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

asda	0.07 4	0.08 232	0.08 29	0.16 140	0.06 13	0.06 8	0.10 26	0.16 128	0.10 34	0.06 9	0.06 12	0.05 1	0.05 9	0.10 59	0.10 120	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

asd	0.07 4	0.08 232	0.07 6	0.16 140	0.07 70	0.08 48	0.08 7	0.11 26	0.08 10	0.07 29	0.07 36	0.06 16	0.06 34	0.10 59	0.09 52	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 232	0.07 6	0.15 69	0.06 13	0.07 27	0.10 26	0.18 193	0.11 60	0.07 29	0.07 36	0.06 16	0.06 34	0.10 59	0.09 52	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

depthmonostereo	0.09 77	0.06 54	0.09 70	0.15 69	0.06 13	0.10 123	0.13 100	0.14 73	0.14 138	0.10 122	0.10 112	0.09 119	0.11 220	0.08 15	0.09 52	0.06 113	0.05 182	0.06 99	0.04 34	0.04 15	0.03 1

DilatedVolume-Stereo	0.09 77	0.05 17	0.08 29	0.15 69	0.06 13	0.11 168	0.12 62	0.14 73	0.16 181	0.11 149	0.11 142	0.09 119	0.09 163	0.11 105	0.10 120	0.06 113	0.05 182	0.05 23	0.04 34	0.03 1	0.03 1

4.25_new	0.07 4	0.08 232	0.09 70	0.15 69	0.06 13	0.09 77	0.08 7	0.14 73	0.08 10	0.07 29	0.07 36	0.06 16	0.06 34	0.12 186	0.10 120	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 232	0.09 70	0.15 69	0.06 13	0.09 77	0.08 7	0.14 73	0.08 10	0.07 29	0.07 36	0.06 16	0.06 34	0.12 186	0.10 120	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5_new	0.07 4	0.09 306	0.08 29	0.15 69	0.07 70	0.06 8	0.10 26	0.14 73	0.11 60	0.06 9	0.08 68	0.06 16	0.06 34	0.08 15	0.10 120	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 306	0.08 29	0.15 69	0.07 70	0.06 8	0.10 26	0.14 73	0.11 60	0.06 9	0.08 68	0.06 16	0.06 34	0.08 15	0.10 120	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 232	0.09 70	0.15 69	0.06 13	0.09 77	0.08 7	0.14 73	0.08 10	0.07 29	0.07 36	0.06 16	0.06 34	0.12 186	0.10 120	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 232	0.08 29	0.16 140	0.06 13	0.07 27	0.08 7	0.12 41	0.08 10	0.07 29	0.07 36	0.05 1	0.06 34	0.09 33	0.10 120	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.5w	0.07 4	0.07 135	0.07 6	0.16 140	0.06 13	0.08 48	0.12 62	0.10 15	0.10 34	0.07 29	0.06 12	0.09 119	0.06 34	0.08 15	0.09 52	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

3.25w_new	0.07 4	0.06 54	0.07 6	0.15 69	0.06 13	0.10 123	0.07 3	0.12 41	0.11 60	0.08 61	0.06 12	0.07 62	0.06 34	0.11 105	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 54	0.07 6	0.15 69	0.06 13	0.10 123	0.07 3	0.12 41	0.11 60	0.08 61	0.06 12	0.07 62	0.06 34	0.11 105	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 135	0.08 29	0.16 140	0.07 70	0.07 27	0.09 18	0.16 128	0.09 21	0.07 29	0.06 12	0.05 1	0.06 34	0.09 33	0.10 120	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 135	0.07 6	0.15 69	0.07 70	0.09 77	0.06 1	0.13 57	0.11 60	0.07 29	0.07 36	0.06 16	0.07 102	0.10 59	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3w_stereo	0.08 43	0.09 306	0.10 105	0.17 214	0.07 70	0.08 48	0.10 26	0.20 225	0.13 114	0.06 9	0.07 36	0.05 1	0.06 34	0.08 15	0.09 52	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 43	0.08 232	0.09 70	0.16 140	0.06 13	0.08 48	0.10 26	0.20 225	0.15 154	0.08 61	0.07 36	0.06 16	0.06 34	0.06 1	0.09 52	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

monsterstereo	0.07 4	0.06 54	0.06 2	0.16 140	0.06 13	0.08 48	0.10 26	0.16 128	0.11 60	0.07 29	0.08 68	0.06 16	0.07 102	0.08 15	0.09 52	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

monsters	0.07 4	0.06 54	0.06 2	0.15 69	0.06 13	0.08 48	0.09 18	0.12 41	0.08 10	0.09 90	0.07 36	0.06 16	0.06 34	0.08 15	0.08 17	0.05 26	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

LG-Stereo_L2	0.07 4	0.05 17	0.10 105	0.14 29	0.06 13	0.07 27	0.12 62	0.09 10	0.09 21	0.06 9	0.04 1	0.05 1	0.05 9	0.08 15	0.08 17	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

SGD-Stereo	0.08 43	0.05 17	0.10 105	0.14 29	0.05 1	0.12 202	0.12 62	0.11 26	0.12 83	0.07 29	0.09 86	0.09 119	0.09 163	0.08 15	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.03 1

MM-Stereo_test2	0.09 77	0.06 54	0.09 70	0.19 351	0.08 125	0.12 202	0.18 357	0.15 102	0.14 138	0.07 29	0.10 112	0.07 62	0.06 34	0.12 186	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.03 1

AIO_rvc	0.07 4	0.06 54	0.08 29	0.15 69	0.06 13	0.08 48	0.14 148	0.09 10	0.08 10	0.07 29	0.08 68	0.07 62	0.04 1	0.10 59	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

AIO_test	0.07 4	0.05 17	0.07 6	0.15 69	0.07 70	0.06 8	0.14 148	0.10 15	0.10 34	0.07 29	0.07 36	0.06 16	0.05 9	0.08 15	0.10 120	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

castereo++	0.08 43	0.05 17	0.08 29	0.15 69	0.05 1	0.14 273	0.12 62	0.11 26	0.15 154	0.07 29	0.07 36	0.07 62	0.06 34	0.08 15	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

castereo	0.09 77	0.06 54	0.11 146	0.15 69	0.06 13	0.11 168	0.15 214	0.14 73	0.18 226	0.08 61	0.10 112	0.11 171	0.08 137	0.09 33	0.10 120	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

MonSter	0.07 4	0.06 54	0.05 1	0.15 69	0.05 1	0.07 27	0.10 26	0.15 102	0.15 154	0.05 1	0.06 12	0.05 1	0.06 34	0.07 4	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

mms	0.09 77	0.07 135	0.08 29	0.16 140	0.08 125	0.10 123	0.16 279	0.12 41	0.11 60	0.08 61	0.09 86	0.08 94	0.06 34	0.11 105	0.12 231	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.03 1

ours_stereo	0.09 77	0.07 135	0.09 70	0.17 214	0.08 125	0.11 168	0.16 279	0.11 26	0.12 83	0.08 61	0.10 112	0.08 94	0.06 34	0.12 186	0.12 231	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.03 1

WCG-NET	0.08 43	0.05 17	0.09 70	0.15 69	0.06 13	0.11 168	0.14 148	0.13 57	0.13 114	0.06 9	0.09 86	0.07 62	0.06 34	0.13 230	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

RSM++	0.08 43	0.06 54	0.09 70	0.17 214	0.07 70	0.09 77	0.12 62	0.11 26	0.11 60	0.08 61	0.06 12	0.07 62	0.05 9	0.10 59	0.09 52	0.04 11	0.04 21	0.06 99	0.05 104	0.05 98	0.03 1

RSM	0.08 43	0.06 54	0.09 70	0.17 214	0.06 13	0.08 48	0.12 62	0.12 41	0.10 34	0.08 61	0.07 36	0.06 16	0.05 9	0.11 105	0.09 52	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

CASnet	0.09 77	0.09 306	0.09 70	0.19 351	0.06 13	0.07 27	0.11 45	0.18 193	0.14 138	0.11 149	0.10 112	0.09 119	0.07 102	0.10 59	0.10 120	0.06 113	0.04 21	0.10 396	0.08 332	0.05 98	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS_RVC	0.08 43	0.05 17	0.07 6	0.15 69	0.07 70	0.08 48	0.15 214	0.11 26	0.10 34	0.08 61	0.09 86	0.06 16	0.09 163	0.10 59	0.09 52	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

Selective-IGEV	0.07 4	0.06 54	0.08 29	0.17 214	0.06 13	0.08 48	0.12 62	0.13 57	0.07 8	0.08 61	0.07 36	0.06 16	0.04 1	0.10 59	0.09 52	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

test_4	0.10 138	0.10 364	0.08 29	0.19 351	0.09 234	0.08 48	0.22 442	0.15 102	0.17 200	0.12 187	0.18 258	0.12 188	0.09 163	0.08 15	0.11 183	0.04 11	0.04 21	0.08 272	0.08 332	0.04 15	0.03 1

RAFT-Stereo + iAFF	0.09 77	0.06 54	0.10 105	0.17 214	0.06 13	0.10 123	0.16 279	0.17 164	0.14 138	0.09 90	0.10 112	0.08 94	0.09 163	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.06 181	0.04 15	0.03 1

AFF-stereo	0.09 77	0.06 54	0.10 105	0.17 214	0.07 70	0.10 123	0.16 279	0.17 164	0.09 21	0.10 122	0.12 155	0.09 119	0.09 163	0.12 186	0.09 52	0.05 26	0.04 21	0.07 191	0.07 268	0.04 15	0.03 1

water-stereo	0.09 77	0.06 54	0.08 29	0.16 140	0.07 70	0.09 77	0.13 100	0.15 102	0.13 114	0.11 149	0.12 155	0.08 94	0.09 163	0.07 4	0.08 17	0.06 113	0.05 182	0.05 23	0.05 104	0.04 15	0.04 40

2.25w	0.07 4	0.06 54	0.07 6	0.14 29	0.06 13	0.08 48	0.08 7	0.10 15	0.15 154	0.08 61	0.10 112	0.07 62	0.06 34	0.08 15	0.10 120	0.05 26	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

2.75w_new	0.07 4	0.07 135	0.07 6	0.13 12	0.06 13	0.08 48	0.08 7	0.18 193	0.12 83	0.07 29	0.08 68	0.06 16	0.06 34	0.09 33	0.11 183	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

1w_stereo	0.07 4	0.06 54	0.07 6	0.16 140	0.06 13	0.07 27	0.10 26	0.14 73	0.14 138	0.07 29	0.08 68	0.05 1	0.06 34	0.09 33	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

IGEV	0.07 4	0.04 1	0.08 29	0.13 12	0.06 13	0.09 77	0.12 62	0.14 73	0.10 34	0.06 9	0.09 86	0.07 62	0.05 9	0.09 33	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

xyz-stereo	0.13 271	0.07 135	0.20 417	0.15 69	0.05 1	0.20 406	0.15 214	0.17 164	0.31 401	0.15 262	0.29 409	0.26 407	0.16 356	0.13 230	0.12 231	0.05 26	0.05 182	0.06 99	0.05 104	0.04 15	0.04 40

LG-Stereo_L1	0.07 4	0.05 17	0.11 146	0.14 29	0.06 13	0.07 27	0.13 100	0.09 10	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo_test1	0.06 1	0.05 17	0.08 29	0.17 214	0.05 1	0.06 8	0.11 45	0.08 3	0.03 1	0.05 1	0.04 1	0.06 16	0.05 9	0.09 33	0.09 52	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo	0.07 4	0.05 17	0.08 29	0.17 214	0.05 1	0.07 27	0.11 45	0.08 3	0.04 2	0.05 1	0.04 1	0.06 16	0.05 9	0.10 59	0.09 52	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-Stereo_Zeroshot	0.07 4	0.06 54	0.10 105	0.16 140	0.07 70	0.04 1	0.13 100	0.10 15	0.10 34	0.05 1	0.11 142	0.07 62	0.05 9	0.07 4	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

LG-Stereo	0.08 43	0.07 135	0.10 105	0.18 295	0.07 70	0.10 123	0.17 312	0.11 26	0.08 10	0.05 1	0.07 36	0.05 1	0.07 102	0.09 33	0.09 52	0.04 11	0.05 182	0.07 191	0.07 268	0.04 15	0.04 40

MM-Stereo_test3	0.10 138	0.07 135	0.07 6	0.18 295	0.07 70	0.12 202	0.19 395	0.24 310	0.19 241	0.06 9	0.10 112	0.08 94	0.06 34	0.11 105	0.08 17	0.06 113	0.06 302	0.07 191	0.05 104	0.05 98	0.04 40

MM-Stereo_test1	0.10 138	0.07 135	0.08 29	0.18 295	0.07 70	0.12 202	0.18 357	0.21 247	0.20 264	0.09 90	0.11 142	0.08 94	0.06 34	0.10 59	0.10 120	0.06 113	0.05 182	0.07 191	0.06 181	0.05 98	0.04 40

HART	0.08 43	0.07 135	0.09 70	0.17 214	0.07 70	0.10 123	0.16 279	0.13 57	0.11 60	0.08 61	0.10 112	0.07 62	0.05 9	0.10 59	0.08 17	0.05 26	0.04 21	0.06 99	0.04 34	0.05 98	0.04 40

GREAT-IGEV	0.07 4	0.06 54	0.08 29	0.13 12	0.07 70	0.07 27	0.14 148	0.09 10	0.09 21	0.06 9	0.07 36	0.06 16	0.05 9	0.10 59	0.07 1	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

SCV	0.08 43	0.09 306	0.08 29	0.15 69	0.08 125	0.10 123	0.13 100	0.10 15	0.12 83	0.07 29	0.07 36	0.06 16	0.04 1	0.09 33	0.08 17	0.05 26	0.04 21	0.06 99	0.04 34	0.06 189	0.04 40

