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

EGLCR-Stereo	0.08 4	0.05 6	0.08 8	0.14 15	0.07 21	0.11 99	0.12 33	0.11 3	0.16 106	0.06 1	0.05 1	0.07 26	0.05 3	0.10 23	0.11 98	0.06 59	0.04 2	0.06 44	0.05 49	0.04 1	0.04 5

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 19	0.07 70	0.11 78	0.17 139	0.09 150	0.11 99	0.15 153	0.16 58	0.12 38	0.10 51	0.06 2	0.06 4	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.05 44	0.06 121
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
IGEV-Stereo++	0.07 1	0.06 28	0.08 8	0.18 212	0.06 3	0.05 2	0.10 8	0.11 3	0.11 24	0.06 1	0.07 15	0.07 26	0.06 13	0.09 12	0.09 22	0.05 3	0.04 2	0.05 2	0.04 10	0.05 44	0.04 5

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

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

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

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

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

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

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

CroCo-Stereo	0.09 19	0.08 161	0.08 8	0.22 355	0.09 150	0.09 43	0.18 270	0.16 58	0.12 38	0.07 4	0.07 15	0.08 41	0.06 13	0.08 7	0.07 1	0.07 161	0.05 93	0.06 44	0.04 10	0.05 44	0.04 5
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-1	0.10 66	0.07 70	0.17 268	0.19 263	0.08 60	0.11 99	0.24 369	0.15 40	0.18 141	0.09 28	0.07 15	0.10 80	0.08 71	0.08 7	0.09 22	0.06 59	0.04 2	0.06 44	0.06 107	0.04 1	0.05 54

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

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

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

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

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

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

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

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

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

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

CAS++	0.11 98	0.07 70	0.11 78	0.14 15	0.10 249	0.13 153	0.14 95	0.24 222	0.14 73	0.11 82	0.09 35	0.11 97	0.07 46	0.14 178	0.09 22	0.11 328	0.09 331	0.09 266	0.07 191	0.07 171	0.08 249
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
Former-RAFT_DAM_RVC	0.11 98	0.08 161	0.13 132	0.16 81	0.08 60	0.15 212	0.16 207	0.18 116	0.19 161	0.10 51	0.09 35	0.09 58	0.08 71	0.11 52	0.12 150	0.07 161	0.05 93	0.08 191	0.06 107	0.07 171	0.06 121

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

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

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

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

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

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

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

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

LoS	0.09 19	0.05 6	0.11 78	0.13 7	0.07 21	0.14 188	0.11 17	0.15 40	0.15 87	0.09 28	0.09 35	0.12 116	0.09 93	0.15 195	0.10 61	0.07 161	0.05 93	0.05 2	0.03 1	0.05 44	0.05 54
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
CES	0.08 4	0.04 1	0.08 8	0.14 15	0.07 21	0.09 43	0.14 95	0.11 3	0.09 3	0.08 12	0.09 35	0.11 97	0.07 46	0.12 114	0.08 10	0.06 59	0.04 2	0.05 2	0.03 1	0.05 44	0.05 54

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

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

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

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

GCAP-BAT	0.09 19	0.07 70	0.14 170	0.15 45	0.08 60	0.10 70	0.12 33	0.15 40	0.11 24	0.11 82	0.10 50	0.09 58	0.07 46	0.12 114	0.10 61	0.06 59	0.05 93	0.06 44	0.04 10	0.04 1	0.04 5

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

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

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

MGS-Stereo	0.09 19	0.07 70	0.12 105	0.16 81	0.08 60	0.09 43	0.15 153	0.12 9	0.12 38	0.07 4	0.10 50	0.08 41	0.06 13	0.11 52	0.09 22	0.05 3	0.04 2	0.06 44	0.05 49	0.06 109	0.05 54

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

DLNR_Zeroshot_test	10.48 478	2.27 471	19.78 484	120.28 489	13.29 482	0.06 4	0.13 59	0.24 222	0.10 10	0.08 12	0.10 50	0.09 58	0.07 46	0.10 23	0.09 22	0.13 369	0.04 2	0.06 44	0.04 10	52.68 488	0.04 5

CASnet	0.09 19	0.09 217	0.09 29	0.19 263	0.06 3	0.07 17	0.11 17	0.18 116	0.14 73	0.11 82	0.10 50	0.09 58	0.07 46	0.10 23	0.10 61	0.06 59	0.04 2	0.10 308	0.08 252	0.06 109	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
SPstereo	0.09 19	0.07 70	0.13 132	0.18 212	0.06 3	0.11 99	0.07 1	0.14 28	0.12 38	0.09 28	0.10 50	0.07 26	0.09 93	0.13 158	0.10 61	0.06 59	0.05 93	0.05 2	0.04 10	0.04 1	0.05 54

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GLC_STEREO	0.11 98	0.07 70	0.11 78	0.18 212	0.07 21	0.08 26	0.13 59	0.16 58	0.24 230	0.12 111	0.13 96	0.12 116	0.08 71	0.18 270	0.12 150	0.06 59	0.08 309	0.08 191	0.06 107	0.05 44	0.05 54

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

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

sCroCo_RVC	0.12 165	0.09 217	0.24 350	0.24 382	0.11 296	0.19 293	0.14 95	0.17 91	0.15 87	0.10 51	0.13 96	0.12 116	0.07 46	0.14 178	0.11 98	0.08 215	0.08 309	0.08 191	0.08 252	0.05 44	0.07 184

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

CREStereo	0.09 19	0.05 6	0.08 8	0.11 1	0.06 3	0.14 188	0.14 95	0.14 28	0.10 10	0.09 28	0.13 96	0.09 58	0.08 71	0.12 114	0.10 61	0.08 215	0.04 2	0.05 2	0.03 1	0.06 109	0.06 121
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 19	0.05 6	0.09 29	0.12 3	0.06 3	0.13 153	0.14 95	0.16 58	0.11 24	0.09 28	0.13 96	0.10 80	0.07 46	0.14 178	0.10 61	0.15 390	0.04 2	0.05 2	0.03 1	0.07 171	0.06 121

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

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

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 4	0.04 1	0.07 1	0.13 7	0.07 21	0.09 43	0.12 33	0.14 28	0.14 73	0.10 51	0.14 109	0.08 41	0.07 46	0.10 23	0.11 98	0.06 59	0.04 2	0.05 2	0.05 49	0.04 1	0.04 5
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-Stereo	0.09 19	0.05 6	0.09 29	0.17 139	0.09 150	0.15 212	0.12 33	0.21 166	0.10 10	0.10 51	0.14 109	0.07 26	0.06 13	0.13 158	0.08 10	0.06 59	0.05 93	0.06 44	0.06 107	0.04 1	0.04 5

