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	0.28 6	0.17 8	0.29 9	0.33 8	0.32 245	0.43 121	0.34 117	0.42 4	0.34 5	0.33 11	0.51 37	0.29 4	0.38 90	0.37 5	0.28 29	0.11 1	0.10 8	0.11 1	0.08 1	0.11 1	0.26 263

CAS	0.37 61	0.13 1	0.27 7	1.34 388	0.31 228	0.46 131	0.38 171	0.50 11	0.48 56	0.35 15	0.52 40	0.24 1	0.19 3	0.30 1	0.28 29	1.03 389	0.08 1	0.12 2	0.08 1	0.12 2	0.28 280

LoS	0.30 12	0.16 4	0.32 12	0.30 3	0.19 8	0.32 60	0.29 57	0.54 18	0.73 127	0.35 15	0.52 40	0.42 46	0.29 41	0.48 41	0.29 37	0.15 67	0.11 39	0.13 8	0.09 4	0.12 2	0.12 10

MC-Stereo	0.29 9	0.18 14	0.35 19	0.40 87	0.21 25	0.26 18	0.26 40	0.53 16	0.40 29	0.38 18	0.61 62	0.41 44	0.31 54	0.57 70	0.27 23	0.14 18	0.10 8	0.14 13	0.12 26	0.12 2	0.12 10

RCA-Stereo	0.36 43	0.18 14	0.37 27	0.38 45	0.23 56	0.31 51	0.33 109	0.70 93	1.25 327	0.45 40	0.65 70	0.46 65	0.43 120	0.40 14	0.29 37	0.14 18	0.10 8	0.14 13	0.12 26	0.12 2	0.12 10

DCANet-4	0.38 77	0.22 97	0.58 194	0.35 12	0.19 8	0.30 39	0.30 69	0.69 83	0.97 245	0.70 124	0.79 114	0.40 40	0.46 138	0.46 29	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

fff	0.39 89	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 123	1.08 289	0.70 124	0.79 114	0.44 55	0.62 200	0.47 34	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

RAFT-RH_RVC	0.57 240	0.18 14	0.44 79	0.38 45	0.23 56	0.56 170	0.24 23	0.61 35	0.73 127	1.18 329	3.90 399	0.55 91	0.40 108	0.67 156	0.38 120	0.14 18	0.11 39	0.20 177	0.15 90	0.12 2	0.14 49

AnonymousM	0.42 124	0.86 369	0.31 10	0.35 12	0.23 56	0.30 39	0.37 158	0.56 24	0.44 43	0.72 134	0.50 32	0.47 69	0.29 41	0.42 18	0.35 90	0.16 99	0.12 86	1.51 387	0.32 331	0.12 2	0.11 3

raftrobust	0.35 37	0.20 54	0.39 36	0.43 167	0.29 199	0.31 51	0.25 30	0.73 123	0.66 96	0.59 70	0.56 52	0.44 55	0.45 132	0.55 62	0.31 58	0.16 99	0.12 86	0.14 13	0.12 26	0.12 2	0.14 49

csc	0.39 89	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 123	1.08 289	0.70 124	0.79 114	0.44 55	0.62 200	0.47 34	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

cscssc	0.39 89	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 123	1.08 289	0.70 124	0.79 114	0.44 55	0.62 200	0.47 34	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

CREStereo	0.28 6	0.16 4	0.25 1	0.28 1	0.17 2	0.38 91	0.25 30	0.52 13	0.76 137	0.43 37	0.51 37	0.32 14	0.28 27	0.39 8	0.27 23	0.16 99	0.11 39	0.12 2	0.09 4	0.12 2	0.12 10
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
MSKI-zero shot	0.33 30	0.19 33	0.36 25	0.41 105	0.22 30	0.32 60	0.22 11	0.65 54	0.45 47	0.52 54	0.64 68	0.60 127	0.19 3	0.78 216	0.27 23	0.14 18	0.11 39	0.14 13	0.10 10	0.13 14	0.13 31

AEACV	0.28 6	0.18 14	0.34 13	0.36 27	0.45 324	0.27 25	0.27 42	0.41 2	0.39 21	0.31 7	0.46 23	0.31 7	0.36 79	0.38 7	0.25 3	0.14 18	0.11 39	0.15 41	0.13 49	0.13 14	0.13 31

Any-RAFT	0.36 43	0.17 8	0.31 10	0.35 12	0.21 25	0.51 144	0.21 5	0.93 189	0.75 134	0.56 64	0.73 86	0.66 162	0.29 41	0.48 41	0.25 3	0.15 67	0.10 8	0.13 8	0.10 10	0.13 14	0.13 31

RAFT-Test	0.35 37	0.19 33	0.42 58	0.39 61	0.24 77	0.50 139	0.23 20	0.74 129	0.44 43	0.62 78	0.85 146	0.64 146	0.28 27	0.48 41	0.30 48	0.14 18	0.11 39	0.14 13	0.11 15	0.13 14	0.13 31

CES	0.29 9	0.15 2	0.25 1	0.31 4	0.71 369	0.36 78	0.27 42	0.51 12	0.47 54	0.34 13	0.48 28	0.27 2	0.23 7	0.40 14	0.24 2	0.13 9	0.11 39	0.12 2	0.08 1	0.13 14	0.32 299

Selective-IGEV	0.25 1	0.18 14	0.37 27	0.37 35	0.20 18	0.27 25	0.25 30	0.59 29	0.25 1	0.27 2	0.26 1	0.34 22	0.18 1	0.62 117	0.23 1	0.12 4	0.10 8	0.14 13	0.11 15	0.13 14	0.11 3

EGLCR-Stereo	0.27 2	0.17 8	0.36 25	0.35 12	0.21 25	0.37 86	0.20 1	0.58 27	0.37 14	0.29 4	0.28 4	0.42 46	0.18 1	0.47 34	0.27 23	0.14 18	0.10 8	0.16 57	0.14 69	0.13 14	0.12 10

ProNet	0.30 12	0.22 97	0.41 50	0.36 27	0.25 101	0.33 66	0.42 219	0.62 37	0.41 34	0.33 11	0.31 6	0.32 14	0.28 27	0.60 89	0.28 29	0.13 9	0.11 39	0.16 57	0.13 49	0.13 14	0.14 49

ADStereo(finetuned)	0.39 89	0.18 14	0.58 194	0.35 12	0.19 8	0.30 39	0.30 69	0.72 110	0.96 240	0.72 134	0.77 102	0.45 62	0.68 237	0.46 29	0.36 99	0.14 18	0.10 8	0.14 13	0.11 15	0.13 14	0.15 78

CIPLG	0.42 124	0.23 120	0.71 252	0.45 200	0.33 256	0.51 144	0.33 109	0.68 72	0.68 103	0.84 195	0.96 189	0.47 69	0.33 65	0.56 66	0.52 201	0.17 125	0.12 86	0.16 57	0.14 69	0.13 14	0.16 98

IPLGR_C	0.42 124	0.23 120	0.71 252	0.46 223	0.33 256	0.51 144	0.34 117	0.69 83	0.69 108	0.84 195	0.92 176	0.46 65	0.33 65	0.53 54	0.53 210	0.17 125	0.12 86	0.16 57	0.14 69	0.13 14	0.16 98

test-3	0.35 37	0.17 8	0.48 115	0.40 87	0.22 30	0.42 117	0.22 11	0.66 56	0.80 153	0.72 134	0.45 21	0.63 139	0.29 41	0.45 25	0.32 64	0.13 9	0.09 2	0.17 85	0.13 49	0.13 14	0.11 3

test_1	0.35 37	0.17 8	0.48 115	0.40 87	0.22 30	0.42 117	0.22 11	0.66 56	0.80 153	0.70 124	0.45 21	0.63 139	0.29 41	0.45 25	0.32 64	0.13 9	0.09 2	0.17 85	0.13 49	0.13 14	0.11 3

ACRE	0.42 124	0.23 120	0.73 262	0.45 200	0.33 256	0.50 139	0.33 109	0.68 72	0.70 110	0.82 184	0.92 176	0.46 65	0.32 60	0.53 54	0.52 201	0.17 125	0.12 86	0.15 41	0.14 69	0.13 14	0.16 98

TRStereo	0.39 89	0.32 253	0.64 221	0.49 258	0.41 300	0.30 39	0.30 69	0.97 203	0.63 84	0.53 60	0.43 19	0.52 83	0.26 17	0.77 208	0.29 37	0.18 157	0.12 86	0.19 148	0.19 208	0.13 14	0.13 31

XX-TBD	0.32 26	0.53 325	0.26 4	0.53 302	0.21 25	0.38 91	0.24 23	0.41 2	0.77 139	0.55 62	0.70 82	0.31 7	0.26 17	0.33 3	0.28 29	0.16 99	0.10 8	0.12 2	0.09 4	0.13 14	0.11 3

DCANet	0.38 77	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.72 110	0.96 240	0.72 134	0.77 102	0.45 62	0.56 175	0.47 34	0.36 99	0.14 18	0.10 8	0.14 13	0.11 15	0.13 14	0.15 78

111	0.42 124	0.18 14	0.46 91	0.35 12	0.19 8	0.52 151	0.28 50	0.76 136	1.16 312	0.52 54	0.92 176	0.65 150	0.51 156	0.65 139	0.37 107	0.15 67	0.10 8	0.14 13	0.12 26	0.13 14	0.16 98

RAFT-Stereo + iAFF	0.37 61	0.18 14	0.45 84	0.36 27	0.19 8	0.33 66	0.28 50	0.67 67	0.77 139	0.72 134	0.99 208	0.56 97	0.39 103	0.44 22	0.31 58	0.11 1	0.09 2	0.15 41	0.14 69	0.13 14	0.11 3

CFNet-RSSM	0.35 37	0.18 14	0.47 102	0.39 61	0.22 30	0.35 74	0.23 20	0.78 144	0.86 186	0.67 110	0.54 45	0.56 97	0.28 27	0.49 47	0.28 29	0.14 18	0.10 8	0.14 13	0.12 26	0.13 14	0.12 10

Gwc-CoAtRS	0.35 37	0.18 14	0.46 91	0.39 61	0.23 56	0.34 72	0.22 11	0.74 129	0.77 139	0.62 78	0.60 59	0.58 115	0.29 41	0.47 34	0.29 37	0.14 18	0.11 39	0.14 13	0.12 26	0.13 14	0.13 31

PMTNet	0.33 30	0.17 8	0.26 4	0.29 2	0.18 5	0.44 127	0.22 11	0.57 26	0.66 96	0.46 44	0.54 45	0.38 36	0.34 71	0.50 49	0.25 3	0.75 378	0.10 8	0.12 2	0.09 4	0.13 14	0.12 10

IGEVStereo-DCA	0.30 12	0.24 139	0.42 58	0.36 27	0.27 159	0.38 91	0.34 117	0.66 56	0.35 6	0.39 21	0.31 6	0.35 26	0.27 22	0.62 117	0.25 3	0.16 99	0.12 86	0.16 57	0.12 26	0.14 36	0.16 98

rrr	0.31 23	0.24 139	0.56 185	0.36 27	0.27 159	0.38 91	0.31 88	0.56 24	0.44 43	0.39 21	0.31 6	0.35 26	0.27 22	0.62 117	0.25 3	0.16 99	0.12 86	0.16 57	0.13 49	0.14 36	0.14 49

IGEV_Zeroshot_test	0.36 43	0.19 33	0.71 252	0.41 105	0.29 199	0.30 39	0.25 30	0.86 166	0.40 29	0.64 95	0.57 53	0.56 97	0.25 12	0.56 66	0.29 37	0.15 67	0.11 39	0.16 57	0.14 69	0.14 36	0.14 49

MIF-Stereo	0.27 2	0.18 14	0.40 45	0.40 87	0.28 180	0.30 39	0.28 50	0.40 1	0.33 4	0.30 6	0.46 23	0.27 2	0.25 12	0.48 41	0.35 90	0.17 125	0.13 141	0.14 13	0.12 26	0.14 36	0.13 31

MIM_Stereo	0.39 89	0.18 14	0.59 202	0.38 45	0.25 101	0.27 25	0.24 23	0.72 110	0.56 67	0.72 134	1.00 212	0.62 135	0.29 41	0.67 156	0.39 128	0.13 9	0.14 172	0.17 85	0.16 116	0.14 36	0.12 10

HH	0.37 61	0.22 97	0.49 123	0.41 105	0.26 130	0.36 78	0.30 69	0.87 167	0.41 34	0.45 40	0.59 57	0.78 214	0.43 120	0.77 208	0.26 8	0.15 67	0.11 39	0.15 41	0.14 69	0.14 36	0.14 49

HanStereo	0.37 61	0.22 97	0.49 123	0.41 105	0.26 130	0.36 78	0.30 69	0.87 167	0.41 34	0.45 40	0.59 57	0.78 214	0.43 120	0.77 208	0.26 8	0.15 67	0.11 39	0.15 41	0.14 69	0.14 36	0.14 49

DCRE	0.38 77	0.19 33	0.47 102	0.45 200	0.33 256	0.45 130	0.40 194	0.66 56	0.53 65	0.49 49	0.95 185	0.57 100	0.39 103	0.53 54	0.32 64	0.14 18	0.13 141	0.15 41	0.14 69	0.14 36	0.15 78

IPLG	0.40 103	0.21 74	0.64 221	0.41 105	0.25 101	0.54 160	0.27 42	0.77 141	0.68 103	0.85 205	0.82 132	0.33 19	0.32 60	0.64 133	0.49 193	0.13 9	0.11 39	0.16 57	0.14 69	0.14 36	0.14 49

MIPNet	0.39 89	0.22 97	0.66 228	0.40 87	0.25 101	0.53 154	0.29 57	0.78 144	0.74 132	0.68 117	0.60 59	0.40 40	0.48 145	0.45 25	0.39 128	0.14 18	0.11 39	0.16 57	0.13 49	0.14 36	0.14 49

CrosDoStereo	0.51 201	0.19 33	0.46 91	0.39 61	0.24 77	0.39 96	1.14 370	0.69 83	0.87 190	0.94 254	1.36 310	0.62 135	0.75 265	0.68 164	0.46 174	0.15 67	0.12 86	0.17 85	0.18 184	0.14 36	0.16 98

STrans-v2	0.47 162	0.21 74	0.49 123	0.41 105	0.25 101	0.54 160	0.49 259	1.16 263	0.82 170	0.67 110	1.05 235	0.71 174	0.67 229	0.74 188	0.34 83	0.15 67	0.11 39	0.17 85	0.15 90	0.14 36	0.14 49

TransformOpticalFlow	0.46 153	0.21 74	0.49 123	0.42 130	0.24 77	0.36 78	0.46 239	1.04 223	0.84 176	0.67 110	1.14 265	0.73 193	0.56 175	0.78 216	0.33 74	0.15 67	0.10 8	0.17 85	0.15 90	0.14 36	0.15 78

ASMatch	0.48 171	0.20 54	0.47 102	0.39 61	0.28 180	0.37 86	0.26 40	0.76 136	0.72 118	0.77 164	2.29 368	0.61 129	0.51 156	0.64 133	0.39 128	0.15 67	0.12 86	0.17 85	0.15 90	0.14 36	0.22 224

DeepStereo_LL	0.51 201	0.19 33	0.46 91	0.39 61	0.24 77	0.39 96	1.14 370	0.69 83	0.87 190	0.94 254	1.36 310	0.62 135	0.75 265	0.68 164	0.46 174	0.15 67	0.12 86	0.17 85	0.18 184	0.14 36	0.16 98

DEmStereo	0.49 180	0.18 14	0.53 166	0.39 61	0.26 130	0.57 180	0.33 109	0.65 54	0.75 134	0.90 239	1.65 344	0.57 100	1.02 328	0.63 126	0.44 165	0.14 18	0.12 86	0.16 57	0.16 116	0.14 36	0.17 135

DRaft	0.49 180	0.18 14	0.50 132	0.38 45	0.25 101	0.57 180	0.39 184	0.67 67	0.86 186	1.02 289	1.75 352	0.50 77	0.79 280	0.65 139	0.42 156	0.14 18	0.11 39	0.16 57	0.16 116	0.14 36	0.17 135

RAFT-345	0.41 117	0.19 33	0.42 58	0.39 61	0.23 56	0.32 60	0.25 30	0.62 37	0.56 67	0.74 148	1.77 353	0.44 55	0.35 74	0.67 156	0.37 107	0.14 18	0.11 39	0.18 116	0.14 69	0.14 36	0.13 31