DEFOM-Stereo_RVC	0.08 43	0.06 54	0.09 70	0.22 444	0.06 13	0.08 48	0.12 62	0.10 15	0.10 34	0.07 29	0.07 36	0.06 16	0.05 9	0.11 105	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.06 189	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 29	0.12 4	0.05 1	0.09 77	0.13 100	0.06 1	0.09 21	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 113	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

StereoAnything_RVC	0.07 4	0.15 453	0.17 371	0.11 1	0.05 1	0.05 4	0.11 45	0.08 3	0.08 10	0.06 9	0.06 12	0.05 1	0.05 9	0.09 33	0.08 17	0.08 295	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

HUF	0.08 43	0.05 17	0.08 29	0.14 29	0.06 13	0.09 77	0.13 100	0.13 57	0.13 114	0.07 29	0.07 36	0.08 94	0.06 34	0.10 59	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

GIP-stereo	0.08 43	0.06 54	0.11 146	0.14 29	0.06 13	0.09 77	0.13 100	0.14 73	0.11 60	0.07 29	0.08 68	0.05 1	0.04 1	0.10 59	0.07 1	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

DEFOM-Stereo	0.07 4	0.05 17	0.07 6	0.14 29	0.06 13	0.10 123	0.13 100	0.07 2	0.13 114	0.06 9	0.07 36	0.06 16	0.05 9	0.10 59	0.09 52	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

SMoEStereo_RVC	0.08 43	0.06 54	0.12 181	0.16 140	0.07 70	0.09 77	0.14 148	0.11 26	0.13 114	0.09 90	0.07 36	0.07 62	0.07 102	0.12 186	0.10 120	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

tg	0.10 138	0.06 54	0.10 105	0.18 295	0.08 125	0.11 168	0.16 279	0.20 225	0.12 83	0.08 61	0.11 142	0.11 171	0.07 102	0.11 105	0.10 120	0.05 26	0.04 21	0.08 272	0.08 332	0.04 15	0.04 40

dual_stereo	0.07 4	0.04 1	0.08 29	0.15 69	0.05 1	0.05 4	0.13 100	0.12 41	0.08 10	0.07 29	0.06 12	0.05 1	0.05 9	0.07 4	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

GCAP-BAT	0.09 77	0.07 135	0.14 260	0.15 69	0.08 125	0.10 123	0.13 100	0.14 73	0.10 34	0.11 149	0.10 112	0.08 94	0.07 102	0.12 186	0.10 120	0.06 113	0.05 182	0.06 99	0.04 34	0.04 15	0.04 40

IGEV-Stereo++	0.07 4	0.06 54	0.08 29	0.18 295	0.06 13	0.04 1	0.10 26	0.11 26	0.11 60	0.06 9	0.07 36	0.07 62	0.06 34	0.09 33	0.09 52	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

RAStereo	0.10 138	0.09 306	0.08 29	0.20 400	0.08 125	0.13 241	0.18 357	0.15 102	0.17 200	0.10 122	0.12 155	0.05 1	0.06 34	0.09 33	0.08 17	0.07 235	0.05 182	0.07 191	0.05 104	0.05 98	0.04 40

AIO-Stereo	0.08 43	0.06 54	0.09 70	0.18 295	0.06 13	0.08 48	0.12 62	0.15 102	0.09 21	0.08 61	0.08 68	0.07 62	0.05 9	0.11 105	0.08 17	0.05 26	0.05 182	0.05 23	0.04 34	0.04 15	0.04 40

WCG-NET（raft）	0.08 43	0.05 17	0.10 105	0.15 69	0.06 13	0.11 168	0.13 100	0.15 102	0.12 83	0.08 61	0.07 36	0.06 16	0.06 34	0.13 230	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RAFT-Stereo-weight	0.09 77	0.06 54	0.10 105	0.16 140	0.07 70	0.09 77	0.14 148	0.19 214	0.16 181	0.11 149	0.10 112	0.08 94	0.06 34	0.10 59	0.11 183	0.06 113	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

gcap-zeroshot	0.09 77	0.05 17	0.10 105	0.16 140	0.07 70	0.13 241	0.13 100	0.11 26	0.12 83	0.13 214	0.12 155	0.09 119	0.08 137	0.09 33	0.09 52	0.06 113	0.05 182	0.06 99	0.05 104	0.04 15	0.04 40

test_for_model	0.09 77	0.12 406	0.14 260	0.23 464	0.11 382	0.08 48	0.13 100	0.12 41	0.12 83	0.10 122	0.07 36	0.07 62	0.06 34	0.11 105	0.10 120	0.06 113	0.05 182	0.05 23	0.03 1	0.07 254	0.04 40

MoCha-V2	0.08 43	0.05 17	0.10 105	0.20 400	0.07 70	0.09 77	0.14 148	0.11 26	0.08 10	0.07 29	0.08 68	0.07 62	0.06 34	0.09 33	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

IGEV++	0.08 43	0.06 54	0.08 29	0.18 295	0.07 70	0.09 77	0.13 100	0.10 15	0.09 21	0.08 61	0.08 68	0.06 16	0.06 34	0.13 230	0.09 52	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

AE-Stereo	0.10 138	0.08 232	0.10 105	0.18 295	0.09 234	0.10 123	0.15 214	0.14 73	0.19 241	0.09 90	0.14 183	0.12 188	0.08 137	0.11 105	0.10 120	0.05 26	0.06 302	0.07 191	0.06 181	0.05 98	0.04 40

MaDis-Stereo	0.09 77	0.09 306	0.08 29	0.17 214	0.09 234	0.13 241	0.10 26	0.16 128	0.16 181	0.09 90	0.11 142	0.06 16	0.06 34	0.09 33	0.13 272	0.07 235	0.06 302	0.07 191	0.05 104	0.05 98	0.04 40

MSKI-zero shot	0.09 77	0.05 17	0.09 70	0.15 69	0.07 70	0.10 123	0.13 100	0.14 73	0.13 114	0.09 90	0.09 86	0.09 119	0.06 34	0.12 186	0.10 120	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

DLNR_Zeroshot_test	10.40 572	1.82 563	19.49 578	120.77 583	13.11 576	0.06 8	0.13 100	0.23 288	0.10 34	0.07 29	0.10 112	0.09 119	0.06 34	0.10 59	0.09 52	0.13 464	0.04 21	0.06 99	0.04 34	51.54 582	0.04 40

testlalala	0.08 43	0.07 135	0.17 371	0.16 140	0.08 125	0.09 77	0.12 62	0.15 102	0.10 34	0.07 29	0.09 86	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

AEACV	0.08 43	0.05 17	0.08 29	0.14 29	0.13 434	0.14 273	0.13 100	0.14 73	0.09 21	0.07 29	0.09 86	0.07 62	0.08 137	0.10 59	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

HH	0.09 77	0.06 54	0.13 225	0.17 214	0.08 125	0.10 123	0.16 279	0.14 73	0.10 34	0.08 61	0.09 86	0.08 94	0.07 102	0.10 59	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

HanStereo	0.09 77	0.06 54	0.13 225	0.17 214	0.08 125	0.10 123	0.16 279	0.14 73	0.10 34	0.08 61	0.09 86	0.08 94	0.07 102	0.10 59	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

CAS	0.08 43	0.04 1	0.07 6	0.17 214	0.08 125	0.10 123	0.13 100	0.12 41	0.09 21	0.09 90	0.10 112	0.08 94	0.06 34	0.09 33	0.08 17	0.08 295	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

EGLCR-Stereo	0.08 43	0.05 17	0.08 29	0.14 29	0.06 13	0.10 123	0.12 62	0.11 26	0.16 181	0.06 9	0.05 7	0.07 62	0.05 9	0.10 59	0.11 183	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

DCRE	0.11 181	0.07 135	0.13 225	0.16 140	0.11 382	0.11 168	0.17 312	0.18 193	0.17 200	0.11 149	0.18 258	0.10 150	0.10 195	0.15 277	0.11 183	0.06 113	0.05 182	0.06 99	0.06 181	0.05 98	0.04 40

MC-Stereo	0.08 43	0.06 54	0.09 70	0.17 214	0.06 13	0.10 123	0.14 148	0.12 41	0.10 34	0.09 90	0.12 155	0.09 119	0.06 34	0.11 105	0.10 120	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

RCA-Stereo	0.09 77	0.06 54	0.09 70	0.16 140	0.06 13	0.09 77	0.13 100	0.18 193	0.14 138	0.09 90	0.10 112	0.08 94	0.07 102	0.12 186	0.11 183	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

ADStereo(finetuned)	0.10 138	0.06 54	0.12 181	0.16 140	0.06 13	0.09 77	0.17 312	0.15 102	0.19 241	0.13 214	0.17 233	0.10 150	0.12 250	0.11 105	0.12 231	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

raft_robust	0.13 271	0.10 364	0.07 6	0.18 295	0.08 125	0.13 241	0.24 463	0.28 384	0.33 415	0.20 373	0.19 267	0.14 232	0.10 195	0.11 105	0.12 231	0.05 26	0.05 182	0.07 191	0.07 268	0.05 98	0.04 40

RAFT_CTSACE	0.12 246	0.09 306	0.10 105	0.22 444	0.08 125	0.12 202	0.24 463	0.18 193	0.16 181	0.20 373	0.27 384	0.13 212	0.07 102	0.13 230	0.09 52	0.05 26	0.06 302	0.08 272	0.07 268	0.04 15	0.04 40

SA	0.12 246	0.09 306	0.08 29	0.18 295	0.08 125	0.12 202	0.24 463	0.23 288	0.18 226	0.17 306	0.27 384	0.14 232	0.11 220	0.11 105	0.11 183	0.05 26	0.05 182	0.09 351	0.08 332	0.05 98	0.04 40

IPLG	0.10 138	0.07 135	0.15 309	0.17 214	0.08 125	0.11 168	0.14 148	0.20 225	0.15 154	0.12 187	0.17 233	0.07 62	0.07 102	0.14 255	0.13 272	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

MIPNet	0.11 181	0.08 232	0.14 260	0.17 214	0.09 234	0.12 202	0.14 148	0.20 225	0.24 319	0.11 149	0.10 112	0.09 119	0.07 102	0.13 230	0.12 231	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

IPLGR	0.11 181	0.09 306	0.16 343	0.18 295	0.08 125	0.12 202	0.17 312	0.21 247	0.24 319	0.11 149	0.12 155	0.11 171	0.08 137	0.12 186	0.12 231	0.06 113	0.05 182	0.06 99	0.06 181	0.04 15	0.04 40

GMOStereo	0.11 181	0.09 306	0.07 6	0.19 351	0.08 125	0.12 202	0.28 498	0.13 57	0.17 200	0.11 149	0.17 233	0.14 232	0.12 250	0.07 4	0.07 1	0.05 26	0.05 182	0.09 351	0.07 268	0.04 15	0.04 40

error version	0.11 181	0.09 306	0.07 6	0.19 351	0.08 125	0.12 202	0.28 498	0.13 57	0.17 200	0.11 149	0.17 233	0.14 232	0.12 250	0.07 4	0.07 1	0.05 26	0.05 182	0.09 351	0.07 268	0.04 15	0.04 40

test-v	0.11 181	0.09 306	0.07 6	0.19 351	0.08 125	0.12 202	0.28 498	0.13 57	0.17 200	0.11 149	0.17 233	0.14 232	0.12 250	0.07 4	0.07 1	0.05 26	0.05 182	0.09 351	0.07 268	0.04 15	0.04 40

test-3	0.08 43	0.06 54	0.09 70	0.17 214	0.07 70	0.07 27	0.14 148	0.12 41	0.15 154	0.09 90	0.08 68	0.07 62	0.08 137	0.11 105	0.10 120	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.04 40

test_1	0.08 43	0.06 54	0.09 70	0.17 214	0.07 70	0.07 27	0.14 148	0.12 41	0.15 154	0.09 90	0.08 68	0.07 62	0.08 137	0.11 105	0.10 120	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.04 40

test_3	0.10 138	0.09 306	0.10 105	0.20 400	0.08 125	0.13 241	0.26 485	0.14 73	0.21 279	0.10 122	0.10 112	0.09 119	0.09 163	0.08 15	0.11 183	0.05 26	0.04 21	0.08 272	0.07 268	0.04 15	0.04 40

TRStereo	0.09 77	0.05 17	0.12 181	0.15 69	0.12 413	0.10 123	0.13 100	0.18 193	0.18 226	0.09 90	0.09 86	0.09 119	0.06 34	0.10 59	0.08 17	0.07 235	0.05 182	0.07 191	0.07 268	0.04 15	0.04 40

STrans-v2	0.10 138	0.07 135	0.12 181	0.18 295	0.07 70	0.10 123	0.14 148	0.21 247	0.11 60	0.11 149	0.15 200	0.12 188	0.10 195	0.11 105	0.12 231	0.05 26	0.04 21	0.06 99	0.06 181	0.04 15	0.04 40

OMP-Stereo	0.11 181	0.06 54	0.14 260	0.18 295	0.08 125	0.09 77	0.12 62	0.21 247	0.21 279	0.13 214	0.14 183	0.11 171	0.12 250	0.11 105	0.13 272	0.06 113	0.04 21	0.07 191	0.06 181	0.05 98	0.04 40

IIG-Stereo	0.11 181	0.06 54	0.13 225	0.17 214	0.08 125	0.11 168	0.12 62	0.22 269	0.17 200	0.14 235	0.17 233	0.11 171	0.12 250	0.12 186	0.12 231	0.06 113	0.05 182	0.07 191	0.06 181	0.05 98	0.04 40

