0.10 52	0.07 70	0.15 194	0.18 184	0.09 133	0.06 2	0.12 21	0.17 75	0.11 17	0.15 151	0.17 123	0.13 115	0.12 141	0.10 18	0.11 88	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

THIR-Stereo	0.12 138	0.07 70	0.11 72	0.15 38	0.08 48	0.14 157	0.16 173	0.17 75	0.25 214	0.16 176	0.24 200	0.14 130	0.12 141	0.12 103	0.14 188	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

RAFT_R40	0.11 83	0.07 70	0.14 157	0.18 184	0.09 133	0.06 2	0.13 43	0.17 75	0.16 89	0.14 127	0.18 145	0.15 154	0.12 141	0.10 18	0.11 88	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

DRaft	0.12 138	0.06 19	0.11 72	0.14 13	0.09 133	0.14 157	0.17 194	0.21 143	0.30 260	0.17 188	0.28 260	0.10 60	0.15 209	0.10 18	0.12 130	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

PFNet	0.12 138	0.06 19	0.17 249	0.17 117	0.08 48	0.09 35	0.15 116	0.26 219	0.20 151	0.16 176	0.16 105	0.14 130	0.11 112	0.12 103	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

RAFT-345	0.11 83	0.07 70	0.15 194	0.16 69	0.08 48	0.08 23	0.12 21	0.15 29	0.10 7	0.11 62	0.36 311	0.09 39	0.09 69	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.06 88	0.04 1	0.05 52

AnonymousM	0.09 12	0.05 6	0.10 45	0.14 13	0.06 2	0.09 35	0.13 43	0.19 119	0.14 59	0.13 107	0.11 56	0.09 39	0.08 51	0.13 136	0.10 51	0.08 194	0.05 109	0.08 164	0.05 32	0.05 40	0.05 52

RAFT	0.13 160	0.09 193	0.11 72	0.18 184	0.08 48	0.15 179	0.24 325	0.20 126	0.19 130	0.21 253	0.21 176	0.17 184	0.12 141	0.16 201	0.09 19	0.06 56	0.07 250	0.10 271	0.09 254	0.05 40	0.05 52

TestStereo	0.13 160	0.14 308	0.11 72	0.23 328	0.08 48	0.15 179	0.21 296	0.20 126	0.23 185	0.14 127	0.24 200	0.16 165	0.12 141	0.16 201	0.14 188	0.05 2	0.06 193	0.08 164	0.06 88	0.09 250	0.05 52

raft+_RVC	0.11 83	0.07 70	0.09 28	0.16 69	0.07 19	0.10 58	0.11 11	0.24 194	0.20 151	0.12 86	0.15 97	0.12 92	0.08 51	0.12 103	0.13 160	0.07 144	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

TANstereo	0.09 12	0.04 1	0.08 11	0.13 6	0.06 2	0.11 84	0.14 70	0.15 29	0.19 130	0.11 62	0.15 97	0.10 60	0.06 7	0.12 103	0.09 19	0.07 144	0.05 109	0.05 2	0.04 8	0.06 101	0.05 52

XX-TBD	0.09 12	0.06 19	0.07 2	0.14 13	0.07 19	0.12 107	0.16 173	0.14 17	0.13 42	0.11 62	0.12 64	0.09 39	0.08 51	0.10 18	0.10 51	0.06 56	0.04 2	0.05 2	0.03 1	0.06 101	0.05 52

raftrobust	0.09 12	0.06 19	0.10 45	0.17 117	0.08 48	0.09 35	0.10 6	0.18 99	0.16 89	0.10 42	0.09 23	0.12 92	0.07 33	0.12 103	0.10 51	0.08 194	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

csc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

cscssc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

111	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.10 58	0.14 70	0.21 143	0.23 185	0.11 62	0.12 64	0.14 130	0.11 112	0.13 136	0.10 51	0.06 56	0.04 2	0.06 32	0.04 8	0.05 40	0.05 52

R-Stereo Train	0.10 52	0.06 19	0.10 45	0.17 117	0.08 48	0.11 84	0.14 70	0.23 176	0.11 17	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RAFT-Stereo	0.10 52	0.06 19	0.10 45	0.17 117	0.08 48	0.11 84	0.14 70	0.23 176	0.11 17	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 52	0.06 19	0.12 92	0.14 13	0.06 2	0.11 84	0.10 6	0.18 99	0.18 118	0.13 107	0.16 105	0.14 130	0.11 112	0.15 169	0.13 160	0.06 56	0.04 2	0.04 1	0.04 8	0.06 101	0.05 52
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
iResNet	0.13 160	0.10 241	0.18 267	0.19 230	0.08 48	0.13 133	0.18 234	0.20 126	0.26 227	0.15 151	0.23 191	0.15 154	0.13 173	0.14 151	0.14 188	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

DispNO	0.14 189	0.08 142	0.17 249	0.19 230	0.12 286	0.11 84	0.21 296	0.23 176	0.29 252	0.17 188	0.23 191	0.18 195	0.17 248	0.15 169	0.15 211	0.07 144	0.05 109	0.08 164	0.08 213	0.07 158	0.06 101

Former-RAFT_DAM_RVC	0.10 52	0.08 142	0.12 92	0.16 69	0.08 48	0.15 179	0.16 173	0.18 99	0.18 118	0.10 42	0.09 23	0.09 39	0.08 51	0.11 47	0.12 130	0.07 144	0.05 109	0.08 164	0.06 88	0.07 158	0.06 101

SMFormer	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 194	0.05 109	0.07 100	0.06 88	0.07 158	0.06 101

tta	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 194	0.05 109	0.07 100	0.06 88	0.06 101	0.06 101

qqq1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 194	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

fff1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 194	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

MyStereo07	0.10 52	0.07 70	0.10 45	0.17 117	0.09 133	0.14 157	0.18 234	0.15 29	0.15 71	0.09 16	0.06 2	0.06 3	0.07 33	0.12 103	0.09 19	0.06 56	0.05 109	0.08 164	0.07 163	0.06 101	0.06 101

MyStereo06	0.10 52	0.07 70	0.12 92	0.17 117	0.09 133	0.13 133	0.18 234	0.19 119	0.12 25	0.12 86	0.08 17	0.07 18	0.07 33	0.11 47	0.09 19	0.06 56	0.05 109	0.07 100	0.07 163	0.06 101	0.06 101

MyStereo05	0.13 160	0.07 70	0.10 45	0.17 117	0.09 133	0.13 133	0.18 234	0.27 237	0.35 296	0.17 188	0.14 83	0.15 154	0.11 112	0.15 169	0.13 160	0.06 56	0.05 109	0.07 100	0.07 163	0.06 101	0.06 101

MyStereo04	0.13 160	0.07 70	0.10 45	0.17 117	0.09 133	0.14 157	0.18 234	0.29 261	0.38 312	0.17 188	0.14 83	0.16 165	0.10 90	0.15 169	0.13 160	0.06 56	0.05 109	0.08 164	0.07 163	0.06 101	0.06 101

cc1	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.16 45	0.18 118	0.09 16	0.09 23	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.06 101

ff7	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

IGEVStereo-DCA	0.09 12	0.06 19	0.11 72	0.15 38	0.10 219	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.08 11	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

ffff	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

rrr	0.09 12	0.06 19	0.12 92	0.15 38	0.10 219	0.11 84	0.16 173	0.16 45	0.15 71	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.08 11	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

DualNet	0.13 160	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.10 18	0.20 266	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

ffm	0.12 138	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.10 18	0.07 1	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

ff1	0.13 160	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

11t	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

tt1	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.12 107	0.16 173	0.15 29	0.19 130	0.09 16	0.08 17	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.06 101

1111x	0.15 223	0.08 142	0.12 92	0.18 184	0.07 19	0.18 237	0.25 339	0.31 281	0.24 195	0.17 188	0.24 200	0.26 273	0.15 209	0.13 136	0.23 304	0.07 144	0.07 250	0.08 164	0.09 254	0.07 158	0.06 101

test croco	0.10 52	0.08 142	0.10 45	0.19 230	0.09 133	0.10 58	0.15 116	0.14 17	0.13 42	0.13 107	0.15 97	0.09 39	0.12 141	0.13 136	0.12 130	0.07 144	0.05 109	0.09 230	0.06 88	0.06 101	0.06 101

anonymousdsp	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.09 16	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

anonymousa	0.13 160	0.07 70	0.13 131	0.18 184	0.09 133	0.13 133	0.17 194	0.19 119	0.29 252	0.15 151	0.24 200	0.15 154	0.14 196	0.14 151	0.14 188	0.07 144	0.05 109	0.07 100	0.09 254	0.05 40	0.06 101

ProNet	0.09 12	0.07 70	0.10 45	0.17 117	0.08 48	0.10 58	0.15 116	0.15 29	0.12 25	0.09 16	0.06 2	0.07 18	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.06 101

ccc-4	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

RAFT+CT+SA	0.13 160	0.11 261	0.09 28	0.19 230	0.09 133	0.15 179	0.28 357	0.22 159	0.22 176	0.15 151	0.26 244	0.10 60	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.07 100	0.08 213	0.07 158	0.06 101

IGEV-Stereo	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.09 16	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 138	0.09 193	0.12 92	0.19 230	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.19 228	0.14 83	0.11 77	0.09 69	0.20 264	0.16 226	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.06 101

psmg	0.14 189	0.09 193	0.14 157	0.17 117	0.10 219	0.15 179	0.17 194	0.29 261	0.19 130	0.17 188	0.21 176	0.25 265	0.16 229	0.15 169	0.14 188	0.08 194	0.06 193	0.08 164	0.08 213	0.07 158	0.06 101

CIPLG	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.15 71	0.14 127	0.11 56	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

dd	0.15 223	0.16 321	0.16 224	0.19 230	0.09 133	0.15 179	0.18 234	0.21 143	0.25 214	0.23 278	0.20 162	0.21 220	0.09 69	0.21 280	0.16 226	0.10 270	0.06 193	0.08 164	0.06 88	0.08 202	0.06 101

IPLGR_C	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.15 71	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

ACRE	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.14 59	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

GwcNet-ADL	0.13 160	0.08 142	0.14 157	0.20 272	0.09 133	0.11 84	0.20 280	0.30 275	0.24 195	0.13 107	0.14 83	0.18 195	0.14 196	0.13 136	0.14 188	0.07 144	0.05 109	0.06 32	0.05 32	0.07 158	0.06 101

RAFT-RH_RVC	0.11 83	0.06 19	0.14 157	0.16 69	0.09 133	0.12 107	0.12 21	0.17 75	0.12 25	0.13 107	0.41 345	0.11 77	0.10 90	0.13 136	0.12 130	0.05 2	0.04 2	0.08 164	0.05 32	0.04 1	0.06 101

IRAFT_RVC	0.12 138	0.08 142	0.16 224	0.19 230	0.08 48	0.07 16	0.15 116	0.24 194	0.23 185	0.14 127	0.14 83	0.15 154	0.12 141	0.12 103	0.10 51	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.06 101

rafts_anoy	0.11 83	0.06 19	0.10 45	0.17 117	0.08 48	0.10 58	0.14 70	0.17 75	0.14 59	0.13 107	0.13 74	0.12 92	0.10 90	0.11 47	0.12 130	0.07 144	0.04 2	0.09 230	0.11 309	0.07 158	0.06 101

test_xeample3	0.09 12	0.06 19	0.12 92	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.13 42	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

GMStereo	0.13 160	0.14 308	0.14 157	0.18 184	0.09 133	0.15 179	0.16 173	0.20 126	0.24 195	0.16 176	0.17 123	0.10 60	0.10 90	0.16 201	0.13 160	0.07 144	0.06 193	0.06 32	0.06 88	0.07 158	0.06 101
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 160	0.07 70	0.14 157	0.17 117	0.09 133	0.15 179	0.16 173	0.28 251	0.27 234	0.14 127	0.17 123	0.12 92	0.13 173	0.14 151	0.11 88	0.08 194	0.05 109	0.07 100	0.07 163	0.07 158	0.06 101

delet	0.17 260	0.08 142	0.17 249	0.19 230	0.11 257	0.20 269	0.21 296	0.30 275	0.37 307	0.17 188	0.26 244	0.19 204	0.19 273	0.19 245	0.21 285	0.08 194	0.08 272	0.09 230	0.11 309	0.06 101	0.06 101

UNet	0.17 260	0.09 193	0.18 267	0.19 230	0.12 286	0.27 334	0.19 265	0.33 307	0.29 252	0.21 253	0.24 200	0.23 249	0.19 273	0.19 245	0.18 251	0.07 144	0.06 193	0.08 164	0.07 163	0.08 202	0.06 101