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

TANstereo	0.09 19	0.04 1	0.08 8	0.13 7	0.06 3	0.11 99	0.13 59	0.15 40	0.19 161	0.11 82	0.15 121	0.10 80	0.07 46	0.12 114	0.09 22	0.07 161	0.05 93	0.05 2	0.04 10	0.06 109	0.05 54

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

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

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

Patchmatch Stereo++	0.11 98	0.09 217	0.17 268	0.19 263	0.08 60	0.06 4	0.11 17	0.17 91	0.13 57	0.15 184	0.16 137	0.14 157	0.12 167	0.11 52	0.11 98	0.06 59	0.05 93	0.08 191	0.06 107	0.08 231	0.07 184
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
TransformOpticalFlow	0.10 66	0.08 161	0.13 132	0.18 212	0.07 21	0.09 43	0.15 153	0.19 140	0.16 106	0.12 111	0.16 137	0.11 97	0.11 138	0.11 52	0.11 98	0.05 3	0.04 2	0.06 44	0.06 107	0.05 44	0.05 54

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

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

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

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

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

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

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

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

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

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

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

DIP-Stereo	0.11 98	0.08 161	0.15 205	0.17 139	0.09 150	0.13 153	0.09 5	0.16 58	0.16 106	0.12 111	0.16 137	0.14 157	0.12 167	0.16 222	0.14 215	0.06 59	0.05 93	0.06 44	0.05 49	0.05 44	0.07 184
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_0105_3	0.16 281	0.10 277	0.15 205	0.20 308	0.12 325	0.15 212	0.26 391	0.25 241	0.30 303	0.15 184	0.17 154	0.21 262	0.14 226	0.18 270	0.14 215	0.14 386	0.11 366	0.12 354	0.14 383	0.07 171	0.07 184

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Anonymous3	0.16 281	0.14 354	0.34 392	0.26 397	0.14 362	0.27 379	0.18 270	0.28 288	0.28 292	0.15 184	0.17 154	0.14 157	0.11 138	0.16 222	0.12 150	0.08 215	0.08 309	0.08 191	0.08 252	0.08 231	0.11 335

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

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

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

GMStereo	0.13 192	0.15 360	0.14 170	0.18 212	0.09 150	0.16 235	0.16 207	0.20 153	0.25 252	0.17 221	0.17 154	0.11 97	0.11 138	0.16 222	0.13 180	0.07 161	0.06 216	0.06 44	0.06 107	0.07 171	0.06 121
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HITNet	0.11 98	0.06 28	0.12 105	0.14 15	0.06 3	0.12 131	0.10 8	0.18 116	0.18 141	0.13 137	0.17 154	0.15 180	0.11 138	0.15 195	0.14 215	0.06 59	0.04 2	0.04 1	0.04 10	0.06 109	0.05 54
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
rvit_0105_6	0.14 219	0.09 217	0.18 297	0.17 139	0.10 249	0.10 70	0.17 227	0.19 140	0.26 264	0.12 111	0.18 175	0.17 215	0.13 197	0.18 270	0.13 180	0.15 390	0.11 366	0.12 354	0.10 322	0.09 289	0.06 121

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

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

CASS	0.14 219	0.12 314	0.12 105	0.23 373	0.09 150	0.15 212	0.17 227	0.19 140	0.20 178	0.17 221	0.18 175	0.15 180	0.15 246	0.15 195	0.14 215	0.09 264	0.06 216	0.10 308	0.08 252	0.09 289	0.07 184
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 98	0.07 70	0.13 132	0.16 81	0.11 296	0.11 99	0.17 227	0.18 116	0.17 127	0.11 82	0.18 175	0.11 97	0.10 112	0.15 195	0.11 98	0.06 59	0.05 93	0.06 44	0.06 107	0.05 44	0.05 54

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RAFT-Stereo	0.10 66	0.06 28	0.11 78	0.17 139	0.08 60	0.11 99	0.14 95	0.24 222	0.11 24	0.12 111	0.19 188	0.11 97	0.08 71	0.10 23	0.11 98	0.07 161	0.05 93	0.06 44	0.05 49	0.05 44	0.05 54
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
rvit_0105_4	0.15 256	0.09 217	0.17 268	0.17 139	0.10 249	0.12 131	0.20 325	0.23 202	0.27 276	0.14 160	0.20 197	0.17 215	0.14 226	0.17 257	0.13 180	0.15 390	0.11 366	0.11 336	0.10 322	0.09 289	0.06 121

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

MSMDNet	0.14 219	0.08 161	0.15 205	0.17 139	0.09 150	0.14 188	0.14 95	0.29 305	0.36 348	0.14 160	0.20 197	0.21 262	0.13 197	0.18 270	0.14 215	0.07 161	0.05 93	0.07 124	0.07 191	0.07 171	0.07 184

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

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

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

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

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

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

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

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

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

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

HSM-Net_RVC	0.14 219	0.08 161	0.12 105	0.15 45	0.08 60	0.16 235	0.15 153	0.27 266	0.29 298	0.20 284	0.21 214	0.29 341	0.14 226	0.18 270	0.13 180	0.06 59	0.06 216	0.06 44	0.06 107	0.07 171	0.06 121
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 219	0.09 217	0.16 246	0.16 81	0.09 150	0.13 153	0.14 95	0.27 266	0.34 331	0.15 184	0.21 214	0.22 279	0.13 197	0.18 270	0.14 215	0.07 161	0.05 93	0.08 191	0.07 191	0.07 171	0.07 184

UCFNet_RVC	0.15 256	0.08 161	0.13 132	0.11 1	0.10 249	0.20 312	0.10 8	0.24 222	0.23 220	0.17 221	0.21 214	0.24 301	0.15 246	0.18 270	0.15 248	0.12 352	0.07 281	0.11 336	0.13 378	0.11 337	0.10 313

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

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

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

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

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

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

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

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

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

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

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

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

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

AdaStereo	0.15 256	0.11 299	0.16 246	0.19 263	0.09 150	0.21 323	0.11 17	0.33 345	0.28 292	0.21 295	0.23 232	0.21 262	0.13 197	0.19 291	0.15 248	0.13 369	0.05 93	0.10 308	0.07 191	0.09 289	0.07 184
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
DN-CSS_ROB	0.13 192	0.13 339	0.17 268	0.18 212	0.10 249	0.16 235	0.08 3	0.22 188	0.19 161	0.17 221	0.23 232	0.13 139	0.13 197	0.13 158	0.14 215	0.05 3	0.05 93	0.10 308	0.10 322	0.08 231	0.06 121

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

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

CFNet_ucs	0.15 256	0.09 217	0.17 268	0.16 81	0.11 296	0.14 188	0.14 95	0.30 315	0.34 331	0.16 211	0.24 242	0.23 292	0.14 226	0.18 270	0.15 248	0.09 264	0.06 216	0.08 191	0.07 191	0.09 289	0.09 290