CroCo-Stereo	0.09 77	0.08 232	0.08 29	0.22 444	0.09 234	0.09 77	0.19 395	0.15 102	0.12 83	0.07 29	0.07 36	0.08 94	0.06 34	0.08 15	0.07 1	0.07 235	0.05 182	0.06 99	0.04 34	0.05 98	0.04 40
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 181	0.09 306	0.07 6	0.19 351	0.08 125	0.12 202	0.28 498	0.13 57	0.17 200	0.11 149	0.17 233	0.14 232	0.12 250	0.07 4	0.07 1	0.05 26	0.05 182	0.09 351	0.07 268	0.04 15	0.04 40

cross-raft	0.10 138	0.09 306	0.09 70	0.19 351	0.07 70	0.11 168	0.25 478	0.13 57	0.15 154	0.08 61	0.11 142	0.12 188	0.10 195	0.09 33	0.11 183	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

test-1	0.10 138	0.07 135	0.16 343	0.19 351	0.08 125	0.11 168	0.24 463	0.14 73	0.18 226	0.09 90	0.07 36	0.09 119	0.08 137	0.07 4	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

iRaftStereo_RVC	0.10 138	0.07 135	0.09 70	0.17 214	0.09 234	0.11 168	0.17 312	0.18 193	0.12 83	0.09 90	0.12 155	0.10 150	0.07 102	0.11 105	0.10 120	0.05 26	0.04 21	0.08 272	0.08 332	0.04 15	0.04 40

CREStereo++_RVC	0.08 43	0.04 1	0.06 2	0.13 12	0.07 70	0.09 77	0.12 62	0.14 73	0.14 138	0.10 122	0.14 183	0.08 94	0.07 102	0.09 33	0.11 183	0.06 113	0.04 21	0.05 23	0.05 104	0.04 15	0.04 40
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.09 77	0.06 54	0.07 6	0.15 69	0.05 1	0.16 329	0.18 357	0.15 102	0.15 154	0.10 122	0.11 142	0.11 171	0.11 220	0.10 59	0.12 231	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RALAANet	0.11 181	0.08 232	0.10 105	0.17 214	0.09 234	0.14 273	0.10 26	0.20 225	0.15 154	0.14 235	0.13 169	0.16 275	0.09 163	0.12 186	0.11 183	0.06 113	0.05 182	0.07 191	0.06 181	0.05 98	0.04 40

XX-Stereo	0.09 77	0.05 17	0.08 29	0.17 214	0.09 234	0.15 299	0.12 62	0.20 225	0.10 34	0.10 122	0.14 183	0.07 62	0.06 34	0.12 186	0.08 17	0.06 113	0.05 182	0.06 99	0.06 181	0.04 15	0.04 40

DCANet	0.10 138	0.06 54	0.12 181	0.16 140	0.06 13	0.09 77	0.17 312	0.15 102	0.19 241	0.13 214	0.17 233	0.10 150	0.11 220	0.11 105	0.12 231	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

ARAFT	0.12 246	0.08 232	0.17 371	0.19 351	0.09 234	0.14 273	0.18 357	0.20 225	0.12 83	0.12 187	0.13 169	0.14 232	0.11 220	0.15 277	0.12 231	0.06 113	0.05 182	0.10 396	0.09 376	0.05 98	0.04 40

EAI-Stereo	0.09 77	0.07 135	0.11 146	0.15 69	0.06 13	0.10 123	0.15 214	0.16 128	0.09 21	0.08 61	0.09 86	0.08 94	0.07 102	0.09 33	0.11 183	0.05 26	0.04 21	0.05 23	0.05 104	0.05 98	0.04 40

CFNet-RSSM	0.09 77	0.07 135	0.09 70	0.16 140	0.07 70	0.09 77	0.15 214	0.16 128	0.17 200	0.08 61	0.12 155	0.10 150	0.09 163	0.11 105	0.09 52	0.06 113	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

Gwc-CoAtRS	0.09 77	0.06 54	0.10 105	0.16 140	0.07 70	0.10 123	0.14 148	0.17 164	0.17 200	0.08 61	0.10 112	0.12 188	0.09 163	0.12 186	0.09 52	0.06 113	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

MLCV	0.12 246	0.07 135	0.16 343	0.18 295	0.06 13	0.15 299	0.17 312	0.19 214	0.21 279	0.18 336	0.25 359	0.17 295	0.13 287	0.14 255	0.13 272	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

xyz-stereo-finetune	0.11 181	0.08 232	0.13 225	0.14 29	0.06 13	0.10 123	0.19 395	0.17 164	0.19 241	0.12 187	0.14 183	0.15 261	0.10 195	0.13 230	0.11 183	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.05 120

MLG-Stereo_test2	0.06 1	0.04 1	0.10 105	0.15 69	0.05 1	0.07 27	0.11 45	0.09 10	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.05 98	0.05 120

LG-G_1	0.07 4	0.04 1	0.11 146	0.15 69	0.06 13	0.09 77	0.08 7	0.08 3	0.06 4	0.06 9	0.05 7	0.07 62	0.07 102	0.11 105	0.08 17	0.07 235	0.04 21	0.05 23	0.04 34	0.05 98	0.05 120

LG-G	0.07 4	0.04 1	0.11 146	0.15 69	0.06 13	0.09 77	0.08 7	0.08 3	0.06 4	0.06 9	0.05 7	0.07 62	0.07 102	0.11 105	0.08 17	0.07 235	0.04 21	0.05 23	0.04 34	0.05 98	0.05 120

DFGA-Net	0.13 271	0.11 389	0.18 394	0.17 214	0.10 335	0.12 202	0.13 100	0.22 269	0.25 340	0.16 290	0.16 212	0.13 212	0.12 250	0.16 311	0.14 309	0.07 235	0.05 182	0.08 272	0.07 268	0.05 98	0.05 120

Reg-Stereo(zero)	0.08 43	0.05 17	0.08 29	0.16 140	0.06 13	0.12 202	0.11 45	0.15 102	0.10 34	0.12 187	0.09 86	0.10 150	0.08 137	0.11 105	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

SCV_C0	0.08 43	0.07 135	0.07 6	0.16 140	0.09 234	0.08 48	0.15 214	0.11 26	0.12 83	0.08 61	0.07 36	0.06 16	0.05 9	0.11 105	0.07 1	0.05 26	0.05 182	0.05 23	0.04 34	0.06 189	0.05 120

AIO-test2	0.10 138	0.08 232	0.10 105	0.23 464	0.08 125	0.11 168	0.10 26	0.23 288	0.23 303	0.08 61	0.09 86	0.08 94	0.05 9	0.10 59	0.08 17	0.06 113	0.05 182	0.08 272	0.09 376	0.05 98	0.05 120

fffft	0.09 77	0.06 54	0.12 181	0.16 140	0.07 70	0.09 77	0.17 312	0.12 41	0.11 60	0.08 61	0.07 36	0.09 119	0.06 34	0.11 105	0.12 231	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.05 120
1: 1. 1
999	0.09 77	0.05 17	0.13 225	0.15 69	0.08 125	0.10 123	0.14 148	0.15 102	0.11 60	0.10 122	0.08 68	0.08 94	0.08 137	0.16 311	0.10 120	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.05 120

fffy	0.09 77	0.08 232	0.09 70	0.16 140	0.07 70	0.13 241	0.17 312	0.13 57	0.12 83	0.08 61	0.09 86	0.08 94	0.09 163	0.13 230	0.11 183	0.05 26	0.05 182	0.07 191	0.05 104	0.04 15	0.05 120

UGAM	0.13 271	0.10 364	0.09 70	0.22 444	0.08 125	0.12 202	0.20 416	0.17 164	0.23 303	0.21 387	0.16 212	0.13 212	0.13 287	0.19 379	0.12 231	0.07 235	0.05 182	0.13 459	0.11 441	0.07 254	0.05 120

rvit_stereo_0083	0.12 246	0.08 232	0.17 371	0.16 140	0.09 234	0.11 168	0.15 214	0.14 73	0.26 354	0.11 149	0.14 183	0.13 212	0.10 195	0.12 186	0.12 231	0.10 388	0.08 397	0.09 351	0.07 268	0.07 254	0.05 120

rvit_stereo_0081	0.11 181	0.08 232	0.15 309	0.16 140	0.09 234	0.10 123	0.14 148	0.14 73	0.24 319	0.11 149	0.13 169	0.13 212	0.09 163	0.11 105	0.12 231	0.10 388	0.07 371	0.08 272	0.07 268	0.07 254	0.05 120

rvit_stereo_0082	0.11 181	0.08 232	0.15 309	0.16 140	0.09 234	0.10 123	0.14 148	0.14 73	0.24 319	0.11 149	0.13 169	0.13 212	0.09 163	0.11 105	0.12 231	0.10 388	0.07 371	0.08 272	0.07 268	0.07 254	0.05 120

Occ-G	0.08 43	0.05 17	0.06 2	0.14 29	0.07 70	0.08 48	0.14 148	0.13 57	0.15 154	0.07 29	0.11 142	0.07 62	0.05 9	0.09 33	0.10 120	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.05 120

Pointernet	0.09 77	0.04 1	0.09 70	0.16 140	0.08 125	0.13 241	0.10 26	0.15 102	0.17 200	0.09 90	0.07 36	0.06 16	0.06 34	0.11 105	0.09 52	0.08 295	0.04 21	0.05 23	0.03 1	0.06 189	0.05 120

U	0.08 43	0.07 135	0.09 70	0.19 351	0.10 335	0.10 123	0.13 100	0.12 41	0.17 200	0.07 29	0.07 36	0.06 16	0.05 9	0.07 4	0.08 17	0.06 113	0.04 21	0.06 99	0.04 34	0.06 189	0.05 120

rvit_stereo_0080	0.10 138	0.08 232	0.14 260	0.15 69	0.09 234	0.07 27	0.15 214	0.16 128	0.16 181	0.11 149	0.10 112	0.14 232	0.08 137	0.12 186	0.10 120	0.09 351	0.07 371	0.07 191	0.06 181	0.07 254	0.05 120

IGEV-BASED-STEREO-	0.09 77	0.10 364	0.31 476	0.15 69	0.06 13	0.08 48	0.14 148	0.10 15	0.10 34	0.07 29	0.07 36	0.06 16	0.04 1	0.11 105	0.07 1	0.12 441	0.04 21	0.07 191	0.05 104	0.05 98	0.05 120

rvit_stereo_ft	0.12 246	0.07 135	0.13 225	0.19 351	0.10 335	0.12 202	0.17 312	0.16 128	0.16 181	0.12 187	0.13 169	0.15 261	0.10 195	0.14 255	0.13 272	0.09 351	0.06 302	0.08 272	0.07 268	0.07 254	0.05 120

trnet	0.08 43	0.05 17	0.07 6	0.12 4	0.05 1	0.12 202	0.11 45	0.13 57	0.10 34	0.08 61	0.13 169	0.09 119	0.08 137	0.11 105	0.10 120	0.08 295	0.05 182	0.05 23	0.03 1	0.06 189	0.05 120

testlalala2	0.10 138	0.06 54	0.11 146	0.20 400	0.10 335	0.10 123	0.12 62	0.17 164	0.12 83	0.12 187	0.13 169	0.09 119	0.07 102	0.11 105	0.13 272	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.05 120

H2IRNET	0.10 138	0.09 306	0.09 70	0.18 295	0.09 234	0.12 202	0.15 214	0.14 73	0.21 279	0.10 122	0.10 112	0.10 150	0.10 195	0.10 59	0.10 120	0.05 26	0.04 21	0.08 272	0.08 332	0.06 189	0.05 120

MGS-Stereo	0.09 77	0.07 135	0.12 181	0.15 69	0.08 125	0.09 77	0.15 214	0.12 41	0.12 83	0.07 29	0.10 112	0.08 94	0.06 34	0.10 59	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.06 189	0.05 120

CoDeX	0.12 246	0.07 135	0.12 181	0.17 214	0.08 125	0.12 202	0.15 214	0.23 288	0.27 363	0.13 214	0.17 233	0.16 275	0.11 220	0.14 255	0.11 183	0.07 235	0.05 182	0.07 191	0.06 181	0.06 189	0.05 120

whm_eth	0.10 138	0.08 232	0.14 260	0.15 69	0.09 234	0.07 27	0.15 214	0.16 128	0.16 181	0.11 149	0.10 112	0.14 232	0.08 137	0.12 186	0.10 120	0.09 351	0.07 371	0.07 191	0.06 181	0.07 254	0.05 120

IGEV_Zeroshot_test	0.09 77	0.05 17	0.12 181	0.13 12	0.08 125	0.12 202	0.13 100	0.17 164	0.11 60	0.10 122	0.06 12	0.09 119	0.06 34	0.11 105	0.09 52	0.06 113	0.04 21	0.06 99	0.06 181	0.05 98	0.05 120

StereoVision	0.13 271	0.12 406	0.09 70	0.24 473	0.10 335	0.15 299	0.21 433	0.21 247	0.20 264	0.12 187	0.24 330	0.10 150	0.10 195	0.16 311	0.10 120	0.09 351	0.11 454	0.12 444	0.12 460	0.06 189	0.05 120

UniTT-Stereo	0.09 77	0.07 135	0.08 29	0.18 295	0.08 125	0.13 241	0.11 45	0.12 41	0.11 60	0.10 122	0.12 155	0.05 1	0.07 102	0.09 33	0.09 52	0.07 235	0.05 182	0.05 23	0.05 104	0.05 98	0.05 120

MIM_Stereo	0.09 77	0.07 135	0.11 146	0.15 69	0.07 70	0.06 8	0.12 62	0.20 225	0.14 138	0.13 214	0.13 169	0.09 119	0.05 9	0.12 186	0.08 17	0.05 26	0.06 302	0.07 191	0.06 181	0.06 189	0.05 120

testlalala_base	0.10 138	0.09 306	0.14 260	0.21 429	0.08 125	0.10 123	0.14 148	0.13 57	0.10 34	0.07 29	0.15 200	0.07 62	0.08 137	0.10 59	0.12 231	0.08 295	0.05 182	0.05 23	0.03 1	0.06 189	0.05 120