UPFNet	0.16 241	0.08 142	0.12 92	0.20 272	0.12 286	0.20 269	0.23 316	0.28 251	0.26 227	0.17 188	0.24 200	0.22 237	0.19 273	0.19 245	0.21 285	0.09 239	0.07 250	0.08 164	0.09 254	0.08 202	0.06 101

CREStereo	0.09 12	0.04 1	0.08 11	0.11 1	0.06 2	0.13 133	0.14 70	0.14 17	0.10 7	0.08 6	0.13 74	0.09 39	0.08 51	0.11 47	0.10 51	0.08 194	0.04 2	0.05 2	0.03 1	0.06 101	0.06 101
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
ac_64	0.16 241	0.08 142	0.15 194	0.18 184	0.10 219	0.22 291	0.18 234	0.24 194	0.21 164	0.18 215	0.24 200	0.29 294	0.18 258	0.19 245	0.22 294	0.09 239	0.07 250	0.08 164	0.09 254	0.07 158	0.06 101

ACVNet	0.15 223	0.09 193	0.15 194	0.13 6	0.12 286	0.14 157	0.20 280	0.22 159	0.33 278	0.17 188	0.26 244	0.21 220	0.16 229	0.17 223	0.21 285	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

acv_ft	0.15 223	0.09 193	0.15 194	0.19 230	0.10 219	0.16 203	0.17 194	0.25 207	0.33 278	0.19 228	0.26 244	0.21 220	0.17 248	0.17 223	0.18 251	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

cf-r	0.13 160	0.07 70	0.12 92	0.16 69	0.08 48	0.14 157	0.19 265	0.20 126	0.25 214	0.17 188	0.25 229	0.21 220	0.16 229	0.14 151	0.14 188	0.10 270	0.05 109	0.06 32	0.08 213	0.06 101	0.06 101

PMTNet	0.09 12	0.05 6	0.09 28	0.12 3	0.06 2	0.12 107	0.14 70	0.15 29	0.11 17	0.09 16	0.13 74	0.10 60	0.07 33	0.13 136	0.10 51	0.15 349	0.04 2	0.05 2	0.03 1	0.07 158	0.06 101

DIP-Stereo	0.11 83	0.07 70	0.14 157	0.17 117	0.09 133	0.13 133	0.09 3	0.16 45	0.16 89	0.11 62	0.16 105	0.14 130	0.12 141	0.15 169	0.13 160	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101
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	0.12 138	0.08 142	0.14 157	0.18 184	0.07 19	0.15 179	0.07 1	0.22 159	0.18 118	0.16 176	0.19 151	0.18 195	0.14 196	0.16 201	0.15 211	0.07 144	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

RASNet	0.14 189	0.07 70	0.14 157	0.16 69	0.08 48	0.18 237	0.14 70	0.29 261	0.20 151	0.17 188	0.25 229	0.21 220	0.18 258	0.20 264	0.19 260	0.07 144	0.06 193	0.06 32	0.08 213	0.06 101	0.06 101

HSM-Net_RVC	0.14 189	0.08 142	0.11 72	0.15 38	0.08 48	0.15 179	0.15 116	0.27 237	0.29 252	0.19 228	0.21 176	0.29 294	0.14 196	0.17 223	0.13 160	0.06 56	0.06 193	0.06 32	0.06 88	0.07 158	0.06 101
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 223	0.10 241	0.17 249	0.17 117	0.08 48	0.18 237	0.09 3	0.28 251	0.25 214	0.19 228	0.24 200	0.24 255	0.17 248	0.17 223	0.14 188	0.08 194	0.06 193	0.09 230	0.10 286	0.07 158	0.06 101

AANet_RVC	0.16 241	0.10 241	0.10 45	0.18 184	0.09 133	0.18 237	0.19 265	0.26 219	0.31 266	0.22 266	0.35 308	0.21 220	0.21 285	0.22 291	0.16 226	0.06 56	0.05 109	0.06 32	0.06 88	0.07 158	0.06 101

HSM	0.15 223	0.08 142	0.14 157	0.16 69	0.09 133	0.16 203	0.14 70	0.28 251	0.25 214	0.19 228	0.23 191	0.37 340	0.16 229	0.20 264	0.15 211	0.07 144	0.05 109	0.07 100	0.06 88	0.07 158	0.06 101

LE_ROB	0.50 386	0.07 70	0.14 157	0.15 38	0.08 48	0.24 309	0.16 173	0.22 159	1.81 418	4.63 422	0.67 382	0.47 373	0.44 379	0.20 264	0.29 351	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

DN-CSS_ROB	0.13 160	0.13 296	0.16 224	0.18 184	0.10 219	0.16 203	0.08 2	0.22 159	0.18 118	0.17 188	0.22 185	0.13 115	0.13 173	0.12 103	0.13 160	0.05 2	0.05 109	0.10 271	0.10 286	0.08 202	0.06 101

pmcnn	0.15 223	0.07 70	0.19 276	0.15 38	0.07 19	0.20 269	0.15 116	0.24 194	0.26 227	0.21 253	0.34 304	0.28 287	0.18 258	0.18 234	0.17 237	0.07 144	0.05 109	0.05 2	0.04 8	0.07 158	0.06 101

ACVNet-DCA	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.23 176	0.16 89	0.09 16	0.09 23	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.07 158	0.07 161

xx1	0.11 83	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.16 45	0.18 118	0.09 16	0.09 23	0.16 165	0.16 229	0.10 18	0.07 1	0.06 56	0.04 2	0.08 164	0.08 213	0.07 158	0.07 161

1test111	0.11 83	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.23 176	0.16 89	0.09 16	0.09 23	0.06 3	0.06 7	0.15 169	0.16 226	0.06 56	0.04 2	0.06 32	0.05 32	0.07 158	0.07 161

mmm	0.14 189	0.08 142	0.17 249	0.17 117	0.09 133	0.17 222	0.18 234	0.21 143	0.15 71	0.15 151	0.23 191	0.21 220	0.16 229	0.16 201	0.17 237	0.08 194	0.05 109	0.08 164	0.07 163	0.07 158	0.07 161

11t1	0.12 138	0.06 19	0.13 131	0.14 13	0.08 48	0.17 222	0.15 116	0.18 99	0.15 71	0.15 151	0.15 97	0.16 165	0.16 229	0.15 169	0.13 160	0.08 194	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

whm_eth	0.14 189	0.09 193	0.20 284	0.20 272	0.12 286	0.12 107	0.15 116	0.18 99	0.28 245	0.17 188	0.32 287	0.09 39	0.12 141	0.18 234	0.14 188	0.07 144	0.07 250	0.08 164	0.07 163	0.07 158	0.07 161

MIF-Stereo (partial)	0.11 83	0.06 19	0.10 45	0.19 230	0.10 219	0.10 58	0.11 11	0.17 75	0.18 118	0.14 127	0.16 105	0.09 39	0.11 112	0.12 103	0.12 130	0.08 194	0.05 109	0.08 164	0.07 163	0.06 101	0.07 161

EKT-Stereo	0.11 83	0.07 70	0.14 157	0.15 38	0.10 219	0.13 133	0.14 70	0.18 99	0.21 164	0.11 62	0.08 17	0.12 92	0.09 69	0.11 47	0.12 130	0.08 194	0.06 193	0.07 100	0.06 88	0.08 202	0.07 161

PCWNet_CMD	0.14 189	0.08 142	0.15 194	0.17 117	0.09 133	0.14 157	0.14 70	0.29 261	0.36 301	0.14 127	0.20 162	0.21 220	0.12 141	0.17 223	0.13 160	0.07 144	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

fast-acv-ft	0.18 272	0.11 261	0.19 276	0.19 230	0.12 286	0.24 309	0.21 296	0.25 207	0.34 289	0.22 266	0.34 304	0.27 280	0.20 281	0.21 280	0.23 304	0.09 239	0.09 295	0.08 164	0.10 286	0.08 202	0.07 161

CBFPSM	0.14 189	0.06 19	0.26 313	0.17 117	0.09 133	0.13 133	0.15 116	0.22 159	0.23 185	0.20 245	0.27 251	0.24 255	0.16 229	0.16 201	0.18 251	0.06 56	0.06 193	0.06 32	0.07 163	0.07 158	0.07 161

GASNet	0.22 309	0.23 361	0.33 340	0.26 349	0.17 355	0.26 327	0.16 173	0.44 371	0.42 330	0.27 310	0.24 200	0.30 302	0.15 209	0.27 320	0.18 251	0.12 315	0.08 272	0.12 313	0.11 309	0.16 353	0.07 161

gwcnet-sp	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

scenet	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

CASS	0.13 160	0.12 275	0.11 72	0.23 328	0.09 133	0.15 179	0.17 194	0.18 99	0.19 130	0.17 188	0.18 145	0.15 154	0.15 209	0.14 151	0.14 188	0.09 239	0.06 193	0.10 271	0.08 213	0.09 250	0.07 161
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 83	0.05 6	0.12 92	0.13 6	0.07 19	0.15 179	0.14 70	0.19 119	0.13 42	0.11 62	0.17 123	0.13 115	0.09 69	0.13 136	0.11 88	0.08 194	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

ssnet	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

qqq	0.13 160	0.09 193	0.15 194	0.16 69	0.08 48	0.13 133	0.15 116	0.23 176	0.16 89	0.15 151	0.19 151	0.16 165	0.16 229	0.15 169	0.16 226	0.07 144	0.06 193	0.08 164	0.08 213	0.07 158	0.07 161

x	0.13 160	0.07 70	0.14 157	0.14 13	0.08 48	0.18 237	0.14 70	0.22 159	0.20 151	0.15 151	0.19 151	0.19 204	0.17 248	0.18 234	0.18 251	0.07 144	0.05 109	0.06 32	0.06 88	0.07 158	0.07 161

BUS	0.14 189	0.09 193	0.14 157	0.22 309	0.10 219	0.19 257	0.14 70	0.34 317	0.19 130	0.17 188	0.22 185	0.16 165	0.13 173	0.15 169	0.13 160	0.08 194	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

IER	0.14 189	0.07 70	0.13 131	0.17 117	0.09 133	0.14 157	0.16 173	0.25 207	0.26 227	0.18 215	0.25 229	0.17 184	0.20 281	0.16 201	0.14 188	0.08 194	0.05 109	0.07 100	0.06 88	0.08 202	0.07 161

test_5	0.14 189	0.12 275	0.08 11	0.20 272	0.10 219	0.14 157	0.29 365	0.21 143	0.24 195	0.18 215	0.28 260	0.11 77	0.15 209	0.12 103	0.13 160	0.06 56	0.05 109	0.07 100	0.08 213	0.08 202	0.07 161

BSDual-CNN	0.15 223	0.09 193	0.14 157	0.22 309	0.10 219	0.14 157	0.15 116	0.34 317	0.19 130	0.17 188	0.22 185	0.25 265	0.16 229	0.15 169	0.14 188	0.08 194	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

hknet	0.15 223	0.11 261	0.13 131	0.22 309	0.11 257	0.14 157	0.15 116	0.34 317	0.25 214	0.17 188	0.22 185	0.22 237	0.18 258	0.17 223	0.12 130	0.07 144	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

CSP-Net	0.16 241	0.09 193	0.14 157	0.16 69	0.09 133	0.19 257	0.17 194	0.25 207	0.32 272	0.25 299	0.30 275	0.24 255	0.15 209	0.21 280	0.18 251	0.09 239	0.06 193	0.07 100	0.07 163	0.08 202	0.07 161

UDGNet	0.14 189	0.13 296	0.16 224	0.17 117	0.10 219	0.12 107	0.16 173	0.21 143	0.27 234	0.20 245	0.20 162	0.16 165	0.13 173	0.16 201	0.13 160	0.10 270	0.06 193	0.09 230	0.07 163	0.06 101	0.07 161

dad	0.17 260	0.20 350	0.20 284	0.16 69	0.11 257	0.20 269	0.18 234	0.21 143	0.28 245	0.30 330	0.24 200	0.29 294	0.13 173	0.19 245	0.16 226	0.18 366	0.09 295	0.11 298	0.09 254	0.11 292	0.07 161

DAS	0.15 223	0.08 142	0.18 267	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 215	0.25 229	0.21 220	0.15 209	0.16 201	0.12 130	0.08 194	0.06 193	0.06 32	0.06 88	0.07 158	0.07 161