CREStereo++_RVC	0.32 26	0.16 4	0.25 1	0.32 6	0.24 77	0.27 25	0.22 11	0.48 8	0.89 204	0.47 46	0.80 124	0.29 4	0.25 12	0.37 5	0.34 83	0.14 18	0.09 2	0.13 8	0.52 375	0.14 36	0.10 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.37 61	0.15 2	0.26 4	0.34 9	0.15 1	0.80 264	0.29 57	0.83 159	0.87 190	0.58 69	0.58 55	0.43 52	0.41 112	0.59 79	0.35 90	0.12 4	0.10 8	0.14 13	0.09 4	0.14 36	0.10 1

raft+_RVC	0.38 77	0.20 54	0.38 33	0.39 61	0.27 159	0.44 127	0.35 139	0.81 153	0.90 208	0.52 54	0.78 110	0.50 77	0.29 41	0.56 66	0.41 153	0.15 67	0.12 86	0.17 85	0.15 90	0.14 36	0.13 31

TANstereo	0.31 23	0.16 4	0.34 13	0.31 4	0.17 2	0.55 165	0.23 20	0.46 6	0.56 67	0.60 72	0.69 80	0.37 33	0.26 17	0.36 4	0.28 29	0.16 99	0.16 212	0.13 8	0.10 10	0.14 36	0.15 78

XX-Stereo	0.38 77	0.18 14	0.52 159	0.58 328	0.38 283	0.39 96	0.20 1	0.62 37	0.31 2	0.47 46	1.29 300	0.72 189	0.25 12	0.59 79	0.28 29	0.16 99	0.11 39	0.17 85	0.16 116	0.14 36	0.11 3

test_xeample3	0.31 23	0.23 120	0.56 185	0.36 27	0.26 130	0.35 74	0.32 100	0.60 31	0.38 17	0.44 39	0.32 9	0.33 19	0.28 27	0.66 147	0.27 23	0.14 18	0.12 86	0.16 57	0.12 26	0.14 36	0.14 49

ARAFT	0.48 171	0.25 167	0.82 282	0.42 130	0.25 101	0.56 170	0.54 280	0.82 157	0.82 170	0.92 247	0.75 99	0.75 201	0.48 145	0.89 248	0.37 107	0.15 67	0.12 86	0.23 244	0.22 262	0.14 36	0.14 49

AFF-stereo	0.39 89	0.20 54	0.42 58	0.37 35	0.22 30	0.27 25	0.31 88	0.67 67	0.72 118	0.66 103	1.12 257	0.75 201	0.38 90	0.57 70	0.35 90	0.11 1	0.09 2	0.16 57	0.16 116	0.14 36	0.12 10

EAI-Stereo	0.36 43	0.21 74	0.46 91	0.40 87	0.22 30	0.33 66	0.36 146	1.22 286	0.32 3	0.52 54	0.75 99	0.35 26	0.28 27	0.65 139	0.30 48	0.14 18	0.11 39	0.14 13	0.14 69	0.14 36	0.13 31

R-Stereo Train	0.40 103	0.19 33	0.47 102	0.43 167	0.27 159	0.41 110	0.31 88	0.74 129	0.38 17	0.90 239	1.28 296	0.58 115	0.35 74	0.43 20	0.35 90	0.15 67	0.13 141	0.14 13	0.12 26	0.14 36	0.14 49

RAFT-Stereo	0.40 103	0.19 33	0.47 102	0.43 167	0.27 159	0.41 110	0.31 88	0.74 129	0.38 17	0.90 239	1.28 296	0.58 115	0.35 74	0.43 20	0.35 90	0.15 67	0.13 141	0.14 13	0.12 26	0.14 36	0.14 49
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MLCV	0.49 180	0.26 195	0.73 262	0.38 45	0.18 5	0.64 209	0.33 109	0.84 163	0.89 204	0.96 271	1.12 257	0.72 189	0.45 132	1.00 289	0.59 228	0.14 18	0.10 8	0.14 13	0.11 15	0.14 36	0.14 49

tta	0.53 217	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.60 229	0.19 192	0.16 212	0.18 116	0.17 158	0.15 66	0.16 98

qqq1	0.51 201	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.36 99	0.19 192	0.16 212	0.14 13	0.12 26	0.15 66	0.16 98

fff1	0.51 201	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.36 99	0.19 192	0.16 212	0.14 13	0.12 26	0.15 66	0.16 98

AE-Stereo	0.36 43	0.21 74	0.47 102	0.49 258	0.31 228	0.50 139	0.34 117	0.72 110	0.73 127	0.34 13	0.55 50	0.52 83	0.28 27	0.48 41	0.31 58	0.13 9	0.13 141	0.18 116	0.16 116	0.15 66	0.14 49

ff7	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

ffff	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

11t	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

StereoIM	0.27 2	0.19 33	0.39 36	0.37 35	0.26 130	0.28 31	0.28 50	0.45 5	0.37 14	0.27 2	0.27 2	0.40 40	0.27 22	0.40 14	0.30 48	0.16 99	0.14 172	0.16 57	0.13 49	0.15 66	0.12 10

anonymousdsp	0.30 12	0.22 97	0.41 50	0.38 45	0.26 130	0.31 51	0.35 139	0.68 72	0.36 11	0.40 29	0.33 10	0.32 14	0.28 27	0.62 117	0.26 8	0.14 18	0.10 8	0.17 85	0.12 26	0.15 66	0.16 98

TestStereo1	0.44 142	0.24 139	0.45 84	0.52 295	0.25 101	0.35 74	0.40 194	0.81 153	0.94 229	0.70 124	0.96 189	0.48 72	0.45 132	0.94 263	0.33 74	0.16 99	0.13 141	0.18 116	0.16 116	0.15 66	0.14 49

ccc-4	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

raft_robust	0.41 117	0.24 139	0.39 36	0.43 167	0.22 30	0.40 101	0.33 109	0.80 151	0.98 249	0.80 179	0.88 159	0.41 44	0.32 60	0.89 248	0.30 48	0.14 18	0.12 86	0.16 57	0.18 184	0.15 66	0.13 31

RAFT+CT+SA	0.40 103	0.24 139	0.40 45	0.53 302	0.27 159	0.28 31	0.45 236	0.79 149	0.81 162	0.51 52	0.90 164	0.42 46	0.39 103	0.81 224	0.33 74	0.15 67	0.11 39	0.18 116	0.18 184	0.15 66	0.15 78

SA-5K	0.44 142	0.24 139	0.45 84	0.52 295	0.25 101	0.35 74	0.40 194	0.81 153	0.94 229	0.70 124	0.96 189	0.48 72	0.45 132	0.94 263	0.33 74	0.16 99	0.13 141	0.18 116	0.16 116	0.15 66	0.14 49

Sa-1000	0.49 180	0.25 167	0.45 84	0.46 223	0.25 101	0.64 209	0.34 117	0.85 164	0.95 233	0.85 205	1.51 335	0.55 91	0.44 125	0.94 263	0.31 58	0.16 99	0.12 86	0.21 218	0.20 227	0.15 66	0.14 49

SA	0.45 148	0.26 195	0.50 132	0.47 241	0.24 77	0.46 131	0.36 146	0.79 149	1.00 256	0.61 76	1.04 232	0.50 77	0.50 151	0.98 280	0.33 74	0.16 99	0.13 141	0.21 218	0.19 208	0.15 66	0.14 49

test_4	0.37 61	0.19 33	0.34 13	0.45 200	0.26 130	0.20 2	0.34 117	0.58 27	0.42 38	0.60 72	1.45 328	0.43 52	0.26 17	0.67 156	0.29 37	0.12 4	0.10 8	0.17 85	0.19 208	0.15 66	0.12 10

IGEV-Stereo	0.30 12	0.22 97	0.41 50	0.38 45	0.26 130	0.30 39	0.35 139	0.68 72	0.36 11	0.40 29	0.33 10	0.32 14	0.28 27	0.62 117	0.26 8	0.14 18	0.10 8	0.17 85	0.12 26	0.15 66	0.16 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.46 153	0.22 97	0.53 166	0.43 167	0.30 218	0.30 39	0.53 274	0.66 56	0.71 116	0.62 78	0.89 162	1.01 276	0.67 229	0.76 201	0.67 246	0.13 9	0.12 86	0.17 85	0.15 90	0.15 66	0.17 135

iRaft-Stereo_20w	0.42 124	0.20 54	0.63 217	0.39 61	0.27 159	0.33 66	0.25 30	1.76 377	0.37 14	0.73 141	0.53 42	0.63 139	0.42 117	0.86 239	0.29 37	0.14 18	0.11 39	0.14 13	0.13 49	0.15 66	0.15 78

GMOStereo	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

error version	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

test-v	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

test_3	0.37 61	0.19 33	0.50 132	0.45 200	0.24 77	0.47 133	0.36 146	0.69 83	0.84 176	0.66 103	0.46 23	0.68 169	0.25 12	0.45 25	0.32 64	0.12 4	0.10 8	0.18 116	0.16 116	0.15 66	0.12 10

HHNet	0.42 124	0.19 33	0.43 74	0.35 12	0.38 283	0.33 66	0.33 109	0.71 100	0.78 142	0.87 217	1.30 302	0.52 83	0.36 79	0.53 54	0.37 107	0.16 99	0.11 39	0.19 148	0.15 90	0.15 66	0.25 258

IIG-Stereo	0.45 148	0.22 97	0.48 115	0.51 281	0.26 130	0.43 121	0.21 5	0.73 123	0.80 153	0.84 195	0.95 185	0.82 228	0.46 138	0.95 268	0.37 107	0.16 99	0.12 86	0.19 148	0.15 90	0.15 66	0.12 10

FTStereo	0.56 236	0.21 74	0.39 36	0.42 130	0.25 101	0.39 96	0.73 330	0.69 83	0.45 47	1.09 317	3.23 388	0.69 171	0.71 249	0.55 62	0.34 83	0.15 67	0.13 141	0.19 148	0.17 158	0.15 66	0.32 299

THIR-Stereo	0.51 201	0.19 33	0.47 102	0.39 61	0.23 56	0.74 246	0.64 311	0.68 72	0.88 200	1.03 292	1.40 316	0.71 174	0.75 265	0.64 133	0.43 158	0.16 99	0.11 39	0.17 85	0.18 184	0.15 66	0.17 135

GrayStereo	0.49 180	0.20 54	0.44 79	0.47 241	0.29 199	0.51 144	0.62 305	0.71 100	0.66 96	1.04 298	1.46 329	0.77 212	0.73 260	0.58 74	0.35 90	0.15 67	0.12 86	0.17 85	0.17 158	0.15 66	0.30 289

test-2	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

cross-raft	0.34 35	0.20 54	0.38 33	0.45 200	0.24 77	0.32 60	0.35 139	0.77 141	0.42 38	0.62 78	0.77 102	0.58 115	0.27 22	0.46 29	0.31 58	0.12 4	0.10 8	0.15 41	0.13 49	0.15 66	0.12 10

test-1	0.37 61	0.20 54	0.76 269	0.47 241	0.27 159	0.44 127	0.36 146	0.63 43	0.65 93	0.49 49	0.67 78	0.54 89	0.35 74	0.42 18	0.30 48	0.14 18	0.12 86	0.16 57	0.14 69	0.15 66	0.18 157

cf-r	0.49 180	0.24 139	0.49 123	0.40 87	0.23 56	0.58 184	0.38 171	0.92 187	0.87 190	0.77 164	1.06 241	0.98 267	0.67 229	0.59 79	0.61 233	0.21 226	0.14 172	0.17 85	0.19 208	0.15 66	0.16 98

DIP-Stereo	0.40 103	0.22 97	0.58 194	0.42 130	0.29 199	0.62 196	0.27 42	0.87 167	0.42 38	0.65 99	0.86 150	0.52 83	0.35 74	0.67 156	0.43 158	0.15 67	0.13 141	0.17 85	0.14 69	0.15 66	0.17 135
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.57 240	0.24 139	0.61 208	0.39 61	0.23 56	0.71 238	0.40 194	1.02 217	0.93 222	0.77 164	1.05 235	1.05 287	0.98 326	0.99 284	1.03 316	0.16 99	0.14 172	0.14 13	0.17 158	0.15 66	0.14 49

iResNet_ROB	0.55 227	0.24 139	0.61 208	0.38 45	0.22 30	0.66 220	0.30 69	1.59 365	1.33 341	0.94 254	1.05 235	0.81 226	0.69 239	0.84 235	0.46 174	0.17 125	0.12 86	0.14 13	0.09 4	0.15 66	0.20 193

pmcnn	1.27 361	0.31 251	1.14 329	0.41 105	0.23 56	0.97 300	0.71 321	1.23 289	1.32 339	1.83 370	2.34 370	11.25 416	0.89 310	1.04 296	0.96 304	0.15 67	0.12 86	0.12 2	0.10 10	0.15 66	0.16 98

CoDeX	0.48 171	0.21 74	0.53 166	0.43 167	0.25 101	0.74 246	0.38 171	1.36 330	0.82 170	0.84 195	0.96 189	0.63 139	0.57 184	0.63 126	0.40 148	0.17 125	0.13 141	0.17 85	0.15 90	0.16 103	0.15 78

cc1	0.38 77	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.71 100	1.17 315	0.42 32	0.50 32	0.34 22	0.47 142	0.61 95	0.26 8	0.17 125	0.11 39	0.19 148	0.13 49	0.16 103	0.17 135

DualNet	0.53 217	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	0.72 110	1.13 303	0.76 156	0.98 199	0.71 174	0.55 167	0.61 95	1.46 350	0.17 125	0.11 39	0.25 268	0.21 244	0.16 103	0.17 135

ffm	0.47 162	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	0.72 110	1.13 303	0.76 156	0.98 199	0.71 174	0.55 167	0.61 95	0.26 8	0.17 125	0.11 39	0.25 268	0.21 244	0.16 103	0.17 135

ff1	0.56 236	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	0.72 110	1.13 303	0.76 156	0.98 199	0.71 174	0.55 167	1.25 321	1.46 350	0.17 125	0.11 39	0.25 268	0.21 244	0.16 103	0.17 135

tt1	0.37 61	0.25 167	0.35 19	0.43 167	0.23 56	0.52 151	0.37 158	0.72 110	1.13 303	0.42 32	0.46 23	0.35 26	0.44 125	0.61 95	0.26 8	0.17 125	0.11 39	0.19 148	0.13 49	0.16 103	0.17 135

EKT-Stereo	0.36 43	0.24 139	0.44 79	0.44 188	0.30 218	0.37 86	0.30 69	0.72 110	0.68 103	0.47 46	0.63 65	0.49 76	0.28 27	0.59 79	0.34 83	0.19 192	0.14 172	0.18 116	0.15 90	0.16 103	0.18 157

4D-IteraStereo	0.33 30	0.19 33	0.43 74	0.40 87	0.24 77	0.32 60	0.27 42	0.59 29	0.72 118	0.66 103	0.53 42	0.42 46	0.22 6	0.46 29	0.30 48	0.14 18	0.09 2	0.20 177	0.16 116	0.16 103	0.12 10

anonymousdsp2	0.37 61	0.21 74	0.49 123	0.38 45	0.24 77	0.48 138	0.31 88	0.91 179	0.68 103	0.57 66	0.51 37	0.51 80	0.34 71	0.59 79	0.33 74	0.14 18	0.11 39	0.14 13	0.10 10	0.16 103	0.16 98

anonymousa	0.51 201	0.21 74	0.47 102	0.39 61	0.25 101	0.89 289	0.36 146	0.78 144	0.63 84	0.88 225	1.54 336	1.09 302	0.67 229	0.53 54	0.46 174	0.17 125	0.14 172	0.19 148	0.21 244	0.16 103	0.16 98

Selective-RAFT	0.36 43	0.23 120	0.54 178	0.45 200	0.22 30	0.64 209	0.27 42	0.62 37	0.65 93	0.41 31	0.38 18	0.55 91	0.39 103	0.59 79	0.36 99	0.14 18	0.12 86	0.14 13	0.12 26	0.16 103	0.14 49

DisPM	0.40 103	0.20 54	0.50 132	0.42 130	0.27 159	0.24 7	0.30 69	0.68 72	0.61 83	0.88 225	0.87 156	0.59 124	0.32 60	0.80 220	0.34 83	0.19 192	0.12 86	0.19 148	0.17 158	0.16 103	0.21 209

RAFT_CTSACE	0.46 153	0.20 54	0.48 115	0.46 223	0.27 159	0.34 72	0.39 184	0.62 37	0.74 132	0.78 175	1.44 325	0.86 235	0.38 90	1.09 302	0.27 23	0.13 9	0.13 141	0.18 116	0.16 116	0.16 103	0.12 10

GLC_STEREO	0.30 12	0.20 54	0.28 8	0.44 188	0.19 8	0.31 51	0.25 30	0.49 9	0.43 41	0.37 17	0.47 27	0.40 40	0.23 7	0.51 51	0.37 107	0.15 67	0.18 247	0.19 148	0.16 116	0.16 103	0.14 49

IPLGR	0.40 103	0.22 97	0.70 249	0.40 87	0.22 30	0.51 144	0.29 57	0.78 144	0.78 142	0.80 179	0.77 102	0.44 55	0.41 112	0.48 41	0.40 148	0.14 18	0.12 86	0.16 57	0.14 69	0.16 103	0.14 49