GCAP-Stereo	0.09 77	0.07 135	0.13 225	0.18 295	0.06 13	0.11 168	0.07 3	0.13 57	0.12 83	0.09 90	0.10 112	0.07 62	0.09 163	0.13 230	0.10 120	0.06 113	0.05 182	0.05 23	0.04 34	0.04 15	0.05 120

Any-RAFT	0.10 138	0.05 17	0.09 70	0.14 29	0.07 70	0.13 241	0.14 148	0.21 247	0.15 154	0.11 149	0.12 155	0.12 188	0.09 163	0.12 186	0.09 52	0.07 235	0.04 21	0.05 23	0.04 34	0.06 189	0.05 120

RAFT-Test	0.09 77	0.06 54	0.10 105	0.15 69	0.07 70	0.11 168	0.15 214	0.16 128	0.13 114	0.09 90	0.10 112	0.10 150	0.09 163	0.12 186	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

LL-Strereo2	0.10 138	0.10 364	0.15 309	0.18 295	0.08 125	0.15 299	0.09 18	0.17 164	0.14 138	0.14 235	0.10 112	0.09 119	0.07 102	0.16 311	0.10 120	0.05 26	0.05 182	0.10 396	0.07 268	0.06 189	0.05 120

LL-Strereo	0.13 271	0.09 306	0.11 146	0.20 400	0.10 335	0.11 168	0.18 357	0.32 429	0.24 319	0.15 262	0.15 200	0.14 232	0.13 287	0.19 379	0.11 183	0.06 113	0.04 21	0.09 351	0.08 332	0.04 15	0.05 120

4D-IteraStereo	0.09 77	0.07 135	0.10 105	0.18 295	0.07 70	0.09 77	0.15 214	0.17 164	0.15 154	0.10 122	0.11 142	0.10 150	0.07 102	0.11 105	0.09 52	0.05 26	0.03 1	0.08 272	0.07 268	0.06 189	0.05 120

anonymousdsp2	0.11 181	0.07 135	0.10 105	0.16 140	0.09 234	0.13 241	0.14 148	0.18 193	0.22 293	0.13 214	0.14 183	0.12 188	0.09 163	0.14 255	0.11 183	0.05 26	0.04 21	0.05 23	0.04 34	0.06 189	0.05 120

LoS	0.09 77	0.05 17	0.11 146	0.13 12	0.07 70	0.14 273	0.11 45	0.15 102	0.15 154	0.09 90	0.09 86	0.12 188	0.09 163	0.15 277	0.10 120	0.07 235	0.05 182	0.05 23	0.03 1	0.05 98	0.05 120
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
CES	0.08 43	0.04 1	0.08 29	0.14 29	0.07 70	0.09 77	0.14 148	0.11 26	0.09 21	0.08 61	0.09 86	0.11 171	0.06 34	0.12 186	0.08 17	0.06 113	0.04 21	0.05 23	0.03 1	0.05 98	0.05 120

Selective-RAFT	0.11 181	0.10 364	0.11 146	0.21 429	0.08 125	0.16 329	0.13 100	0.20 225	0.22 293	0.10 122	0.10 112	0.11 171	0.10 195	0.15 277	0.11 183	0.05 26	0.05 182	0.06 99	0.05 104	0.06 189	0.05 120

CroCo-Stereo Lap2	0.09 77	0.09 306	0.08 29	0.22 444	0.09 234	0.09 77	0.19 395	0.16 128	0.12 83	0.09 90	0.10 112	0.05 1	0.05 9	0.08 15	0.08 17	0.06 113	0.06 302	0.07 191	0.05 104	0.05 98	0.05 120

TestStereo1	0.13 271	0.08 232	0.08 29	0.19 351	0.08 125	0.18 368	0.29 507	0.23 288	0.16 181	0.17 306	0.20 279	0.16 275	0.10 195	0.12 186	0.13 272	0.06 113	0.06 302	0.08 272	0.06 181	0.05 98	0.05 120

DCANet-4	0.10 138	0.06 54	0.12 181	0.16 140	0.06 13	0.09 77	0.17 312	0.18 193	0.19 241	0.13 214	0.16 212	0.09 119	0.14 312	0.11 105	0.12 231	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

fff	0.10 138	0.06 54	0.12 181	0.15 69	0.07 70	0.09 77	0.17 312	0.16 128	0.20 264	0.13 214	0.16 212	0.10 150	0.11 220	0.11 105	0.12 231	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

SA-5K	0.13 271	0.08 232	0.08 29	0.19 351	0.08 125	0.18 368	0.29 507	0.23 288	0.16 181	0.17 306	0.20 279	0.16 275	0.10 195	0.12 186	0.13 272	0.06 113	0.06 302	0.08 272	0.06 181	0.05 98	0.05 120

Sa-1000	0.12 246	0.08 232	0.08 29	0.18 295	0.08 125	0.14 273	0.22 442	0.22 269	0.18 226	0.15 262	0.20 279	0.17 295	0.11 220	0.10 59	0.10 120	0.06 113	0.05 182	0.09 351	0.09 376	0.05 98	0.05 120

iRaft-Stereo_20w	0.09 77	0.05 17	0.13 225	0.14 29	0.08 125	0.12 202	0.15 214	0.18 193	0.10 34	0.11 149	0.08 68	0.08 94	0.05 9	0.10 59	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.05 120

GLC_STEREO	0.11 181	0.07 135	0.11 146	0.17 214	0.07 70	0.09 77	0.13 100	0.15 102	0.24 319	0.12 187	0.13 169	0.12 188	0.08 137	0.18 364	0.11 183	0.06 113	0.08 397	0.08 272	0.06 181	0.05 98	0.05 120

CrosDoStereo	0.12 246	0.06 54	0.12 181	0.14 29	0.08 125	0.12 202	0.15 214	0.17 164	0.22 293	0.19 351	0.24 330	0.15 261	0.11 220	0.11 105	0.12 231	0.06 113	0.04 21	0.07 191	0.07 268	0.05 98	0.05 120

AAGNet	0.11 181	0.07 135	0.16 343	0.19 351	0.09 234	0.08 48	0.13 100	0.18 193	0.13 114	0.16 290	0.21 300	0.13 212	0.14 312	0.11 105	0.14 309	0.06 113	0.04 21	0.09 351	0.06 181	0.06 189	0.05 120

TransformOpticalFlow	0.10 138	0.08 232	0.13 225	0.18 295	0.07 70	0.09 77	0.15 214	0.19 214	0.15 154	0.12 187	0.17 233	0.11 171	0.11 220	0.11 105	0.10 120	0.05 26	0.04 21	0.06 99	0.06 181	0.05 98	0.05 120

DeepStereo_LL	0.12 246	0.06 54	0.12 181	0.14 29	0.08 125	0.12 202	0.15 214	0.17 164	0.22 293	0.19 351	0.24 330	0.15 261	0.11 220	0.11 105	0.12 231	0.06 113	0.04 21	0.07 191	0.07 268	0.05 98	0.05 120

DEmStereo	0.12 246	0.06 54	0.14 260	0.14 29	0.10 335	0.16 329	0.15 214	0.16 128	0.24 319	0.17 306	0.24 330	0.13 212	0.14 312	0.12 186	0.13 272	0.05 26	0.04 21	0.07 191	0.06 181	0.05 98	0.05 120

SST-Stereo	0.10 138	0.07 135	0.15 309	0.18 295	0.09 234	0.06 8	0.12 62	0.17 164	0.11 60	0.15 262	0.17 233	0.13 212	0.12 250	0.10 59	0.11 183	0.06 113	0.04 21	0.09 351	0.06 181	0.06 189	0.05 120

THIR-Stereo	0.12 246	0.07 135	0.11 146	0.15 69	0.08 125	0.14 273	0.16 279	0.17 164	0.25 340	0.16 290	0.24 330	0.14 232	0.12 250	0.12 186	0.14 309	0.06 113	0.04 21	0.07 191	0.07 268	0.05 98	0.05 120

RAFT_R40	0.11 181	0.07 135	0.14 260	0.18 295	0.09 234	0.06 8	0.13 100	0.17 164	0.16 181	0.14 235	0.18 258	0.15 261	0.12 250	0.10 59	0.11 183	0.06 113	0.04 21	0.09 351	0.06 181	0.06 189	0.05 120

DRaft	0.12 246	0.06 54	0.11 146	0.14 29	0.09 234	0.14 273	0.17 312	0.21 247	0.30 394	0.17 306	0.28 397	0.10 150	0.15 330	0.10 59	0.12 231	0.05 26	0.04 21	0.07 191	0.06 181	0.05 98	0.05 120

PFNet	0.12 246	0.06 54	0.17 371	0.17 214	0.08 125	0.09 77	0.15 214	0.26 344	0.20 264	0.16 290	0.16 212	0.14 232	0.11 220	0.12 186	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.05 98	0.05 120

RAFT-345	0.11 181	0.07 135	0.15 309	0.16 140	0.08 125	0.08 48	0.12 62	0.15 102	0.10 34	0.11 149	0.36 451	0.09 119	0.09 163	0.11 105	0.12 231	0.05 26	0.05 182	0.07 191	0.06 181	0.04 15	0.05 120

AnonymousM	0.09 77	0.05 17	0.10 105	0.14 29	0.06 13	0.09 77	0.13 100	0.19 214	0.14 138	0.13 214	0.11 142	0.09 119	0.08 137	0.13 230	0.10 120	0.08 295	0.05 182	0.08 272	0.05 104	0.05 98	0.05 120

RAFT	0.13 271	0.09 306	0.11 146	0.18 295	0.08 125	0.15 299	0.24 463	0.20 225	0.19 241	0.21 387	0.21 300	0.17 295	0.12 250	0.16 311	0.09 52	0.06 113	0.07 371	0.10 396	0.09 376	0.05 98	0.05 120

TestStereo	0.13 271	0.14 447	0.11 146	0.23 464	0.08 125	0.15 299	0.21 433	0.20 225	0.23 303	0.14 235	0.24 330	0.16 275	0.12 250	0.16 311	0.14 309	0.05 26	0.06 302	0.08 272	0.06 181	0.09 376	0.05 120

raft+_RVC	0.11 181	0.07 135	0.09 70	0.16 140	0.07 70	0.10 123	0.11 45	0.24 310	0.20 264	0.12 187	0.15 200	0.12 188	0.08 137	0.12 186	0.13 272	0.07 235	0.04 21	0.07 191	0.06 181	0.05 98	0.05 120

TANstereo	0.09 77	0.04 1	0.08 29	0.13 12	0.06 13	0.11 168	0.14 148	0.15 102	0.19 241	0.11 149	0.15 200	0.10 150	0.06 34	0.12 186	0.09 52	0.07 235	0.05 182	0.05 23	0.04 34	0.06 189	0.05 120

XX-TBD	0.09 77	0.06 54	0.07 6	0.14 29	0.07 70	0.12 202	0.16 279	0.14 73	0.13 114	0.11 149	0.12 155	0.09 119	0.08 137	0.10 59	0.10 120	0.06 113	0.04 21	0.05 23	0.03 1	0.06 189	0.05 120

raftrobust	0.09 77	0.06 54	0.10 105	0.17 214	0.08 125	0.09 77	0.10 26	0.18 193	0.16 181	0.10 122	0.09 86	0.12 188	0.07 102	0.12 186	0.10 120	0.08 295	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120

csc	0.10 138	0.06 54	0.12 181	0.15 69	0.07 70	0.09 77	0.17 312	0.16 128	0.20 264	0.13 214	0.16 212	0.10 150	0.11 220	0.11 105	0.12 231	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

cscssc	0.10 138	0.06 54	0.12 181	0.15 69	0.07 70	0.09 77	0.17 312	0.16 128	0.20 264	0.13 214	0.16 212	0.10 150	0.11 220	0.11 105	0.12 231	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

111	0.10 138	0.06 54	0.12 181	0.15 69	0.07 70	0.10 123	0.14 148	0.21 247	0.23 303	0.11 149	0.12 155	0.14 232	0.11 220	0.13 230	0.10 120	0.06 113	0.04 21	0.06 99	0.04 34	0.05 98	0.05 120

R-Stereo Train	0.10 138	0.06 54	0.10 105	0.17 214	0.08 125	0.11 168	0.14 148	0.23 288	0.11 60	0.12 187	0.19 267	0.11 171	0.08 137	0.09 33	0.11 183	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120

RAFT-Stereo	0.10 138	0.06 54	0.10 105	0.17 214	0.08 125	0.11 168	0.14 148	0.23 288	0.11 60	0.12 187	0.19 267	0.11 171	0.08 137	0.09 33	0.11 183	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 138	0.06 54	0.12 181	0.14 29	0.06 13	0.11 168	0.10 26	0.18 193	0.18 226	0.13 214	0.16 212	0.14 232	0.11 220	0.15 277	0.13 272	0.06 113	0.04 21	0.04 1	0.04 34	0.06 189	0.05 120
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNet	0.13 271	0.10 364	0.18 394	0.19 351	0.08 125	0.13 241	0.18 357	0.20 225	0.26 354	0.15 262	0.23 318	0.15 261	0.13 287	0.14 255	0.14 309	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.05 120

xyz-stereo-finetune2	0.11 181	0.07 135	0.13 225	0.13 12	0.07 70	0.11 168	0.19 395	0.17 164	0.12 83	0.15 262	0.15 200	0.17 295	0.12 250	0.13 230	0.11 183	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.06 195