SepStereo	0.15 223	0.08 142	0.18 267	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 215	0.25 229	0.21 220	0.15 209	0.25 315	0.12 130	0.08 194	0.06 193	0.06 32	0.06 88	0.07 158	0.07 161

PSMNet-ADL	0.15 223	0.12 275	0.13 131	0.22 309	0.09 133	0.13 133	0.20 280	0.26 219	0.23 185	0.18 215	0.20 162	0.24 255	0.16 229	0.18 234	0.17 237	0.08 194	0.08 272	0.08 164	0.11 309	0.08 202	0.07 161

ADLNet2	0.16 241	0.09 193	0.13 131	0.16 69	0.09 133	0.20 269	0.16 173	0.31 281	0.39 315	0.16 176	0.20 162	0.20 214	0.18 258	0.21 280	0.22 294	0.08 194	0.06 193	0.07 100	0.07 163	0.09 250	0.07 161

Patchmatch Stereo++	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161
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
NRIStereo	0.11 83	0.08 142	0.14 157	0.18 184	0.08 48	0.10 58	0.14 70	0.16 45	0.15 71	0.12 86	0.14 83	0.13 115	0.12 141	0.13 136	0.10 51	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.07 161

PSM-adaLoss	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

ROB_FTStereo_v2	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

ROB_FTStereo	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

HUI-Stereo	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

iGMRVC	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

iRAFT	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

RAFT-IKP	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

ICVP	0.15 223	0.09 193	0.12 92	0.22 309	0.09 133	0.17 222	0.21 296	0.25 207	0.23 185	0.18 215	0.30 275	0.26 273	0.18 258	0.17 223	0.14 188	0.09 239	0.07 250	0.08 164	0.07 163	0.07 158	0.07 161
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
CFNet_pseudo	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.13 133	0.14 70	0.27 237	0.34 289	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 164	0.06 88	0.07 158	0.07 161

RALCasStereoNet	0.10 52	0.06 19	0.09 28	0.16 69	0.08 48	0.12 107	0.14 70	0.17 75	0.11 17	0.12 86	0.17 123	0.14 130	0.10 90	0.12 103	0.11 88	0.07 144	0.06 193	0.06 32	0.05 32	0.08 202	0.07 161

sCroCo_RVC	0.12 138	0.09 193	0.23 303	0.24 333	0.11 257	0.19 257	0.14 70	0.17 75	0.14 59	0.10 42	0.13 74	0.12 92	0.07 33	0.14 151	0.11 88	0.08 194	0.08 272	0.08 164	0.08 213	0.05 40	0.07 161

HCRNet	0.16 241	0.24 364	0.12 92	0.35 380	0.11 257	0.15 179	0.17 194	0.26 219	0.22 176	0.19 228	0.24 200	0.21 220	0.14 196	0.15 169	0.13 160	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

xxxx	0.15 223	0.07 70	0.14 157	0.14 13	0.08 48	0.23 304	0.18 234	0.31 281	0.19 130	0.14 127	0.28 260	0.22 237	0.14 196	0.15 169	0.26 333	0.09 239	0.05 109	0.07 100	0.07 163	0.08 202	0.07 161

test_xeample	0.15 223	0.06 19	0.13 131	0.14 13	0.08 48	0.21 283	0.20 280	0.28 251	0.20 151	0.16 176	0.29 271	0.19 204	0.16 229	0.15 169	0.26 333	0.09 239	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

MMNet	0.17 260	0.09 193	0.16 224	0.20 272	0.11 257	0.27 334	0.20 280	0.25 207	0.41 324	0.22 266	0.30 275	0.21 220	0.20 281	0.17 223	0.20 266	0.06 56	0.06 193	0.07 100	0.07 163	0.08 202	0.07 161

FENet	0.13 160	0.08 142	0.12 92	0.16 69	0.08 48	0.14 157	0.15 116	0.22 159	0.23 185	0.17 188	0.23 191	0.16 165	0.12 141	0.14 151	0.15 211	0.08 194	0.05 109	0.08 164	0.08 213	0.07 158	0.07 161

GANet-RSSM	0.14 189	0.07 70	0.13 131	0.13 6	0.08 48	0.14 157	0.17 194	0.22 159	0.21 164	0.17 188	0.24 200	0.23 249	0.15 209	0.16 201	0.15 211	0.10 270	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

PSMNet-RSSM	0.14 189	0.07 70	0.13 131	0.15 38	0.08 48	0.13 133	0.16 173	0.24 194	0.24 195	0.16 176	0.28 260	0.22 237	0.14 196	0.15 169	0.13 160	0.11 291	0.06 193	0.09 230	0.12 327	0.08 202	0.07 161

GwcNet-RSSM	0.14 189	0.07 70	0.12 92	0.15 38	0.08 48	0.15 179	0.20 280	0.21 143	0.27 234	0.18 215	0.27 251	0.22 237	0.16 229	0.14 151	0.15 211	0.10 270	0.05 109	0.07 100	0.09 254	0.07 158	0.07 161

MSMDNet	0.14 189	0.08 142	0.15 194	0.17 117	0.09 133	0.14 157	0.14 70	0.29 261	0.36 301	0.14 127	0.21 176	0.21 220	0.12 141	0.17 223	0.14 188	0.07 144	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

CVANet_RVC	0.18 272	0.10 241	0.14 157	0.21 296	0.10 219	0.18 237	0.17 194	0.34 317	0.33 278	0.22 266	0.31 283	0.28 287	0.18 258	0.23 302	0.17 237	0.12 315	0.08 272	0.12 313	0.11 309	0.09 250	0.07 161

ccs_rob	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.12 107	0.14 70	0.27 237	0.34 289	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 164	0.07 163	0.07 158	0.07 161

AdaStereo	0.15 223	0.11 261	0.15 194	0.18 184	0.09 133	0.20 269	0.11 11	0.32 290	0.28 245	0.20 245	0.23 191	0.20 214	0.13 173	0.19 245	0.14 188	0.12 315	0.05 109	0.10 271	0.07 163	0.09 250	0.07 161
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.
StereoDRNet-Refined	0.17 260	0.12 275	0.15 194	0.20 272	0.09 133	0.18 237	0.18 234	0.26 219	0.23 185	0.26 304	0.40 335	0.22 237	0.17 248	0.21 280	0.20 266	0.08 194	0.05 109	0.09 230	0.10 286	0.07 158	0.07 161
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DRN-Test	0.19 282	0.11 261	0.20 284	0.22 309	0.10 219	0.22 291	0.22 306	0.39 352	0.37 307	0.24 286	0.32 287	0.26 273	0.21 285	0.22 291	0.24 314	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

StereoDRNet	0.18 272	0.11 261	0.17 249	0.22 309	0.11 257	0.21 283	0.22 306	0.37 341	0.33 278	0.24 286	0.28 260	0.30 302	0.19 273	0.20 264	0.20 266	0.09 239	0.08 272	0.11 298	0.09 254	0.09 250	0.07 161

DLCB_ROB	0.18 272	0.10 241	0.15 194	0.23 328	0.11 257	0.24 309	0.18 234	0.29 261	0.28 245	0.27 310	0.28 260	0.28 287	0.24 306	0.19 245	0.20 266	0.08 194	0.08 272	0.09 230	0.09 254	0.07 158	0.07 161

mmx	0.14 189	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.08 194	0.06 193	0.09 230	0.08 213	0.08 202	0.08 221

ttt	0.14 189	0.08 142	0.14 157	0.15 38	0.08 48	0.15 179	0.18 234	0.27 237	0.29 252	0.16 176	0.24 200	0.17 184	0.13 173	0.13 136	0.14 188	0.11 291	0.08 272	0.09 230	0.08 213	0.09 250	0.08 221

xxx	0.14 189	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.08 194	0.06 193	0.09 230	0.08 213	0.08 202	0.08 221

GMStereo_Zeroshot	0.16 241	0.13 296	0.24 306	0.20 272	0.10 219	0.17 222	0.13 43	0.29 261	0.25 214	0.23 278	0.32 287	0.25 265	0.11 112	0.19 245	0.14 188	0.09 239	0.06 193	0.11 298	0.06 88	0.12 306	0.08 221

ToySt	0.17 260	0.11 261	0.18 267	0.17 117	0.11 257	0.16 203	0.25 339	0.24 194	0.33 278	0.19 228	0.24 200	0.26 273	0.24 306	0.19 245	0.20 266	0.07 144	0.08 272	0.09 230	0.10 286	0.09 250	0.08 221

riskmin	0.11 83	0.06 19	0.13 131	0.14 13	0.08 48	0.14 157	0.14 70	0.18 99	0.14 59	0.11 62	0.14 83	0.16 165	0.11 112	0.14 151	0.12 130	0.09 239	0.05 109	0.07 100	0.05 32	0.08 202	0.08 221

ssnet_v2	0.17 260	0.10 241	0.17 249	0.17 117	0.11 257	0.21 283	0.21 296	0.33 307	0.25 214	0.22 266	0.22 185	0.27 280	0.18 258	0.22 291	0.20 266	0.11 291	0.09 295	0.09 230	0.09 254	0.08 202	0.08 221

HBP-ISP	0.18 272	0.13 296	0.16 224	0.15 38	0.11 257	0.08 23	0.13 43	0.28 251	0.29 252	0.22 266	0.33 300	0.21 220	0.25 314	0.23 302	0.17 237	0.14 346	0.16 361	0.21 367	0.17 360	0.10 277	0.08 221

CRFU-Net	0.16 241	0.08 142	0.14 157	0.17 117	0.09 133	0.19 257	0.14 70	0.26 219	0.20 151	0.28 321	0.27 251	0.29 294	0.17 248	0.19 245	0.17 237	0.09 239	0.09 295	0.07 100	0.07 163	0.08 202	0.08 221

GANet-ADL	0.13 160	0.07 70	0.15 194	0.17 117	0.10 219	0.18 237	0.15 116	0.30 275	0.20 151	0.13 107	0.18 145	0.19 204	0.12 141	0.16 201	0.13 160	0.08 194	0.06 193	0.06 32	0.05 32	0.07 158	0.08 221

ASMatch	0.11 83	0.06 19	0.13 131	0.16 69	0.10 219	0.07 16	0.14 70	0.17 75	0.17 101	0.12 86	0.16 105	0.16 165	0.10 90	0.13 136	0.10 51	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.08 221

Pruner-Stereo	0.11 83	0.07 70	0.12 92	0.17 117	0.09 133	0.06 2	0.12 21	0.17 75	0.17 101	0.13 107	0.19 151	0.13 115	0.09 69	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.08 221

DeepStereo_RVC	0.11 83	0.08 142	0.16 224	0.18 184	0.08 48	0.08 23	0.12 21	0.17 75	0.12 25	0.13 107	0.14 83	0.12 92	0.12 141	0.12 103	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.07 158	0.08 221

CRE-IMP	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.10 58	0.12 21	0.18 99	0.10 7	0.14 127	0.13 74	0.13 115	0.12 141	0.12 103	0.11 88	0.07 144	0.04 2	0.08 164	0.06 88	0.08 202	0.08 221

LMCR-Stereo	0.15 223	0.08 142	0.13 131	0.21 296	0.09 133	0.17 222	0.20 280	0.27 237	0.19 130	0.24 286	0.24 200	0.23 249	0.17 248	0.20 264	0.17 237	0.07 144	0.06 193	0.08 164	0.06 88	0.10 277	0.08 221

GEStereo_RVC	0.17 260	0.12 275	0.15 194	0.22 309	0.11 257	0.19 257	0.17 194	0.32 290	0.48 349	0.20 245	0.25 229	0.17 184	0.13 173	0.21 280	0.16 226	0.10 270	0.06 193	0.08 164	0.07 163	0.09 250	0.08 221

222	0.16 241	0.07 70	0.14 157	0.14 13	0.08 48	0.24 309	0.18 234	0.30 275	0.20 151	0.17 188	0.28 260	0.17 184	0.16 229	0.15 169	0.40 380	0.10 270	0.05 109	0.07 100	0.06 88	0.07 158	0.08 221

RAFT + AFF	0.13 160	0.07 70	0.20 284	0.20 272	0.10 219	0.14 157	0.24 325	0.26 219	0.20 151	0.11 62	0.10 39	0.12 92	0.10 90	0.15 169	0.12 130	0.07 144	0.06 193	0.09 230	0.08 213	0.06 101	0.08 221