OMP-Stereo	0.43 136	0.23 120	0.50 132	0.53 302	0.25 101	0.36 78	0.24 23	0.73 123	0.81 162	0.78 175	0.64 68	0.88 242	0.41 112	0.95 268	0.36 99	0.15 67	0.12 86	0.20 177	0.15 90	0.16 103	0.13 31

NF-Stereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.57 100	0.31 54	0.69 170	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

OCTAStereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.58 115	0.31 54	0.69 170	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

PFNet	0.43 136	0.19 33	0.61 208	0.44 188	0.24 77	0.42 117	0.31 88	0.76 136	0.81 162	1.01 285	0.74 97	0.67 166	0.41 112	0.75 193	0.39 128	0.16 99	0.10 8	0.20 177	0.15 90	0.16 103	0.14 49

RE-Stereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.57 100	0.31 54	0.70 177	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

TVStereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.57 100	0.31 54	0.70 177	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

CroCo-Stereo	0.27 2	0.23 120	0.40 45	0.49 258	0.22 30	0.20 2	0.29 57	0.55 19	0.45 47	0.29 4	0.27 2	0.42 46	0.26 17	0.30 1	0.26 8	0.15 67	0.13 141	0.13 8	0.12 26	0.16 103	0.13 31
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
RAFT	0.46 153	0.23 120	0.52 159	0.48 249	0.27 159	0.55 165	0.47 244	0.68 72	0.60 81	0.83 189	0.82 132	1.00 272	0.56 175	0.76 201	0.37 107	0.18 157	0.16 212	0.22 230	0.20 227	0.16 103	0.14 49

iRaftStereo_RVC	0.33 30	0.20 54	0.40 45	0.40 87	0.23 56	0.31 51	0.29 57	0.70 93	0.55 66	0.49 49	0.66 73	0.37 33	0.23 7	0.47 34	0.33 74	0.14 18	0.11 39	0.19 148	0.17 158	0.16 103	0.13 31

MyStereo06	0.40 103	0.22 97	0.65 226	0.42 130	0.29 199	0.43 121	0.48 249	1.05 229	0.43 41	0.64 95	0.54 45	0.78 214	0.27 22	0.53 54	0.31 58	0.14 18	0.13 141	0.18 116	0.17 158	0.17 127	0.17 135

MyStereo05	0.46 153	0.22 97	0.51 140	0.42 130	0.29 199	0.43 121	0.48 249	0.96 201	1.12 297	0.77 164	0.62 64	0.51 80	0.57 184	0.79 218	0.43 158	0.14 18	0.13 141	0.18 116	0.17 158	0.17 127	0.17 135

11t1	0.38 77	0.23 120	0.49 123	0.36 27	0.23 56	0.61 192	0.31 88	0.74 129	0.47 54	0.62 78	0.55 50	0.55 91	0.49 149	0.58 74	0.45 170	0.18 157	0.15 191	0.16 57	0.13 49	0.17 127	0.19 166

LL-Strereo	0.58 251	0.29 230	0.83 286	0.48 249	0.35 271	0.39 96	0.48 249	1.04 223	0.99 252	0.87 217	0.79 114	1.08 296	1.15 345	1.35 339	0.51 197	0.18 157	0.15 191	0.22 230	0.19 208	0.17 127	0.21 209

CBFPSM	0.61 265	0.25 167	1.41 353	0.39 61	0.27 159	1.10 322	0.67 313	0.83 159	0.84 176	0.82 184	0.81 130	1.33 330	0.85 297	0.72 186	0.86 280	0.16 99	0.15 191	0.15 41	0.17 158	0.17 127	0.23 243

CroCo-Stereo Lap2	0.29 9	0.25 167	0.44 79	0.50 269	0.30 218	0.19 1	0.31 88	0.52 13	0.41 34	0.25 1	0.28 4	0.46 65	0.31 54	0.39 8	0.30 48	0.15 67	0.15 191	0.16 57	0.13 49	0.17 127	0.16 98

x	0.41 117	0.25 167	0.46 91	0.36 27	0.24 77	0.54 160	0.31 88	0.94 194	0.58 73	0.60 72	0.72 84	0.61 129	0.53 160	0.52 52	0.50 195	0.18 157	0.16 212	0.17 85	0.16 116	0.17 127	0.18 157

IER	0.48 171	0.25 167	0.60 207	0.38 45	0.28 180	0.67 229	0.38 171	0.82 157	0.68 103	0.88 225	0.95 185	0.74 197	0.79 280	0.62 117	0.46 174	0.17 125	0.14 172	0.17 85	0.17 158	0.17 127	0.16 98

PFNet+	0.41 117	0.20 54	0.53 166	0.40 87	0.25 101	0.28 31	0.22 11	0.66 56	0.76 137	0.85 205	0.79 114	0.63 139	0.34 71	0.75 193	0.37 107	0.20 211	0.14 172	0.23 244	0.20 227	0.17 127	0.21 209

PSM-softLoss	0.40 103	0.21 74	0.53 166	0.42 130	0.26 130	0.29 35	0.34 117	0.70 93	0.49 57	0.63 85	0.82 132	0.59 124	0.33 65	0.75 193	0.43 158	0.20 211	0.12 86	0.20 177	0.18 184	0.17 127	0.22 224

KMStereo	0.40 103	0.21 74	0.53 166	0.42 130	0.26 130	0.29 35	0.34 117	0.70 93	0.49 57	0.63 85	0.82 132	0.59 124	0.33 65	0.75 193	0.43 158	0.20 211	0.12 86	0.20 177	0.18 184	0.17 127	0.22 224

NRIStereo	0.37 61	0.21 74	0.49 123	0.42 130	0.23 56	0.33 66	0.25 30	0.68 72	0.59 74	0.65 99	0.63 65	0.55 91	0.37 83	0.67 156	0.40 148	0.16 99	0.12 86	0.18 116	0.15 90	0.17 127	0.15 78

KYRaft	0.48 171	0.21 74	0.41 50	0.45 200	0.23 56	0.43 121	0.36 146	0.68 72	0.45 47	0.94 254	1.72 350	0.78 214	0.40 108	0.65 139	0.32 64	0.16 99	0.11 39	0.18 116	0.22 262	0.17 127	0.76 378

Pruner-Stereo	0.39 89	0.21 74	0.51 140	0.41 105	0.25 101	0.22 4	0.24 23	0.71 100	0.59 74	0.90 239	0.75 99	0.67 166	0.30 51	0.64 133	0.39 128	0.19 192	0.12 86	0.20 177	0.17 158	0.17 127	0.19 166

IRAFT_RVC	0.43 136	0.20 54	0.52 159	0.45 200	0.24 77	0.26 18	0.51 265	0.76 136	0.78 142	0.77 164	0.80 124	0.73 193	0.50 151	0.74 188	0.39 128	0.18 157	0.10 8	0.21 218	0.17 158	0.17 127	0.15 78

GMM-Stereo	0.44 142	0.20 54	0.39 36	0.42 130	0.25 101	0.50 139	0.44 232	0.72 110	0.57 71	0.77 164	1.37 313	0.76 207	0.38 90	0.62 117	0.34 83	0.15 67	0.10 8	0.20 177	0.19 208	0.17 127	0.28 280

Prome-Stereo	0.46 153	0.20 54	0.37 27	0.45 200	0.26 130	0.40 101	0.42 219	0.69 83	0.49 57	0.96 271	1.84 356	0.58 115	0.64 212	0.63 126	0.32 64	0.15 67	0.11 39	0.16 57	0.14 69	0.17 127	0.30 289

RALCasStereoNet	0.37 61	0.23 120	0.41 50	0.44 188	0.28 180	0.36 78	0.38 171	0.66 56	0.67 102	0.51 52	0.74 97	0.51 80	0.29 41	0.64 133	0.38 120	0.17 125	0.14 172	0.15 41	0.13 49	0.17 127	0.17 135

SFCPSM	0.48 171	0.22 97	0.59 202	0.41 105	0.27 159	0.85 281	0.36 146	1.39 333	0.79 148	0.81 183	0.85 146	0.54 89	0.50 151	0.60 89	0.39 128	0.18 157	0.14 172	0.18 116	0.20 227	0.17 127	0.16 98

delet	0.57 240	0.25 167	0.63 217	0.46 223	0.34 266	1.05 319	0.51 265	1.04 223	0.94 229	0.90 239	0.99 208	0.90 249	0.68 237	0.87 241	0.78 264	0.18 157	0.18 247	0.20 177	0.21 244	0.17 127	0.17 135

GwcNet-RSSM	0.51 201	0.25 167	0.51 140	0.41 105	0.24 77	0.56 170	0.41 214	0.97 203	0.96 240	0.75 151	1.17 275	0.89 247	0.66 220	0.66 147	0.74 258	0.22 242	0.15 191	0.19 148	0.21 244	0.17 127	0.16 98

HSM-Net_RVC	0.55 227	0.23 120	0.37 27	0.38 45	0.22 30	0.86 283	0.40 194	1.31 315	0.93 222	0.92 247	1.15 267	1.26 318	0.71 249	0.75 193	0.53 210	0.17 125	0.14 172	0.16 57	0.15 90	0.17 127	0.17 135
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.53 217	0.25 167	0.46 91	0.40 87	0.25 101	0.74 246	0.44 232	1.29 312	0.78 142	0.82 184	0.92 176	1.21 314	0.75 265	0.90 253	0.48 186	0.18 157	0.14 172	0.17 85	0.14 69	0.17 127	0.18 157

iResNet	0.52 211	0.31 251	0.86 293	0.44 188	0.22 30	0.66 220	0.47 244	0.92 187	1.02 263	0.89 232	1.12 257	0.69 171	0.55 167	0.86 239	0.60 229	0.15 67	0.11 39	0.15 41	0.12 26	0.17 127	0.17 135

Former-RAFT_DAM_RVC	0.34 35	0.28 220	0.48 115	0.37 35	0.25 101	0.47 133	0.30 69	0.60 31	0.92 220	0.43 37	0.37 17	0.30 6	0.29 41	0.50 49	0.30 48	0.17 125	0.14 172	0.18 116	0.15 90	0.18 151	0.16 98

MyStereo07	0.33 30	0.23 120	0.37 27	0.43 167	0.29 199	0.40 101	0.48 249	0.78 144	0.38 17	0.38 18	0.34 16	0.32 14	0.30 51	0.63 126	0.28 29	0.14 18	0.13 141	0.19 148	0.17 158	0.18 151	0.17 135

MyStereo04	0.45 148	0.23 120	0.52 159	0.43 167	0.29 199	0.40 101	0.48 249	1.02 217	1.12 297	0.62 78	0.58 55	0.55 91	0.56 175	0.77 208	0.45 170	0.14 18	0.13 141	0.19 148	0.17 158	0.18 151	0.17 135

ACVNet-DCA	0.36 43	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.91 179	0.59 74	0.42 32	0.50 32	0.34 22	0.47 142	0.61 95	0.26 8	0.17 125	0.11 39	0.19 148	0.13 49	0.18 151	0.19 166

xx1	0.40 103	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.71 100	1.17 315	0.42 32	0.50 32	0.65 150	0.56 175	0.61 95	0.26 8	0.17 125	0.11 39	0.20 177	0.19 208	0.18 151	0.19 166

1test111	0.37 61	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.91 179	0.59 74	0.42 32	0.50 32	0.34 22	0.47 142	0.59 79	0.48 186	0.17 125	0.11 39	0.19 148	0.13 49	0.18 151	0.19 166

test croco	0.32 26	0.21 74	0.59 202	0.40 87	0.29 199	0.27 25	0.30 69	0.46 6	0.36 11	0.32 10	0.66 73	0.31 7	0.33 65	0.68 164	0.32 64	0.18 157	0.13 141	0.20 177	0.15 90	0.18 151	0.13 31

MIF-Stereo (partial)	0.32 26	0.19 33	0.41 50	0.41 105	0.32 245	0.29 35	0.24 23	0.49 9	0.44 43	0.31 7	0.63 65	0.37 33	0.36 79	0.60 89	0.32 64	0.17 125	0.13 141	0.19 148	0.17 158	0.18 151	0.15 78

CASnet	0.30 12	0.20 54	0.34 13	0.42 130	0.17 2	0.25 16	0.24 23	0.53 16	0.56 67	0.54 61	0.54 45	0.39 39	0.24 10	0.41 17	0.26 8	0.15 67	0.10 8	0.22 230	0.18 184	0.18 151	0.12 10
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
gwcnet-sp	0.50 191	0.25 167	0.84 289	0.41 105	0.27 159	0.79 258	0.40 194	0.93 189	0.85 180	0.95 259	0.79 114	0.65 150	0.63 205	0.69 170	0.52 201	0.18 157	0.17 238	0.18 116	0.18 184	0.18 151	0.19 166

scenet	0.50 191	0.25 167	0.84 289	0.41 105	0.27 159	0.79 258	0.40 194	0.93 189	0.85 180	0.95 259	0.79 114	0.65 150	0.63 205	0.69 170	0.52 201	0.18 157	0.17 238	0.18 116	0.18 184	0.18 151	0.19 166

knoymous	0.37 61	0.22 97	0.34 13	0.32 6	0.22 30	0.38 91	0.29 57	0.63 43	0.65 93	0.69 120	0.69 80	0.60 127	0.40 108	0.61 95	0.36 99	0.17 125	0.11 39	0.20 177	0.12 26	0.18 151	0.19 166

ssnet	0.50 191	0.25 167	0.84 289	0.41 105	0.27 159	0.79 258	0.40 194	0.93 189	0.85 180	0.95 259	0.79 114	0.65 150	0.63 205	0.69 170	0.52 201	0.18 157	0.17 238	0.18 116	0.18 184	0.18 151	0.19 166

qqq	0.42 124	0.28 220	0.50 132	0.37 35	0.22 30	0.47 133	0.39 184	0.91 179	0.59 74	0.57 66	0.71 83	0.65 150	0.56 175	0.59 79	0.48 186	0.17 125	0.17 238	0.20 177	0.19 208	0.18 151	0.19 166

BUS	0.47 162	0.26 195	0.47 102	0.46 223	0.29 199	0.78 252	0.34 117	0.99 208	0.80 153	0.77 164	0.80 124	0.64 146	0.54 164	0.66 147	0.56 217	0.21 226	0.15 191	0.22 230	0.19 208	0.18 151	0.19 166

test_5	0.44 142	0.25 167	0.48 115	0.53 302	0.28 180	0.28 31	0.42 219	0.77 141	0.87 190	0.63 85	0.91 170	0.73 193	0.53 160	0.82 229	0.36 99	0.14 18	0.11 39	0.18 116	0.18 184	0.18 151	0.16 98

BSDual-CNN	0.48 171	0.26 195	0.47 102	0.46 223	0.29 199	0.75 249	0.46 239	0.99 208	0.80 153	0.77 164	0.80 124	0.76 207	0.59 191	0.66 147	0.48 186	0.21 226	0.15 191	0.22 230	0.19 208	0.18 151	0.19 166

hknet	0.51 201	0.26 195	0.58 194	0.46 223	0.29 199	0.75 249	0.46 239	0.99 208	0.89 204	0.77 164	0.80 124	0.96 264	0.67 229	0.75 193	0.50 195	0.19 192	0.15 191	0.22 230	0.19 208	0.18 151	0.19 166

CSP-Net	0.57 240	0.29 230	0.55 181	0.42 130	0.29 199	1.20 340	0.49 259	1.29 312	0.75 134	0.98 277	0.97 196	0.88 242	0.69 239	0.85 237	0.66 243	0.27 288	0.18 247	0.17 85	0.17 158	0.18 151	0.19 166

GANet-ADL	0.44 142	0.27 207	0.48 115	0.44 188	0.30 218	0.54 160	0.36 146	0.94 194	0.88 200	0.64 95	0.72 84	0.68 169	0.44 125	0.55 62	0.44 165	0.22 242	0.15 191	0.15 41	0.13 49	0.18 151	0.21 209

PSM-AAD	0.48 171	0.21 74	0.39 36	0.44 188	0.23 56	0.56 170	0.47 244	0.67 67	0.73 127	1.08 313	1.12 257	0.58 115	0.87 304	0.63 126	0.33 74	0.15 67	0.11 39	0.25 268	0.26 304	0.18 151	0.42 340

RAFT_R40	0.41 117	0.20 54	0.47 102	0.44 188	0.25 101	0.23 6	0.25 30	0.69 83	0.70 110	0.98 277	0.78 110	0.72 189	0.43 120	0.80 220	0.39 128	0.17 125	0.11 39	0.20 177	0.16 116	0.18 151	0.15 78

rafts_anoy	0.38 77	0.22 97	0.38 33	0.43 167	0.28 180	0.32 60	0.32 100	0.70 93	0.91 214	0.59 70	0.66 73	0.45 62	0.33 65	0.49 47	0.41 153	0.16 99	0.12 86	0.21 218	0.23 271	0.18 151	0.16 98