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

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

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

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

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

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

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

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

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

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

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

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

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

LMCR-Stereo	0.15 256	0.08 161	0.14 170	0.21 338	0.09 150	0.18 273	0.19 310	0.28 288	0.19 161	0.24 332	0.24 242	0.23 292	0.17 286	0.20 308	0.17 280	0.07 161	0.06 216	0.08 191	0.06 107	0.10 320	0.09 290

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

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

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

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

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

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

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

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

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

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

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

SDNR	0.20 334	0.09 217	0.19 320	0.16 81	0.12 325	0.79 451	0.13 59	0.26 252	0.33 321	0.19 264	0.25 268	0.19 238	0.12 167	0.19 291	0.15 248	0.16 407	0.18 413	0.14 381	0.11 348	0.08 231	0.12 353

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

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

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

TestStereo	0.14 219	0.15 360	0.11 78	0.23 373	0.08 60	0.15 212	0.21 340	0.20 153	0.23 220	0.14 160	0.25 268	0.16 198	0.13 197	0.16 222	0.14 215	0.06 59	0.06 216	0.08 191	0.06 107	0.09 289	0.05 54

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

test_5	0.14 219	0.12 314	0.08 8	0.20 308	0.10 249	0.14 188	0.28 402	0.21 166	0.24 230	0.19 264	0.28 305	0.11 97	0.15 246	0.12 114	0.13 180	0.06 59	0.05 93	0.07 124	0.08 252	0.08 231	0.07 184

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

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

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

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

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

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

NVstereo2D	0.19 326	0.11 299	0.16 246	0.17 139	0.16 387	0.28 387	0.23 361	0.44 420	0.42 375	0.15 184	0.28 305	0.25 313	0.19 312	0.23 347	0.18 292	0.09 264	0.06 216	0.10 308	0.08 252	0.15 390	0.10 313

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

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

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

RYNet	0.23 366	0.12 314	0.22 338	0.19 263	0.17 399	0.47 427	0.26 391	0.39 398	0.49 400	0.24 332	0.29 319	0.34 377	0.24 351	0.20 308	0.31 405	0.10 298	0.06 216	0.09 266	0.09 290	0.14 379	0.15 393

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

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

SGM-Forest	0.20 334	0.14 354	0.18 297	0.20 308	0.13 347	0.21 323	0.22 351	0.33 345	0.31 311	0.24 332	0.29 319	0.28 334	0.20 324	0.23 347	0.18 292	0.15 390	0.16 407	0.15 391	0.14 383	0.13 364	0.12 353
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ICVP	0.16 281	0.09 217	0.12 105	0.22 355	0.09 150	0.18 273	0.21 340	0.26 252	0.24 230	0.18 251	0.30 325	0.27 326	0.18 297	0.18 270	0.15 248	0.10 298	0.07 281	0.08 191	0.07 191	0.07 171	0.08 249
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 301	0.10 277	0.17 268	0.20 308	0.11 296	0.27 379	0.20 325	0.26 252	0.42 375	0.22 307	0.30 325	0.22 279	0.20 324	0.18 270	0.20 313	0.06 59	0.06 216	0.07 124	0.07 191	0.08 231	0.07 184

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 301	0.10 277	0.23 344	0.20 308	0.10 249	0.15 212	0.18 270	0.31 329	0.25 252	0.21 295	0.31 328	0.25 313	0.17 286	0.21 323	0.20 313	0.09 264	0.06 216	0.08 191	0.09 290	0.07 171	0.08 249
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NaN_ROB	0.23 366	0.20 397	0.25 353	0.25 388	0.13 347	0.31 395	0.27 396	0.34 359	0.41 373	0.31 384	0.31 328	0.32 367	0.23 344	0.31 391	0.22 337	0.11 328	0.17 411	0.10 308	0.11 348	0.08 231	0.09 290

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

CBMV	0.20 334	0.15 360	0.18 297	0.18 212	0.10 249	0.20 312	0.11 17	0.30 315	0.31 311	0.29 374	0.31 328	0.31 360	0.23 344	0.28 376	0.19 305	0.13 369	0.15 402	0.17 401	0.16 401	0.10 320	0.10 313
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
GMStereo_Zeroshot	0.16 281	0.13 339	0.25 353	0.20 308	0.10 249	0.17 257	0.13 59	0.30 315	0.25 252	0.23 321	0.32 337	0.25 313	0.11 138	0.19 291	0.14 215	0.09 264	0.06 216	0.11 336	0.06 107	0.12 351	0.08 249

DGSMNet	0.25 382	0.19 393	0.34 392	0.21 338	0.24 423	0.24 353	0.21 340	0.36 379	0.42 375	0.25 345	0.32 337	0.38 393	0.21 331	0.29 384	0.24 357	0.13 369	0.11 366	0.14 381	0.16 401	0.23 419	0.23 426

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

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

DANet	0.21 345	0.16 368	0.29 375	0.25 388	0.13 347	0.23 347	0.19 310	0.28 288	0.27 276	0.28 367	0.32 337	0.35 382	0.32 401	0.31 391	0.24 357	0.11 328	0.09 331	0.11 336	0.10 322	0.13 364	0.11 335
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DISCO	0.20 334	0.09 217	0.22 338	0.17 139	0.10 249	0.25 361	0.18 270	0.28 288	0.45 389	0.23 321	0.32 337	0.34 377	0.26 364	0.29 384	0.29 395	0.08 215	0.06 216	0.07 124	0.07 191	0.09 289	0.10 313

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

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

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

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

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

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

PA-Net	0.24 376	0.18 390	0.34 392	0.28 411	0.22 419	0.22 335	0.39 438	0.29 305	0.39 362	0.22 307	0.33 343	0.25 313	0.26 364	0.21 323	0.25 364	0.10 298	0.23 431	0.15 391	0.22 419	0.09 289	0.13 363
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DRN-Test	0.20 334	0.11 299	0.21 329	0.22 355	0.10 249	0.22 335	0.22 351	0.40 401	0.38 358	0.24 332	0.33 343	0.26 322	0.22 338	0.22 340	0.25 364	0.11 328	0.07 281	0.11 336	0.10 322	0.09 289	0.08 249

PSMNet_ROB	0.22 353	0.12 314	0.15 205	0.27 405	0.15 375	0.25 361	0.36 433	0.43 416	0.37 352	0.27 355	0.33 343	0.32 367	0.23 344	0.21 323	0.27 381	0.12 352	0.08 309	0.13 368	0.11 348	0.10 320	0.09 290

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

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

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

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

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

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

SAMSARA	0.41 425	0.28 420	0.34 392	0.55 444	0.39 438	0.85 454	1.25 469	0.49 428	0.52 411	0.36 398	0.35 358	0.56 431	0.39 414	0.39 419	0.41 428	0.15 390	0.20 419	0.15 391	0.14 383	0.23 419	0.21 421