Syn2CoEx	0.21 300	0.16 321	0.27 319	0.29 370	0.14 321	0.26 327	0.20 280	0.33 307	0.31 266	0.28 321	0.36 311	0.27 280	0.25 314	0.19 245	0.24 314	0.16 360	0.12 332	0.14 337	0.11 309	0.09 250	0.08 221

psm_up	0.18 272	0.10 241	0.18 267	0.20 272	0.11 257	0.17 222	0.19 265	0.37 341	0.34 289	0.21 253	0.28 260	0.29 294	0.24 306	0.20 264	0.22 294	0.09 239	0.10 313	0.11 298	0.11 309	0.08 202	0.08 221

CFNet-ft	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 244	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 193	0.08 164	0.09 254	0.09 250	0.08 221

DSFCA	0.16 241	0.09 193	0.14 157	0.16 69	0.10 219	0.20 269	0.19 265	0.28 251	0.31 266	0.23 278	0.24 200	0.22 237	0.15 209	0.19 245	0.20 266	0.10 270	0.07 250	0.09 230	0.09 254	0.08 202	0.08 221

DMCA-RVC	0.17 260	0.10 241	0.15 194	0.24 333	0.11 257	0.18 237	0.18 234	0.25 207	0.24 195	0.21 253	0.26 244	0.25 265	0.27 325	0.18 234	0.20 266	0.12 315	0.08 272	0.13 327	0.10 286	0.10 277	0.08 221

STTStereo	0.18 272	0.12 275	0.27 319	0.20 272	0.11 257	0.16 203	0.21 296	0.29 261	0.23 185	0.21 253	0.30 275	0.29 294	0.18 258	0.20 264	0.19 260	0.12 315	0.11 323	0.11 298	0.14 340	0.09 250	0.08 221

ADCRef	0.19 282	0.12 275	0.41 359	0.20 272	0.12 286	0.22 291	0.18 234	0.32 290	0.36 301	0.26 304	0.32 287	0.17 184	0.23 300	0.24 310	0.24 314	0.07 144	0.06 193	0.09 230	0.09 254	0.08 202	0.08 221

GANet	0.21 300	0.12 275	0.21 289	0.24 333	0.13 304	0.22 291	0.22 306	0.41 361	0.26 227	0.31 336	0.42 350	0.37 340	0.28 333	0.23 302	0.22 294	0.10 270	0.12 332	0.10 271	0.09 254	0.10 277	0.08 221

TDLM	0.17 260	0.12 275	0.13 131	0.24 333	0.10 219	0.18 237	0.18 234	0.36 336	0.30 260	0.21 253	0.28 260	0.28 287	0.18 258	0.23 302	0.18 251	0.11 291	0.07 250	0.10 271	0.10 286	0.08 202	0.08 221

CFNet_RVC	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 244	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 193	0.08 164	0.09 254	0.09 250	0.08 221

NLCA_NET_v2_RVC	0.17 260	0.10 241	0.22 294	0.20 272	0.10 219	0.15 179	0.18 234	0.31 281	0.25 214	0.21 253	0.30 275	0.25 265	0.17 248	0.21 280	0.20 266	0.09 239	0.06 193	0.08 164	0.08 213	0.07 158	0.08 221
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	0.20 291	0.21 356	0.23 303	0.20 272	0.10 219	0.19 257	0.17 194	0.36 336	0.25 214	0.27 310	0.33 300	0.27 280	0.24 306	0.20 264	0.20 266	0.15 349	0.12 332	0.17 354	0.14 340	0.10 277	0.08 221

iResNetv2_ROB	0.14 189	0.08 142	0.15 194	0.16 69	0.08 48	0.16 203	0.12 21	0.25 207	0.35 296	0.21 253	0.29 271	0.24 255	0.13 173	0.14 151	0.14 188	0.06 56	0.05 109	0.06 32	0.04 8	0.09 250	0.08 221

MDST_ROB	0.22 309	0.10 241	0.17 249	0.18 184	0.11 257	0.37 368	0.19 265	0.43 369	0.41 324	0.39 358	0.39 330	0.29 294	0.21 285	0.26 317	0.18 251	0.11 291	0.10 313	0.14 337	0.11 309	0.10 277	0.08 221

iResNet_ROB	0.14 189	0.07 70	0.13 131	0.14 13	0.07 19	0.18 237	0.14 70	0.26 219	0.31 266	0.22 266	0.25 229	0.23 249	0.15 209	0.15 169	0.13 160	0.07 144	0.05 109	0.05 2	0.04 8	0.08 202	0.08 221

MyStereo8	0.12 138	0.07 70	0.15 194	0.15 38	0.09 133	0.18 237	0.14 70	0.19 119	0.22 176	0.12 86	0.18 145	0.11 77	0.10 90	0.16 201	0.18 251	0.07 144	0.05 109	0.07 100	0.05 32	0.08 202	0.09 254

CFNet_ucs	0.15 223	0.08 142	0.16 224	0.16 69	0.11 257	0.14 157	0.14 70	0.30 275	0.34 289	0.16 176	0.24 200	0.23 249	0.14 196	0.18 234	0.15 211	0.09 239	0.06 193	0.08 164	0.07 163	0.09 250	0.09 254

Wz-Net-LNSev-Ref	0.18 272	0.09 193	0.29 330	0.15 38	0.10 219	0.22 291	0.20 280	0.26 219	0.39 315	0.25 299	0.42 350	0.24 255	0.15 209	0.20 264	0.19 260	0.07 144	0.05 109	0.06 32	0.05 32	0.10 277	0.09 254

NINENet	0.16 241	0.10 241	0.15 194	0.17 117	0.11 257	0.19 257	0.14 70	0.40 356	0.36 301	0.18 215	0.21 176	0.16 165	0.13 173	0.15 169	0.13 160	0.08 194	0.08 272	0.10 271	0.07 163	0.10 277	0.09 254

AASNet	0.16 241	0.08 142	0.12 92	0.19 230	0.09 133	0.18 237	0.15 116	0.37 341	0.37 307	0.19 228	0.23 191	0.20 214	0.16 229	0.17 223	0.20 266	0.10 270	0.08 272	0.08 164	0.07 163	0.09 250	0.09 254

AACVNet	0.16 241	0.08 142	0.14 157	0.15 38	0.10 219	0.18 237	0.15 116	0.23 176	0.24 195	0.27 310	0.27 251	0.28 287	0.17 248	0.19 245	0.16 226	0.09 239	0.07 250	0.09 230	0.07 163	0.10 277	0.09 254

HHNet	0.11 83	0.06 19	0.16 224	0.15 38	0.14 321	0.07 16	0.13 43	0.20 126	0.17 101	0.14 127	0.25 229	0.11 77	0.08 51	0.13 136	0.10 51	0.05 2	0.04 2	0.08 164	0.06 88	0.05 40	0.09 254

GMM-Stereo	0.11 83	0.07 70	0.10 45	0.18 184	0.09 133	0.08 23	0.15 116	0.23 176	0.16 89	0.11 62	0.15 97	0.13 115	0.11 112	0.11 47	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.06 101	0.09 254

Prome-Stereo	0.11 83	0.06 19	0.10 45	0.18 184	0.08 48	0.12 107	0.15 116	0.22 159	0.13 42	0.12 86	0.17 123	0.13 115	0.08 51	0.12 103	0.10 51	0.05 2	0.04 2	0.07 100	0.06 88	0.06 101	0.09 254

ADLNet	0.16 241	0.08 142	0.15 194	0.16 69	0.10 219	0.16 203	0.17 194	0.32 290	0.27 234	0.22 266	0.27 251	0.24 255	0.16 229	0.18 234	0.21 285	0.10 270	0.06 193	0.10 271	0.10 286	0.08 202	0.09 254

GES	0.14 189	0.08 142	0.16 224	0.15 38	0.10 219	0.13 133	0.13 43	0.28 251	0.25 214	0.16 176	0.23 191	0.18 195	0.13 173	0.16 201	0.13 160	0.08 194	0.07 250	0.07 100	0.06 88	0.08 202	0.09 254

aanetorigin	0.22 309	0.17 332	0.56 376	0.17 117	0.10 219	0.15 179	0.19 265	0.20 126	0.33 278	0.49 377	0.48 360	0.29 294	0.27 325	0.20 264	0.23 304	0.08 194	0.07 250	0.08 164	0.07 163	0.10 277	0.09 254

EDNetEfficient	0.29 357	0.24 364	1.13 406	0.18 184	0.10 219	0.19 257	0.20 280	0.20 126	0.60 377	0.74 396	0.56 375	0.31 312	0.39 367	0.22 291	0.30 355	0.09 239	0.07 250	0.08 164	0.07 163	0.11 292	0.09 254

NVstereo2D	0.19 282	0.10 241	0.15 194	0.17 117	0.15 332	0.28 340	0.23 316	0.44 371	0.42 330	0.15 151	0.27 251	0.25 265	0.19 273	0.22 291	0.17 237	0.09 239	0.06 193	0.10 271	0.08 213	0.15 346	0.09 254

DISCO	0.19 282	0.09 193	0.22 294	0.17 117	0.10 219	0.25 319	0.18 234	0.27 237	0.44 339	0.22 266	0.31 283	0.33 324	0.26 317	0.28 331	0.28 348	0.08 194	0.06 193	0.07 100	0.07 163	0.09 250	0.09 254

NaN_ROB	0.22 309	0.19 345	0.24 306	0.25 344	0.13 304	0.29 343	0.26 345	0.33 307	0.41 324	0.31 336	0.31 283	0.32 321	0.23 300	0.30 341	0.21 285	0.11 291	0.17 366	0.10 271	0.10 286	0.08 202	0.09 254

FBW_ROB	0.24 332	0.17 332	0.22 294	0.26 349	0.14 321	0.25 319	0.22 306	0.41 361	0.41 324	0.41 365	0.41 345	0.42 358	0.27 325	0.31 342	0.23 304	0.09 239	0.14 352	0.14 337	0.12 327	0.11 292	0.09 254

PWCDC_ROB	0.20 291	0.13 296	0.22 294	0.24 333	0.11 257	0.19 257	0.15 116	0.33 307	0.54 365	0.29 327	0.50 365	0.21 220	0.15 209	0.27 320	0.20 266	0.11 291	0.09 295	0.10 271	0.08 213	0.11 292	0.09 254

PSMNet_ROB	0.21 300	0.11 261	0.15 194	0.27 360	0.15 332	0.24 309	0.35 382	0.43 369	0.37 307	0.27 310	0.32 287	0.32 321	0.22 294	0.21 280	0.26 333	0.12 315	0.08 272	0.13 327	0.11 309	0.09 250	0.09 254

iinet-f	0.16 241	0.06 19	0.45 362	0.14 13	0.10 219	0.21 283	0.14 70	0.27 237	0.23 185	0.21 253	0.24 200	0.21 220	0.15 209	0.18 234	0.21 285	0.09 239	0.07 250	0.07 100	0.06 88	0.09 250	0.10 273

Wz-Net-MNSev	0.22 309	0.13 296	0.31 335	0.20 272	0.14 321	0.36 367	0.24 325	0.33 307	0.44 339	0.28 321	0.40 335	0.38 344	0.19 273	0.24 310	0.25 323	0.09 239	0.07 250	0.09 230	0.09 254	0.12 306	0.10 273

FTStereo	0.12 138	0.06 19	0.14 157	0.18 184	0.09 133	0.07 16	0.15 116	0.21 143	0.18 118	0.12 86	0.24 200	0.12 92	0.12 141	0.13 136	0.13 160	0.05 2	0.05 109	0.07 100	0.06 88	0.06 101	0.10 273

GrayStereo	0.11 83	0.06 19	0.11 72	0.19 230	0.09 133	0.09 35	0.16 173	0.18 99	0.17 101	0.14 127	0.17 123	0.17 184	0.11 112	0.12 103	0.11 88	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.10 273

sAnonymous2	0.13 160	0.12 275	0.24 306	0.20 272	0.12 286	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 239	0.05 109	0.08 164	0.06 88	0.15 346	0.10 273

CroCo_RVC	0.13 160	0.12 275	0.24 306	0.20 272	0.12 286	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 239	0.05 109	0.08 164	0.06 88	0.15 346	0.10 273

Anonymous	0.14 189	0.10 241	0.24 306	0.22 309	0.13 304	0.18 237	0.22 306	0.20 126	0.19 130	0.14 127	0.12 64	0.11 77	0.13 173	0.16 201	0.13 160	0.08 194	0.07 250	0.08 164	0.08 213	0.12 306	0.10 273

EDNetEfficientorigin	7.91 423	0.31 380	153.02 442	0.19 230	0.09 133	0.21 283	0.16 173	0.22 159	0.59 374	0.72 392	0.67 382	0.42 358	0.50 384	0.24 310	0.39 378	0.08 194	0.07 250	0.08 164	0.07 163	0.12 306	0.10 273