111111	0.07 4	0.04 1	0.09 70	0.17 214	0.06 13	0.05 4	0.10 26	0.11 26	0.09 21	0.06 9	0.06 12	0.07 62	0.05 9	0.09 33	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.07 254	0.06 195

MLG-Stereo_test3	0.07 4	0.05 17	0.10 105	0.14 29	0.06 13	0.07 27	0.11 45	0.08 3	0.06 4	0.06 9	0.04 1	0.06 16	0.06 34	0.07 4	0.10 120	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.06 195

G2L-Stereo_test	0.14 305	0.07 135	0.11 146	0.13 12	0.08 125	0.12 202	0.16 279	0.30 408	0.28 377	0.20 373	0.23 318	0.20 335	0.16 356	0.17 343	0.18 386	0.07 235	0.05 182	0.05 23	0.05 104	0.07 254	0.06 195

LGtest1	0.07 4	0.04 1	0.10 105	0.15 69	0.06 13	0.07 27	0.09 18	0.08 3	0.06 4	0.05 1	0.04 1	0.06 16	0.06 34	0.10 59	0.09 52	0.07 235	0.04 21	0.05 23	0.04 34	0.06 189	0.06 195

HI	0.11 181	0.06 54	0.11 146	0.13 12	0.09 234	0.09 77	0.14 148	0.21 247	0.10 34	0.19 351	0.17 233	0.14 232	0.09 163	0.16 311	0.08 17	0.05 26	0.04 21	0.07 191	0.08 332	0.07 254	0.06 195

CoSv	0.11 181	0.06 54	0.11 146	0.13 12	0.09 234	0.09 77	0.14 148	0.21 247	0.10 34	0.19 351	0.17 233	0.14 232	0.09 163	0.16 311	0.08 17	0.05 26	0.04 21	0.07 191	0.08 332	0.07 254	0.06 195

AIO-test1	0.10 138	0.07 135	0.10 105	0.23 464	0.07 70	0.09 77	0.13 100	0.21 247	0.14 138	0.11 149	0.12 155	0.09 119	0.07 102	0.11 105	0.09 52	0.06 113	0.05 182	0.09 351	0.10 411	0.03 1	0.06 195

IGEV-RUCA	0.08 43	0.06 54	0.11 146	0.14 29	0.09 234	0.10 123	0.12 62	0.10 15	0.12 83	0.06 9	0.07 36	0.07 62	0.06 34	0.09 33	0.08 17	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.06 195

tt45	0.09 77	0.06 54	0.11 146	0.15 69	0.07 70	0.11 168	0.16 279	0.13 57	0.11 60	0.09 90	0.06 12	0.08 94	0.06 34	0.13 230	0.10 120	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

PAM_32	0.09 77	0.05 17	0.17 371	0.15 69	0.08 125	0.10 123	0.15 214	0.14 73	0.15 154	0.09 90	0.08 68	0.09 119	0.07 102	0.14 255	0.08 17	0.06 113	0.05 182	0.06 99	0.06 181	0.05 98	0.06 195

PAM	0.10 138	0.05 17	0.16 343	0.15 69	0.08 125	0.09 77	0.16 279	0.15 102	0.16 181	0.12 187	0.09 86	0.09 119	0.07 102	0.13 230	0.08 17	0.06 113	0.05 182	0.06 99	0.06 181	0.05 98	0.06 195

rvit_0105_6	0.14 305	0.09 306	0.18 394	0.17 214	0.10 335	0.10 123	0.16 279	0.19 214	0.26 354	0.12 187	0.18 258	0.17 295	0.12 250	0.18 364	0.12 231	0.15 481	0.11 454	0.12 444	0.10 411	0.09 376	0.06 195

rvit_0105_5	0.14 305	0.09 306	0.13 225	0.17 214	0.09 234	0.14 273	0.23 451	0.24 310	0.27 363	0.14 235	0.15 200	0.18 309	0.12 250	0.17 343	0.14 309	0.14 477	0.11 454	0.10 396	0.10 411	0.08 316	0.06 195

rvit_0105_4	0.14 305	0.09 306	0.17 371	0.17 214	0.10 335	0.12 202	0.19 395	0.23 288	0.27 363	0.14 235	0.20 279	0.17 295	0.13 287	0.17 343	0.13 272	0.15 481	0.11 454	0.11 427	0.10 411	0.09 376	0.06 195

rvit_0105_3	0.15 349	0.09 306	0.14 260	0.19 351	0.12 413	0.15 299	0.25 478	0.25 326	0.29 384	0.15 262	0.17 233	0.20 335	0.13 287	0.17 343	0.14 309	0.13 464	0.11 454	0.12 444	0.14 473	0.07 254	0.06 195

UGAM-zero	0.09 77	0.05 17	0.15 309	0.15 69	0.08 125	0.09 77	0.13 100	0.19 214	0.15 154	0.11 149	0.15 200	0.07 62	0.07 102	0.09 33	0.09 52	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

rvit_stereo_0081_aga	0.11 181	0.09 306	0.14 260	0.18 295	0.09 234	0.13 241	0.14 148	0.14 73	0.19 241	0.10 122	0.18 258	0.16 275	0.09 163	0.12 186	0.09 52	0.10 388	0.06 302	0.08 272	0.07 268	0.07 254	0.06 195

model_zeroshot	0.10 138	0.04 1	0.11 146	0.15 69	0.09 234	0.12 202	0.14 148	0.20 225	0.13 114	0.11 149	0.10 112	0.12 188	0.07 102	0.12 186	0.10 120	0.07 235	0.06 302	0.06 99	0.05 104	0.06 189	0.06 195

IGEV-Stereo+	0.07 4	0.04 1	0.08 29	0.15 69	0.06 13	0.04 1	0.09 18	0.10 15	0.09 21	0.06 9	0.06 12	0.06 16	0.06 34	0.06 1	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.06 189	0.06 195

DispNO	0.14 305	0.08 232	0.17 371	0.19 351	0.12 413	0.11 168	0.21 433	0.23 288	0.29 384	0.17 306	0.23 318	0.18 309	0.17 379	0.15 277	0.15 337	0.07 235	0.05 182	0.08 272	0.08 332	0.07 254	0.06 195

Former-RAFT_DAM_RVC	0.10 138	0.08 232	0.12 181	0.16 140	0.08 125	0.15 299	0.16 279	0.18 193	0.18 226	0.10 122	0.09 86	0.09 119	0.08 137	0.11 105	0.12 231	0.07 235	0.05 182	0.08 272	0.06 181	0.07 254	0.06 195

SMFormer	0.14 305	0.07 135	0.17 371	0.14 29	0.08 125	0.16 329	0.17 312	0.26 344	0.27 363	0.19 351	0.20 279	0.18 309	0.15 330	0.15 277	0.17 368	0.08 295	0.05 182	0.07 191	0.06 181	0.07 254	0.06 195

tta	0.14 305	0.07 135	0.17 371	0.14 29	0.08 125	0.16 329	0.17 312	0.26 344	0.27 363	0.19 351	0.20 279	0.18 309	0.15 330	0.15 277	0.17 368	0.08 295	0.05 182	0.07 191	0.06 181	0.06 189	0.06 195

qqq1	0.13 271	0.07 135	0.17 371	0.14 29	0.08 125	0.16 329	0.17 312	0.26 344	0.27 363	0.19 351	0.20 279	0.18 309	0.15 330	0.15 277	0.11 183	0.08 295	0.05 182	0.05 23	0.05 104	0.06 189	0.06 195

fff1	0.13 271	0.07 135	0.17 371	0.14 29	0.08 125	0.16 329	0.17 312	0.26 344	0.27 363	0.19 351	0.20 279	0.18 309	0.15 330	0.15 277	0.11 183	0.08 295	0.05 182	0.05 23	0.05 104	0.06 189	0.06 195

MyStereo07	0.10 138	0.07 135	0.10 105	0.17 214	0.09 234	0.14 273	0.18 357	0.15 102	0.15 154	0.09 90	0.06 12	0.06 16	0.07 102	0.12 186	0.09 52	0.06 113	0.05 182	0.08 272	0.07 268	0.06 189	0.06 195

MyStereo06	0.10 138	0.07 135	0.12 181	0.17 214	0.09 234	0.13 241	0.18 357	0.19 214	0.12 83	0.12 187	0.08 68	0.07 62	0.07 102	0.11 105	0.09 52	0.06 113	0.05 182	0.07 191	0.07 268	0.06 189	0.06 195

MyStereo05	0.13 271	0.07 135	0.10 105	0.17 214	0.09 234	0.13 241	0.18 357	0.27 365	0.35 435	0.17 306	0.14 183	0.15 261	0.11 220	0.15 277	0.13 272	0.06 113	0.05 182	0.07 191	0.07 268	0.06 189	0.06 195

MyStereo04	0.13 271	0.07 135	0.10 105	0.17 214	0.09 234	0.14 273	0.18 357	0.29 394	0.38 452	0.17 306	0.14 183	0.16 275	0.10 195	0.15 277	0.13 272	0.06 113	0.05 182	0.08 272	0.07 268	0.06 189	0.06 195

cc1	0.10 138	0.08 232	0.12 181	0.17 214	0.09 234	0.13 241	0.15 214	0.16 128	0.18 226	0.09 90	0.09 86	0.06 16	0.06 34	0.10 59	0.07 1	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.06 195

ff7	0.09 77	0.07 135	0.11 146	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.12 83	0.10 122	0.06 12	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

IGEVStereo-DCA	0.09 77	0.06 54	0.11 146	0.15 69	0.10 335	0.11 168	0.15 214	0.16 128	0.12 83	0.10 122	0.06 12	0.08 94	0.06 34	0.10 59	0.08 17	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

ffff	0.09 77	0.07 135	0.11 146	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.12 83	0.10 122	0.06 12	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

rrr	0.09 77	0.06 54	0.12 181	0.15 69	0.10 335	0.11 168	0.16 279	0.16 128	0.15 154	0.10 122	0.06 12	0.08 94	0.06 34	0.10 59	0.08 17	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

ffm	0.12 246	0.09 306	0.14 260	0.16 140	0.08 125	0.17 350	0.17 312	0.15 102	0.19 241	0.15 262	0.25 359	0.19 323	0.13 287	0.10 59	0.07 1	0.06 113	0.04 21	0.09 351	0.08 332	0.06 189	0.06 195

ff1	0.13 271	0.09 306	0.14 260	0.16 140	0.08 125	0.17 350	0.17 312	0.15 102	0.19 241	0.15 262	0.25 359	0.19 323	0.13 287	0.14 255	0.20 404	0.06 113	0.04 21	0.09 351	0.08 332	0.06 189	0.06 195

11t	0.09 77	0.07 135	0.11 146	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.12 83	0.10 122	0.06 12	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

tt1	0.10 138	0.08 232	0.12 181	0.17 214	0.09 234	0.12 202	0.16 279	0.15 102	0.19 241	0.09 90	0.08 68	0.06 16	0.06 34	0.10 59	0.07 1	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.06 195

1111x	0.15 349	0.08 232	0.12 181	0.18 295	0.07 70	0.18 368	0.25 478	0.31 418	0.24 319	0.17 306	0.24 330	0.26 407	0.15 330	0.13 230	0.23 445	0.07 235	0.07 371	0.08 272	0.09 376	0.07 254	0.06 195

plain	0.10 138	0.08 232	0.10 105	0.19 351	0.09 234	0.10 123	0.15 214	0.14 73	0.13 114	0.13 214	0.15 200	0.09 119	0.12 250	0.13 230	0.12 231	0.07 235	0.05 182	0.09 351	0.06 181	0.06 189	0.06 195

anonymousdsp	0.09 77	0.07 135	0.11 146	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.12 83	0.09 90	0.06 12	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

anonymousa	0.13 271	0.07 135	0.13 225	0.18 295	0.09 234	0.13 241	0.17 312	0.19 214	0.29 384	0.15 262	0.24 330	0.15 261	0.14 312	0.14 255	0.14 309	0.07 235	0.05 182	0.07 191	0.09 376	0.05 98	0.06 195

ProNet	0.09 77	0.07 135	0.10 105	0.17 214	0.08 125	0.10 123	0.15 214	0.15 102	0.12 83	0.09 90	0.06 12	0.07 62	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.06 195

ccc-4	0.09 77	0.07 135	0.11 146	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.12 83	0.10 122	0.06 12	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

RAFT+CT+SA	0.13 271	0.11 389	0.09 70	0.19 351	0.09 234	0.15 299	0.28 498	0.22 269	0.22 293	0.15 262	0.26 376	0.10 150	0.10 195	0.11 105	0.12 231	0.05 26	0.04 21	0.07 191	0.08 332	0.07 254	0.06 195

IGEV-Stereo	0.09 77	0.07 135	0.11 146	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.12 83	0.09 90	0.06 12	0.06 16	0.06 34	0.11 105	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 246	0.09 306	0.12 181	0.19 351	0.08 125	0.09 77	0.12 62	0.21 247	0.21 279	0.19 351	0.14 183	0.11 171	0.09 163	0.20 404	0.16 353	0.05 26	0.05 182	0.07 191	0.06 181	0.05 98	0.06 195

psmg	0.14 305	0.09 306	0.14 260	0.17 214	0.10 335	0.15 299	0.17 312	0.29 394	0.19 241	0.17 306	0.21 300	0.25 398	0.16 356	0.15 277	0.14 309	0.08 295	0.06 302	0.08 272	0.08 332	0.07 254	0.06 195

CIPLG	0.11 181	0.08 232	0.14 260	0.17 214	0.08 125	0.12 202	0.15 214	0.17 164	0.15 154	0.14 235	0.11 142	0.16 275	0.09 163	0.16 311	0.11 183	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

dd	0.15 349	0.16 461	0.16 343	0.19 351	0.09 234	0.15 299	0.18 357	0.21 247	0.25 340	0.23 414	0.20 279	0.21 344	0.09 163	0.21 420	0.16 353	0.10 388	0.06 302	0.08 272	0.06 181	0.08 316	0.06 195