GANetREF_RVC	0.31 411	0.34 431	0.29 375	0.35 429	0.16 387	0.33 399	0.42 441	0.48 427	0.52 411	0.35 396	0.35 358	0.34 377	0.32 401	0.40 422	0.33 413	0.27 435	0.20 419	0.29 432	0.15 398	0.19 414	0.18 412
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
AANet_RVC	0.16 281	0.10 277	0.11 78	0.18 212	0.09 150	0.19 293	0.18 270	0.27 266	0.32 316	0.22 307	0.35 358	0.21 262	0.22 338	0.22 340	0.17 280	0.06 59	0.05 93	0.06 44	0.06 107	0.07 171	0.06 121

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

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

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

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

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

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

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

CC-Net-ROB	0.28 400	0.31 429	0.36 400	0.30 420	0.15 375	0.25 361	0.19 310	0.45 422	0.34 331	0.39 406	0.37 364	0.39 398	0.31 398	0.27 368	0.27 381	0.24 433	0.18 413	0.30 434	0.23 423	0.19 414	0.15 393

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

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

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

G-Net	0.25 382	0.17 377	0.38 402	0.23 373	0.16 387	0.51 430	0.23 361	0.29 305	0.35 342	0.36 398	0.38 371	0.31 360	0.29 382	0.28 376	0.27 381	0.11 328	0.09 331	0.12 354	0.10 322	0.16 401	0.14 379

NCC-stereo	0.25 382	0.15 360	0.31 383	0.26 397	0.17 399	0.21 323	0.31 422	0.41 406	0.40 366	0.24 332	0.38 371	0.33 373	0.29 382	0.37 413	0.28 388	0.13 369	0.11 366	0.15 391	0.22 419	0.13 364	0.13 363

Abc-Net	0.25 382	0.15 360	0.31 383	0.26 397	0.17 399	0.21 323	0.31 422	0.41 406	0.40 366	0.24 332	0.38 371	0.33 373	0.29 382	0.37 413	0.28 388	0.13 369	0.11 366	0.15 391	0.22 419	0.13 364	0.13 363
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DPSNet	0.28 400	0.16 368	0.33 389	0.18 212	0.13 347	0.55 433	0.42 441	0.52 432	0.68 433	0.29 374	0.38 371	0.39 398	0.30 393	0.32 394	0.23 346	0.11 328	0.10 353	0.11 336	0.08 252	0.20 416	0.16 402

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

SGM_RVC	0.24 376	0.12 314	0.16 246	0.15 45	0.09 150	0.34 403	0.19 310	0.35 373	0.32 316	0.44 421	0.38 371	0.53 429	0.36 410	0.36 409	0.26 376	0.13 369	0.13 390	0.13 368	0.13 378	0.11 337	0.11 335
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SuperB	0.20 334	0.10 277	0.57 424	0.16 81	0.09 150	0.19 293	0.18 270	0.25 241	0.51 405	0.27 355	0.39 378	0.17 215	0.22 338	0.22 340	0.21 324	0.08 215	0.06 216	0.06 44	0.06 107	0.12 351	0.11 335

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

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

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

APVNet	0.23 366	0.12 314	0.20 323	0.18 212	0.14 362	0.32 397	0.31 422	0.40 401	0.33 321	0.27 355	0.40 381	0.30 348	0.29 382	0.27 368	0.25 364	0.11 328	0.12 378	0.11 336	0.14 383	0.12 351	0.13 363

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

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

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

MDST_ROB	0.22 353	0.10 277	0.18 297	0.18 212	0.11 296	0.40 422	0.19 310	0.44 420	0.42 375	0.40 409	0.40 381	0.29 341	0.21 331	0.27 368	0.19 305	0.11 328	0.10 353	0.14 381	0.11 348	0.10 320	0.08 249

CSAN	0.30 406	0.24 411	0.28 366	0.34 427	0.19 411	0.34 403	0.42 441	0.38 393	0.51 405	0.38 405	0.40 381	0.44 414	0.34 404	0.29 384	0.31 405	0.19 417	0.16 407	0.19 412	0.19 413	0.14 379	0.15 393

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

XPNet_ROB	0.22 353	0.12 314	0.20 323	0.22 355	0.13 347	0.22 335	0.19 310	0.35 373	0.40 366	0.30 379	0.40 381	0.38 393	0.27 370	0.26 366	0.29 395	0.15 390	0.10 353	0.10 308	0.10 322	0.13 364	0.12 353

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

Wz-Net-MNSev	0.23 366	0.13 339	0.33 389	0.20 308	0.15 375	0.36 412	0.25 385	0.34 359	0.45 389	0.29 374	0.41 391	0.39 398	0.19 312	0.25 362	0.27 381	0.09 264	0.07 281	0.09 266	0.09 290	0.12 351	0.10 313

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

ADCPNet	0.26 393	0.17 377	0.62 429	0.21 338	0.15 375	0.36 412	0.25 385	0.33 345	0.37 352	0.31 384	0.41 391	0.36 384	0.29 382	0.29 384	0.34 415	0.12 352	0.10 353	0.11 336	0.12 368	0.14 379	0.13 363

StereoDRNet-Refined	0.17 301	0.12 314	0.16 246	0.20 308	0.10 249	0.18 273	0.18 270	0.27 266	0.24 230	0.26 348	0.41 391	0.23 292	0.18 297	0.21 323	0.21 324	0.09 264	0.05 93	0.09 266	0.10 322	0.07 171	0.07 184
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
FBW_ROB	0.25 382	0.17 377	0.23 344	0.27 405	0.14 362	0.26 371	0.22 351	0.42 411	0.43 383	0.42 415	0.41 391	0.43 411	0.27 370	0.32 394	0.24 357	0.09 264	0.15 402	0.15 391	0.12 368	0.12 351	0.10 313

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

FADE	0.46 432	0.34 431	1.12 456	0.33 426	0.25 429	0.35 407	0.29 413	0.64 445	1.07 452	0.43 420	0.41 391	0.42 408	0.53 435	0.72 448	0.54 446	0.30 436	0.21 427	0.41 440	0.38 440	0.23 419	0.22 424

Wz-Net-TNSev	0.29 403	0.20 397	0.69 440	0.19 263	0.15 375	0.38 418	0.27 396	0.36 379	0.56 417	0.35 396	0.42 398	0.45 415	0.39 414	0.33 397	0.31 405	0.13 369	0.13 390	0.10 308	0.12 368	0.15 390	0.15 393

Wz-Net-LNSev	0.22 353	0.16 368	0.41 407	0.22 355	0.13 347	0.25 361	0.24 369	0.33 345	0.44 385	0.30 379	0.42 398	0.32 367	0.19 312	0.23 347	0.27 381	0.10 298	0.09 331	0.08 191	0.08 252	0.12 351	0.11 335