GwcNet	0.20 291	0.13 296	0.19 276	0.18 184	0.12 286	0.24 309	0.19 265	0.35 330	0.43 335	0.20 245	0.32 287	0.33 324	0.20 281	0.22 291	0.24 314	0.11 291	0.09 295	0.09 230	0.09 254	0.09 250	0.10 273

HGLStereo	0.17 260	0.08 142	0.19 276	0.17 117	0.12 286	0.18 237	0.18 234	0.31 281	0.32 272	0.21 253	0.32 287	0.25 265	0.18 258	0.19 245	0.20 266	0.09 239	0.09 295	0.07 100	0.07 163	0.09 250	0.10 273

DMCA	0.14 189	0.09 193	0.16 224	0.19 230	0.09 133	0.15 179	0.17 194	0.23 176	0.27 234	0.14 127	0.19 151	0.17 184	0.18 258	0.15 169	0.17 237	0.10 270	0.06 193	0.08 164	0.06 88	0.09 250	0.10 273

FADNet-RVC-Resample	0.16 241	0.11 261	0.31 335	0.22 309	0.11 257	0.19 257	0.14 70	0.25 207	0.24 195	0.24 286	0.27 251	0.20 214	0.15 209	0.16 201	0.15 211	0.07 144	0.08 272	0.12 313	0.10 286	0.09 250	0.10 273

FADNet_RVC	0.16 241	0.14 308	0.40 357	0.20 272	0.11 257	0.13 133	0.13 43	0.26 219	0.22 176	0.21 253	0.23 191	0.20 214	0.17 248	0.14 151	0.16 226	0.08 194	0.08 272	0.12 313	0.09 254	0.11 292	0.10 273

SuperB	0.20 291	0.10 241	0.56 376	0.16 69	0.09 133	0.18 237	0.18 234	0.24 194	0.50 356	0.26 304	0.39 330	0.17 184	0.21 285	0.22 291	0.21 285	0.08 194	0.06 193	0.06 32	0.06 88	0.12 306	0.10 273

AF-Net	0.22 309	0.17 332	0.17 249	0.26 349	0.13 304	0.25 319	0.24 325	0.32 290	0.50 356	0.25 299	0.33 300	0.38 344	0.26 317	0.28 331	0.25 323	0.11 291	0.10 313	0.16 351	0.11 309	0.11 292	0.10 273

Nwc_Net	0.23 324	0.16 321	0.21 289	0.25 344	0.14 321	0.24 309	0.26 345	0.37 341	0.38 312	0.22 266	0.41 345	0.30 302	0.28 333	0.28 331	0.25 323	0.11 291	0.10 313	0.17 354	0.20 366	0.10 277	0.10 273

ADCL	0.24 332	0.11 261	0.47 366	0.22 309	0.12 286	0.34 358	0.29 365	0.29 261	0.56 368	0.24 286	0.46 357	0.30 302	0.30 345	0.29 338	0.29 351	0.08 194	0.07 250	0.09 230	0.09 254	0.10 277	0.10 273

ADCP+	0.20 291	0.10 241	0.33 340	0.20 272	0.12 286	0.22 291	0.26 345	0.31 281	0.34 289	0.26 304	0.37 317	0.22 237	0.22 294	0.27 320	0.27 340	0.09 239	0.06 193	0.08 164	0.08 213	0.09 250	0.10 273

UCFNet_RVC	0.14 189	0.08 142	0.13 131	0.11 1	0.10 219	0.20 269	0.10 6	0.24 194	0.22 176	0.17 188	0.20 162	0.23 249	0.15 209	0.17 223	0.15 211	0.12 315	0.07 250	0.10 271	0.13 336	0.11 292	0.10 273

DeepPruner_ROB	0.16 241	0.11 261	0.15 194	0.17 117	0.10 219	0.17 222	0.15 116	0.32 290	0.21 164	0.19 228	0.21 176	0.22 237	0.18 258	0.20 264	0.15 211	0.13 335	0.09 295	0.09 230	0.09 254	0.11 292	0.10 273

PWC_ROB	0.21 300	0.16 321	0.26 313	0.18 184	0.11 257	0.22 291	0.13 43	0.32 290	0.49 354	0.30 330	0.40 335	0.32 321	0.24 306	0.31 342	0.22 294	0.10 270	0.07 250	0.11 298	0.08 213	0.11 292	0.10 273

CBMV	0.19 282	0.14 308	0.17 249	0.18 184	0.10 219	0.20 269	0.11 11	0.29 261	0.30 260	0.29 327	0.30 275	0.30 302	0.23 300	0.27 320	0.19 260	0.13 335	0.15 358	0.17 354	0.16 353	0.10 277	0.10 273
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	0.13 296	0.18 267	0.15 38	0.11 257	0.32 349	0.24 325	0.40 356	0.36 301	0.52 379	0.57 376	0.67 390	0.40 370	0.35 359	0.26 333	0.14 346	0.13 345	0.13 327	0.11 309	0.11 292	0.10 273
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	0.19 282	0.08 142	0.19 276	0.16 69	0.12 286	0.77 403	0.14 70	0.25 207	0.32 272	0.19 228	0.24 200	0.19 204	0.13 173	0.19 245	0.15 211	0.16 360	0.18 368	0.14 337	0.11 309	0.08 202	0.11 296

DisPM	0.11 83	0.07 70	0.12 92	0.16 69	0.09 133	0.06 2	0.13 43	0.17 75	0.17 101	0.14 127	0.20 162	0.12 92	0.10 90	0.11 47	0.10 51	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.11 296

Wz-Net-SNSev	0.25 341	0.17 332	0.44 361	0.25 344	0.14 321	0.26 327	0.23 316	0.38 348	0.56 368	0.30 330	0.55 370	0.39 352	0.26 317	0.23 302	0.30 355	0.10 270	0.09 295	0.09 230	0.10 286	0.11 292	0.11 296

Wz-Net-LNSev	0.22 309	0.16 321	0.38 353	0.21 296	0.13 304	0.25 319	0.23 316	0.32 290	0.43 335	0.30 330	0.41 345	0.31 312	0.18 258	0.22 291	0.25 323	0.10 270	0.09 295	0.08 164	0.08 213	0.12 306	0.11 296

PFNet+	0.11 83	0.06 19	0.13 131	0.16 69	0.09 133	0.05 1	0.12 21	0.17 75	0.21 164	0.16 176	0.19 151	0.14 130	0.10 90	0.11 47	0.11 88	0.08 194	0.05 109	0.09 230	0.08 213	0.06 101	0.11 296

Anonymous3	0.16 241	0.13 296	0.33 340	0.26 349	0.14 321	0.27 334	0.17 194	0.28 251	0.28 245	0.15 151	0.17 123	0.14 130	0.10 90	0.15 169	0.12 130	0.08 194	0.08 272	0.08 164	0.08 213	0.08 202	0.11 296

hitnet-ft	0.18 272	0.09 193	0.17 249	0.14 13	0.09 133	0.26 327	0.20 280	0.25 207	0.26 227	0.24 286	0.32 287	0.31 312	0.22 294	0.24 310	0.21 285	0.12 315	0.07 250	0.10 271	0.08 213	0.12 306	0.11 296

DANet	0.21 300	0.15 314	0.28 324	0.25 344	0.13 304	0.22 291	0.19 265	0.27 237	0.27 234	0.28 321	0.32 287	0.35 334	0.31 349	0.31 342	0.23 304	0.11 291	0.09 295	0.11 298	0.10 286	0.13 323	0.11 296
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CBMV_ROB	0.19 282	0.13 296	0.17 249	0.16 69	0.11 257	0.15 179	0.13 43	0.26 219	0.28 245	0.27 310	0.30 275	0.27 280	0.24 306	0.23 302	0.16 226	0.15 349	0.17 366	0.22 371	0.20 366	0.10 277	0.11 296

SANet	0.24 332	0.14 308	0.28 324	0.21 296	0.11 257	0.27 334	0.24 325	0.38 348	0.64 381	0.36 350	0.40 335	0.43 362	0.26 317	0.27 320	0.24 314	0.12 315	0.09 295	0.10 271	0.09 254	0.13 323	0.11 296

SGM_RVC	0.23 324	0.12 275	0.15 194	0.15 38	0.09 133	0.33 355	0.18 234	0.34 317	0.31 266	0.44 373	0.37 317	0.53 379	0.35 360	0.35 359	0.24 314	0.13 335	0.13 345	0.13 327	0.13 336	0.10 277	0.11 296
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
NF-Stereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

OCTAStereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

PSM-softLoss	0.12 138	0.07 70	0.15 194	0.17 117	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 164	0.07 163	0.06 101	0.12 307

KMStereo	0.12 138	0.07 70	0.15 194	0.17 117	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 164	0.07 163	0.06 101	0.12 307

RE-Stereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

TVStereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

APVNet	0.22 309	0.12 275	0.19 276	0.18 184	0.14 321	0.32 349	0.31 378	0.39 352	0.32 272	0.27 310	0.40 335	0.30 302	0.29 341	0.26 317	0.25 323	0.11 291	0.12 332	0.11 298	0.14 340	0.12 306	0.12 307

MaskLacGwcNet_RVC	0.22 309	0.21 356	0.24 306	0.26 349	0.11 257	0.23 304	0.14 70	0.39 352	0.24 195	0.32 342	0.36 311	0.30 302	0.21 285	0.19 245	0.21 285	0.17 364	0.14 352	0.21 367	0.16 353	0.12 306	0.12 307

ADCMid	0.25 341	0.15 314	0.40 357	0.20 272	0.14 321	0.25 319	0.26 345	0.34 317	0.38 312	0.36 350	0.44 355	0.34 330	0.40 370	0.35 359	0.33 366	0.10 270	0.09 295	0.11 298	0.11 309	0.13 323	0.12 307

STTRV1_RVC	0.25 341	0.26 370	0.39 355	0.19 230	0.26 381	0.30 346	0.24 325	0.34 317	0.35 296	0.36 350	0.34 304	0.31 312	0.31 349	0.28 331	0.25 323	0.17 364	0.10 313	0.16 351	0.14 340	0.17 360	0.12 307

SGM-ForestM	0.32 365	0.12 275	0.16 224	0.16 69	0.11 257	0.39 371	0.19 265	0.41 361	0.50 356	0.52 379	0.54 369	1.32 409	0.42 377	0.40 376	0.27 340	0.14 346	0.16 361	0.16 351	0.16 353	0.12 306	0.12 307

XPNet_ROB	0.22 309	0.11 261	0.19 276	0.22 309	0.13 304	0.22 291	0.19 265	0.34 317	0.40 321	0.30 330	0.39 330	0.39 352	0.26 317	0.26 317	0.28 348	0.15 349	0.10 313	0.10 271	0.10 286	0.13 323	0.12 307

LALA_ROB	0.25 341	0.16 321	0.22 294	0.26 349	0.17 355	0.27 334	0.27 352	0.42 366	0.37 307	0.33 346	0.38 322	0.51 376	0.26 317	0.28 331	0.27 340	0.16 360	0.09 295	0.12 313	0.11 309	0.13 323	0.12 307

SGM-Forest	0.20 291	0.14 308	0.18 267	0.19 230	0.13 304	0.20 269	0.22 306	0.33 307	0.30 260	0.24 286	0.29 271	0.28 287	0.19 273	0.23 302	0.17 237	0.15 349	0.16 361	0.15 345	0.14 340	0.12 306	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
coex-ft	3.30 417	0.34 383	59.09 441	0.18 184	0.13 304	0.26 327	0.22 306	0.27 237	0.72 389	1.90 419	0.70 386	0.44 364	0.45 380	0.29 338	0.41 383	0.09 239	0.09 295	0.12 313	0.09 254	0.14 335	0.13 321

pcwnet_v2	0.19 282	0.10 241	0.26 313	0.17 117	0.14 321	0.18 237	0.15 116	0.37 341	0.46 347	0.19 228	0.24 200	0.21 220	0.19 273	0.20 264	0.19 260	0.13 335	0.10 313	0.10 271	0.10 286	0.11 292	0.13 321

FINET	0.21 300	0.18 342	0.26 313	0.18 184	0.16 342	0.23 304	0.23 316	0.32 290	0.48 349	0.25 299	0.32 287	0.22 237	0.22 294	0.22 291	0.17 237	0.18 366	0.16 361	0.11 298	0.10 286	0.15 346	0.13 321