IPLGR_C	0.11 181	0.08 232	0.14 260	0.17 214	0.08 125	0.12 202	0.15 214	0.17 164	0.15 154	0.14 235	0.10 112	0.16 275	0.09 163	0.16 311	0.11 183	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

ACRE	0.11 181	0.08 232	0.14 260	0.17 214	0.08 125	0.12 202	0.15 214	0.17 164	0.14 138	0.14 235	0.10 112	0.16 275	0.09 163	0.16 311	0.11 183	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

GwcNet-ADL	0.13 271	0.08 232	0.14 260	0.20 400	0.09 234	0.11 168	0.20 416	0.30 408	0.24 319	0.13 214	0.14 183	0.18 309	0.14 312	0.13 230	0.14 309	0.07 235	0.05 182	0.06 99	0.05 104	0.07 254	0.06 195

RAFT-RH_RVC	0.11 181	0.06 54	0.14 260	0.16 140	0.09 234	0.12 202	0.12 62	0.17 164	0.12 83	0.13 214	0.41 485	0.11 171	0.10 195	0.13 230	0.12 231	0.05 26	0.04 21	0.08 272	0.05 104	0.04 15	0.06 195

IRAFT_RVC	0.12 246	0.08 232	0.16 343	0.19 351	0.08 125	0.07 27	0.15 214	0.24 310	0.23 303	0.14 235	0.14 183	0.15 261	0.12 250	0.12 186	0.10 120	0.06 113	0.04 21	0.09 351	0.06 181	0.06 189	0.06 195

rafts_anoy	0.11 181	0.06 54	0.10 105	0.17 214	0.08 125	0.10 123	0.14 148	0.17 164	0.14 138	0.13 214	0.13 169	0.12 188	0.10 195	0.11 105	0.12 231	0.07 235	0.04 21	0.09 351	0.11 441	0.07 254	0.06 195

test_xeample3	0.09 77	0.06 54	0.12 181	0.16 140	0.09 234	0.11 168	0.15 214	0.16 128	0.13 114	0.10 122	0.06 12	0.08 94	0.06 34	0.10 59	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

GMStereo	0.13 271	0.14 447	0.14 260	0.18 295	0.09 234	0.15 299	0.16 279	0.20 225	0.24 319	0.16 290	0.17 233	0.10 150	0.10 195	0.16 311	0.13 272	0.07 235	0.06 302	0.06 99	0.06 181	0.07 254	0.06 195
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 271	0.07 135	0.14 260	0.17 214	0.09 234	0.15 299	0.16 279	0.28 384	0.27 363	0.14 235	0.17 233	0.12 188	0.13 287	0.14 255	0.11 183	0.08 295	0.05 182	0.07 191	0.07 268	0.07 254	0.06 195

delet	0.17 392	0.08 232	0.17 371	0.19 351	0.11 382	0.20 406	0.21 433	0.30 408	0.37 447	0.17 306	0.26 376	0.19 323	0.19 408	0.19 379	0.21 424	0.08 295	0.08 397	0.09 351	0.11 441	0.06 189	0.06 195

UNet	0.17 392	0.09 306	0.18 394	0.19 351	0.12 413	0.27 475	0.19 395	0.33 448	0.29 384	0.21 387	0.24 330	0.23 379	0.19 408	0.19 379	0.18 386	0.07 235	0.06 302	0.08 272	0.07 268	0.08 316	0.06 195

UPFNet	0.16 372	0.08 232	0.12 181	0.20 400	0.12 413	0.20 406	0.23 451	0.28 384	0.26 354	0.17 306	0.24 330	0.22 362	0.19 408	0.19 379	0.21 424	0.09 351	0.07 371	0.08 272	0.09 376	0.08 316	0.06 195

CREStereo	0.09 77	0.04 1	0.08 29	0.11 1	0.06 13	0.13 241	0.14 148	0.14 73	0.10 34	0.08 61	0.13 169	0.09 119	0.08 137	0.11 105	0.10 120	0.08 295	0.04 21	0.05 23	0.03 1	0.06 189	0.06 195
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
ac_64	0.16 372	0.08 232	0.15 309	0.18 295	0.10 335	0.22 430	0.18 357	0.24 310	0.21 279	0.18 336	0.24 330	0.29 431	0.18 392	0.19 379	0.22 433	0.09 351	0.07 371	0.08 272	0.09 376	0.07 254	0.06 195

ACVNet	0.15 349	0.09 306	0.15 309	0.13 12	0.12 413	0.14 273	0.20 416	0.22 269	0.33 415	0.17 306	0.26 376	0.21 344	0.16 356	0.17 343	0.21 424	0.07 235	0.06 302	0.06 99	0.06 181	0.08 316	0.06 195

acv_ft	0.15 349	0.09 306	0.15 309	0.19 351	0.10 335	0.16 329	0.17 312	0.25 326	0.33 415	0.19 351	0.26 376	0.21 344	0.17 379	0.17 343	0.18 386	0.07 235	0.06 302	0.06 99	0.06 181	0.08 316	0.06 195

cf-r	0.13 271	0.07 135	0.12 181	0.16 140	0.08 125	0.14 273	0.19 395	0.20 225	0.25 340	0.17 306	0.25 359	0.21 344	0.16 356	0.14 255	0.14 309	0.10 388	0.05 182	0.06 99	0.08 332	0.06 189	0.06 195

PMTNet	0.09 77	0.05 17	0.09 70	0.12 4	0.06 13	0.12 202	0.14 148	0.15 102	0.11 60	0.09 90	0.13 169	0.10 150	0.07 102	0.13 230	0.10 120	0.15 481	0.04 21	0.05 23	0.03 1	0.07 254	0.06 195

DIP-Stereo	0.11 181	0.07 135	0.14 260	0.17 214	0.09 234	0.13 241	0.09 18	0.16 128	0.16 181	0.11 149	0.16 212	0.14 232	0.12 250	0.15 277	0.13 272	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 246	0.08 232	0.14 260	0.18 295	0.07 70	0.15 299	0.07 3	0.22 269	0.18 226	0.16 290	0.19 267	0.18 309	0.14 312	0.16 311	0.15 337	0.07 235	0.05 182	0.05 23	0.05 104	0.06 189	0.06 195

RASNet	0.14 305	0.07 135	0.14 260	0.16 140	0.08 125	0.18 368	0.14 148	0.29 394	0.20 264	0.17 306	0.25 359	0.21 344	0.18 392	0.20 404	0.19 398	0.07 235	0.06 302	0.06 99	0.08 332	0.06 189	0.06 195

HSM-Net_RVC	0.14 305	0.08 232	0.11 146	0.15 69	0.08 125	0.15 299	0.15 214	0.27 365	0.29 384	0.19 351	0.21 300	0.29 431	0.14 312	0.17 343	0.13 272	0.06 113	0.06 302	0.06 99	0.06 181	0.07 254	0.06 195
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 349	0.10 364	0.17 371	0.17 214	0.08 125	0.18 368	0.09 18	0.28 384	0.25 340	0.19 351	0.24 330	0.24 385	0.17 379	0.17 343	0.14 309	0.08 295	0.06 302	0.09 351	0.10 411	0.07 254	0.06 195

AANet_RVC	0.16 372	0.10 364	0.10 105	0.18 295	0.09 234	0.18 368	0.19 395	0.26 344	0.31 401	0.22 402	0.35 448	0.21 344	0.21 424	0.22 431	0.16 353	0.06 113	0.05 182	0.06 99	0.06 181	0.07 254	0.06 195

HSM	0.15 349	0.08 232	0.14 260	0.16 140	0.09 234	0.16 329	0.14 148	0.28 384	0.25 340	0.19 351	0.23 318	0.37 480	0.16 356	0.20 404	0.15 337	0.07 235	0.05 182	0.07 191	0.06 181	0.07 254	0.06 195

LE_ROB	0.50 529	0.07 135	0.14 260	0.15 69	0.08 125	0.24 448	0.16 279	0.22 269	1.81 561	4.63 565	0.67 525	0.47 514	0.44 521	0.20 404	0.29 492	0.07 235	0.06 302	0.06 99	0.06 181	0.08 316	0.06 195

DN-CSS_ROB	0.13 271	0.13 435	0.16 343	0.18 295	0.10 335	0.16 329	0.08 7	0.22 269	0.18 226	0.17 306	0.22 309	0.13 212	0.13 287	0.12 186	0.13 272	0.05 26	0.05 182	0.10 396	0.10 411	0.08 316	0.06 195

pmcnn	0.15 349	0.07 135	0.19 405	0.15 69	0.07 70	0.20 406	0.15 214	0.24 310	0.26 354	0.21 387	0.34 443	0.28 424	0.18 392	0.18 364	0.17 368	0.07 235	0.05 182	0.05 23	0.04 34	0.07 254	0.06 195

G2L-Stereo	0.14 305	0.07 135	0.13 225	0.17 214	0.09 234	0.13 241	0.12 62	0.27 365	0.22 293	0.16 290	0.27 384	0.21 344	0.13 287	0.17 343	0.18 386	0.09 351	0.08 397	0.08 272	0.07 268	0.07 254	0.07 274

rvit_105_1	0.19 417	0.11 389	0.25 448	0.21 429	0.16 478	0.21 422	0.27 492	0.31 418	0.41 464	0.19 351	0.20 279	0.22 362	0.17 379	0.19 379	0.17 368	0.12 441	0.12 468	0.13 459	0.15 489	0.08 316	0.07 274

ACV-stereo	0.15 349	0.10 364	0.28 463	0.18 295	0.12 413	0.14 273	0.12 62	0.23 288	0.21 279	0.19 351	0.23 318	0.22 362	0.15 330	0.23 442	0.17 368	0.07 235	0.06 302	0.07 191	0.07 268	0.07 254	0.07 274

test_sample2	0.12 246	0.07 135	0.12 181	0.14 29	0.08 125	0.16 329	0.18 357	0.21 247	0.16 181	0.14 235	0.20 279	0.19 323	0.15 330	0.15 277	0.12 231	0.08 295	0.05 182	0.07 191	0.06 181	0.08 316	0.07 274

test_sample1	0.13 271	0.07 135	0.14 260	0.13 12	0.08 125	0.19 391	0.16 279	0.20 225	0.15 154	0.14 235	0.22 309	0.18 309	0.16 356	0.17 343	0.14 309	0.07 235	0.06 302	0.06 99	0.06 181	0.08 316	0.07 274

ACVNet-DCA	0.10 138	0.08 232	0.12 181	0.17 214	0.09 234	0.13 241	0.15 214	0.23 288	0.16 181	0.09 90	0.09 86	0.06 16	0.06 34	0.10 59	0.07 1	0.06 113	0.04 21	0.06 99	0.05 104	0.07 254	0.07 274

xx1	0.11 181	0.08 232	0.12 181	0.17 214	0.09 234	0.13 241	0.15 214	0.16 128	0.18 226	0.09 90	0.09 86	0.16 275	0.16 356	0.10 59	0.07 1	0.06 113	0.04 21	0.08 272	0.08 332	0.07 254	0.07 274

1test111	0.11 181	0.08 232	0.12 181	0.17 214	0.09 234	0.13 241	0.15 214	0.23 288	0.16 181	0.09 90	0.09 86	0.06 16	0.06 34	0.15 277	0.16 353	0.06 113	0.04 21	0.06 99	0.05 104	0.07 254	0.07 274

mmm	0.14 305	0.08 232	0.17 371	0.17 214	0.09 234	0.17 350	0.18 357	0.21 247	0.15 154	0.15 262	0.23 318	0.21 344	0.16 356	0.16 311	0.17 368	0.08 295	0.05 182	0.08 272	0.07 268	0.07 254	0.07 274

11t1	0.12 246	0.06 54	0.13 225	0.14 29	0.08 125	0.17 350	0.15 214	0.18 193	0.15 154	0.15 262	0.15 200	0.16 275	0.16 356	0.15 277	0.13 272	0.08 295	0.05 182	0.06 99	0.05 104	0.08 316	0.07 274

MIF-Stereo (partial)	0.11 181	0.06 54	0.10 105	0.19 351	0.10 335	0.10 123	0.11 45	0.17 164	0.18 226	0.14 235	0.16 212	0.09 119	0.11 220	0.12 186	0.12 231	0.08 295	0.05 182	0.08 272	0.07 268	0.06 189	0.07 274

EKT-Stereo	0.11 181	0.07 135	0.14 260	0.15 69	0.10 335	0.13 241	0.14 148	0.18 193	0.21 279	0.11 149	0.08 68	0.12 188	0.09 163	0.11 105	0.12 231	0.08 295	0.06 302	0.07 191	0.06 181	0.08 316	0.07 274

PCWNet_CMD	0.14 305	0.08 232	0.15 309	0.17 214	0.09 234	0.14 273	0.14 148	0.29 394	0.36 440	0.14 235	0.20 279	0.21 344	0.12 250	0.17 343	0.13 272	0.07 235	0.05 182	0.07 191	0.07 268	0.07 254	0.07 274

fast-acv-ft	0.18 405	0.11 389	0.19 405	0.19 351	0.12 413	0.24 448	0.21 433	0.25 326	0.34 426	0.22 402	0.34 443	0.27 415	0.20 420	0.21 420	0.23 445	0.09 351	0.09 423	0.08 272	0.10 411	0.08 316	0.07 274

CBFPSM	0.14 305	0.06 54	0.26 451	0.17 214	0.09 234	0.13 241	0.15 214	0.22 269	0.23 303	0.20 373	0.27 384	0.24 385	0.16 356	0.16 311	0.18 386	0.06 113	0.06 302	0.06 99	0.07 268	0.07 254	0.07 274