SHD	0.26 393	0.15 360	0.31 383	0.24 382	0.18 408	0.23 347	0.15 153	0.39 398	0.72 438	0.32 391	0.42 398	0.36 384	0.29 382	0.33 397	0.30 400	0.13 369	0.11 366	0.14 381	0.13 378	0.16 401	0.20 420

Wz-Net-LNSev-Ref	0.18 316	0.09 217	0.30 380	0.15 45	0.11 296	0.23 347	0.20 325	0.27 266	0.40 366	0.26 348	0.43 401	0.25 313	0.15 246	0.21 323	0.20 313	0.07 161	0.05 93	0.06 44	0.05 49	0.10 320	0.09 290

GANet	0.22 353	0.13 339	0.21 329	0.25 388	0.14 362	0.23 347	0.22 351	0.42 411	0.27 276	0.31 384	0.43 401	0.37 387	0.29 382	0.23 347	0.23 346	0.10 298	0.12 378	0.10 308	0.09 290	0.10 320	0.08 249

RTS	0.46 432	0.19 393	3.33 466	0.25 388	0.15 375	0.72 446	0.21 340	0.37 386	0.78 444	0.42 415	0.44 403	0.31 360	0.43 426	0.55 438	0.37 421	0.10 298	0.09 331	0.13 368	0.13 378	0.15 390	0.15 393

RTSA	0.46 432	0.19 393	3.33 466	0.25 388	0.15 375	0.72 446	0.21 340	0.37 386	0.78 444	0.42 415	0.44 403	0.31 360	0.43 426	0.55 438	0.37 421	0.10 298	0.09 331	0.13 368	0.13 378	0.15 390	0.15 393

ACVNet-4b	0.39 422	0.53 442	0.56 422	0.45 438	0.24 423	0.46 426	0.18 270	0.50 429	0.64 430	0.42 415	0.45 405	0.60 433	0.27 370	0.34 400	0.24 357	0.33 439	0.14 398	0.48 442	0.42 442	0.31 437	0.27 434

ADCMid	0.26 393	0.15 360	0.42 409	0.20 308	0.14 362	0.25 361	0.26 391	0.35 373	0.40 366	0.37 403	0.45 405	0.34 377	0.42 423	0.36 409	0.36 417	0.10 298	0.09 331	0.11 336	0.11 348	0.13 364	0.13 363

ccnet	0.30 406	0.28 420	0.24 350	0.20 308	0.28 432	0.41 423	0.22 351	0.46 425	0.33 321	0.37 403	0.46 407	0.37 387	0.30 393	0.40 422	0.43 431	0.23 431	0.14 398	0.21 415	0.17 408	0.23 419	0.19 417

MFN_U_SF_DS_RVC	0.30 406	0.24 411	0.30 380	0.36 431	0.16 387	0.36 412	0.31 422	0.34 359	0.43 383	0.41 413	0.46 407	0.38 393	0.30 393	0.35 405	0.29 395	0.19 417	0.20 419	0.26 422	0.29 432	0.18 410	0.19 417

ADCL	0.25 382	0.12 314	0.49 417	0.22 355	0.12 325	0.36 412	0.29 413	0.30 315	0.57 418	0.24 332	0.47 409	0.30 348	0.31 398	0.30 390	0.30 400	0.09 264	0.07 281	0.09 266	0.09 290	0.10 320	0.10 313

aanetorigin	0.22 353	0.17 377	0.57 424	0.18 212	0.10 249	0.16 235	0.19 310	0.20 153	0.33 321	0.49 427	0.48 410	0.30 348	0.28 379	0.21 323	0.24 357	0.08 215	0.07 281	0.08 191	0.07 191	0.10 320	0.09 290

Ntro	0.41 425	0.40 437	0.54 421	0.46 441	0.30 436	0.64 439	0.24 369	0.47 426	0.68 433	0.42 415	0.49 411	0.47 422	0.42 423	0.40 422	0.32 410	0.32 438	0.28 435	0.37 437	0.31 435	0.33 439	0.29 435

PWCDC_ROB	0.21 345	0.13 339	0.23 344	0.25 388	0.12 325	0.20 312	0.15 153	0.34 359	0.55 415	0.29 374	0.49 411	0.21 262	0.15 246	0.28 376	0.20 313	0.11 328	0.09 331	0.10 308	0.08 252	0.11 337	0.09 290

otaku	0.39 422	0.38 435	0.53 419	0.44 437	0.28 432	0.57 435	0.24 369	0.42 411	0.62 428	0.40 409	0.50 413	0.46 419	0.34 404	0.40 422	0.33 413	0.30 436	0.30 437	0.39 438	0.33 437	0.30 434	0.29 435

anonymity	0.53 438	0.58 443	0.66 432	0.41 434	0.61 454	0.54 432	0.41 439	0.57 437	0.41 373	0.56 433	0.50 413	0.50 424	0.55 436	0.59 443	0.50 441	0.58 452	0.50 454	0.51 444	0.51 449	0.52 443	0.58 451

ADCS	0.30 406	0.19 393	0.48 416	0.21 338	0.18 408	0.29 389	0.24 369	0.42 411	0.64 430	0.40 409	0.50 413	0.40 404	0.37 411	0.40 422	0.43 431	0.13 369	0.13 390	0.13 368	0.14 383	0.16 401	0.16 402

AnyNet_C32	0.26 393	0.16 368	0.39 403	0.20 308	0.17 399	0.26 371	0.31 422	0.32 333	0.45 389	0.31 384	0.50 413	0.30 348	0.34 404	0.41 427	0.36 417	0.12 352	0.12 378	0.12 354	0.14 383	0.14 379	0.15 393

FCDSN-DC	0.33 413	0.28 420	0.28 366	0.30 420	0.24 423	0.39 420	0.28 402	0.43 416	0.42 375	0.44 421	0.53 417	0.51 425	0.42 423	0.37 413	0.30 400	0.21 423	0.20 419	0.27 425	0.26 426	0.25 428	0.25 429
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
WCMA_ROB	0.24 376	0.11 299	0.24 350	0.17 139	0.14 362	0.34 403	0.16 207	0.33 345	0.33 321	0.39 406	0.54 418	0.40 404	0.35 407	0.35 405	0.26 376	0.12 352	0.12 378	0.12 354	0.11 348	0.14 379	0.14 379

psmorigin	0.25 382	0.16 368	0.35 398	0.17 139	0.13 347	0.24 353	0.14 95	0.34 359	0.34 331	0.41 413	0.55 419	0.41 406	0.38 413	0.35 405	0.28 388	0.11 328	0.15 402	0.11 336	0.11 348	0.12 351	0.17 410

Wz-Net-SNSev	0.26 393	0.17 377	0.46 412	0.25 388	0.14 362	0.26 371	0.24 369	0.38 393	0.57 418	0.30 379	0.56 420	0.39 398	0.26 364	0.24 357	0.32 410	0.10 298	0.09 331	0.10 308	0.11 348	0.11 337	0.11 335