GES	0.46 153	0.25 167	0.62 213	0.41 105	0.30 218	0.62 196	0.37 158	1.06 234	0.70 110	0.75 151	0.83 137	0.47 69	0.52 159	0.69 170	0.46 174	0.23 256	0.17 238	0.17 85	0.16 116	0.18 151	0.24 251

222	1.25 359	0.23 120	0.53 166	0.38 45	0.23 56	0.78 252	0.37 158	1.41 339	0.93 222	0.97 274	1.13 263	0.74 197	0.71 249	0.74 188	14.86 415	0.20 211	0.16 212	0.17 85	0.16 116	0.18 151	0.20 193

test_xeample	1.06 342	0.23 120	0.51 140	0.37 35	0.22 30	0.71 238	0.39 184	1.31 315	0.92 220	0.87 217	1.08 249	0.70 173	0.64 212	0.75 193	11.43 412	0.19 192	0.16 212	0.18 116	0.17 158	0.18 151	0.19 166

FENet	0.43 136	0.23 120	0.40 45	0.40 87	0.24 77	0.54 160	0.33 109	0.83 159	0.72 118	0.74 148	0.73 86	0.63 139	0.56 175	0.65 139	0.45 170	0.19 192	0.13 141	0.19 148	0.17 158	0.18 151	0.20 193

ac_64	0.54 222	0.24 139	0.58 194	0.46 223	0.28 180	0.79 258	0.44 232	1.11 249	0.63 84	0.94 254	0.85 146	1.06 291	0.70 244	0.76 201	0.72 256	0.22 242	0.18 247	0.20 177	0.19 208	0.18 151	0.16 98

ACVNet	0.47 162	0.24 139	0.39 36	0.40 87	0.28 180	0.58 184	0.40 194	0.91 179	0.81 162	0.67 110	0.96 189	0.79 220	0.66 220	0.65 139	0.71 253	0.18 157	0.15 191	0.16 57	0.15 90	0.18 151	0.15 78

acv_ft	0.52 211	0.24 139	0.64 221	0.45 200	0.28 180	0.85 281	0.40 194	0.95 197	0.81 162	1.00 283	0.96 189	0.79 220	0.62 200	0.65 139	0.88 282	0.18 157	0.15 191	0.16 57	0.15 90	0.18 151	0.15 78

GANet-RSSM	0.49 180	0.22 97	0.42 58	0.39 61	0.26 130	0.58 184	0.41 214	1.12 250	0.82 170	0.73 141	1.02 218	0.88 242	0.75 265	0.67 156	0.48 186	0.22 242	0.16 212	0.18 116	0.19 208	0.18 151	0.18 157

AANet_RVC	0.59 255	0.35 268	0.68 239	0.47 241	0.28 180	0.57 180	0.47 244	1.04 223	1.28 332	0.87 217	1.33 304	0.86 235	0.63 205	1.16 312	0.89 284	0.19 192	0.13 141	0.15 41	0.14 69	0.18 151	0.20 193

HITNet	0.43 136	0.27 207	0.50 132	0.34 9	0.18 5	0.65 215	0.32 100	0.99 208	0.70 110	0.73 141	0.86 150	0.66 162	0.56 175	0.61 95	0.47 183	0.14 18	0.10 8	0.15 41	0.13 49	0.18 151	0.13 31
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
DN-CSS_ROB	0.45 148	0.27 207	0.74 266	0.41 105	0.29 199	0.43 121	0.29 57	0.80 151	0.78 142	0.73 141	1.08 249	0.48 72	0.45 132	0.81 224	0.40 148	0.15 67	0.12 86	0.21 218	0.19 208	0.18 151	0.17 135

MyStereo8	0.42 124	0.21 74	0.64 221	0.43 167	0.29 199	0.55 165	0.28 50	0.72 110	0.50 60	0.73 141	1.01 216	0.57 100	0.44 125	0.52 52	0.52 201	0.15 67	0.12 86	0.16 57	0.14 69	0.19 185	0.21 209

SMFormer	0.53 217	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.60 229	0.19 192	0.16 212	0.18 116	0.17 158	0.19 185	0.20 193

LL-Strereo2	0.36 43	0.25 167	0.52 159	0.43 167	0.27 159	0.36 78	0.27 42	0.70 93	0.46 52	0.55 62	0.53 42	0.65 150	0.24 10	0.69 170	0.32 64	0.14 18	0.13 141	0.23 244	0.20 227	0.19 185	0.14 49

riskmin	0.41 117	0.21 74	0.44 79	0.34 9	0.24 77	0.58 184	0.32 100	0.70 93	0.86 186	0.52 54	0.57 53	0.78 214	0.60 194	0.58 74	0.39 128	0.17 125	0.12 86	0.19 148	0.13 49	0.19 185	0.22 224

CRFU-Net	0.59 255	0.29 230	0.62 213	0.47 241	0.31 228	1.20 340	0.51 265	1.19 274	0.59 74	1.05 303	1.00 212	1.06 291	0.87 304	0.83 231	0.77 263	0.22 242	0.19 264	0.18 116	0.16 116	0.19 185	0.20 193

psmg	0.50 191	0.26 195	0.47 102	0.42 130	0.29 199	0.82 272	0.42 219	1.07 236	0.80 153	0.95 259	0.94 181	0.76 207	0.59 191	0.66 147	0.48 186	0.21 226	0.16 212	0.20 177	0.20 227	0.19 185	0.19 166

GwcNet-ADL	0.45 148	0.24 139	0.51 140	0.46 223	0.30 218	0.41 110	0.40 194	0.95 197	0.98 249	0.73 141	0.78 110	0.61 129	0.41 112	0.67 156	0.55 215	0.20 211	0.14 172	0.15 41	0.14 69	0.19 185	0.22 224

SST-Stereo	0.41 117	0.20 54	0.48 115	0.43 167	0.25 101	0.25 16	0.21 5	0.68 72	0.50 60	1.08 313	0.79 114	0.71 174	0.42 117	0.81 224	0.38 120	0.17 125	0.11 39	0.20 177	0.16 116	0.19 185	0.15 78

DeepStereo_RVC	0.37 61	0.22 97	0.51 140	0.41 105	0.24 77	0.26 18	0.22 11	0.64 53	0.40 29	0.69 120	0.67 78	0.57 100	0.50 151	0.58 74	0.42 156	0.17 125	0.12 86	0.18 116	0.16 116	0.19 185	0.19 166

ICVP	0.48 171	0.26 195	0.42 58	0.49 258	0.28 180	0.63 201	0.43 226	1.05 229	0.72 118	0.68 117	0.95 185	0.75 201	0.56 175	0.55 62	0.61 233	0.24 262	0.18 247	0.19 148	0.17 158	0.19 185	0.21 209
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	1.07 344	0.23 120	0.53 166	0.38 45	0.22 30	0.83 275	0.36 146	1.41 339	0.95 233	0.75 151	0.99 208	0.97 265	0.64 212	0.70 177	11.37 411	0.20 211	0.17 238	0.18 116	0.17 158	0.19 185	0.20 193

RAFT + AFF	0.54 222	0.30 244	0.84 289	0.51 281	0.32 245	0.63 201	0.57 289	1.05 229	0.95 233	0.80 179	0.87 156	0.85 231	0.57 184	0.87 241	0.51 197	0.18 157	0.21 278	0.23 244	0.22 262	0.19 185	0.19 166

HGLStereo	0.58 251	0.30 244	0.65 226	0.51 281	0.38 283	0.78 252	0.45 236	1.07 236	0.82 170	0.89 232	1.16 270	0.88 242	0.91 313	0.80 220	0.74 258	0.21 226	0.21 278	0.20 177	0.18 184	0.19 185	0.22 224

DMCA	0.47 162	0.27 207	0.59 202	0.39 61	0.29 199	0.53 154	0.34 117	0.98 205	0.70 110	0.78 175	0.83 137	0.79 220	0.55 167	0.54 61	0.57 221	0.21 226	0.16 212	0.21 218	0.16 116	0.19 185	0.22 224

iResNetv2_ROB	0.55 227	0.29 230	0.86 293	0.39 61	0.25 101	0.67 229	0.37 158	1.21 280	1.02 263	1.02 289	1.10 251	0.89 247	0.79 280	0.74 188	0.43 158	0.19 192	0.13 141	0.15 41	0.11 15	0.19 185	0.16 98

1111x	0.64 275	0.23 120	0.61 208	0.39 61	0.21 25	0.68 233	0.46 239	1.32 320	1.03 267	0.76 156	1.02 218	0.95 261	0.72 256	1.13 306	2.15 373	0.18 157	0.18 247	0.18 116	0.19 208	0.20 200	0.19 166

whm_eth	0.49 180	0.32 253	0.79 275	0.47 241	0.38 283	0.37 86	0.37 158	0.83 159	0.83 175	0.82 184	1.73 351	0.36 32	0.39 103	0.61 95	0.38 120	0.19 192	0.17 238	0.20 177	0.20 227	0.20 200	0.25 258

ssnet_v2	0.61 265	0.29 230	0.69 247	0.45 200	0.30 218	0.93 293	0.62 305	1.20 277	1.03 267	0.97 274	0.81 130	0.98 267	0.67 229	0.84 235	0.97 307	0.26 279	0.23 294	0.23 244	0.24 285	0.20 200	0.21 209

AAGNet	1.40 369	0.20 54	0.52 159	0.45 200	0.26 130	0.29 35	0.29 57	0.67 67	0.71 116	0.97 274	0.86 150	0.66 162	0.60 194	0.66 147	19.98 419	0.17 125	0.11 39	0.19 148	0.15 90	0.20 200	0.13 31

MMNet	0.57 240	0.26 195	0.67 232	0.45 200	0.35 271	1.04 317	0.39 184	0.93 189	0.98 249	0.96 271	0.97 196	0.86 235	0.80 284	0.83 231	0.80 272	0.16 99	0.15 191	0.19 148	0.19 208	0.20 200	0.17 135

UPFNet	0.55 227	0.26 195	0.59 202	0.46 223	0.38 283	0.83 275	0.48 249	1.03 222	0.80 153	0.92 247	0.91 170	0.85 231	0.67 229	0.87 241	0.78 264	0.20 211	0.21 278	0.20 177	0.20 227	0.20 200	0.15 78

PSMNet-RSSM	0.50 191	0.24 139	0.41 50	0.43 167	0.26 130	0.51 144	0.40 194	1.16 263	0.79 148	0.75 151	1.07 243	0.87 239	0.69 239	0.66 147	0.52 201	0.24 262	0.16 212	0.23 244	0.26 304	0.20 200	0.20 193

StereoDRNet-Refined	0.61 265	0.33 259	0.63 217	0.47 241	0.31 228	0.94 295	0.41 214	1.04 223	0.97 245	1.15 327	1.13 263	1.00 272	0.74 262	0.93 260	0.93 297	0.18 157	0.13 141	0.22 230	0.21 244	0.20 200	0.21 209
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
LE_ROB	4.86 408	0.27 207	9.43 407	0.45 200	0.24 77	1.61 363	0.96 360	2.05 381	17.75 423	16.36 425	4.84 409	5.17 404	19.48 425	2.05 376	15.49 416	0.17 125	0.15 191	0.16 57	0.16 116	0.20 200	0.19 166

mmm	0.47 162	0.28 220	0.51 140	0.39 61	0.25 101	0.61 192	0.38 171	1.00 214	0.60 81	0.77 164	1.07 243	0.65 150	0.53 160	0.61 95	0.49 193	0.18 157	0.15 191	0.23 244	0.20 227	0.21 209	0.20 193

fast-acv-ft	0.66 277	0.32 253	0.80 276	0.46 223	0.34 266	1.26 343	0.50 262	0.91 179	1.00 256	1.05 303	1.36 310	1.28 319	0.84 293	0.81 224	0.90 290	0.22 242	0.24 302	0.23 244	0.23 271	0.21 209	0.22 224

iinet-f	0.69 283	0.29 230	2.34 384	0.41 105	0.31 228	1.16 334	0.58 296	0.87 167	0.85 180	0.86 215	1.17 275	1.04 284	0.83 290	0.76 201	1.26 339	0.21 226	0.18 247	0.17 85	0.16 116	0.21 209	0.21 209

Patchmatch Stereo++	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.21 5	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.31 88	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.59 79	0.38 120	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

ROB_FTStereo_v2	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.31 88	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.60 89	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

ROB_FTStereo	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.20 1	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.60 89	0.38 120	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

HUI-Stereo	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.22 11	0.63 43	0.40 29	0.64 95	0.73 86	0.58 115	0.38 90	0.53 54	0.38 120	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

iGMRVC	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.29 57	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

iRAFT	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.21 5	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

CRE-IMP	0.37 61	0.23 120	0.53 166	0.42 130	0.24 77	0.40 101	0.21 5	0.61 35	0.45 47	0.65 99	0.73 86	0.53 87	0.37 83	0.63 126	0.40 148	0.18 157	0.11 39	0.19 148	0.16 116	0.21 209	0.19 166

RAFT-IKP	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.27 42	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

GEStereo_RVC	0.56 236	0.30 244	0.70 249	0.51 281	0.31 228	0.70 235	0.54 280	1.31 315	0.93 222	0.85 205	0.86 150	0.84 229	0.63 205	0.92 257	0.67 246	0.24 262	0.16 212	0.19 148	0.17 158	0.21 209	0.23 243

RALAANet	0.40 103	0.24 139	0.56 185	0.43 167	0.30 218	0.36 78	0.25 30	0.89 173	0.69 108	0.69 120	0.65 70	0.61 129	0.30 51	0.63 126	0.35 90	0.16 99	0.13 141	0.18 116	0.15 90	0.21 209	0.14 49

sCroCo_RVC	0.36 43	0.29 230	0.73 262	0.52 295	0.39 292	0.42 117	0.31 88	0.52 13	0.46 52	0.31 7	0.48 28	0.38 36	0.32 60	0.46 29	0.33 74	0.22 242	0.23 294	0.19 148	0.19 208	0.21 209	0.22 224

HCRNet	0.46 153	0.35 268	0.45 84	0.54 311	0.26 130	0.52 151	0.29 57	0.87 167	0.64 88	0.75 151	0.82 132	0.76 207	0.53 160	0.70 177	0.38 120	0.24 262	0.16 212	0.24 257	0.20 227	0.21 209	0.20 193

UNet	0.55 227	0.27 207	0.72 258	0.45 200	0.41 300	0.97 300	0.40 194	1.01 215	0.80 153	0.87 217	0.90 164	1.03 280	0.75 265	0.76 201	0.67 246	0.19 192	0.15 191	0.20 177	0.17 158	0.21 209	0.18 157

CFNet	0.53 217	0.30 244	0.53 166	0.42 130	0.28 180	0.73 242	0.35 139	1.21 280	1.01 258	0.74 148	1.07 243	0.85 231	0.60 194	0.83 231	0.58 226	0.19 192	0.15 191	0.23 244	0.23 271	0.21 209	0.17 135

ToySt	0.52 211	0.27 207	0.93 306	0.42 130	0.28 180	0.67 229	0.56 287	0.88 172	0.79 148	0.61 76	0.85 146	0.92 258	0.70 244	0.72 186	0.61 233	0.16 99	0.17 238	0.21 218	0.21 244	0.22 227	0.21 209

Wz-Net-LNSev-Ref	0.67 278	0.30 244	1.20 333	0.42 130	0.31 228	1.00 307	0.58 296	1.16 263	1.07 284	1.01 285	1.25 288	1.08 296	0.75 265	1.18 315	1.03 316	0.20 211	0.12 86	0.16 57	0.13 49	0.22 227	0.22 224

NINENet	0.52 211	0.30 244	0.55 181	0.46 223	0.33 256	0.78 252	0.34 117	1.18 271	0.91 214	0.84 195	0.97 196	0.64 146	0.54 164	0.74 188	0.56 217	0.23 256	0.20 272	0.25 268	0.18 184	0.22 227	0.22 224

DAS	0.54 222	0.26 195	0.66 228	0.49 258	0.31 228	0.61 192	0.43 226	0.89 173	1.01 258	0.95 259	1.16 270	0.71 174	0.85 297	0.89 248	0.47 183	0.18 157	0.14 172	0.18 116	0.15 90	0.22 227	0.19 166

SepStereo	0.54 222	0.26 195	0.66 228	0.49 258	0.31 228	0.61 192	0.43 226	0.89 173	1.01 258	0.95 259	1.16 270	0.71 174	0.85 297	0.97 278	0.47 183	0.18 157	0.14 172	0.18 116	0.15 90	0.22 227	0.19 166