S-Stereo	0.20 291	0.12 275	0.25 312	0.21 296	0.13 304	0.20 269	0.18 234	0.32 290	0.43 335	0.23 278	0.36 311	0.28 287	0.30 345	0.19 245	0.22 294	0.09 239	0.12 332	0.10 271	0.10 286	0.13 323	0.13 321

G-Net	0.24 332	0.16 321	0.36 349	0.22 309	0.16 342	0.51 380	0.23 316	0.29 261	0.34 289	0.36 350	0.38 322	0.31 312	0.29 341	0.27 320	0.26 333	0.11 291	0.09 295	0.12 313	0.09 254	0.16 353	0.13 321

NCC-stereo	0.24 332	0.15 314	0.31 335	0.26 349	0.16 342	0.20 269	0.30 372	0.40 356	0.40 321	0.24 286	0.38 322	0.33 324	0.28 333	0.36 364	0.27 340	0.12 315	0.11 323	0.15 345	0.22 371	0.13 323	0.13 321

stereogan	0.22 309	0.11 261	0.21 289	0.20 272	0.12 286	0.31 348	0.19 265	0.35 330	0.44 339	0.22 266	0.39 330	0.35 334	0.27 325	0.33 350	0.22 294	0.10 270	0.12 332	0.10 271	0.10 286	0.14 335	0.13 321

edge stereo	0.22 309	0.13 296	0.20 284	0.21 296	0.13 304	0.23 304	0.16 173	0.32 290	0.42 330	0.32 342	0.40 335	0.38 344	0.35 360	0.25 315	0.24 314	0.13 335	0.11 323	0.14 337	0.11 309	0.12 306	0.13 321

Abc-Net	0.24 332	0.15 314	0.31 335	0.26 349	0.16 342	0.20 269	0.30 372	0.40 356	0.40 321	0.24 286	0.38 322	0.33 324	0.28 333	0.36 364	0.27 340	0.12 315	0.11 323	0.15 345	0.22 371	0.13 323	0.13 321
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 324	0.12 275	0.28 324	0.21 296	0.13 304	0.28 340	0.16 173	0.35 330	0.66 384	0.27 310	0.33 300	0.30 302	0.21 285	0.31 342	0.29 351	0.10 270	0.08 272	0.09 230	0.10 286	0.13 323	0.13 321

DeepPrunerF	0.24 332	0.17 332	0.42 360	0.26 349	0.16 342	0.22 291	0.28 357	0.37 341	0.50 356	0.26 304	0.29 271	0.24 255	0.28 333	0.21 280	0.22 294	0.15 349	0.11 323	0.20 366	0.18 364	0.12 306	0.13 321

ADCPNet	0.25 341	0.16 321	0.61 380	0.21 296	0.15 332	0.35 366	0.25 339	0.32 290	0.35 296	0.30 330	0.40 335	0.36 336	0.28 333	0.28 331	0.32 363	0.12 315	0.10 313	0.11 298	0.12 327	0.14 335	0.13 321

PA-Net	0.23 324	0.18 342	0.33 340	0.28 363	0.22 371	0.21 283	0.38 387	0.29 261	0.39 315	0.22 266	0.32 287	0.25 265	0.26 317	0.20 264	0.25 323	0.09 239	0.23 384	0.15 345	0.22 371	0.09 250	0.13 321
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 324	0.15 314	0.17 249	0.34 378	0.18 362	0.24 309	0.23 316	0.34 317	0.28 245	0.31 336	0.38 322	0.38 344	0.28 333	0.23 302	0.24 314	0.15 349	0.12 332	0.18 362	0.21 368	0.13 323	0.13 321

NOSS_ROB	0.19 282	0.12 275	0.18 267	0.16 69	0.12 286	0.15 179	0.12 21	0.30 275	0.32 272	0.20 245	0.22 185	0.27 280	0.23 300	0.21 280	0.16 226	0.16 360	0.18 368	0.23 372	0.21 368	0.12 306	0.13 321

ETE_ROB	0.23 324	0.17 332	0.22 294	0.25 344	0.13 304	0.26 327	0.29 365	0.31 281	0.36 301	0.28 321	0.36 311	0.45 366	0.26 317	0.27 320	0.26 333	0.11 291	0.08 272	0.12 313	0.09 254	0.14 335	0.13 321

PDISCO_ROB	0.27 350	0.16 321	0.26 313	0.28 363	0.20 367	0.32 349	0.26 345	0.44 371	0.57 370	0.28 321	0.40 335	0.45 366	0.29 341	0.33 350	0.34 368	0.12 315	0.09 295	0.17 354	0.16 353	0.17 360	0.13 321

Wz-Net-TNSev	0.29 357	0.20 350	0.65 383	0.19 230	0.15 332	0.38 370	0.27 352	0.35 330	0.55 366	0.34 347	0.42 350	0.45 366	0.38 365	0.32 348	0.30 355	0.12 315	0.13 345	0.10 271	0.12 327	0.15 346	0.14 338

UDG	0.21 300	0.17 332	0.19 276	0.23 328	0.15 332	0.30 346	0.20 280	0.33 307	0.35 296	0.23 278	0.28 260	0.31 312	0.27 325	0.20 264	0.22 294	0.15 349	0.12 332	0.13 327	0.09 254	0.14 335	0.14 338

SACVNet	0.18 272	0.12 275	0.14 157	0.17 117	0.13 304	0.22 291	0.18 234	0.31 281	0.30 260	0.23 278	0.31 283	0.30 302	0.22 294	0.22 291	0.17 237	0.11 291	0.08 272	0.10 271	0.10 286	0.12 306	0.14 338

PSM-AAD	0.11 83	0.07 70	0.10 45	0.19 230	0.09 133	0.10 58	0.15 116	0.20 126	0.13 42	0.12 86	0.14 83	0.18 195	0.11 112	0.11 47	0.10 51	0.05 2	0.05 109	0.09 230	0.08 213	0.06 101	0.14 338

FAT-Stereo	0.20 291	0.12 275	0.22 294	0.21 296	0.12 286	0.17 222	0.18 234	0.34 317	0.39 315	0.27 310	0.37 317	0.34 330	0.32 353	0.21 280	0.20 266	0.09 239	0.11 323	0.10 271	0.09 254	0.11 292	0.14 338

RP	0.21 300	0.13 296	0.21 289	0.23 328	0.11 257	0.21 283	0.20 280	0.25 207	0.44 339	0.21 253	0.38 322	0.36 336	0.24 306	0.27 320	0.25 323	0.11 291	0.12 332	0.13 327	0.12 327	0.12 306	0.14 338

Anonymous Stereo	0.23 324	0.19 345	0.50 368	0.24 333	0.17 355	0.21 283	0.21 296	0.33 307	0.44 339	0.25 299	0.34 304	0.26 273	0.18 258	0.31 342	0.27 340	0.13 335	0.12 332	0.12 313	0.13 336	0.11 292	0.14 338

WCMA_ROB	0.24 332	0.11 261	0.22 294	0.17 117	0.14 321	0.32 349	0.15 116	0.32 290	0.32 272	0.38 356	0.53 367	0.40 355	0.34 358	0.34 353	0.25 323	0.11 291	0.12 332	0.12 313	0.10 286	0.14 335	0.14 338

SQANet	0.23 324	0.23 361	0.30 333	0.30 372	0.19 364	0.27 334	0.13 43	0.29 261	0.33 278	0.24 286	0.37 317	0.31 312	0.22 294	0.27 320	0.23 304	0.15 349	0.10 313	0.21 367	0.16 353	0.21 369	0.15 346

LCNet	0.11 83	0.07 70	0.09 28	0.19 230	0.09 133	0.08 23	0.15 116	0.21 143	0.15 71	0.11 62	0.15 97	0.16 165	0.11 112	0.12 103	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.06 101	0.15 346

MFN_U_SF_RVC	0.32 365	0.21 356	0.55 374	0.30 372	0.15 332	0.34 358	0.17 194	0.52 384	0.46 347	0.46 376	0.55 370	0.59 382	0.39 367	0.35 359	0.37 374	0.15 349	0.14 352	0.18 362	0.21 368	0.16 353	0.15 346

RTS	0.45 382	0.19 345	3.26 416	0.24 333	0.15 332	0.74 397	0.20 280	0.36 336	0.76 394	0.42 368	0.43 353	0.31 312	0.41 374	0.53 388	0.35 369	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 346

RTSA	0.45 382	0.19 345	3.26 416	0.24 333	0.15 332	0.74 397	0.20 280	0.36 336	0.76 394	0.42 368	0.43 353	0.31 312	0.41 374	0.53 388	0.35 369	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 346

AnyNet_C01	0.36 371	0.25 369	1.37 409	0.22 309	0.17 355	0.48 378	0.27 352	0.35 330	0.39 315	0.39 358	0.74 390	0.46 370	0.38 365	0.45 380	0.47 389	0.13 335	0.13 345	0.13 327	0.14 340	0.14 335	0.15 346

AnyNet_C32	0.26 348	0.16 321	0.36 349	0.20 272	0.16 342	0.25 319	0.30 372	0.32 290	0.44 339	0.31 336	0.49 361	0.30 302	0.33 354	0.40 376	0.33 366	0.12 315	0.12 332	0.12 313	0.14 340	0.14 335	0.15 346

RYNet	0.22 309	0.12 275	0.22 294	0.19 230	0.17 355	0.46 374	0.26 345	0.38 348	0.48 349	0.24 286	0.28 260	0.34 330	0.23 300	0.20 264	0.30 355	0.10 270	0.06 193	0.09 230	0.09 254	0.13 323	0.15 346

CC-Net-ROB	0.28 353	0.31 380	0.36 349	0.29 370	0.15 332	0.25 319	0.19 265	0.45 374	0.33 278	0.39 358	0.37 317	0.39 352	0.31 349	0.27 320	0.26 333	0.24 384	0.19 371	0.30 385	0.23 375	0.18 364	0.15 346

CSAN	0.29 357	0.24 364	0.27 319	0.34 378	0.19 364	0.33 355	0.42 391	0.37 341	0.50 356	0.38 356	0.40 335	0.44 364	0.33 354	0.28 331	0.30 355	0.20 372	0.16 361	0.19 364	0.19 365	0.14 335	0.15 346

DispFullNet	0.27 350	0.21 356	0.65 383	0.28 363	0.16 342	0.26 327	0.17 194	0.33 307	0.58 373	0.27 310	0.38 322	0.43 362	0.23 300	0.38 369	0.23 304	0.12 315	0.06 193	0.19 364	0.11 309	0.21 369	0.15 346

WZ-Net	0.28 353	0.17 332	0.78 397	0.22 309	0.16 342	0.34 358	0.29 365	0.39 352	0.57 370	0.24 286	0.55 370	0.37 340	0.24 306	0.33 350	0.35 369	0.09 239	0.08 272	0.09 230	0.10 286	0.14 335	0.16 357

DDUNet	0.22 309	0.17 332	0.21 289	0.22 309	0.15 332	0.25 319	0.24 325	0.29 261	0.30 260	0.31 336	0.36 311	0.33 324	0.25 314	0.24 310	0.20 266	0.18 366	0.13 345	0.17 354	0.11 309	0.16 353	0.16 357

KYRaft	0.11 83	0.07 70	0.10 45	0.19 230	0.09 133	0.08 23	0.15 116	0.22 159	0.12 25	0.13 107	0.16 105	0.20 214	0.10 90	0.12 103	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.06 101	0.16 357

psmorigin	0.25 341	0.15 314	0.34 348	0.17 117	0.13 304	0.23 304	0.14 70	0.34 317	0.33 278	0.41 365	0.55 370	0.41 357	0.37 364	0.34 353	0.27 340	0.11 291	0.15 358	0.11 298	0.11 309	0.12 306	0.16 357

RGC	0.25 341	0.20 350	0.29 330	0.28 363	0.16 342	0.22 291	0.23 316	0.32 290	0.44 339	0.27 310	0.40 335	0.38 344	0.27 325	0.36 364	0.22 294	0.11 291	0.13 345	0.17 354	0.17 360	0.14 335	0.16 357

ADCS	0.29 357	0.18 342	0.45 362	0.21 296	0.17 355	0.28 340	0.23 316	0.41 361	0.63 380	0.40 361	0.49 361	0.40 355	0.36 362	0.39 372	0.40 380	0.13 335	0.12 332	0.13 327	0.14 340	0.16 353	0.16 357

DPSNet	0.28 353	0.16 321	0.31 335	0.18 184	0.13 304	0.54 382	0.42 391	0.51 383	0.67 385	0.29 327	0.38 322	0.38 344	0.29 341	0.31 342	0.23 304	0.11 291	0.10 313	0.11 298	0.08 213	0.20 368	0.16 357