EDNetEfficient	0.30 406	0.24 411	1.18 457	0.18 212	0.10 249	0.20 312	0.20 325	0.21 166	0.61 425	0.74 444	0.56 420	0.30 348	0.40 418	0.23 347	0.32 410	0.09 264	0.07 281	0.08 191	0.07 191	0.11 337	0.10 313

MFN_U_SF_RVC	0.33 413	0.22 406	0.58 427	0.31 422	0.15 375	0.36 412	0.17 227	0.54 435	0.46 396	0.47 426	0.56 420	0.58 432	0.39 414	0.36 409	0.38 424	0.15 390	0.15 402	0.18 410	0.21 416	0.16 401	0.16 402

FC-DCNN	0.33 413	0.28 420	0.28 366	0.26 397	0.23 420	0.38 418	0.29 413	0.40 401	0.44 385	0.46 424	0.56 420	0.51 425	0.41 419	0.38 417	0.31 405	0.21 423	0.20 419	0.27 425	0.26 426	0.25 428	0.24 427

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

WZ-Net	0.29 403	0.17 377	0.82 448	0.23 373	0.16 387	0.35 407	0.29 413	0.40 401	0.59 423	0.24 332	0.57 424	0.37 387	0.25 357	0.34 400	0.37 421	0.09 264	0.08 309	0.09 266	0.10 322	0.14 379	0.16 402

SGM-ForestM	0.33 413	0.12 314	0.17 268	0.16 81	0.11 296	0.42 424	0.20 325	0.43 416	0.53 414	0.53 430	0.57 424	1.41 461	0.44 428	0.42 428	0.29 395	0.14 386	0.16 407	0.16 398	0.16 401	0.12 351	0.13 363

MADNet+	0.76 450	0.72 452	3.76 469	0.67 447	0.41 440	0.99 460	0.97 467	0.72 447	0.75 442	0.52 429	0.58 427	0.64 437	0.68 446	0.89 459	1.04 465	0.35 440	0.36 441	0.28 431	0.23 423	0.38 440	0.33 440

MeshStereo	0.27 398	0.13 339	0.18 297	0.15 45	0.11 296	0.33 399	0.24 369	0.41 406	0.36 348	0.53 430	0.58 427	0.67 439	0.41 419	0.36 409	0.27 381	0.14 386	0.13 390	0.13 368	0.11 348	0.11 337	0.11 335
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
ACVNet_1	0.45 431	0.51 441	0.61 428	0.45 438	0.28 432	0.50 428	0.28 402	0.58 442	0.71 437	0.63 435	0.59 429	0.74 444	0.50 432	0.50 432	0.36 417	0.26 434	0.25 432	0.39 438	0.29 432	0.32 438	0.25 429

LSM	0.34 419	0.21 402	0.62 429	0.27 405	0.62 455	0.35 407	0.26 391	0.43 416	0.49 400	0.45 423	0.60 430	0.42 408	0.37 411	0.35 405	0.26 376	0.13 369	0.21 427	0.14 381	0.16 401	0.18 410	0.34 441

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

EDNetEfficientorigin	7.92 474	0.32 430	152.98 489	0.20 308	0.10 249	0.22 335	0.17 227	0.23 202	0.60 424	0.73 442	0.67 432	0.41 406	0.51 434	0.24 357	0.41 428	0.08 215	0.07 281	0.09 266	0.07 191	0.12 351	0.11 335

LE_ROB	0.50 437	0.07 70	0.14 170	0.15 45	0.08 60	0.26 371	0.17 227	0.23 202	1.71 467	4.68 472	0.67 432	0.46 419	0.47 429	0.21 323	0.30 400	0.07 161	0.06 216	0.06 44	0.06 107	0.08 231	0.06 121

MSMD_ROB	0.31 411	0.26 417	0.26 361	0.24 382	0.21 416	0.34 403	0.25 385	0.34 359	0.39 362	0.40 409	0.69 435	0.45 415	0.41 419	0.34 400	0.28 388	0.20 421	0.20 419	0.26 422	0.25 425	0.23 419	0.22 424

coex-ft	3.24 468	0.35 433	57.83 488	0.18 212	0.13 347	0.27 379	0.23 361	0.28 288	0.72 438	1.89 469	0.70 436	0.43 411	0.47 429	0.29 384	0.43 431	0.09 264	0.09 331	0.12 354	0.09 290	0.14 379	0.14 379

SGM+DAISY	0.57 441	0.58 443	0.67 436	0.41 434	0.55 448	0.68 443	0.51 447	0.57 437	0.46 396	0.67 436	0.70 436	0.69 442	0.57 440	0.64 445	0.58 447	0.59 453	0.49 451	0.50 443	0.50 448	0.52 443	0.59 454

MSC_U_SF_DS_RVC	0.44 429	0.39 436	0.56 422	0.40 433	0.20 414	0.66 441	0.33 431	0.54 435	0.72 438	0.71 440	0.72 438	0.62 434	0.55 436	0.52 434	0.47 438	0.20 421	0.19 418	0.29 432	0.30 434	0.24 426	0.19 417

Consistency-Raft	0.44 429	0.40 437	0.46 412	0.37 432	0.43 442	0.42 424	0.41 439	0.57 437	0.55 415	0.32 391	0.73 439	0.32 367	0.50 432	0.42 428	0.49 440	0.39 441	0.36 441	0.45 441	0.52 451	0.42 441	0.30 437

MFMNet_re	0.65 443	0.66 450	0.66 432	0.51 442	0.69 459	0.70 444	0.58 451	0.65 446	0.75 442	0.61 434	0.73 439	0.63 435	0.68 446	0.65 446	0.60 448	0.66 457	0.58 463	0.63 448	0.59 452	0.68 454	0.69 461

AnyNet_C01	0.37 420	0.26 417	1.41 460	0.22 355	0.17 399	0.51 430	0.28 402	0.36 379	0.40 366	0.39 406	0.75 441	0.46 419	0.39 414	0.46 430	0.50 441	0.13 369	0.13 390	0.13 368	0.14 383	0.14 379	0.16 402

PWCK	0.72 447	0.95 461	0.99 454	0.77 450	0.32 437	0.79 451	0.38 436	0.92 452	0.90 449	0.96 455	0.76 442	0.97 448	0.62 443	0.87 456	0.68 452	0.73 459	0.46 445	0.76 455	0.49 446	0.71 457	0.44 448