AASNet	0.55 227	0.27 207	0.62 213	0.51 281	0.32 245	0.73 242	0.44 232	1.55 357	0.88 200	0.88 225	0.94 181	0.64 146	0.63 205	0.62 117	0.84 277	0.23 256	0.20 272	0.20 177	0.16 116	0.22 227	0.20 193

PSMNet-ADL	0.50 191	0.28 220	0.43 74	0.49 258	0.31 228	0.70 235	0.38 171	0.94 194	0.81 162	0.62 78	0.80 124	0.91 255	0.62 200	0.76 201	0.68 249	0.24 262	0.18 247	0.19 148	0.20 227	0.22 227	0.22 224

ADLNet2	0.57 240	0.26 195	0.71 252	0.48 249	0.31 228	0.83 275	0.51 265	1.10 248	0.99 252	0.85 205	0.99 208	0.99 271	0.70 244	0.79 218	0.78 264	0.21 226	0.17 238	0.18 116	0.18 184	0.22 227	0.22 224

LCNet	0.42 124	0.21 74	0.34 13	0.44 188	0.24 77	0.47 133	0.28 50	0.69 83	0.57 71	0.72 134	1.03 229	0.66 162	0.58 187	0.60 89	0.35 90	0.15 67	0.10 8	0.19 148	0.19 208	0.22 227	0.37 322

ADLNet	0.57 240	0.29 230	0.58 194	0.46 223	0.35 271	0.80 264	0.46 239	1.14 258	0.88 200	1.03 292	0.98 199	0.92 258	0.66 220	0.71 182	0.83 276	0.22 242	0.16 212	0.22 230	0.22 262	0.22 227	0.23 243

psm_up	0.57 240	0.27 207	0.52 159	0.50 269	0.33 256	0.65 215	0.60 301	1.07 236	0.84 176	0.87 217	0.91 170	1.00 272	1.06 333	0.80 220	0.66 243	0.22 242	0.25 310	0.26 282	0.23 271	0.22 227	0.21 209

DSFCA	0.57 240	0.27 207	0.71 252	0.41 105	0.36 276	0.78 252	0.53 274	1.08 241	0.85 180	1.08 313	0.84 139	0.90 249	0.66 220	1.05 297	0.63 240	0.26 279	0.22 287	0.21 218	0.21 244	0.22 227	0.20 193

NLCA_NET_v2_RVC	0.55 227	0.33 259	0.71 252	0.46 223	0.31 228	0.66 220	0.43 226	1.07 236	0.89 204	0.93 250	0.91 170	0.98 267	0.61 198	0.76 201	0.64 242	0.22 242	0.18 247	0.22 230	0.22 262	0.22 227	0.24 251
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DLCB_ROB	0.60 262	0.29 230	0.53 166	0.50 269	0.33 256	0.76 251	0.51 265	1.02 217	0.94 229	1.07 312	1.16 270	1.21 314	0.73 260	0.98 280	0.75 260	0.21 226	0.20 272	0.22 230	0.23 271	0.22 227	0.20 193

CASS	0.46 153	0.28 220	0.45 84	0.48 249	0.22 30	0.63 201	0.34 117	0.99 208	0.66 96	0.76 156	0.86 150	0.61 129	0.58 187	0.58 74	0.44 165	0.29 303	0.16 212	0.22 230	0.18 184	0.23 241	0.28 280
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Anonymous3	0.47 162	0.35 268	0.91 305	0.50 269	0.38 283	0.81 269	0.55 284	0.76 136	0.66 96	0.52 54	0.65 70	0.44 55	0.45 132	0.66 147	0.39 128	0.25 274	0.25 310	0.22 230	0.21 244	0.23 241	0.24 251

TestStereo	0.39 89	0.32 253	0.42 58	0.45 200	0.20 18	0.41 110	0.38 171	0.69 83	0.66 96	0.56 64	0.78 110	0.48 72	0.43 120	0.59 79	0.37 107	0.18 157	0.13 141	0.20 177	0.15 90	0.23 241	0.14 49

Syn2CoEx	0.74 293	0.55 337	1.17 331	0.66 349	0.45 324	0.89 289	0.56 287	1.54 356	1.15 310	0.95 259	1.35 309	1.03 280	1.03 329	0.96 271	0.89 284	0.31 313	0.27 321	0.29 308	0.24 285	0.23 241	0.27 271

GwcNet	0.73 288	0.39 286	1.37 350	0.53 302	0.43 312	1.10 322	0.52 271	1.27 303	1.19 320	1.05 303	1.41 318	1.06 291	0.86 301	0.98 280	1.01 311	0.26 279	0.24 302	0.24 257	0.23 271	0.23 241	0.28 280

ADCRef	0.84 315	0.46 312	1.60 366	0.52 295	0.45 324	1.08 321	0.52 271	1.13 256	1.03 267	1.22 334	1.43 324	0.87 239	0.93 317	0.91 255	3.35 388	0.19 192	0.16 212	0.23 244	0.23 271	0.23 241	0.22 224

AdaStereo	0.52 211	0.34 264	0.53 166	0.49 258	0.25 101	0.71 238	0.36 146	1.24 290	0.91 214	0.77 164	0.98 199	0.75 201	0.50 151	0.71 182	0.51 197	0.27 288	0.13 141	0.28 300	0.18 184	0.23 241	0.18 157
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.
NaN_ROB	0.73 288	0.46 312	0.89 302	0.52 295	0.34 266	0.98 304	1.11 367	1.28 308	1.20 322	1.27 342	0.96 189	1.08 296	0.79 280	1.34 338	0.78 264	0.24 262	0.30 332	0.23 244	0.24 285	0.23 241	0.26 263

mmx	0.59 255	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	1.24 290	1.06 277	0.76 156	0.98 199	0.71 174	0.55 167	1.25 321	1.46 350	0.21 226	0.16 212	0.25 268	0.21 244	0.24 249	0.22 224

xxx	0.59 255	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	1.24 290	1.06 277	0.76 156	0.98 199	0.71 174	0.55 167	1.25 321	1.46 350	0.21 226	0.16 212	0.25 268	0.21 244	0.24 249	0.22 224

dd	0.44 142	0.40 294	0.62 213	0.44 188	0.26 130	0.51 144	0.38 171	0.72 110	1.07 284	0.60 72	0.66 73	0.43 52	0.40 108	0.68 164	0.53 210	0.24 262	0.15 191	0.21 218	0.16 116	0.24 249	0.19 166

AACVNet	0.52 211	0.25 167	0.56 185	0.48 249	0.29 199	0.55 165	0.38 171	0.96 201	0.59 74	0.83 189	1.03 229	1.03 280	0.77 278	0.91 255	0.58 226	0.22 242	0.18 247	0.24 257	0.18 184	0.24 249	0.22 224

GMStereo	0.40 103	0.38 282	0.61 208	0.41 105	0.27 159	0.47 133	0.35 139	0.62 37	1.04 271	0.57 66	0.54 45	0.38 36	0.36 79	0.56 66	0.41 153	0.20 211	0.13 141	0.16 57	0.17 158	0.24 249	0.20 193
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
CFNet-ft	0.50 191	0.25 167	0.39 36	0.41 105	0.26 130	0.66 220	0.37 158	0.91 179	0.87 190	0.67 110	1.00 212	1.05 287	0.70 244	0.68 164	0.57 221	0.23 256	0.16 212	0.24 257	0.21 244	0.24 249	0.19 166

BEATNet_4x	0.49 180	0.35 268	0.72 258	0.38 45	0.20 18	0.65 215	0.36 146	1.08 241	0.78 142	0.78 175	0.88 159	0.73 193	0.64 212	0.71 182	0.60 229	0.16 99	0.12 86	0.16 57	0.15 90	0.24 249	0.18 157

CFNet_RVC	0.50 191	0.25 167	0.39 36	0.41 105	0.26 130	0.66 220	0.37 158	0.91 179	0.87 190	0.67 110	1.00 212	1.05 287	0.70 244	0.68 164	0.57 221	0.23 256	0.16 212	0.24 257	0.21 244	0.24 249	0.19 166

DISCO	0.72 287	0.27 207	0.72 258	0.45 200	0.31 228	1.12 327	0.53 274	1.32 320	1.25 327	0.84 195	1.07 243	1.52 355	0.87 304	1.82 369	1.08 328	0.20 211	0.15 191	0.18 116	0.16 116	0.24 249	0.24 251

ttt	0.56 236	0.27 207	0.49 123	0.39 61	0.25 101	0.65 215	0.42 219	1.24 290	1.08 289	0.76 156	1.10 251	0.63 139	0.51 156	0.95 268	1.03 316	0.25 274	0.22 287	0.22 230	0.21 244	0.25 258	0.25 258

LMCR-Stereo	0.55 227	0.33 259	0.57 192	0.60 332	0.30 218	0.80 264	0.36 146	1.30 314	0.79 148	0.90 239	1.04 232	0.57 100	0.64 212	0.87 241	0.73 257	0.20 211	0.15 191	0.19 148	0.14 69	0.25 258	0.18 157

STTStereo	0.57 240	0.39 286	0.87 298	0.45 200	0.32 245	0.62 196	0.45 236	1.01 215	0.87 190	1.01 285	0.91 170	0.95 261	0.58 187	0.77 208	0.66 243	0.25 274	0.24 302	0.27 290	0.33 337	0.25 258	0.26 263

MSMDNet	0.49 180	0.25 167	0.56 185	0.40 87	0.27 159	0.64 209	0.32 100	0.99 208	0.99 252	0.87 217	1.07 243	0.79 220	0.46 138	0.61 95	0.44 165	0.17 125	0.13 141	0.20 177	0.16 116	0.25 258	0.20 193

UCFNet_RVC	0.50 191	0.27 207	0.37 27	0.40 87	0.27 159	0.66 220	0.42 219	1.18 271	0.86 186	0.70 124	0.89 162	0.91 255	0.60 194	0.62 117	0.48 186	0.24 262	0.18 247	0.28 300	0.27 308	0.25 258	0.24 251

SGM_RVC	1.04 341	0.30 244	0.47 102	0.41 105	0.23 56	1.73 371	0.77 336	1.63 369	1.30 337	2.39 386	1.99 362	2.64 381	1.78 376	2.22 383	1.40 347	0.28 296	0.27 321	0.27 290	0.25 296	0.25 258	0.25 258
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
StereoVision	0.43 136	0.29 230	0.54 178	0.50 269	0.28 180	0.37 86	0.38 171	0.75 134	0.63 84	0.46 44	1.11 255	0.53 87	0.38 90	0.57 70	0.34 83	0.21 226	0.24 302	0.25 268	0.24 285	0.26 264	0.17 135

PCWNet_CMD	0.49 180	0.25 167	0.56 185	0.40 87	0.27 159	0.64 209	0.32 100	0.98 205	0.99 252	0.87 217	1.07 243	0.78 214	0.46 138	0.61 95	0.44 165	0.17 125	0.13 141	0.21 218	0.16 116	0.26 264	0.20 193

Wz-Net-LNSev	0.75 297	0.54 331	1.59 363	0.51 281	0.41 300	1.16 334	0.79 340	1.27 303	1.13 303	1.04 298	1.14 265	1.11 305	0.94 320	0.93 260	1.00 310	0.24 262	0.22 287	0.21 218	0.19 208	0.26 264	0.27 271

CFNet_pseudo	0.47 162	0.25 167	0.55 181	0.38 45	0.28 180	0.58 184	0.32 100	0.89 173	0.90 208	0.83 189	1.03 229	0.75 201	0.48 145	0.61 95	0.46 174	0.17 125	0.13 141	0.24 257	0.16 116	0.26 264	0.21 209

ccs_rob	0.47 162	0.25 167	0.55 181	0.38 45	0.28 180	0.58 184	0.32 100	0.89 173	0.90 208	0.83 189	1.02 218	0.75 201	0.48 145	0.61 95	0.46 174	0.17 125	0.12 86	0.24 257	0.16 116	0.26 264	0.21 209

DeepPruner_ROB	0.55 227	0.37 278	0.67 232	0.42 130	0.31 228	0.50 139	0.43 226	1.22 286	0.73 127	0.86 215	1.05 235	0.85 231	0.58 187	0.90 253	0.56 217	0.29 303	0.23 294	0.22 230	0.22 262	0.26 264	0.26 263

DRN-Test	0.68 281	0.34 264	0.77 272	0.52 295	0.40 295	1.14 330	0.61 303	1.56 361	1.04 271	1.18 329	1.10 251	1.05 287	0.72 256	0.82 229	1.01 311	0.24 262	0.18 247	0.26 282	0.25 296	0.26 264	0.23 243

MDST_ROB	0.97 334	0.29 230	1.02 320	0.64 345	0.43 312	2.64 387	0.82 344	1.68 373	1.18 319	2.89 393	1.82 355	0.97 265	0.75 265	1.83 370	0.89 284	0.26 279	0.22 287	0.32 323	0.28 314	0.26 264	0.26 263

CBMV	0.68 281	0.37 278	0.50 132	0.43 167	0.26 130	1.00 307	0.71 321	1.17 269	1.16 312	1.24 338	1.29 300	1.06 291	0.86 301	0.98 280	0.75 260	0.29 303	0.30 332	0.34 330	0.30 319	0.26 264	0.27 271
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CFNet_ucs	0.51 201	0.25 167	0.58 194	0.39 61	0.31 228	0.59 190	0.35 139	1.04 223	0.95 233	0.89 232	1.19 280	0.80 224	0.49 149	0.66 147	0.45 170	0.21 226	0.16 212	0.26 282	0.18 184	0.27 273	0.23 243

aanetorigin	0.85 320	0.58 343	1.98 377	0.50 269	0.40 295	0.66 220	0.70 319	0.72 110	1.01 258	2.44 388	2.00 363	1.32 325	1.25 351	0.96 271	1.16 333	0.20 211	0.19 264	0.20 177	0.20 227	0.27 273	0.33 308

DMCA-RVC	0.54 222	0.32 253	0.83 286	0.51 281	0.32 245	0.59 190	0.38 171	0.89 173	0.70 110	0.95 259	0.88 159	0.90 249	0.69 239	0.75 193	0.63 240	0.23 256	0.18 247	0.31 318	0.24 285	0.27 273	0.21 209

PA-Net	0.70 284	0.46 312	0.96 312	0.51 281	0.53 345	0.94 295	0.73 330	1.14 258	1.15 310	0.83 189	0.90 164	0.88 242	0.76 274	1.19 316	0.96 304	0.25 274	0.41 369	0.29 308	0.44 361	0.27 273	0.39 325
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.59 255	0.35 268	0.57 192	0.53 302	0.32 245	0.67 229	0.72 325	1.09 244	1.03 267	0.84 195	1.11 255	0.84 229	0.71 249	0.96 271	0.61 233	0.28 296	0.18 247	0.26 282	0.22 262	0.27 273	0.21 209

StereoDRNet	0.67 278	0.35 268	0.82 282	0.53 302	0.44 317	1.03 315	0.53 274	1.51 354	1.06 277	1.13 325	0.91 170	1.07 295	0.74 262	0.87 241	0.95 302	0.24 262	0.19 264	0.25 268	0.23 271	0.27 273	0.22 224

PSMNet_ROB	0.67 278	0.39 286	0.76 269	0.57 323	0.43 312	1.00 307	0.85 350	1.25 296	0.93 222	0.82 184	1.04 232	1.08 296	0.64 212	0.89 248	1.02 315	0.29 303	0.21 278	0.31 318	0.31 328	0.27 273	0.25 258

FAT-Stereo	0.75 297	0.34 264	0.81 281	0.51 281	0.38 283	0.78 252	0.63 308	1.39 333	1.32 339	1.05 303	1.40 316	1.58 360	1.14 343	0.92 257	0.91 293	0.29 303	0.28 326	0.28 300	0.23 271	0.28 280	0.41 336

FADNet-RVC-Resample	0.58 251	0.35 268	1.34 348	0.50 269	0.34 266	0.73 242	0.43 226	1.09 244	0.96 240	0.83 189	0.87 156	0.76 207	0.66 220	0.77 208	0.52 201	0.19 192	0.18 247	0.26 282	0.27 308	0.28 280	0.29 285

Wz-Net-MNSev	0.81 306	0.42 302	1.64 369	0.51 281	0.41 300	1.46 353	0.95 358	1.24 290	1.26 330	1.31 344	1.25 288	1.17 311	0.83 290	1.21 320	1.06 324	0.22 242	0.19 264	0.24 257	0.23 271	0.29 282	0.26 263

pcwnet_v2	0.60 262	0.29 230	0.89 302	0.46 223	0.36 276	0.62 196	0.38 171	1.33 323	1.24 325	1.02 289	1.27 295	0.71 174	0.59 191	0.71 182	0.51 197	0.28 296	0.21 278	0.24 257	0.23 271	0.29 282	0.30 289