Anonymous_2	0.22 309	0.17 332	0.28 324	0.15 38	0.16 342	0.32 349	0.22 306	0.22 159	0.17 101	0.23 278	0.24 200	0.26 273	0.27 325	0.27 320	0.23 304	0.22 378	0.25 386	0.17 354	0.17 360	0.17 360	0.17 364

GANetREF_RVC	0.31 363	0.34 383	0.27 319	0.35 380	0.16 342	0.32 349	0.41 388	0.48 378	0.51 363	0.35 348	0.35 308	0.34 330	0.33 354	0.39 372	0.32 363	0.27 386	0.20 374	0.29 383	0.15 351	0.18 364	0.17 364
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
ccnet	0.29 357	0.28 375	0.23 303	0.20 272	0.28 383	0.41 373	0.21 296	0.45 374	0.33 278	0.36 350	0.46 357	0.36 336	0.30 345	0.39 372	0.42 384	0.23 382	0.14 352	0.21 367	0.17 360	0.23 372	0.18 366

MSC_U_SF_DS_RVC	0.43 379	0.39 387	0.54 372	0.40 384	0.20 367	0.64 389	0.32 380	0.53 386	0.72 389	0.71 390	0.72 387	0.61 384	0.54 385	0.51 384	0.46 388	0.20 372	0.19 371	0.29 383	0.30 385	0.23 372	0.18 366

FADNet-RVC	0.20 291	0.20 350	0.38 353	0.21 296	0.16 342	0.20 269	0.15 116	0.26 219	0.26 227	0.26 304	0.32 287	0.26 273	0.21 285	0.22 291	0.19 260	0.12 315	0.13 345	0.12 313	0.14 340	0.13 323	0.18 366

FADNet	0.21 300	0.22 360	0.36 349	0.18 184	0.17 355	0.24 309	0.13 43	0.31 281	0.31 266	0.23 278	0.25 229	0.27 280	0.21 285	0.19 245	0.15 211	0.13 335	0.15 358	0.12 313	0.15 351	0.16 353	0.18 366

XQC	0.28 353	0.23 361	0.51 369	0.28 363	0.19 364	0.34 358	0.27 352	0.36 336	0.57 370	0.31 336	0.30 275	0.37 340	0.30 345	0.38 369	0.38 376	0.13 335	0.09 295	0.15 345	0.12 327	0.17 360	0.18 366

MFN_U_SF_DS_RVC	0.30 362	0.24 364	0.29 330	0.36 382	0.16 342	0.34 358	0.30 372	0.32 290	0.42 330	0.40 361	0.46 357	0.38 344	0.31 349	0.34 353	0.28 348	0.19 370	0.20 374	0.26 374	0.29 383	0.18 364	0.19 371

SHD	0.26 348	0.15 314	0.30 333	0.24 333	0.18 362	0.22 291	0.15 116	0.38 348	0.71 388	0.32 342	0.41 345	0.36 336	0.28 333	0.32 348	0.29 351	0.12 315	0.11 323	0.14 337	0.13 336	0.16 353	0.20 372

SAMSARA	0.40 375	0.28 375	0.33 340	0.55 395	0.39 389	0.82 404	1.23 418	0.47 377	0.51 363	0.36 350	0.35 308	0.55 381	0.39 367	0.38 369	0.39 378	0.15 349	0.20 374	0.15 345	0.14 340	0.23 372	0.20 372

BEATNet-Init1	0.52 387	0.27 372	0.62 381	0.30 372	0.21 369	0.76 401	0.29 365	0.54 387	0.65 383	0.86 401	0.95 401	2.07 419	0.62 394	0.56 392	0.42 384	0.18 366	0.18 368	0.23 372	0.22 371	0.22 371	0.21 374

PASM	0.32 365	0.24 364	0.48 367	0.28 363	0.27 382	0.29 343	0.30 372	0.34 317	0.49 354	0.35 348	0.39 330	0.46 370	0.34 358	0.34 353	0.35 369	0.23 382	0.25 386	0.26 374	0.28 382	0.23 372	0.21 374

MSMD_ROB	0.31 363	0.26 370	0.26 313	0.24 333	0.21 369	0.34 358	0.25 339	0.34 317	0.39 315	0.40 361	0.69 384	0.45 366	0.40 370	0.34 353	0.27 340	0.20 372	0.19 371	0.26 374	0.25 377	0.23 372	0.22 376

FADE		0.33 382		0.33 377	0.25 380			0.64 395	1.07 402	0.43 371		0.42 358		0.70 398		0.30 387	0.21 383	0.41 391	0.38 391	0.23 372	0.22 376

DGSMNet	0.24 332	0.19 345	0.33 340	0.21 296	0.24 374	0.24 309	0.20 280	0.35 330	0.41 324	0.24 286	0.32 287	0.38 344	0.21 285	0.29 338	0.23 304	0.12 315	0.11 323	0.14 337	0.16 353	0.23 372	0.23 378

ACVNet_1	0.44 380	0.49 391	0.60 379	0.45 389	0.28 383	0.49 379	0.27 352	0.57 391	0.72 389	0.62 385	0.58 378	0.74 394	0.49 383	0.50 383	0.35 369	0.26 385	0.24 385	0.39 389	0.29 383	0.31 389	0.24 379

FCDSN-DC	0.33 368	0.28 375	0.28 324	0.30 372	0.24 374	0.39 371	0.28 357	0.42 366	0.42 330	0.43 371	0.53 367	0.51 376	0.41 374	0.36 364	0.30 355	0.21 375	0.20 374	0.27 377	0.26 378	0.25 380	0.24 379
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 382	0.27 372	0.27 319	0.27 360	0.24 374	0.47 376	0.31 378	0.55 388	0.59 374	0.72 392	1.13 410	1.15 403	0.61 392	0.52 386	0.37 374	0.21 375	0.20 374	0.27 377	0.31 387	0.25 380	0.24 379

FC-DCNN	0.33 368	0.27 372	0.28 324	0.26 349	0.23 373	0.37 368	0.28 357	0.40 356	0.43 335	0.45 374	0.55 370	0.51 376	0.40 370	0.37 368	0.30 355	0.21 375	0.20 374	0.27 377	0.26 378	0.25 380	0.24 379

ELAS_RVC	0.41 377	0.29 378	0.33 340	0.28 363	0.24 374	0.54 382	0.36 383	0.49 380	0.59 374	0.72 392	0.74 390	0.65 388	0.54 385	0.54 390	0.40 380	0.22 378	0.20 374	0.27 377	0.26 378	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 377	0.29 378	0.33 340	0.27 360	0.24 374	0.60 387	0.36 383	0.50 382	0.50 356	0.71 390	0.79 394	0.67 390	0.54 385	0.51 384	0.42 384	0.22 378	0.20 374	0.27 377	0.26 378	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ACVNet-4b	0.39 372	0.53 392	0.55 374	0.45 389	0.24 374	0.47 376	0.18 234	0.49 380	0.64 381	0.42 368	0.45 356	0.60 383	0.27 325	0.34 353	0.24 314	0.33 390	0.14 352	0.48 393	0.42 393	0.30 386	0.26 385

otaku	0.39 372	0.37 386	0.52 370	0.44 388	0.28 383	0.58 384	0.24 325	0.41 361	0.62 379	0.40 361	0.49 361	0.46 370	0.33 354	0.40 376	0.32 363	0.30 387	0.30 390	0.39 389	0.33 388	0.29 385	0.28 386

Ntro	0.40 375	0.40 388	0.53 371	0.46 392	0.30 387	0.65 390	0.24 325	0.46 376	0.68 386	0.41 365	0.49 361	0.48 374	0.42 377	0.39 372	0.31 362	0.32 389	0.28 388	0.37 388	0.30 385	0.32 390	0.29 387

Consistency-Raft	0.44 380	0.40 388	0.45 362	0.37 383	0.43 392	0.46 374	0.41 388	0.57 391	0.55 366	0.32 342	0.73 388	0.33 324	0.48 382	0.42 379	0.49 391	0.39 392	0.35 392	0.45 392	0.51 400	0.42 392	0.29 387

NVStereoNet_ROB	0.46 385	0.36 385	0.46 365	0.41 386	0.28 383	0.34 358	0.34 381	0.48 378	0.60 377	0.72 392	0.93 399	0.70 393	0.66 395	0.47 381	0.60 398	0.22 378	0.33 391	0.34 387	0.34 390	0.30 386	0.30 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
PVD	0.39 372	0.20 350	0.39 355	0.31 376	0.22 371	0.29 343	0.43 393	0.52 384	0.96 401	0.55 382	0.79 394	0.53 379	0.59 391	0.52 386	0.38 376	0.19 370	0.14 352	0.17 354	0.14 340	0.24 379	0.31 390

MADNet+	0.75 399	0.71 402	3.70 419	0.66 398	0.41 390	0.98 409	0.97 416	0.69 397	0.73 392	0.52 379	0.57 376	0.64 386	0.68 397	0.86 407	1.01 414	0.34 391	0.36 393	0.28 382	0.23 375	0.36 391	0.31 390

LSM	0.33 368	0.20 350	0.58 378	0.26 349	0.60 404	0.34 358	0.25 339	0.42 366	0.48 349	0.45 374	0.58 378	0.42 358	0.36 362	0.35 359	0.25 323	0.12 315	0.20 374	0.14 337	0.16 353	0.19 367	0.33 392

JetBlue	0.71 396	0.45 390	1.14 407	0.51 393	0.47 394	2.02 418	0.64 405	0.75 398	0.70 387	0.69 389	0.77 393	1.22 405	0.83 402	1.03 415	1.01 414	0.40 393	0.28 388	0.33 386	0.33 388	0.30 386	0.34 393

ACVNet_2	0.66 395	0.66 400	0.68 391	0.63 397	0.41 390	0.71 395	0.49 395	0.96 407	1.39 411	0.89 402	1.09 406	1.04 399	0.73 398	0.54 390	0.47 389	0.43 396	0.40 394	0.53 398	0.44 394	0.47 393	0.35 394

IMH-64-1	0.65 393	0.61 396	0.68 391	0.71 399	0.51 395	0.59 385	0.49 395	0.91 403	0.85 396	0.74 396	1.02 403	0.81 395	0.78 400	0.79 400	0.49 391	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

IMH-64	0.65 393	0.61 396	0.68 391	0.71 399	0.51 395	0.59 385	0.49 395	0.91 403	0.85 396	0.74 396	1.02 403	0.81 395	0.78 400	0.79 400	0.49 391	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

RainbowNet	0.54 389	0.61 396	0.70 395	0.57 396	0.43 392	0.65 390	0.37 386	0.60 393	0.87 398	0.50 378	0.66 381	0.64 386	0.47 381	0.49 382	0.43 387	0.47 398	0.48 400	0.52 397	0.41 392	0.52 395	0.40 397

IMH	0.71 396	0.64 399	0.68 391	0.76 401	0.54 397	0.69 393	0.54 399	0.98 409	1.10 404	0.82 400	1.09 406	0.89 397	0.88 405	0.87 408	0.52 395	0.44 397	0.50 404	0.75 404	0.51 400	0.56 400	0.41 398

PWCK	0.71 396	0.94 412	0.95 404	0.76 401	0.31 388	0.74 397	0.36 383	0.90 402	0.90 399	0.96 405	0.75 392	0.95 398	0.61 392	0.87 408	0.66 401	0.72 408	0.46 395	0.75 404	0.49 397	0.69 407	0.44 399

TorneroNet-64	0.76 400	0.72 403	0.74 396	0.78 403	0.58 403	0.91 408	0.56 400	0.84 401	1.29 408	0.66 386	0.90 397	1.40 411	0.75 399	0.85 406	0.67 404	0.49 399	0.46 395	0.72 403	0.59 403	0.67 404	0.53 400

anonymity	0.53 388	0.58 394	0.65 383	0.41 386	0.61 405	0.53 381	0.41 388	0.56 389	0.41 324	0.55 382	0.50 365	0.49 375	0.55 388	0.58 393	0.50 394	0.58 403	0.50 404	0.51 395	0.51 400	0.51 394	0.57 401

WAO-7	0.79 401	0.78 405	0.54 372	0.85 407	0.67 408	0.74 397	0.68 409	1.05 412	1.32 409	0.90 403	1.20 413	1.04 399	0.92 406	0.69 397	0.66 401	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.58 402