ELAS_RVC	0.42 427	0.29 427	0.33 389	0.28 411	0.24 423	0.56 434	0.38 436	0.50 429	0.61 425	0.74 444	0.76 442	0.67 439	0.56 438	0.55 438	0.42 430	0.22 426	0.21 427	0.27 425	0.26 426	0.27 433	0.26 432
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetBlue	0.73 449	0.46 440	1.21 458	0.52 443	0.47 444	2.16 469	0.67 457	0.78 448	0.72 438	0.70 439	0.79 444	1.21 454	0.84 453	1.06 465	1.04 465	0.40 442	0.28 435	0.33 435	0.33 437	0.30 434	0.34 441

PVD	0.40 424	0.21 402	0.40 405	0.32 425	0.23 420	0.30 392	0.45 445	0.53 434	0.97 451	0.55 432	0.80 445	0.54 430	0.60 442	0.53 436	0.40 427	0.19 417	0.14 398	0.17 401	0.14 383	0.24 426	0.32 439

ELAS	0.42 427	0.29 427	0.34 392	0.28 411	0.24 423	0.63 438	0.37 434	0.52 432	0.52 411	0.72 441	0.82 446	0.68 441	0.56 438	0.52 434	0.45 437	0.22 426	0.21 427	0.27 425	0.26 426	0.26 431	0.26 432
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
UNDER WATER-64	0.97 459	0.96 462	1.48 462	0.88 458	0.57 451	1.24 468	0.90 465	0.78 448	0.96 450	1.05 458	0.85 447	1.56 466	1.26 467	0.97 463	0.99 463	0.88 464	0.57 462	1.04 464	0.88 464	0.81 461	0.75 462

TorneroNet-64	0.76 450	0.73 453	0.77 446	0.78 452	0.58 453	0.94 459	0.58 451	0.85 451	1.26 457	0.67 436	0.88 448	1.41 461	0.76 450	0.87 456	0.68 452	0.49 448	0.46 445	0.73 452	0.59 452	0.68 454	0.54 450

UNDER WATER	0.99 461	1.00 463	1.47 461	1.00 462	0.71 462	1.18 467	0.86 463	0.81 450	1.09 454	1.02 457	0.90 449	1.53 465	1.26 467	1.06 465	1.02 464	0.79 462	0.54 457	1.02 463	0.88 464	0.83 462	0.75 462

NVStereoNet_ROB	0.47 435	0.37 434	0.47 415	0.42 436	0.29 435	0.35 407	0.35 432	0.50 429	0.61 425	0.73 442	0.94 450	0.70 443	0.68 446	0.48 431	0.62 449	0.22 426	0.33 440	0.34 436	0.34 439	0.30 434	0.31 438
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
tt	4.65 470	0.07 70	3.54 468	2.01 471	1.55 469	10.25 476	16.66 475	8.90 479	5.03 472	1.33 465	0.96 451	4.71 472	4.74 472	3.33 472	5.86 474	6.06 478	10.30 482	1.87 472	2.09 473	2.61 471	1.19 470

WAO-6	0.82 453	0.81 456	0.63 431	0.87 457	0.63 456	0.79 451	0.60 453	0.98 458	1.52 466	0.91 454	0.97 452	1.08 451	1.04 461	0.72 448	0.70 455	0.72 458	0.49 451	0.91 461	0.71 459	0.70 456	0.59 454

BEATNet-Init1	0.54 439	0.28 420	0.68 439	0.31 422	0.21 416	0.85 454	0.31 422	0.57 437	0.69 436	0.89 451	1.00 453	2.17 469	0.66 445	0.58 442	0.44 434	0.19 417	0.18 413	0.23 420	0.22 419	0.22 417	0.21 421

IMH-64-1	0.66 444	0.62 447	0.69 440	0.72 448	0.51 445	0.60 436	0.51 447	0.92 452	0.84 446	0.75 447	1.02 454	0.81 445	0.78 451	0.80 450	0.50 441	0.43 443	0.46 445	0.72 450	0.48 444	0.55 446	0.40 444

IMH-64	0.66 444	0.62 447	0.69 440	0.72 448	0.51 445	0.60 436	0.51 447	0.92 452	0.84 446	0.75 447	1.02 454	0.81 445	0.78 451	0.80 450	0.50 441	0.43 443	0.46 445	0.72 450	0.48 444	0.55 446	0.40 444

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

IMH	0.72 447	0.65 449	0.70 443	0.77 450	0.54 447	0.71 445	0.56 450	0.99 460	1.08 453	0.82 450	1.09 457	0.89 447	0.88 455	0.88 458	0.53 445	0.44 446	0.50 454	0.75 453	0.51 449	0.58 449	0.42 447

ACVNet_2	0.67 446	0.68 451	0.70 443	0.64 446	0.41 440	0.75 449	0.50 446	0.98 458	1.38 462	0.90 452	1.09 457	1.04 449	0.74 449	0.55 438	0.48 439	0.43 443	0.40 443	0.53 446	0.45 443	0.48 442	0.36 443

TorneroNet	0.83 454	0.75 454	0.83 450	0.85 455	0.63 456	1.03 463	0.65 455	0.96 456	1.14 455	0.80 449	1.10 459	1.36 459	0.88 455	0.95 461	0.82 460	0.57 450	0.49 451	0.79 458	0.66 457	0.74 460	0.64 460

ktn	1.02 462	1.23 466	0.82 448	1.24 467	0.86 465	1.00 462	0.86 463	0.96 456	1.37 461	1.05 458	1.12 460	1.16 453	1.06 462	0.95 461	0.62 449	1.28 469	0.71 466	1.39 470	0.83 463	1.06 466	0.77 464

Dean	0.88 456	0.88 460	0.81 447	0.82 454	0.57 451	0.91 456	0.62 454	1.17 467	1.71 467	1.15 462	1.16 461	1.31 458	1.00 460	0.82 452	0.83 461	0.57 450	0.56 460	0.78 457	0.65 455	0.67 453	0.58 451

notaker	0.98 460	1.13 464	1.02 455	1.14 465	0.81 463	0.73 448	0.69 460	0.94 455	1.15 456	1.19 464	1.19 462	1.41 461	1.17 466	1.10 467	0.74 457	0.82 463	0.64 465	1.18 466	0.79 462	1.02 464	0.82 465

WAO-7	0.80 452	0.78 455	0.57 424	0.85 455	0.67 458	0.76 450	0.69 460	1.07 462	1.30 459	0.90 452	1.20 463	1.05 450	0.93 457	0.71 447	0.68 452	0.60 454	0.62 464	0.67 449	0.68 458	0.64 450	0.59 454

MANE	0.47 435	0.28 420	0.28 366	0.27 405	0.24 423	0.50 428	0.32 430	0.57 437	0.62 428	0.74 444	1.20 463	1.21 454	0.64 444	0.54 437	0.39 425	0.22 426	0.20 419	0.27 425	0.31 435	0.26 431	0.25 429

LVE	0.84 455	0.87 459	0.86 451	0.81 453	0.56 450	1.09 465	0.66 456	1.07 462	1.45 464	0.97 456	1.23 465	1.11 452	0.86 454	0.84 453	0.72 456	0.49 448	0.56 460	0.76 455	0.60 454	0.66 452	0.60 457