GASNet	0.22 449	0.23 500	0.33 482	0.26 488	0.17 493	0.26 466	0.16 279	0.44 513	0.42 471	0.27 446	0.24 330	0.30 439	0.15 330	0.27 461	0.18 386	0.12 441	0.08 397	0.12 444	0.11 441	0.16 492	0.07 274

gwcnet-sp	0.14 305	0.07 135	0.12 181	0.18 295	0.09 234	0.16 329	0.17 312	0.24 310	0.24 319	0.18 336	0.24 330	0.15 261	0.16 356	0.15 277	0.15 337	0.08 295	0.06 302	0.07 191	0.08 332	0.08 316	0.07 274

scenet	0.14 305	0.07 135	0.12 181	0.18 295	0.09 234	0.16 329	0.17 312	0.24 310	0.24 319	0.18 336	0.24 330	0.15 261	0.16 356	0.15 277	0.15 337	0.08 295	0.06 302	0.07 191	0.08 332	0.08 316	0.07 274

CASS	0.13 271	0.12 406	0.11 146	0.23 464	0.09 234	0.15 299	0.17 312	0.18 193	0.19 241	0.17 306	0.18 258	0.15 261	0.15 330	0.14 255	0.14 309	0.09 351	0.06 302	0.10 396	0.08 332	0.09 376	0.07 274
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 181	0.05 17	0.12 181	0.13 12	0.07 70	0.15 299	0.14 148	0.19 214	0.13 114	0.11 149	0.17 233	0.13 212	0.09 163	0.13 230	0.11 183	0.08 295	0.05 182	0.06 99	0.05 104	0.08 316	0.07 274

ssnet	0.14 305	0.07 135	0.12 181	0.18 295	0.09 234	0.16 329	0.17 312	0.24 310	0.24 319	0.18 336	0.24 330	0.15 261	0.16 356	0.15 277	0.15 337	0.08 295	0.06 302	0.07 191	0.08 332	0.08 316	0.07 274

qqq	0.13 271	0.09 306	0.15 309	0.16 140	0.08 125	0.13 241	0.15 214	0.23 288	0.16 181	0.15 262	0.19 267	0.16 275	0.16 356	0.15 277	0.16 353	0.07 235	0.06 302	0.08 272	0.08 332	0.07 254	0.07 274

x	0.13 271	0.07 135	0.14 260	0.14 29	0.08 125	0.18 368	0.14 148	0.22 269	0.20 264	0.15 262	0.19 267	0.19 323	0.17 379	0.18 364	0.18 386	0.07 235	0.05 182	0.06 99	0.06 181	0.07 254	0.07 274

BUS	0.14 305	0.09 306	0.14 260	0.22 444	0.10 335	0.19 391	0.14 148	0.34 457	0.19 241	0.17 306	0.22 309	0.16 275	0.13 287	0.15 277	0.13 272	0.08 295	0.06 302	0.10 396	0.09 376	0.07 254	0.07 274

IER	0.14 305	0.07 135	0.13 225	0.17 214	0.09 234	0.14 273	0.16 279	0.25 326	0.26 354	0.18 336	0.25 359	0.17 295	0.20 420	0.16 311	0.14 309	0.08 295	0.05 182	0.07 191	0.06 181	0.08 316	0.07 274

test_5	0.14 305	0.12 406	0.08 29	0.20 400	0.10 335	0.14 273	0.29 507	0.21 247	0.24 319	0.18 336	0.28 397	0.11 171	0.15 330	0.12 186	0.13 272	0.06 113	0.05 182	0.07 191	0.08 332	0.08 316	0.07 274

BSDual-CNN	0.15 349	0.09 306	0.14 260	0.22 444	0.10 335	0.14 273	0.15 214	0.34 457	0.19 241	0.17 306	0.22 309	0.25 398	0.16 356	0.15 277	0.14 309	0.08 295	0.06 302	0.10 396	0.09 376	0.07 254	0.07 274

hknet	0.15 349	0.11 389	0.13 225	0.22 444	0.11 382	0.14 273	0.15 214	0.34 457	0.25 340	0.17 306	0.22 309	0.22 362	0.18 392	0.17 343	0.12 231	0.07 235	0.06 302	0.10 396	0.09 376	0.07 254	0.07 274

CSP-Net	0.16 372	0.09 306	0.14 260	0.16 140	0.09 234	0.19 391	0.17 312	0.25 326	0.32 408	0.25 436	0.30 415	0.24 385	0.15 330	0.21 420	0.18 386	0.09 351	0.06 302	0.07 191	0.07 268	0.08 316	0.07 274

UDGNet	0.14 305	0.13 435	0.16 343	0.17 214	0.10 335	0.12 202	0.16 279	0.21 247	0.27 363	0.20 373	0.20 279	0.16 275	0.13 287	0.16 311	0.13 272	0.10 388	0.06 302	0.09 351	0.07 268	0.06 189	0.07 274

dad	0.17 392	0.20 489	0.20 417	0.16 140	0.11 382	0.20 406	0.18 357	0.21 247	0.28 377	0.30 470	0.24 330	0.29 431	0.13 287	0.19 379	0.16 353	0.18 504	0.09 423	0.11 427	0.09 376	0.11 427	0.07 274

DAS	0.15 349	0.08 232	0.18 394	0.19 351	0.10 335	0.19 391	0.17 312	0.27 365	0.29 384	0.18 336	0.25 359	0.21 344	0.15 330	0.16 311	0.12 231	0.08 295	0.06 302	0.06 99	0.06 181	0.07 254	0.07 274

SepStereo	0.15 349	0.08 232	0.18 394	0.19 351	0.10 335	0.19 391	0.17 312	0.27 365	0.29 384	0.18 336	0.25 359	0.21 344	0.15 330	0.25 456	0.12 231	0.08 295	0.06 302	0.06 99	0.06 181	0.07 254	0.07 274

PSMNet-ADL	0.15 349	0.12 406	0.13 225	0.22 444	0.09 234	0.13 241	0.20 416	0.26 344	0.23 303	0.18 336	0.20 279	0.24 385	0.16 356	0.18 364	0.17 368	0.08 295	0.08 397	0.08 272	0.11 441	0.08 316	0.07 274

ADLNet2	0.16 372	0.09 306	0.13 225	0.16 140	0.09 234	0.20 406	0.16 279	0.31 418	0.39 455	0.16 290	0.20 279	0.20 335	0.18 392	0.21 420	0.22 433	0.08 295	0.06 302	0.07 191	0.07 268	0.09 376	0.07 274

Patchmatch Stereo++	0.11 181	0.09 306	0.16 343	0.18 295	0.08 125	0.06 8	0.11 45	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
NRIStereo	0.11 181	0.08 232	0.14 260	0.18 295	0.08 125	0.10 123	0.14 148	0.16 128	0.15 154	0.12 187	0.14 183	0.13 212	0.12 250	0.13 230	0.10 120	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.07 274

PSM-adaLoss	0.11 181	0.09 306	0.16 343	0.18 295	0.08 125	0.06 8	0.12 62	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

ROB_FTStereo_v2	0.11 181	0.09 306	0.16 343	0.19 351	0.08 125	0.06 8	0.12 62	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

ROB_FTStereo	0.11 181	0.09 306	0.16 343	0.19 351	0.08 125	0.06 8	0.11 45	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

HUI-Stereo	0.11 181	0.09 306	0.16 343	0.18 295	0.08 125	0.06 8	0.12 62	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

iGMRVC	0.11 181	0.09 306	0.16 343	0.19 351	0.08 125	0.06 8	0.12 62	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

iRAFT	0.11 181	0.09 306	0.16 343	0.18 295	0.08 125	0.06 8	0.11 45	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

RAFT-IKP	0.11 181	0.09 306	0.16 343	0.19 351	0.08 125	0.06 8	0.12 62	0.16 128	0.13 114	0.15 262	0.16 212	0.14 232	0.12 250	0.11 105	0.10 120	0.06 113	0.04 21	0.08 272	0.06 181	0.08 316	0.07 274

ICVP	0.15 349	0.09 306	0.12 181	0.22 444	0.09 234	0.17 350	0.21 433	0.25 326	0.23 303	0.18 336	0.30 415	0.26 407	0.18 392	0.17 343	0.14 309	0.09 351	0.07 371	0.08 272	0.07 268	0.07 254	0.07 274
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
CFNet_pseudo	0.14 305	0.08 232	0.15 309	0.16 140	0.09 234	0.13 241	0.14 148	0.27 365	0.34 426	0.14 235	0.21 300	0.22 362	0.13 287	0.18 364	0.14 309	0.07 235	0.05 182	0.08 272	0.06 181	0.07 254	0.07 274

RALCasStereoNet	0.10 138	0.06 54	0.09 70	0.16 140	0.08 125	0.12 202	0.14 148	0.17 164	0.11 60	0.12 187	0.17 233	0.14 232	0.10 195	0.12 186	0.11 183	0.07 235	0.06 302	0.06 99	0.05 104	0.08 316	0.07 274

sCroCo_RVC	0.12 246	0.09 306	0.23 440	0.24 473	0.11 382	0.19 391	0.14 148	0.17 164	0.14 138	0.10 122	0.13 169	0.12 188	0.07 102	0.14 255	0.11 183	0.08 295	0.08 397	0.08 272	0.08 332	0.05 98	0.07 274

HCRNet	0.16 372	0.24 503	0.12 181	0.35 520	0.11 382	0.15 299	0.17 312	0.26 344	0.22 293	0.19 351	0.24 330	0.21 344	0.14 312	0.15 277	0.13 272	0.11 416	0.07 371	0.11 427	0.10 411	0.09 376	0.07 274

xxxx	0.15 349	0.07 135	0.14 260	0.14 29	0.08 125	0.23 443	0.18 357	0.31 418	0.19 241	0.14 235	0.28 397	0.22 362	0.14 312	0.15 277	0.26 475	0.09 351	0.05 182	0.07 191	0.07 268	0.08 316	0.07 274

test_xeample	0.15 349	0.06 54	0.13 225	0.14 29	0.08 125	0.21 422	0.20 416	0.28 384	0.20 264	0.16 290	0.29 409	0.19 323	0.16 356	0.15 277	0.26 475	0.09 351	0.05 182	0.07 191	0.07 268	0.07 254	0.07 274

MMNet	0.17 392	0.09 306	0.16 343	0.20 400	0.11 382	0.27 475	0.20 416	0.25 326	0.41 464	0.22 402	0.30 415	0.21 344	0.20 420	0.17 343	0.20 404	0.06 113	0.06 302	0.07 191	0.07 268	0.08 316	0.07 274

FENet	0.13 271	0.08 232	0.12 181	0.16 140	0.08 125	0.14 273	0.15 214	0.22 269	0.23 303	0.17 306	0.23 318	0.16 275	0.12 250	0.14 255	0.15 337	0.08 295	0.05 182	0.08 272	0.08 332	0.07 254	0.07 274

GANet-RSSM	0.14 305	0.07 135	0.13 225	0.13 12	0.08 125	0.14 273	0.17 312	0.22 269	0.21 279	0.17 306	0.24 330	0.23 379	0.15 330	0.16 311	0.15 337	0.10 388	0.06 302	0.07 191	0.08 332	0.08 316	0.07 274

PSMNet-RSSM	0.14 305	0.07 135	0.13 225	0.15 69	0.08 125	0.13 241	0.16 279	0.24 310	0.24 319	0.16 290	0.28 397	0.22 362	0.14 312	0.15 277	0.13 272	0.11 416	0.06 302	0.09 351	0.12 460	0.08 316	0.07 274

GwcNet-RSSM	0.14 305	0.07 135	0.12 181	0.15 69	0.08 125	0.15 299	0.20 416	0.21 247	0.27 363	0.18 336	0.27 384	0.22 362	0.16 356	0.14 255	0.15 337	0.10 388	0.05 182	0.07 191	0.09 376	0.07 254	0.07 274

MSMDNet	0.14 305	0.08 232	0.15 309	0.17 214	0.09 234	0.14 273	0.14 148	0.29 394	0.36 440	0.14 235	0.21 300	0.21 344	0.12 250	0.17 343	0.14 309	0.07 235	0.05 182	0.07 191	0.07 268	0.07 254	0.07 274

CVANet_RVC	0.18 405	0.10 364	0.14 260	0.21 429	0.10 335	0.18 368	0.17 312	0.34 457	0.33 415	0.22 402	0.31 423	0.28 424	0.18 392	0.23 442	0.17 368	0.12 441	0.08 397	0.12 444	0.11 441	0.09 376	0.07 274

ccs_rob	0.14 305	0.08 232	0.15 309	0.16 140	0.09 234	0.12 202	0.14 148	0.27 365	0.34 426	0.14 235	0.21 300	0.22 362	0.13 287	0.18 364	0.14 309	0.07 235	0.05 182	0.08 272	0.07 268	0.07 254	0.07 274

AdaStereo	0.15 349	0.11 389	0.15 309	0.18 295	0.09 234	0.20 406	0.11 45	0.32 429	0.28 377	0.20 373	0.23 318	0.20 335	0.13 287	0.19 379	0.14 309	0.12 441	0.05 182	0.10 396	0.07 268	0.09 376	0.07 274
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
StereoDRNet-Refined	0.17 392	0.12 406	0.15 309	0.20 400	0.09 234	0.18 368	0.18 357	0.26 344	0.23 303	0.26 440	0.40 475	0.22 362	0.17 379	0.21 420	0.20 404	0.08 295	0.05 182	0.09 351	0.10 411	0.07 254	0.07 274
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DRN-Test	0.19 417	0.11 389	0.20 417	0.22 444	0.10 335	0.22 430	0.22 442	0.39 492	0.37 447	0.24 423	0.32 427	0.26 407	0.21 424	0.22 431	0.24 456	0.11 416	0.07 371	0.11 427	0.10 411	0.09 376	0.07 274