APVNet	0.73 288	0.39 286	1.01 319	0.58 328	0.45 324	1.16 334	0.68 316	1.47 350	0.87 190	0.84 195	1.15 267	1.04 284	0.84 293	1.14 308	1.18 334	0.27 288	0.28 326	0.32 323	0.31 328	0.29 282	0.32 299

hitnet-ft	0.57 240	0.29 230	0.43 74	0.42 130	0.29 199	0.81 269	0.40 194	0.98 205	0.91 214	0.84 195	1.01 216	1.13 308	0.72 256	0.83 231	0.71 253	0.28 296	0.21 278	0.28 300	0.22 262	0.29 282	0.27 271

ADCL	1.10 346	0.42 302	1.57 362	0.51 281	0.41 300	1.71 370	0.92 354	1.36 330	1.45 352	1.33 345	1.56 338	1.22 317	1.26 352	1.45 348	5.27 401	0.22 242	0.19 264	0.25 268	0.25 296	0.29 282	0.29 285

ADCP+	1.18 355	0.37 278	3.09 387	0.50 269	0.52 343	1.48 355	0.61 303	1.32 320	1.07 284	1.21 332	1.16 270	1.08 296	1.11 338	1.63 358	7.17 406	0.20 211	0.16 212	0.24 257	0.22 262	0.29 282	0.22 224

SGM-ForestM	4.73 405	0.34 264	1.05 322	0.46 223	0.28 180	10.26 413	3.48 412	4.52 407	5.16 404	8.68 416	7.48 414	18.87 423	10.80 415	11.26 417	10.01 410	0.32 318	0.34 354	0.32 323	0.32 331	0.29 282	0.30 289

SACVNet	0.61 265	0.36 276	0.67 232	0.57 323	0.37 278	0.65 215	0.47 244	1.16 263	0.80 153	1.04 298	1.06 241	1.02 278	0.81 287	0.99 284	0.57 221	0.28 296	0.21 278	0.25 268	0.24 285	0.30 289	0.39 325

Anonymous	0.40 103	0.29 230	0.70 249	0.54 311	0.44 317	0.56 170	0.54 280	0.68 72	0.52 62	0.38 18	0.44 20	0.33 19	0.42 117	0.57 70	0.39 128	0.20 211	0.20 272	0.18 116	0.18 184	0.30 289	0.24 251

PWC_ROB	0.92 325	0.57 340	1.64 369	0.53 302	0.33 256	0.93 293	0.39 184	1.42 344	1.51 358	1.66 361	2.57 377	1.18 312	1.11 338	1.50 352	1.54 357	0.26 279	0.18 247	0.28 300	0.20 227	0.30 289	0.32 299

SGM-Forest	0.65 276	0.33 259	0.43 74	0.44 188	0.30 218	1.01 311	0.54 280	1.13 256	1.09 295	1.11 323	1.21 282	1.10 303	0.76 274	0.99 284	0.71 253	0.32 318	0.33 351	0.33 328	0.30 319	0.30 289	0.28 280
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
dad	0.61 265	0.53 325	0.72 258	0.44 188	0.31 228	0.64 209	0.37 158	0.85 164	1.28 332	1.05 303	1.17 275	1.18 312	0.61 198	0.70 177	0.54 213	0.36 340	0.23 294	0.37 338	0.21 244	0.31 293	0.23 243

AF-Net	0.85 320	0.41 298	0.87 298	0.66 349	0.54 347	0.96 299	0.52 271	1.66 371	1.37 343	1.03 292	2.04 365	1.46 345	1.36 356	1.19 316	1.05 323	0.34 333	0.24 302	0.39 344	0.28 314	0.31 293	0.26 263

Nwc_Net	0.82 307	0.40 294	0.86 293	0.62 340	0.56 349	1.04 317	0.57 289	1.72 375	1.08 289	0.93 250	1.88 358	1.44 343	1.24 350	1.19 316	0.94 299	0.31 313	0.25 310	0.36 334	0.39 349	0.31 293	0.31 296

RTSC	0.93 326	0.54 331	1.59 363	0.56 320	0.40 295	1.17 338	0.55 284	1.44 346	1.82 373	1.53 354	1.26 291	1.15 310	0.82 288	1.70 363	2.44 377	0.26 279	0.20 272	0.23 244	0.24 285	0.31 293	0.32 299

DeepPrunerF	0.93 326	0.55 337	3.88 392	0.70 361	0.81 371	0.72 241	0.74 332	1.28 308	1.97 376	0.95 259	1.02 218	0.87 239	0.85 297	1.16 312	1.07 326	0.35 338	0.29 328	0.43 350	0.40 353	0.31 293	0.33 308

XPNet_ROB	0.73 288	0.38 282	0.80 276	0.53 302	0.40 295	0.80 264	0.83 346	1.21 280	0.96 240	1.37 347	1.17 275	1.37 337	0.87 304	1.14 308	0.99 309	0.33 326	0.25 310	0.27 290	0.24 285	0.31 293	0.29 285

FADNet-RVC	0.62 271	0.56 339	1.29 342	0.47 241	0.39 292	0.63 201	0.40 194	1.16 263	0.91 214	0.71 133	0.86 150	1.04 284	0.55 167	0.99 284	0.78 264	0.27 288	0.26 319	0.28 300	0.29 318	0.32 299	0.31 296

GANet	0.74 293	0.38 282	0.63 217	0.54 311	0.35 271	1.01 311	0.95 358	1.15 261	0.95 233	1.09 317	2.00 363	1.14 309	0.92 315	1.29 329	0.75 260	0.25 274	0.27 321	0.27 290	0.23 271	0.32 299	0.24 251

CVANet_RVC	0.59 255	0.35 268	0.54 178	0.49 258	0.33 256	0.70 235	0.67 313	1.12 250	0.97 245	0.88 225	1.05 235	1.01 276	0.72 256	0.94 263	0.55 215	0.30 310	0.20 272	0.28 300	0.26 304	0.32 299	0.23 243

MeshStereo	1.38 367	0.45 307	0.58 194	0.45 200	0.35 271	1.63 365	0.60 301	2.07 382	1.43 350	4.49 408	3.32 392	4.67 399	2.08 385	2.08 379	1.32 343	0.36 340	0.36 358	0.37 338	0.32 331	0.32 299	0.34 310
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
Wz-Net-SNSev	0.99 338	0.80 363	3.00 386	0.57 323	0.46 332	0.94 295	1.22 377	1.40 337	1.28 332	1.04 298	1.33 304	1.46 345	0.90 312	2.06 377	1.65 360	0.26 279	0.24 302	0.25 268	0.26 304	0.33 303	0.30 289

FADNet_RVC	0.58 251	0.39 286	1.26 337	0.45 200	0.32 245	0.55 165	0.34 117	1.12 250	0.90 208	0.68 117	0.90 164	0.61 129	0.71 249	1.03 295	0.80 272	0.21 226	0.18 247	0.27 290	0.23 271	0.33 303	0.30 289

S-Stereo	0.76 300	0.36 276	1.10 324	0.57 323	0.46 332	0.83 275	0.59 299	1.31 315	1.62 365	0.98 277	1.41 318	1.11 305	0.93 317	0.85 237	1.07 326	0.27 288	0.31 340	0.28 300	0.25 296	0.33 303	0.50 361

edge stereo	0.79 303	0.40 294	0.82 282	0.52 295	0.44 317	0.83 275	0.58 296	1.34 325	1.08 289	1.30 343	1.38 314	1.79 365	1.13 342	1.15 311	0.92 295	0.34 333	0.32 346	0.42 349	0.28 314	0.33 303	0.39 325

NCCL2	0.74 293	0.45 307	0.77 272	0.65 347	0.45 324	0.97 300	1.16 372	1.16 263	1.02 263	1.00 283	0.98 199	1.48 349	0.88 308	0.99 284	0.89 284	0.31 313	0.27 321	0.39 344	0.39 349	0.33 303	0.34 310

CBMV_ROB	0.62 271	0.39 286	0.41 50	0.41 105	0.28 180	0.86 283	0.28 50	1.06 234	1.02 263	0.95 259	1.33 304	0.81 226	0.84 293	0.94 263	0.56 217	0.37 344	0.37 359	0.43 350	0.40 353	0.33 303	0.32 299

psmorigin	0.84 315	0.53 325	2.21 382	0.50 269	0.41 300	0.86 283	0.57 289	1.08 241	0.90 208	1.50 352	1.42 322	1.50 351	1.09 336	1.29 329	1.03 316	0.32 318	0.33 351	0.27 290	0.27 308	0.34 309	0.45 350

NCC-stereo	0.82 307	0.43 304	0.87 298	0.63 342	0.68 367	0.88 286	0.72 325	1.60 367	1.12 297	0.95 259	1.41 318	1.37 337	1.37 358	1.26 324	0.94 299	0.32 318	0.30 332	0.37 338	0.49 370	0.34 309	0.35 313

Abc-Net	0.82 307	0.43 304	0.87 298	0.63 342	0.68 367	0.88 286	0.72 325	1.60 367	1.12 297	0.95 259	1.41 318	1.37 337	1.37 358	1.26 324	0.94 299	0.32 318	0.30 332	0.37 338	0.49 370	0.34 309	0.35 313
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.82 307	0.59 345	2.10 380	0.59 330	0.58 354	0.68 233	1.42 388	1.05 229	1.07 284	1.03 292	1.02 218	0.86 235	0.65 218	1.33 337	1.36 345	0.32 318	0.31 340	0.31 318	0.33 337	0.34 309	0.39 325

FBW_ROB	0.94 330	0.54 331	1.03 321	0.56 320	0.42 309	1.16 334	0.76 335	1.56 361	1.41 347	1.38 349	1.33 304	1.47 347	1.07 334	2.94 394	1.14 332	0.26 279	0.32 346	0.45 354	0.30 319	0.34 309	0.30 289

ETE_ROB	0.73 288	0.52 323	0.93 306	0.57 323	0.37 278	0.80 264	0.86 351	1.19 274	0.95 233	1.20 331	1.22 284	1.39 342	0.86 301	1.07 298	0.88 282	0.27 288	0.21 278	0.31 318	0.27 308	0.34 309	0.35 313

FINET	0.75 297	0.45 307	1.38 351	0.48 249	0.46 332	0.98 304	1.00 362	1.22 286	1.69 369	0.91 246	1.25 288	0.74 197	0.74 262	1.09 302	0.82 275	0.37 344	0.31 340	0.27 290	0.24 285	0.35 315	0.34 310

PS-NSSS	0.60 262	0.46 312	0.68 239	0.43 167	0.34 266	0.66 220	0.57 289	1.05 229	0.91 214	0.80 179	1.28 296	0.72 189	0.67 229	0.89 248	0.61 233	0.32 318	0.26 319	0.40 347	0.27 308	0.35 315	0.29 285

CSAN	0.88 323	0.52 323	0.93 306	0.61 336	0.42 309	1.19 339	1.11 367	1.27 303	1.48 356	1.37 347	1.44 325	1.37 337	1.30 353	1.46 350	1.01 311	0.39 350	0.31 340	0.36 334	0.37 344	0.35 315	0.36 316

LALA_ROB	0.76 300	0.46 312	0.86 293	0.55 317	0.41 300	1.00 307	0.93 357	1.25 296	1.13 303	1.23 336	1.15 267	1.55 357	0.80 284	1.11 305	0.96 304	0.33 326	0.23 294	0.35 331	0.30 319	0.35 315	0.32 299

RP	0.80 304	0.38 282	0.73 262	0.67 351	0.59 356	0.82 272	0.57 289	1.21 280	1.28 332	1.03 292	1.68 346	1.45 344	1.49 366	1.08 301	0.90 290	0.36 340	0.31 340	0.37 338	0.30 319	0.36 319	0.36 316

SANet	1.15 351	0.45 307	1.40 352	0.50 269	0.32 245	1.54 361	1.21 375	1.49 351	3.35 397	1.61 356	2.41 373	2.32 378	1.80 377	1.57 355	1.27 340	0.28 296	0.25 310	0.26 282	0.24 285	0.36 319	0.32 299

PWCDC_ROB	0.93 326	0.54 331	0.97 316	0.78 370	0.41 300	1.03 315	0.42 219	1.39 333	2.34 385	1.04 298	3.73 396	0.80 224	1.12 340	1.29 329	1.04 321	0.37 344	0.22 287	0.24 257	0.20 227	0.36 319	0.31 296

ADCPNet	1.11 349	0.53 325	3.26 390	0.55 317	0.44 317	1.47 354	0.83 346	1.21 280	1.17 315	1.26 341	1.42 322	1.67 363	1.12 340	1.48 351	3.86 394	0.30 310	0.29 328	0.30 317	0.32 331	0.37 322	0.37 322

DANet	0.74 293	0.47 318	0.98 317	0.60 332	0.41 300	0.92 292	0.41 214	1.02 217	0.87 190	1.22 334	1.22 284	1.33 330	0.88 308	1.26 324	1.37 346	0.27 288	0.24 302	0.31 318	0.25 296	0.37 322	0.36 316
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
RGC	0.82 307	0.62 349	0.80 276	0.67 351	0.66 365	0.91 291	0.59 299	1.35 326	1.09 295	1.12 324	1.46 329	1.50 351	1.09 336	1.28 327	0.97 307	0.34 333	0.30 332	0.48 361	0.40 353	0.38 324	0.38 324

ADCMid	1.22 356	0.57 340	3.17 389	0.54 311	0.44 317	1.07 320	0.77 336	1.31 315	1.13 303	2.14 381	1.48 332	1.49 350	1.47 365	1.65 360	5.30 402	0.26 279	0.24 302	0.29 308	0.32 331	0.38 324	0.36 316

AnyNet_C32	1.27 361	0.72 359	3.33 391	0.59 330	0.56 349	1.51 359	1.53 390	1.27 303	1.28 332	1.52 353	1.48 332	1.38 341	1.23 349	1.64 359	5.26 400	0.30 310	0.29 328	0.29 308	0.34 339	0.38 324	0.44 348

NOSS_ROB	0.59 255	0.40 294	0.42 58	0.45 200	0.31 228	0.79 258	0.53 274	1.09 244	1.12 297	0.69 120	0.92 176	0.77 212	0.63 205	0.81 224	0.52 201	0.39 350	0.38 360	0.44 352	0.42 360	0.38 324	0.36 316

GMStereo_Zeroshot	0.51 201	0.46 312	0.80 276	0.50 269	0.28 180	0.57 180	0.30 69	0.75 134	0.79 148	0.88 225	0.94 181	0.90 249	0.37 83	0.77 208	0.46 174	0.27 288	0.14 172	0.26 282	0.15 90	0.39 328	0.19 166

HBP-ISP	0.61 265	0.47 318	0.45 84	0.46 223	0.33 256	0.79 258	0.29 57	1.15 261	1.05 273	0.85 205	1.18 279	0.67 166	0.71 249	0.92 257	0.57 221	0.37 344	0.38 360	0.47 358	0.41 358	0.39 328	0.32 299

WZ-Net	1.29 363	0.64 351	5.42 401	0.64 345	0.52 343	1.37 348	1.29 380	1.41 339	1.77 372	1.56 355	1.69 348	1.74 364	1.41 360	2.50 389	2.16 374	0.28 296	0.21 278	0.23 244	0.25 296	0.39 328	0.41 336

stereogan	0.83 313	0.33 259	0.89 302	0.61 336	0.51 341	1.80 372	0.50 262	1.41 339	1.39 346	1.05 303	1.47 331	1.56 359	1.04 331	1.32 336	0.87 281	0.29 303	0.29 328	0.29 308	0.25 296	0.39 328	0.40 331

Wz-Net-TNSev	1.23 358	1.24 384	5.25 400	0.51 281	0.43 312	1.49 358	1.09 366	1.58 364	1.42 349	1.25 339	1.26 291	1.58 360	1.52 367	1.97 374	1.95 366	0.33 326	0.32 346	0.26 282	0.30 319	0.41 332	0.43 344

MFN_U_SF_DS_RVC	1.06 342	0.61 348	1.82 374	0.69 358	0.51 341	2.62 386	1.69 397	1.28 308	1.44 351	1.39 350	1.56 338	1.34 333	0.91 313	1.68 362	0.95 302	0.38 349	0.39 364	0.46 357	0.61 380	0.41 332	0.43 344

SHD	0.98 336	0.54 331	1.30 344	0.63 342	0.50 339	1.14 330	0.50 262	1.80 379	2.20 380	1.66 361	1.39 315	1.47 347	1.21 347	1.40 340	1.80 363	0.32 318	0.27 321	0.32 323	0.34 339	0.41 332	0.44 348

RTS	2.03 386	1.03 379	11.50 410	0.68 355	0.63 361	2.71 388	1.56 392	1.55 357	2.32 383	1.93 373	2.57 377	1.32 325	1.32 354	5.20 406	4.30 395	0.31 313	0.23 294	0.29 308	0.30 319	0.41 332	0.40 331