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

WAO-8	0.92 457	0.83 457	0.67 436	0.94 460	0.70 460	0.92 457	0.68 458	1.08 464	1.80 469	1.06 460	1.42 467	1.29 456	1.08 463	0.86 454	0.80 458	0.74 460	0.54 457	0.86 459	0.75 460	0.71 457	0.63 458

Venus	0.92 457	0.83 457	0.67 436	0.94 460	0.70 460	0.92 457	0.68 458	1.08 464	1.80 469	1.06 460	1.42 467	1.29 456	1.08 463	0.86 454	0.80 458	0.74 460	0.54 457	0.86 459	0.75 460	0.71 457	0.63 458

HanzoNet	1.31 465	1.29 468	1.22 459	1.13 464	0.85 464	1.05 464	0.84 462	1.06 461	1.47 465	1.66 467	1.63 469	2.48 471	1.78 469	1.63 469	1.69 467	1.27 468	0.80 467	1.32 469	1.02 467	1.07 467	0.90 466

JetRed	1.66 466	1.51 469	3.09 465	0.93 459	1.21 468	5.28 471	1.61 471	1.29 469	1.42 463	1.84 468	1.77 470	1.59 467	0.95 458	1.43 468	2.51 471	0.91 465	1.61 470	0.93 462	0.91 466	1.36 468	1.03 468

MADNet++	1.97 467	1.75 470	1.66 463	1.83 470	1.69 470	2.38 470	1.45 470	2.36 471	2.11 471	2.58 471	2.37 471	2.25 470	2.21 470	2.28 470	2.36 470	1.87 471	1.67 471	1.53 471	1.34 471	1.87 470	1.78 472

ASD4	3.59 469	3.47 472	2.05 464	1.75 469	2.54 472	9.22 475	17.86 476	2.29 470	5.54 473	2.49 470	2.86 472	2.05 468	3.46 471	2.77 471	5.29 472	1.23 467	1.36 469	1.13 465	1.33 470	1.71 469	1.50 471

xxxxx1	7.75 471	5.06 475	7.26 471	3.15 472	3.91 473	16.37 479	22.88 480	5.87 476	8.68 475	7.99 475	8.55 473	9.13 477	8.46 475	10.05 477	10.47 475	2.43 472	2.48 473	3.56 475	12.26 479	3.48 472	3.02 474

tt_ll	7.75 471	5.06 475	7.26 471	3.15 472	3.91 473	16.37 479	22.88 480	5.87 476	8.68 475	7.99 475	8.55 473	9.13 477	8.46 475	10.05 477	10.47 475	2.43 472	2.48 473	3.56 475	12.26 479	3.48 472	3.02 474

ff	7.75 471	5.06 475	7.26 471	3.15 472	3.91 473	16.37 479	22.88 480	5.87 476	8.68 475	7.99 475	8.55 473	9.13 477	8.46 475	10.05 477	10.47 475	2.43 472	2.48 473	3.56 475	12.26 479	3.48 472	3.02 474

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

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

Anonymous_1	10.87 480	7.82 478	7.41 474	10.29 478	10.08 477	18.64 483	26.11 483	11.02 480	13.45 481	9.43 478	10.10 478	9.73 480	11.31 480	10.69 480	12.47 478	6.42 479	8.38 479	5.70 478	10.22 478	11.41 480	6.65 477

DPSM_ROB	11.10 481	8.47 479	7.95 475	10.84 479	11.58 480	19.10 484	26.50 484	12.02 481	14.09 482	10.38 479	10.91 479	10.39 481	11.92 481	11.67 481	13.39 481	6.99 480	8.79 480	5.82 479	6.92 474	6.97 477	7.31 480

DPSM	11.10 481	8.47 479	7.95 475	10.84 479	11.58 480	19.10 484	26.50 484	12.02 481	14.09 482	10.38 479	10.91 479	10.39 481	11.92 481	11.67 481	13.39 481	6.99 480	8.79 480	5.82 479	6.92 474	6.97 477	7.31 480

HaxPig	15.73 483	18.55 486	19.19 483	16.92 481	15.89 483	7.80 472	7.57 472	13.37 483	10.80 478	15.40 482	14.87 481	15.95 483	14.81 483	15.67 483	15.97 483	18.96 485	16.72 483	19.47 485	18.10 485	19.45 485	19.06 486

LRCNet_RVC	10.76 479	13.97 482	7.97 477	19.07 482	2.04 471	0.35 407	0.31 422	5.29 472	0.48 399	13.02 481	17.65 482	8.69 476	5.73 473	4.78 473	2.22 469	23.53 486	2.69 476	27.60 487	25.75 487	17.60 484	16.54 485

MEDIAN_ROB	20.38 484	24.05 487	23.36 485	21.18 483	21.62 484	10.51 477	8.17 473	17.68 484	15.46 484	20.04 484	19.65 483	20.30 484	20.16 484	21.17 484	21.03 484	23.81 487	21.77 487	24.98 486	23.75 486	25.01 486	23.94 487

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

CasAABBNet	22.33 485	17.11 483	15.84 480	21.94 484	23.28 485	38.30 486	53.40 488	24.05 486	28.44 487	20.66 485	21.86 485	21.03 486	24.04 486	23.35 485	27.03 487	14.06 482	17.69 485	11.70 482	13.94 483	14.04 481	14.76 483

Selective-RAFT-Error	22.39 486	17.14 484	16.01 481	22.00 485	23.34 486	38.37 487	53.36 487	24.24 488	28.53 488	20.80 486	21.94 486	20.94 485	24.02 485	23.48 487	27.33 488	14.07 483	17.70 486	11.70 482	13.93 482	14.05 482	14.83 484

AVERAGE_ROB	24.89 488	29.12 488	27.98 486	24.83 487	24.59 487	17.82 482	11.61 474	21.45 485	19.91 485	25.04 488	24.38 487	25.06 488	25.31 488	24.69 488	22.86 485	29.74 488	27.09 488	28.97 488	27.94 488	30.07 487	29.35 488

PML	8.57 477	9.39 481	6.24 470	5.34 475	6.36 476	13.21 478	20.99 477	5.35 473	6.68 474	17.75 483	26.46 488	7.58 475	6.08 474	7.89 476	5.76 473	5.33 477	1.83 472	5.95 481	1.93 472	8.75 479	2.53 473

test_example2	97.69 489	92.93 489	45.57 487	96.02 488	109.84 489	88.44 489	93.70 489	25.54 489	94.63 489	130.46 489	126.87 489	58.93 489	75.48 489	87.99 489	77.94 489	150.16 489	221.11 489	76.29 489	98.21 489	108.42 489	95.33 489

Low-res two-view benchmark