WAO-6	0.81 402	0.80 406	0.62 381	0.86 408	0.63 406	0.76 401	0.58 402	0.98 409	1.54 416	0.90 403	0.96 402	1.07 401	1.03 410	0.70 398	0.66 401	0.72 408	0.49 402	0.90 411	0.71 409	0.68 405	0.58 402

Dean	0.87 405	0.86 410	0.79 399	0.81 405	0.56 400	0.90 405	0.63 403	1.15 417	1.73 417	1.15 412	1.15 411	1.31 408	0.99 409	0.81 402	0.81 410	0.57 402	0.56 411	0.77 407	0.64 406	0.66 403	0.58 402

SPS-STEREO	0.57 391	0.58 394	0.65 383	0.45 389	0.55 399	0.62 388	0.44 394	0.62 394	0.50 356	0.68 388	0.64 380	0.66 389	0.57 390	0.61 394	0.60 398	0.62 406	0.47 399	0.51 395	0.49 397	0.55 399	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 390	0.57 393	0.65 383	0.40 384	0.54 397	0.66 392	0.49 395	0.56 389	0.45 346	0.66 386	0.69 384	0.67 390	0.56 389	0.63 395	0.56 396	0.59 404	0.48 400	0.50 394	0.50 399	0.52 395	0.58 402

LVE	0.83 404	0.85 409	0.85 402	0.80 404	0.56 400	1.04 414	0.65 406	1.05 412	1.47 414	0.96 405	1.22 414	1.10 402	0.85 403	0.83 403	0.71 406	0.49 399	0.55 410	0.76 406	0.60 405	0.65 402	0.59 407

WAO-8	0.91 406	0.81 407	0.65 383	0.94 411	0.69 409	0.90 405	0.67 407	1.07 414	1.83 419	1.06 410	1.45 416	1.30 406	1.07 411	0.84 404	0.78 407	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

Venus	0.91 406	0.81 407	0.65 383	0.94 411	0.69 409	0.90 405	0.67 407	1.07 414	1.83 419	1.06 410	1.45 416	1.30 406	1.07 411	0.84 404	0.78 407	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

TorneroNet	0.82 403	0.74 404	0.81 401	0.84 406	0.63 406	0.99 410	0.63 403	0.96 407	1.16 405	0.80 399	1.11 408	1.36 410	0.86 404	0.93 411	0.80 409	0.56 401	0.49 402	0.78 408	0.66 407	0.73 410	0.63 410

MFMNet_re	0.64 392	0.66 400	0.65 383	0.51 393	0.69 409	0.69 393	0.57 401	0.64 395	0.73 392	0.60 384	0.73 388	0.62 385	0.67 396	0.65 396	0.60 398	0.66 407	0.58 413	0.63 399	0.59 403	0.68 405	0.69 411

UNDER WATER-64	0.95 408	0.94 412	1.43 411	0.87 409	0.56 400	1.18 417	0.87 413	0.77 399	0.94 400	1.04 408	0.85 396	1.58 416	1.21 416	0.94 412	0.96 412	0.87 414	0.57 412	1.03 414	0.88 415	0.78 412	0.73 412

UNDER WATER	0.97 409	0.97 414	1.42 410	0.99 413	0.70 412	1.12 416	0.84 412	0.80 400	1.08 403	1.01 407	0.90 397	1.55 415	1.22 417	1.03 415	1.00 413	0.78 412	0.53 407	1.02 413	0.87 414	0.80 413	0.74 413

ktn	1.01 411	1.21 417	0.80 400	1.23 418	0.86 415	1.01 412	0.87 413	0.94 406	1.39 411	1.04 408	1.12 409	1.15 403	1.07 411	0.94 412	0.59 397	1.28 420	0.71 417	1.38 420	0.83 413	1.02 417	0.75 414

SPstereo	13.84 432	0.93 411	1.50 412	1.22 417	0.88 416	28.82 435	48.26 435	26.77 443	29.54 442	22.37 441	22.60 439	23.23 441	24.68 440	24.53 441	15.06 432	0.88 415	0.69 416	1.83 422	1.60 422	0.74 411	0.77 415

notaker	0.97 409	1.11 415	0.98 405	1.13 415	0.81 413	0.73 396	0.68 409	0.93 405	1.16 405	1.18 414	1.18 412	1.41 412	1.16 415	1.08 417	0.69 405	0.81 413	0.64 415	1.17 416	0.79 412	0.98 415	0.80 416

HanzoNet	1.29 414	1.26 419	1.19 408	1.12 414	0.85 414	1.02 413	0.83 411	1.03 411	1.48 415	1.64 417	1.61 418	2.50 421	1.72 418	1.61 419	1.61 417	1.26 419	0.80 418	1.31 419	1.01 417	1.02 417	0.86 417

KSHMR	1.09 412	1.17 416	0.88 403	1.25 419	1.00 418	0.99 410	0.96 415	1.13 416	1.37 410	1.16 413	1.29 415	1.41 412	0.96 408	1.01 414	0.92 411	1.03 417	1.08 419	1.20 417	1.03 418	1.01 416	0.97 418

JetRed	1.62 415	1.46 420	2.98 415	0.92 410	1.21 419	4.99 420	1.53 420	1.27 419	1.39 411	1.83 418	1.74 419	1.60 417	0.95 407	1.41 418	2.45 420	0.90 416	1.60 421	0.93 412	0.90 416	1.35 419	0.99 419

DPSimNet_ROB	1.11 413	1.23 418	0.78 397	1.13 415	0.88 416	1.10 415	1.13 417	1.16 418	1.23 407	1.43 416	1.02 403	1.41 412	1.10 414	0.90 410	1.60 416	1.46 421	0.51 406	1.21 418	1.03 418	0.90 414	1.01 420

tt	4.67 419	0.06 19	3.55 418	2.02 422	1.55 420	10.25 425	16.71 424	8.91 429	5.03 422	1.31 415	0.94 400	4.71 422	4.76 421	3.33 422	5.87 423	6.06 429	10.30 433	1.88 423	2.11 424	2.75 422	1.21 421

ASD4	3.54 418	3.38 423	2.05 414	1.72 420	2.51 423	9.03 424	17.71 425	2.25 420	5.51 423	2.46 420	2.81 421	2.03 418	3.36 420	2.73 421	5.06 421	1.22 418	1.34 420	1.13 415	1.33 420	1.68 420	1.49 422

MADNet++	1.95 416	1.75 421	1.59 413	1.82 421	1.69 421	2.33 419	1.40 419	2.35 421	2.09 421	2.57 421	2.36 420	2.24 420	2.17 419	2.28 420	2.34 419	1.87 422	1.66 422	1.54 421	1.34 421	1.92 421	1.77 423

PML	8.91 426	9.34 432	6.13 420	5.35 426	6.41 427	14.99 427	23.38 431	5.27 422	6.83 424	18.04 433	28.19 441	7.67 425	6.83 423	7.85 426	5.75 422	5.35 428	1.83 423	5.95 432	1.93 423	8.64 430	2.52 424

xxxxx1	7.79 420	5.02 426	7.31 422	3.12 423	3.85 424	16.35 428	22.88 426	5.86 426	8.69 425	7.97 425	8.54 422	9.12 427	8.27 424	10.18 427	10.92 424	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

tt_ll	7.79 420	5.02 426	7.31 422	3.12 423	3.85 424	16.35 428	22.88 426	5.86 426	8.69 425	7.97 425	8.54 422	9.12 427	8.27 424	10.18 427	10.92 424	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

ff	7.79 420	5.02 426	7.31 422	3.12 423	3.85 424	16.35 428	22.88 426	5.86 426	8.69 425	7.97 425	8.54 422	9.12 427	8.27 424	10.18 427	10.92 424	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

Anonymous_1	10.96 429	7.92 429	7.46 425	10.33 429	10.06 428	18.65 432	26.34 432	11.06 430	13.44 431	9.40 428	10.05 427	9.67 430	11.23 429	10.73 430	12.72 429	6.42 430	8.38 430	5.77 429	10.61 429	12.12 431	6.77 428

DPSMNet_ROB	8.06 424	4.48 424	8.63 428	5.37 428	10.74 430	8.32 422	22.98 430	5.46 423	13.36 430	5.12 423	9.92 425	5.08 423	10.40 427	5.53 425	12.58 427	3.80 427	8.00 428	3.50 424	7.02 427	3.83 426	7.14 429

DGTPSM_ROB	8.06 424	4.48 424	8.63 428	5.35 426	10.72 429	8.32 422	22.97 429	5.46 423	13.35 429	5.12 423	9.92 425	5.08 423	10.40 427	5.52 424	12.58 427	3.79 426	8.00 428	3.50 424	7.02 427	3.83 426	7.14 429

DPSM_ROB	11.15 430	8.58 430	8.00 426	10.88 430	11.58 431	19.10 433	26.71 433	12.05 431	14.07 432	10.36 429	10.84 428	10.33 431	11.86 430	11.70 431	13.54 430	6.99 431	8.79 431	5.89 430	6.95 425	7.29 428	7.42 431

DPSM	11.15 430	8.58 430	8.00 426	10.88 430	11.58 431	19.10 433	26.71 433	12.05 431	14.07 432	10.36 429	10.84 428	10.33 431	11.86 430	11.70 431	13.54 430	6.99 431	8.79 431	5.89 430	6.95 425	7.29 428	7.42 431

MyStereo03	22.45 436	17.33 435	16.21 432	21.95 435	23.27 436	38.32 436	53.79 437	24.21 437	28.46 438	20.87 438	21.85 436	20.80 435	23.87 434	23.46 436	27.40 438	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

MyStereo02	22.45 436	17.33 435	16.21 432	21.95 435	23.27 436	38.32 436	53.79 437	24.21 437	28.46 438	20.87 438	21.85 436	20.80 435	23.87 434	23.46 436	27.40 438	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

MyStereo	22.45 436	17.33 435	16.21 432	21.95 435	23.27 436	38.32 436	53.79 437	24.21 437	28.46 438	20.87 438	21.85 436	20.80 435	23.87 434	23.46 436	27.40 438	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

LSM0	22.87 440	17.28 434	18.96 435	22.19 440	29.04 442	38.42 441	53.71 436	24.28 440	28.31 436	20.78 437	21.00 433	21.43 440	24.16 439	23.50 439	27.39 437	14.09 438	17.38 435	11.84 438	14.04 438	14.73 437	14.89 433

CasAABBNet	22.42 435	17.33 435	16.01 430	22.01 438	23.28 439	38.32 436	53.80 440	24.14 436	28.41 437	20.60 435	21.77 434	20.89 439	23.91 438	23.43 435	27.36 436	14.07 433	17.69 436	11.83 437	14.01 434	14.67 435	14.95 437

Selective-RAFT-Error	22.47 439	17.37 439	16.09 431	22.06 439	23.34 440	38.39 440	53.83 441	24.29 441	28.47 441	20.74 436	21.83 435	20.81 438	23.90 437	23.54 440	27.53 441	14.08 434	17.69 436	11.82 433	14.00 433	14.69 436	15.00 438

LRCNet_RVC	10.62 428	13.42 433	7.30 421	18.92 433	2.07 422	0.33 355	0.30 372	5.59 425	0.48 349	13.03 431	17.94 431	8.87 426	5.65 422	4.79 423	1.89 418	23.51 440	2.73 427	27.55 441	25.71 441	16.07 438	16.33 439

HaxPig	15.71 433	18.52 440	19.18 436	16.89 432	15.89 434	7.73 421	7.60 421	13.31 433	10.82 428	15.42 432	14.91 430	15.98 433	14.92 432	15.58 433	15.98 433	18.95 439	16.73 434	19.46 439	18.08 439	19.26 439	19.05 440

MEDIAN_ROB	20.38 434	24.04 441	23.31 438	21.23 434	21.71 435	10.40 426	7.92 422	17.64 434	15.50 434	20.12 434	19.70 432	20.34 434	20.32 433	21.19 434	21.13 434	23.81 441	21.81 441	24.98 440	23.76 440	24.71 440	23.93 441

AVERAGE_ROB	24.90 441	29.20 442	28.14 439	24.89 441	24.64 441	17.75 431	11.12 423	21.45 435	19.93 435	25.12 442	24.46 440	25.12 442	25.46 441	24.69 442	22.83 435	29.76 442	27.13 442	28.97 442	27.95 442	29.91 441	29.47 442

test_example2	98.32 442	94.13 443	45.89 440	96.35 442	109.85 443	88.61 442	95.45 442	25.75 442	94.37 443	130.00 443	126.06 442	58.17 443	74.63 442	88.51 443	79.96 442	150.23 443	221.02 443	77.62 443	99.10 443	113.75 443	96.94 443

Low-res two-view benchmark