RTSA	2.03 386	1.03 379	11.50 410	0.68 355	0.63 361	2.71 388	1.56 392	1.55 357	2.32 383	1.93 373	2.57 377	1.32 325	1.32 354	5.20 406	4.30 395	0.31 313	0.23 294	0.29 308	0.30 319	0.41 332	0.40 331

WCMA_ROB	1.22 356	0.39 286	0.93 306	0.51 281	0.45 324	1.44 352	0.79 340	1.20 277	1.30 337	2.99 399	3.94 400	3.30 392	2.17 388	1.42 344	1.31 342	0.46 358	0.35 356	0.35 331	0.37 344	0.41 332	0.42 340

EDNetEfficient	1.47 373	0.82 364	6.28 403	0.48 249	0.40 295	0.73 242	0.83 346	0.95 197	2.77 390	3.48 405	1.95 360	1.64 362	2.12 386	1.42 344	3.84 393	0.21 226	0.19 264	0.21 218	0.21 244	0.43 338	0.42 340

RYNet	0.76 300	0.37 278	0.74 266	0.54 311	0.67 366	1.35 347	0.68 316	1.28 308	1.21 324	1.10 320	0.90 164	1.31 323	0.94 320	1.01 290	1.30 341	0.22 242	0.16 212	0.27 290	0.23 271	0.43 338	0.45 350

NVstereo2D	0.62 271	0.32 253	0.82 282	0.50 269	0.44 317	0.88 286	0.48 249	1.12 250	1.17 315	0.67 110	0.90 164	0.90 249	0.69 239	1.02 293	0.69 250	0.33 326	0.16 212	0.29 308	0.20 227	0.43 338	0.46 354

GASNet	0.70 284	0.77 361	1.16 330	0.71 363	0.49 336	0.62 196	0.48 249	1.12 250	1.05 273	0.98 277	0.84 139	0.94 260	0.82 288	1.41 343	0.85 279	0.33 326	0.22 287	0.29 308	0.28 314	0.44 341	0.26 263

MFN_U_SF_RVC	1.14 350	0.63 350	2.33 383	0.69 358	0.46 332	2.04 377	0.70 319	1.90 380	1.37 343	1.62 357	1.56 338	1.94 370	1.36 356	1.73 365	1.90 365	0.41 355	0.38 360	0.45 354	0.48 367	0.45 342	0.47 356

ADCS	1.60 376	0.70 355	4.02 394	0.61 336	0.53 345	1.31 344	1.11 367	1.71 374	1.86 375	1.97 376	1.68 346	1.51 353	1.46 363	2.07 378	9.20 409	0.34 333	0.32 346	0.33 328	0.36 342	0.45 342	0.46 354

AnyNet_C01	1.63 377	1.16 382	7.38 405	0.65 347	0.56 349	2.25 382	1.53 390	1.53 355	1.46 354	1.71 365	1.95 360	1.83 366	1.41 360	2.48 387	4.42 397	0.33 326	0.32 346	0.32 323	0.34 339	0.45 342	0.50 361

SDNR	0.89 324	0.39 286	1.66 372	0.42 130	0.39 292	3.35 400	0.32 100	0.95 197	1.05 273	1.05 303	2.12 366	0.62 135	0.71 249	1.40 340	0.78 264	0.53 368	0.56 383	0.36 334	0.27 308	0.46 345	0.50 361

G-Net	0.95 331	0.48 320	1.13 327	0.67 351	0.49 336	2.07 378	0.63 308	1.02 217	0.90 208	1.77 367	2.62 380	1.28 319	1.60 369	1.09 302	1.06 324	0.37 344	0.30 332	0.35 331	0.25 296	0.46 345	0.45 350

MSMD_ROB	1.25 359	0.51 321	0.64 221	0.60 332	0.50 339	1.66 367	0.67 313	1.26 298	1.26 330	2.64 390	3.82 397	3.06 388	3.20 401	1.45 348	0.91 293	0.46 358	0.41 369	0.49 364	0.51 373	0.47 347	0.45 350

coex-ft	6.50 413	1.57 394	87.99 437	0.49 258	0.38 283	1.41 350	1.21 375	1.21 280	7.96 409	12.14 417	2.78 383	2.74 382	3.83 403	1.30 333	3.19 387	0.24 262	0.23 294	0.27 290	0.24 285	0.48 348	0.40 331

FADNet	0.63 274	0.53 325	1.20 333	0.46 223	0.44 317	0.66 220	0.41 214	1.24 290	1.07 284	0.70 124	0.84 139	0.98 267	0.65 218	0.87 241	0.54 213	0.29 303	0.30 332	0.27 290	0.30 319	0.48 348	0.36 316

FC-DCNN	1.67 379	0.53 325	0.68 239	0.62 340	0.49 336	1.62 364	0.71 321	1.77 378	1.55 359	4.73 410	4.66 408	5.82 407	3.94 404	2.13 381	1.42 348	0.47 361	0.42 371	0.47 358	0.46 362	0.48 348	0.47 356

UDGNet	0.50 191	0.82 364	0.56 185	0.51 281	0.32 245	0.41 110	0.34 117	0.71 100	0.93 222	0.65 99	0.60 59	0.58 115	0.44 125	0.65 139	0.43 158	0.33 326	0.15 191	0.67 375	0.20 227	0.49 351	0.23 243

DPSNet	1.08 345	0.44 306	2.64 385	0.54 311	0.42 309	1.59 362	1.25 378	2.39 389	1.50 357	1.13 325	1.12 257	1.51 353	2.19 389	1.44 347	1.51 356	0.35 338	0.25 310	0.25 268	0.21 244	0.49 351	0.39 325

SAMSARA	1.15 351	0.69 354	1.44 356	1.09 382	0.93 374	2.10 380	1.87 404	1.64 370	1.47 355	1.64 359	1.21 282	2.06 372	1.14 343	1.61 356	1.50 355	0.39 350	0.45 375	0.36 334	0.38 347	0.50 353	0.51 365

MANE	4.73 405	0.54 331	0.77 272	0.69 358	0.60 359	10.35 414	1.67 396	8.68 415	12.66 415	6.90 414	9.43 416	11.59 417	10.59 414	8.26 414	8.41 407	0.51 366	0.45 375	0.48 361	1.02 394	0.50 353	0.50 361

PDISCO_ROB	0.96 332	0.51 321	1.13 327	1.03 379	1.00 381	1.81 373	0.77 336	1.72 375	1.60 363	1.09 317	1.19 280	1.34 333	0.80 284	1.62 357	1.01 311	0.58 374	0.22 287	0.45 354	0.40 353	0.50 353	0.41 336

FCDSN-DC	1.43 371	0.57 340	0.69 247	0.74 366	0.59 356	1.42 351	0.65 312	1.40 337	1.41 347	3.31 403	4.42 406	4.57 398	3.01 399	1.70 363	1.19 336	0.46 358	0.42 371	0.48 361	0.47 363	0.51 356	0.51 365
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	1.34 366	0.70 355	1.42 354	0.78 370	0.65 363	1.68 368	0.91 352	2.12 385	3.01 392	2.25 383	2.35 372	1.90 369	1.99 383	1.98 375	2.14 372	0.40 354	0.38 360	0.49 364	0.37 344	0.51 356	0.67 375

LSM	4.83 407	0.83 367	11.23 409	0.76 369	56.73 433	1.10 322	1.18 373	1.35 326	1.70 370	2.13 378	2.34 370	1.34 333	1.19 346	1.52 353	1.23 338	0.34 333	0.50 380	0.39 344	0.47 363	0.51 356	9.82 420

ccnet	0.84 315	0.59 345	0.86 293	0.56 320	0.60 359	1.11 326	0.72 325	1.44 346	0.97 245	1.15 327	1.44 325	1.28 319	0.95 322	1.01 290	1.33 344	0.49 363	0.43 373	0.50 366	0.47 363	0.52 359	0.48 358

BEATNet-Init1	15.65 419	1.62 397	54.26 436	0.75 368	0.56 349	37.03 430	13.39 417	13.20 420	14.59 417	29.41 434	29.29 434	47.69 437	21.87 426	26.91 428	19.58 418	0.43 357	0.39 364	0.47 358	0.47 363	0.52 359	0.52 367

Anonymous_2	0.84 315	0.45 307	0.66 228	0.41 105	0.45 324	0.82 272	0.53 274	0.81 153	0.81 162	0.73 141	0.61 62	0.91 255	0.76 274	0.77 208	0.61 233	0.51 366	0.55 382	0.54 369	4.92 417	0.54 361	0.42 340

EDNetEfficientorigin	9.96 415	1.17 383	175.17 438	0.49 258	0.37 278	1.13 329	0.74 332	1.27 303	2.70 389	3.16 402	2.49 374	2.28 375	2.15 387	1.88 371	2.27 376	0.21 226	0.19 264	0.25 268	0.20 227	0.54 361	0.53 369

sAnonymous2	0.42 124	0.41 298	0.96 312	0.48 249	0.37 278	0.41 110	0.48 249	0.60 31	0.52 62	0.39 21	0.48 28	0.35 26	0.44 125	0.44 22	0.30 48	0.19 192	0.14 172	0.19 148	0.17 158	0.55 363	0.43 344

CroCo_RVC	0.42 124	0.41 298	0.96 312	0.48 249	0.37 278	0.41 110	0.48 249	0.60 31	0.52 62	0.39 21	0.48 28	0.35 26	0.44 125	0.44 22	0.30 48	0.19 192	0.14 172	0.19 148	0.17 158	0.55 363	0.43 344

XQC	0.97 334	0.70 355	1.54 361	0.70 361	0.55 348	1.48 355	0.81 342	1.41 339	1.57 361	1.21 332	1.12 257	1.33 330	1.04 331	1.55 354	2.00 370	0.39 350	0.25 310	0.37 338	0.32 331	0.55 363	0.49 359

ELAS_RVC	1.76 381	0.64 351	1.20 333	0.74 366	0.59 356	2.18 381	2.53 409	2.10 384	2.85 391	3.46 404	3.41 395	3.12 389	4.11 405	2.69 392	2.53 382	0.54 371	0.47 378	0.51 368	0.48 367	0.55 363	0.55 370
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.77 382	0.64 351	1.10 324	0.72 364	0.58 354	3.37 401	1.76 399	2.54 390	2.57 387	3.77 406	3.96 401	2.83 385	3.44 402	2.34 386	2.73 384	0.53 368	0.47 378	0.50 366	0.48 367	0.55 363	0.55 370
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PASM	0.96 332	0.71 358	2.05 379	0.72 364	0.72 370	0.84 280	0.92 354	1.14 258	1.34 342	1.25 339	1.22 284	1.34 333	1.07 334	1.31 334	1.11 329	0.53 368	0.57 384	0.59 373	0.67 381	0.56 368	0.57 372

DGSMNet	0.80 304	0.58 343	1.42 354	0.61 336	0.65 363	0.94 295	0.75 334	1.35 326	1.16 312	0.88 225	1.26 291	1.00 272	0.75 265	1.07 298	0.89 284	0.36 340	0.31 340	0.41 348	0.40 353	0.60 369	0.59 373

STTRV1_RVC	0.83 313	0.60 347	1.19 332	0.67 351	0.81 371	1.12 327	0.63 308	1.37 332	1.12 297	0.98 277	1.34 308	1.08 296	0.95 322	1.28 327	0.90 290	0.57 373	0.25 310	0.44 352	0.39 349	0.60 369	0.41 336

FADE	5.30 410	2.54 409	14.53 414	1.04 380	1.00 381	2.09 379	0.92 354	4.03 406	3.02 393	1.77 367	1.60 342	2.74 382	6.71 411	6.31 409	4.51 398	14.64 428	1.73 412	21.24 430	14.41 424	0.63 371	0.65 374

GANetREF_RVC	0.82 307	0.77 361	0.95 311	0.68 355	0.43 312	1.15 332	1.06 365	1.19 274	1.20 322	1.03 292	1.02 218	1.10 303	0.89 310	1.20 319	0.78 264	0.49 363	0.39 364	0.58 372	0.39 349	0.69 372	0.49 359
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
NVStereoNet_ROB	1.31 365	0.96 373	1.33 347	0.90 374	0.92 373	1.15 332	1.05 364	1.49 351	1.62 365	1.63 358	2.51 375	2.31 376	1.62 370	2.16 382	1.42 348	0.81 381	0.73 388	0.79 377	1.02 394	0.73 373	0.97 385
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MSC_U_SF_DS_RVC	1.38 367	0.91 371	2.11 381	0.89 373	0.57 353	4.27 406	1.79 401	1.55 357	2.00 378	1.64 359	1.85 357	1.83 366	1.44 362	1.89 373	1.49 354	0.49 363	0.40 367	0.56 370	0.58 377	0.75 374	0.52 367

CC-Net-ROB	0.84 315	1.01 378	0.93 306	0.60 332	0.45 324	1.25 342	0.71 321	1.20 277	1.05 273	0.84 195	1.24 287	0.90 249	0.78 279	1.14 308	0.70 251	0.48 362	0.34 354	1.71 389	0.38 347	0.78 375	0.40 331

MADNet+	2.28 393	2.56 410	10.82 408	1.25 386	0.96 377	2.77 392	1.44 389	2.34 387	1.76 371	1.36 346	1.78 354	1.84 368	1.74 375	6.33 410	4.57 399	0.67 377	0.66 386	0.59 373	0.54 376	0.84 376	0.81 380

MaskLacGwcNet_RVC	0.71 286	0.84 368	0.80 276	0.55 317	0.38 283	1.38 349	0.57 289	1.07 236	0.81 162	0.90 239	0.94 181	0.95 261	0.54 164	1.01 290	0.61 233	0.41 355	0.30 332	0.57 371	0.31 328	0.86 377	0.39 325

MFMNet_re	1.17 354	0.99 375	1.31 345	1.02 378	0.95 376	1.32 345	1.32 381	1.44 346	1.58 362	1.72 366	1.70 349	1.21 314	1.57 368	1.16 312	1.04 321	0.88 383	0.76 394	0.79 377	0.75 385	0.90 378	0.94 382

anonymity	0.98 336	0.89 370	1.06 323	0.93 375	1.04 385	0.97 300	0.82 344	1.33 323	0.93 222	1.08 313	0.98 199	1.02 278	0.95 322	1.02 293	0.93 297	0.96 385	0.96 405	0.90 380	0.91 390	0.92 379	0.95 384

SGM+DAISY	1.52 374	0.99 375	1.61 367	1.01 377	1.02 383	1.86 375	1.19 374	1.49 351	1.38 345	2.96 397	3.00 387	2.79 384	1.94 379	1.88 371	1.62 358	0.98 387	0.97 406	0.91 382	0.91 390	0.94 380	0.99 387

SPS-STEREO	1.29 363	0.94 372	1.10 324	1.05 381	1.03 384	1.48 355	0.91 352	1.57 363	1.24 325	2.13 378	1.90 359	1.94 370	1.46 363	1.77 366	1.64 359	0.97 386	0.94 404	0.90 380	0.89 389	0.96 381	0.97 385
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	3.02 398	1.39 389	7.91 406	1.17 384	1.49 391	8.53 412	7.94 414	2.82 391	1.98 377	2.15 382	2.69 382	3.32 393	3.01 399	6.66 411	3.81 392	0.79 379	0.78 395	0.75 376	0.76 386	1.04 382	1.33 398

WAO-7	1.96 383	1.24 384	1.52 358	1.28 387	1.06 386	2.92 396	1.64 395	3.32 397	3.05 395	2.28 384	3.32 392	3.19 391	2.38 392	3.39 396	2.49 381	1.02 388	0.92 400	1.06 384	1.04 396	1.05 383	0.99 387

Consistency-Raft	1.01 340	0.82 364	1.27 340	0.85 372	0.97 378	0.81 269	0.83 346	1.35 326	1.61 364	1.06 311	1.66 345	1.11 305	0.93 317	0.93 260	1.11 329	0.65 376	0.75 392	0.79 377	0.91 390	1.09 384	0.79 379

UDG	0.93 326	1.03 379	0.75 268	1.00 376	0.97 378	1.02 313	0.57 289	1.18 271	1.01 258	0.93 250	1.02 218	1.32 325	1.03 329	0.88 247	0.92 295	0.55 372	0.33 351	1.82 391	0.41 358	1.20 385	0.74 377

DDUNet	1.10 346	2.58 412	0.83 286	1.21 385	1.27 389	1.02 313	0.69 318	1.17 269	0.95 233	0.98 277	1.26 291	1.28 319	0.84 293	0.97 278	0.79 271	0.85 382	0.40 367	2.00 394	0.60 379	1.34 386	0.94 382

SQANet	0.87 322	0.76 360	0.76 269	1.16 383	0.99 380	1.10 322	0.51 265	1.12 250	0.85 180	0.93 250	1.05 235	1.03 280	0.76 274	1.07 298	0.70 251	0.79 379	0.25 310	1.04 383	0.36 342	1.56 387	0.70 376

PWCK	2.06 388	1.75 401	4.11 396	1.69 391	0.93 374	3.13 399	2.86 411	2.18 386	2.41 386	2.38 385	2.33 369	2.22 374	1.85 378	3.52 398	2.20 375	1.65 395	0.73 388	1.52 388	0.83 388	1.81 388	1.02 390

otaku	1.10 346	0.96 373	0.96 312	1.37 389	1.06 386	1.65 366	0.72 325	1.46 349	1.19 320	1.10 320	1.32 303	1.32 325	0.95 322	1.29 329	0.81 274	0.89 384	0.46 377	1.24 385	0.50 372	1.86 389	0.89 381

WAO-6	2.11 390	1.52 392	1.25 336	1.73 392	1.69 397	2.72 390	1.62 394	3.15 395	3.64 398	2.01 377	3.28 390	3.52 396	2.20 390	2.59 390	2.48 380	1.31 393	0.92 400	2.04 398	1.22 405	1.89 390	1.35 400

Ntro	1.15 351	1.00 377	1.00 318	1.49 390	1.20 388	1.69 369	0.81 342	1.39 333	1.25 327	1.01 285	1.28 296	1.31 323	1.00 327	1.31 334	0.89 284	1.10 390	0.43 373	1.36 386	0.51 373	1.95 391	0.99 387

WAO-8	3.00 396	1.60 395	1.52 358	1.82 394	1.65 395	5.57 408	1.35 384	4.65 409	12.37 413	2.89 393	4.04 402	4.89 402	2.78 395	3.73 400	2.44 377	1.29 391	0.93 402	2.00 394	1.16 403	2.02 392	1.23 393

Venus	3.00 396	1.60 395	1.52 358	1.82 394	1.65 395	5.57 408	1.35 384	4.65 409	12.37 413	2.89 393	4.04 402	4.89 402	2.78 395	3.73 400	2.44 377	1.29 391	0.93 402	2.00 394	1.16 403	2.02 392	1.23 393

ACVNet_2	1.74 380	1.30 386	1.62 368	1.81 393	1.63 393	2.28 383	1.34 383	2.35 388	2.64 388	1.82 369	2.55 376	2.99 386	1.71 374	1.67 361	1.20 337	1.48 394	0.59 385	1.81 390	0.71 383	2.09 394	1.29 395

RainbowNet	1.42 370	1.53 393	1.31 345	1.93 396	1.46 390	1.52 360	1.03 363	1.67 372	1.55 359	1.23 336	1.59 341	1.54 356	1.21 347	1.40 340	1.03 316	1.70 396	0.70 387	1.82 391	0.80 387	2.11 395	1.22 392

ACVNet-4b	1.43 371	1.34 387	1.28 341	1.95 397	1.60 392	1.93 376	0.77 336	1.59 365	1.64 367	1.05 303	1.60 342	2.10 373	0.92 315	1.79 368	0.84 277	1.76 398	0.35 356	2.03 397	0.67 381	2.16 396	1.18 391

LVE	2.20 392	1.47 391	1.44 356	2.06 399	1.80 399	2.79 393	1.77 400	2.96 392	3.94 403	1.95 375	4.29 405	3.47 395	1.97 380	2.48 387	1.85 364	2.06 400	0.88 399	2.06 400	1.13 401	2.17 397	1.53 401

Dean	2.07 389	1.39 389	1.69 373	2.17 400	1.83 400	2.75 391	1.28 379	3.49 401	3.80 401	2.13 378	3.30 391	3.18 390	1.98 382	1.78 367	1.72 361	1.73 397	0.79 398	1.99 393	0.91 390	2.17 397	1.34 399

ACVNet_1	1.55 375	1.36 388	1.35 349	1.96 398	1.63 393	1.83 374	0.96 360	2.09 383	1.85 374	1.43 351	1.54 336	2.31 376	1.68 373	1.42 344	1.18 334	1.76 398	0.51 381	2.05 399	0.59 378	2.24 399	1.30 396

DispFullNet	1.64 378	2.64 413	3.14 388	2.57 405	1.78 398	1.32 345	0.55 284	1.42 344	1.45 352	1.89 372	1.48 332	1.55 357	2.35 391	2.08 379	1.12 331	0.60 375	0.19 264	2.33 402	0.73 384	2.35 400	1.30 396

IMH-64-1	1.96 383	1.64 398	1.26 337	2.26 402	1.91 401	2.30 384	1.35 384	2.99 393	2.29 381	1.70 363	2.79 384	2.47 379	1.66 371	2.33 384	1.95 366	2.07 401	0.74 390	2.44 403	1.04 396	2.40 401	1.59 402

IMH-64	1.96 383	1.64 398	1.26 337	2.26 402	1.91 401	2.30 384	1.35 384	2.99 393	2.29 381	1.70 363	2.79 384	2.47 379	1.66 371	2.33 384	1.95 366	2.07 401	0.74 390	2.44 403	1.04 396	2.40 401	1.59 402

IMH	2.15 391	1.66 400	1.29 342	2.25 401	1.92 403	2.87 394	1.33 382	3.25 396	3.04 394	1.87 371	3.33 394	3.00 387	2.03 384	2.80 393	1.95 366	2.09 403	0.78 395	2.45 405	1.05 399	2.44 403	1.62 404

SuperB	1.00 339	0.41 298	4.03 395	0.45 200	0.32 245	0.99 306	0.49 259	1.09 244	2.09 379	1.10 320	1.10 251	0.74 197	0.83 290	1.13 306	1.75 362	0.20 211	0.15 191	0.17 85	0.15 90	2.50 404	0.27 271

DPSimNet_ROB	5.19 409	2.71 414	18.56 416	2.59 406	2.49 408	4.25 405	10.93 415	3.33 398	3.93 402	5.02 411	4.52 407	5.74 405	10.18 412	5.44 408	8.79 408	2.40 407	2.47 414	2.48 406	2.54 412	2.56 405	2.87 413

ktn	3.02 398	2.27 407	1.85 375	2.89 410	2.54 411	3.72 402	2.14 406	3.79 404	5.33 405	2.82 392	5.09 410	5.95 408	2.54 393	3.34 395	2.58 383	2.65 410	1.44 411	2.78 411	2.03 411	2.61 406	2.10 408

TorneroNet-64	3.54 400	1.89 402	1.59 363	2.62 408	2.29 405	6.88 411	1.72 398	4.72 411	11.88 411	2.43 387	5.46 412	8.16 412	2.80 397	4.13 404	3.03 386	2.25 406	0.75 392	2.57 407	1.09 400	2.65 407	1.84 406

TorneroNet	4.49 404	1.92 403	1.65 371	2.60 407	2.29 405	14.95 419	1.86 403	4.86 412	19.56 427	3.10 401	7.52 415	7.00 411	2.90 398	4.48 405	3.66 390	2.24 405	0.78 395	2.68 409	1.14 402	2.79 408	1.80 405

KSHMR	2.64 394	1.96 404	1.86 376	2.69 409	2.44 407	2.88 395	2.04 405	3.46 400	6.31 407	2.51 389	3.27 389	3.39 394	1.97 380	2.59 390	2.08 371	2.48 408	1.41 410	2.80 412	1.51 408	2.98 409	2.09 407

notaker	2.87 395	2.31 408	2.01 378	3.03 411	2.60 412	2.94 397	1.82 402	3.43 399	3.06 396	2.89 393	4.21 404	6.15 410	2.71 394	3.42 397	2.90 385	2.67 411	1.18 408	3.00 413	1.67 409	3.13 410	2.26 409

SPstereo	24.33 424	4.45 416	7.15 404	4.44 417	4.17 416	45.69 431	77.93 437	63.66 438	33.40 436	27.58 433	26.62 426	39.42 436	33.37 436	42.68 438	50.66 432	4.01 414	3.77 418	6.06 420	4.73 416	3.17 411	3.55 416

UNDER WATER-64	3.72 402	2.07 405	4.57 398	3.30 414	2.52 410	5.61 410	2.63 410	3.67 403	12.27 412	3.09 400	2.66 381	5.99 409	4.74 408	3.93 403	3.57 389	2.54 409	1.24 409	2.65 408	1.48 407	3.21 412	2.62 412

UNDER WATER	3.63 401	2.12 406	4.11 396	3.17 412	2.51 409	3.77 404	2.45 408	3.53 402	13.66 416	2.98 398	2.92 386	5.75 406	4.13 406	3.85 402	3.75 391	2.84 412	1.11 407	2.71 410	1.41 406	3.26 413	2.50 411

JetRed	5.38 411	6.17 417	12.68 413	2.38 404	2.85 413	12.60 418	11.17 416	4.60 408	3.74 399	3.87 407	3.85 398	4.83 400	4.13 406	6.81 412	12.18 413	2.18 404	2.95 416	2.19 401	1.98 410	3.49 414	3.01 414

MADNet++	4.18 403	2.72 415	4.00 393	3.80 416	3.44 415	4.72 407	4.05 413	4.01 405	3.74 399	4.52 409	5.14 411	4.20 397	4.89 409	7.04 413	6.39 403	3.79 413	3.70 417	3.27 415	2.70 414	3.68 415	3.74 417

HanzoNet	6.97 414	2.57 411	4.66 399	3.29 413	2.96 414	3.75 403	2.35 407	5.08 413	7.11 408	14.46 424	13.06 417	17.69 421	22.95 427	13.72 419	6.61 404	4.36 415	1.96 413	3.14 414	2.59 413	3.88 416	3.19 415

tt	6.21 412	0.22 97	5.88 402	3.55 415	2.07 404	11.25 417	19.19 418	11.84 419	5.47 406	2.71 391	2.18 367	4.87 401	6.25 410	3.71 399	7.09 405	8.31 420	11.17 425	4.91 416	5.39 419	5.72 417	2.42 410

ASD4	10.37 416	9.12 420	17.90 415	7.49 419	10.02 417	16.90 420	28.93 422	11.05 418	8.53 410	7.42 415	7.41 413	8.91 413	10.32 413	11.44 418	20.38 420	4.52 416	4.58 419	5.68 419	5.04 418	5.72 417	6.02 419

DGTPSM_ROB	12.12 417	8.03 418	21.12 417	8.97 420	16.81 419	10.68 415	30.77 423	9.14 416	15.23 418	6.55 412	15.49 424	9.02 414	15.13 417	9.26 415	21.71 421	4.58 417	8.60 420	5.07 417	9.26 420	5.88 419	11.06 421

DPSMNet_ROB	12.13 418	8.03 418	21.13 418	9.02 421	16.82 420	10.68 415	30.78 424	9.15 417	15.24 419	6.56 413	15.50 425	9.02 414	15.13 417	9.28 416	21.71 421	4.59 418	8.60 420	5.08 418	9.26 420	5.89 420	11.06 421

DPSM_ROB	17.80 420	18.60 422	24.24 424	20.89 423	19.49 421	25.83 423	36.10 426	21.62 427	16.41 421	13.46 419	14.26 422	19.11 424	16.15 420	20.74 421	25.59 424	9.37 422	9.23 423	9.47 422	9.81 422	13.47 421	12.09 424

DPSM	17.80 420	18.60 422	24.24 424	20.89 423	19.49 421	25.83 423	36.10 426	21.62 427	16.41 421	13.46 419	14.26 422	19.11 424	16.15 420	20.74 421	25.59 424	9.37 422	9.23 423	9.47 422	9.81 422	13.47 421	12.09 424

PML	40.49 438	30.31 427	12.46 412	7.19 418	14.30 418	91.44 438	212.44 439	7.73 414	23.24 428	74.44 438	185.05 439	49.81 438	25.78 428	21.34 423	12.84 414	8.71 421	2.93 415	8.43 421	3.24 415	13.77 423	4.45 418

MyStereo03	35.83 428	37.48 433	48.64 432	42.37 431	39.41 430	51.98 433	72.91 433	43.07 432	33.07 433	27.20 430	28.81 431	38.36 430	32.60 431	41.58 432	51.47 434	18.74 430	18.61 430	19.07 424	19.77 427	27.10 424	24.35 427

MyStereo02	35.83 428	37.48 433	48.64 432	42.37 431	39.41 430	51.98 433	72.91 433	43.07 432	33.07 433	27.20 430	28.81 431	38.36 430	32.60 431	41.58 432	51.47 434	18.74 430	18.61 430	19.07 424	19.77 427	27.10 424	24.35 427

MyStereo	35.83 428	37.48 433	48.64 432	42.37 431	39.41 430	51.98 433	72.91 433	43.07 432	33.07 433	27.20 430	28.81 431	38.36 430	32.60 431	41.58 432	51.47 434	18.74 430	18.61 430	19.07 424	19.77 427	27.10 424	24.35 427

CasAABBNet	35.77 427	37.38 431	48.59 431	42.20 429	39.23 428	51.95 432	72.92 436	43.36 435	33.03 432	26.93 427	28.31 428	38.43 433	32.32 430	41.58 432	51.50 437	18.71 429	18.58 428	19.11 428	19.75 426	27.11 427	24.33 426

Selective-RAFT-Error	35.87 431	37.42 432	48.73 435	42.24 430	39.28 429	52.00 436	72.87 432	43.41 436	32.95 431	26.97 428	28.72 429	38.71 435	33.15 435	41.59 436	51.42 433	18.77 433	18.60 429	19.14 429	19.78 430	27.19 428	24.42 430

LSM0	38.96 437	37.52 436	48.37 430	43.79 434	91.31 438	52.31 437	72.38 431	43.71 437	32.75 430	27.16 429	28.73 430	38.51 434	32.63 434	41.75 437	51.59 438	18.85 434	18.43 427	19.09 427	19.60 425	27.21 429	33.44 432

xxxxx1	36.77 432	19.69 424	24.00 421	62.46 435	66.77 435	27.30 426	39.89 428	20.40 422	18.80 424	14.18 421	13.11 418	17.29 418	17.30 422	21.62 424	27.81 426	13.61 424	18.98 433	111.36 436	133.25 436	28.84 430	38.64 433

tt_ll	36.77 432	19.69 424	24.00 421	62.46 435	66.77 435	27.30 426	39.89 428	20.40 422	18.80 424	14.18 421	13.11 418	17.29 418	17.30 422	21.62 424	27.81 426	13.61 424	18.98 433	111.36 436	133.25 436	28.84 430	38.64 433

ff	36.77 432	19.69 424	24.00 421	62.46 435	66.77 435	27.30 426	39.89 428	20.40 422	18.80 424	14.18 421	13.11 418	17.29 418	17.30 422	21.62 424	27.81 426	13.61 424	18.98 433	111.36 436	133.25 436	28.84 430	38.64 433

LRCNet_RVC	21.27 423	31.14 428	21.46 419	28.97 426	23.77 424	3.11 398	0.62 305	20.94 425	1.64 367	25.57 426	28.13 427	21.96 426	14.74 416	21.99 427	16.44 417	29.16 435	14.92 426	33.57 431	31.28 431	29.67 433	26.33 431

HaxPig	31.93 425	37.19 430	34.22 426	24.41 425	24.94 425	18.53 421	20.18 419	21.15 426	28.84 429	35.74 435	38.86 435	26.18 427	28.75 429	33.85 429	34.15 429	35.89 436	38.80 436	37.79 432	40.52 432	39.33 434	39.33 436

AVERAGE_ROB	37.53 436	40.05 437	40.01 428	34.74 428	33.76 427	28.46 429	25.14 421	32.31 431	34.08 438	41.20 436	40.52 436	34.51 429	34.78 438	39.11 430	37.48 431	42.68 437	43.32 437	43.80 433	42.99 433	40.42 435	41.31 437

MEDIAN_ROB	37.35 435	40.72 438	40.37 429	32.26 427	31.80 426	27.29 425	25.02 420	29.47 430	33.43 437	41.99 437	41.60 437	33.48 428	34.37 437	39.66 431	36.94 430	43.49 438	43.96 438	44.07 434	43.35 434	41.32 436	42.43 438

DLNR_Zeroshot_test	20.12 422	36.36 429	38.38 427	170.13 438	62.28 434	0.22 4	0.20 1	13.43 421	0.40 29	0.45 40	0.66 73	0.42 46	0.21 5	0.64 133	0.32 64	5.57 419	0.10 8	0.15 41	0.11 15	72.31 437	0.13 31

Anonymous_1	33.12 426	18.23 421	23.86 420	20.53 422	21.18 423	25.45 422	35.84 425	22.44 429	15.68 420	13.41 418	13.70 421	18.00 422	15.15 419	20.31 420	24.47 423	14.56 427	8.84 422	66.24 435	117.79 435	155.41 438	11.40 423

test_example2	176.82 439	204.75 439	198.54 439	188.58 439	191.23 439	151.28 439	169.77 438	97.63 439	125.81 439	179.94 439	183.74 438	158.20 439	139.14 439	192.16 439	198.12 439	203.48 439	236.37 439	163.71 439	173.22 439	217.79 439	162.95 439

Low-res two-view benchmark