StereoDRNet	0.18 405	0.11 389	0.17 371	0.22 444	0.11 382	0.21 422	0.22 442	0.37 481	0.33 415	0.24 423	0.28 397	0.30 439	0.19 408	0.20 404	0.20 404	0.09 351	0.08 397	0.11 427	0.09 376	0.09 376	0.07 274

DLCB_ROB	0.18 405	0.10 364	0.15 309	0.23 464	0.11 382	0.24 448	0.18 357	0.29 394	0.28 377	0.27 446	0.28 397	0.28 424	0.24 445	0.19 379	0.20 404	0.08 295	0.08 397	0.09 351	0.09 376	0.07 254	0.07 274

coex_refinement	0.14 305	0.07 135	0.12 181	0.17 214	0.10 335	0.15 299	0.15 214	0.26 344	0.29 384	0.18 336	0.20 279	0.22 362	0.17 379	0.16 311	0.18 386	0.08 295	0.05 182	0.06 99	0.06 181	0.09 376	0.08 338

S2M2	0.09 77	0.08 232	0.11 146	0.13 12	0.10 335	0.08 48	0.06 1	0.10 15	0.10 34	0.10 122	0.09 86	0.10 150	0.09 163	0.11 105	0.11 183	0.13 464	0.07 371	0.08 272	0.09 376	0.10 407	0.08 338

FACV-RUCA	0.13 271	0.11 389	0.12 181	0.19 351	0.12 413	0.15 299	0.15 214	0.22 269	0.20 264	0.15 262	0.16 212	0.14 232	0.16 356	0.14 255	0.13 272	0.07 235	0.05 182	0.08 272	0.06 181	0.10 407	0.08 338

ITSA-stereo	0.15 349	0.10 364	0.14 260	0.19 351	0.08 125	0.12 202	0.14 148	0.30 408	0.49 495	0.17 306	0.19 267	0.22 362	0.15 330	0.17 343	0.16 353	0.10 388	0.06 302	0.08 272	0.08 332	0.08 316	0.08 338

AIO-Stereo-zeroshot	0.11 181	0.05 17	0.11 146	0.15 69	0.13 434	0.13 241	0.16 279	0.23 288	0.17 200	0.10 122	0.12 155	0.10 150	0.07 102	0.11 105	0.09 52	0.06 113	0.05 182	0.06 99	0.06 181	0.07 254	0.08 338

test_sample6	0.14 305	0.08 232	0.13 225	0.16 140	0.08 125	0.17 350	0.19 395	0.25 326	0.17 200	0.17 306	0.27 384	0.19 323	0.14 312	0.15 277	0.13 272	0.08 295	0.05 182	0.08 272	0.07 268	0.08 316	0.08 338

test_sample5	0.14 305	0.08 232	0.14 260	0.16 140	0.08 125	0.18 368	0.18 357	0.25 326	0.17 200	0.17 306	0.27 384	0.18 309	0.14 312	0.16 311	0.13 272	0.08 295	0.05 182	0.08 272	0.07 268	0.08 316	0.08 338

test_sample4	0.14 305	0.08 232	0.14 260	0.15 69	0.08 125	0.19 391	0.18 357	0.26 344	0.17 200	0.16 290	0.25 359	0.18 309	0.14 312	0.16 311	0.13 272	0.08 295	0.06 302	0.08 272	0.06 181	0.08 316	0.08 338

test_sample3	0.14 305	0.08 232	0.15 309	0.14 29	0.09 234	0.19 391	0.17 312	0.26 344	0.18 226	0.16 290	0.22 309	0.19 323	0.15 330	0.17 343	0.13 272	0.08 295	0.06 302	0.07 191	0.06 181	0.09 376	0.08 338

CAS++	0.11 181	0.07 135	0.11 146	0.14 29	0.09 234	0.12 202	0.14 148	0.24 310	0.14 138	0.11 149	0.09 86	0.11 171	0.07 102	0.14 255	0.09 52	0.11 416	0.09 423	0.09 351	0.07 268	0.07 254	0.08 338
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
DualNet	0.14 305	0.08 232	0.14 260	0.16 140	0.08 125	0.18 368	0.18 357	0.25 326	0.17 200	0.17 306	0.27 384	0.18 309	0.14 312	0.16 311	0.13 272	0.08 295	0.05 182	0.08 272	0.07 268	0.08 316	0.08 338

mmx	0.14 305	0.09 306	0.14 260	0.16 140	0.08 125	0.17 350	0.17 312	0.27 365	0.25 340	0.15 262	0.25 359	0.19 323	0.13 287	0.14 255	0.20 404	0.08 295	0.06 302	0.09 351	0.08 332	0.08 316	0.08 338

ttt	0.14 305	0.08 232	0.14 260	0.15 69	0.08 125	0.15 299	0.18 357	0.27 365	0.29 384	0.16 290	0.24 330	0.17 295	0.13 287	0.13 230	0.14 309	0.11 416	0.08 397	0.09 351	0.08 332	0.09 376	0.08 338

xxx	0.14 305	0.09 306	0.14 260	0.16 140	0.08 125	0.17 350	0.17 312	0.27 365	0.25 340	0.15 262	0.25 359	0.19 323	0.13 287	0.14 255	0.20 404	0.08 295	0.06 302	0.09 351	0.08 332	0.08 316	0.08 338

GMStereo_Zeroshot	0.16 372	0.13 435	0.24 443	0.20 400	0.10 335	0.17 350	0.13 100	0.29 394	0.25 340	0.23 414	0.32 427	0.25 398	0.11 220	0.19 379	0.14 309	0.09 351	0.06 302	0.11 427	0.06 181	0.12 441	0.08 338

ToySt	0.17 392	0.11 389	0.18 394	0.17 214	0.11 382	0.16 329	0.25 478	0.24 310	0.33 415	0.19 351	0.24 330	0.26 407	0.24 445	0.19 379	0.20 404	0.07 235	0.08 397	0.09 351	0.10 411	0.09 376	0.08 338

riskmin	0.11 181	0.06 54	0.13 225	0.14 29	0.08 125	0.14 273	0.14 148	0.18 193	0.14 138	0.11 149	0.14 183	0.16 275	0.11 220	0.14 255	0.12 231	0.09 351	0.05 182	0.07 191	0.05 104	0.08 316	0.08 338

ssnet_v2	0.17 392	0.10 364	0.17 371	0.17 214	0.11 382	0.21 422	0.21 433	0.33 448	0.25 340	0.22 402	0.22 309	0.27 415	0.18 392	0.22 431	0.20 404	0.11 416	0.09 423	0.09 351	0.09 376	0.08 316	0.08 338

HBP-ISP	0.18 405	0.13 435	0.16 343	0.15 69	0.11 382	0.08 48	0.13 100	0.28 384	0.29 384	0.22 402	0.33 439	0.21 344	0.25 453	0.23 442	0.17 368	0.14 477	0.16 499	0.21 506	0.17 500	0.10 407	0.08 338

CRFU-Net	0.16 372	0.08 232	0.14 260	0.17 214	0.09 234	0.19 391	0.14 148	0.26 344	0.20 264	0.28 460	0.27 384	0.29 431	0.17 379	0.19 379	0.17 368	0.09 351	0.09 423	0.07 191	0.07 268	0.08 316	0.08 338

GANet-ADL	0.13 271	0.07 135	0.15 309	0.17 214	0.10 335	0.18 368	0.15 214	0.30 408	0.20 264	0.13 214	0.18 258	0.19 323	0.12 250	0.16 311	0.13 272	0.08 295	0.06 302	0.06 99	0.05 104	0.07 254	0.08 338

ASMatch	0.11 181	0.06 54	0.13 225	0.16 140	0.10 335	0.07 27	0.14 148	0.17 164	0.17 200	0.12 187	0.16 212	0.16 275	0.10 195	0.13 230	0.10 120	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.08 338

Pruner-Stereo	0.11 181	0.07 135	0.12 181	0.17 214	0.09 234	0.06 8	0.12 62	0.17 164	0.17 200	0.13 214	0.19 267	0.13 212	0.09 163	0.11 105	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.08 338

DeepStereo_RVC	0.11 181	0.08 232	0.16 343	0.18 295	0.08 125	0.08 48	0.12 62	0.17 164	0.12 83	0.13 214	0.14 183	0.12 188	0.12 250	0.12 186	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.07 254	0.08 338

CRE-IMP	0.11 181	0.09 306	0.16 343	0.19 351	0.08 125	0.10 123	0.12 62	0.18 193	0.10 34	0.14 235	0.13 169	0.13 212	0.12 250	0.12 186	0.11 183	0.07 235	0.04 21	0.08 272	0.06 181	0.08 316	0.08 338

LMCR-Stereo	0.15 349	0.08 232	0.13 225	0.21 429	0.09 234	0.17 350	0.20 416	0.27 365	0.19 241	0.24 423	0.24 330	0.23 379	0.17 379	0.20 404	0.17 368	0.07 235	0.06 302	0.08 272	0.06 181	0.10 407	0.08 338

GEStereo_RVC	0.17 392	0.12 406	0.15 309	0.22 444	0.11 382	0.19 391	0.17 312	0.32 429	0.48 490	0.20 373	0.25 359	0.17 295	0.13 287	0.21 420	0.16 353	0.10 388	0.06 302	0.08 272	0.07 268	0.09 376	0.08 338

222	0.16 372	0.07 135	0.14 260	0.14 29	0.08 125	0.24 448	0.18 357	0.30 408	0.20 264	0.17 306	0.28 397	0.17 295	0.16 356	0.15 277	0.40 522	0.10 388	0.05 182	0.07 191	0.06 181	0.07 254	0.08 338

RAFT + AFF	0.13 271	0.07 135	0.20 417	0.20 400	0.10 335	0.14 273	0.24 463	0.26 344	0.20 264	0.11 149	0.10 112	0.12 188	0.10 195	0.15 277	0.12 231	0.07 235	0.06 302	0.09 351	0.08 332	0.06 189	0.08 338

Syn2CoEx	0.21 440	0.16 461	0.27 458	0.29 510	0.14 452	0.26 466	0.20 416	0.33 448	0.31 401	0.28 460	0.36 451	0.27 415	0.25 453	0.19 379	0.24 456	0.16 497	0.12 468	0.14 471	0.11 441	0.09 376	0.08 338

psm_up	0.18 405	0.10 364	0.18 394	0.20 400	0.11 382	0.17 350	0.19 395	0.37 481	0.34 426	0.21 387	0.28 397	0.29 431	0.24 445	0.20 404	0.22 433	0.09 351	0.10 442	0.11 427	0.11 441	0.08 316	0.08 338

CFNet-ft	0.14 305	0.07 135	0.15 309	0.12 4	0.09 234	0.16 329	0.18 357	0.22 269	0.24 319	0.17 306	0.26 376	0.24 385	0.14 312	0.16 311	0.14 309	0.11 416	0.06 302	0.08 272	0.09 376	0.09 376	0.08 338

DSFCA	0.16 372	0.09 306	0.14 260	0.16 140	0.10 335	0.20 406	0.19 395	0.28 384	0.31 401	0.23 414	0.24 330	0.22 362	0.15 330	0.19 379	0.20 404	0.10 388	0.07 371	0.09 351	0.09 376	0.08 316	0.08 338

DMCA-RVC	0.17 392	0.10 364	0.15 309	0.24 473	0.11 382	0.18 368	0.18 357	0.25 326	0.24 319	0.21 387	0.26 376	0.25 398	0.27 466	0.18 364	0.20 404	0.12 441	0.08 397	0.13 459	0.10 411	0.10 407	0.08 338

STTStereo	0.18 405	0.12 406	0.27 458	0.20 400	0.11 382	0.16 329	0.21 433	0.29 394	0.23 303	0.21 387	0.30 415	0.29 431	0.18 392	0.20 404	0.19 398	0.12 441	0.11 454	0.11 427	0.14 473	0.09 376	0.08 338

ADCRef	0.19 417	0.12 406	0.41 501	0.20 400	0.12 413	0.22 430	0.18 357	0.32 429	0.36 440	0.26 440	0.32 427	0.17 295	0.23 439	0.24 451	0.24 456	0.07 235	0.06 302	0.09 351	0.09 376	0.08 316	0.08 338

GANet	0.21 440	0.12 406	0.21 425	0.24 473	0.13 434	0.22 430	0.22 442	0.41 502	0.26 354	0.31 476	0.42 492	0.37 480	0.28 474	0.23 442	0.22 433	0.10 388	0.12 468	0.10 396	0.09 376	0.10 407	0.08 338

TDLM	0.17 392	0.12 406	0.13 225	0.24 473	0.10 335	0.18 368	0.18 357	0.36 476	0.30 394	0.21 387	0.28 397	0.28 424	0.18 392	0.23 442	0.18 386	0.11 416	0.07 371	0.10 396	0.10 411	0.08 316	0.08 338

CFNet_RVC	0.14 305	0.07 135	0.15 309	0.12 4	0.09 234	0.16 329	0.18 357	0.22 269	0.24 319	0.17 306	0.26 376	0.24 385	0.14 312	0.16 311	0.14 309	0.11 416	0.06 302	0.08 272	0.09 376	0.09 376	0.08 338

NLCA_NET_v2_RVC	0.17 392	0.10 364	0.22 431	0.20 400	0.10 335	0.15 299	0.18 357	0.31 418	0.25 340	0.21 387	0.30 415	0.25 398	0.17 379	0.21 420	0.20 404	0.09 351	0.06 302	0.08 272	0.08 332	0.07 254	0.08 338
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 429	0.21 495	0.23 440	0.20 400	0.10 335	0.19 391	0.17 312	0.36 476	0.25 340	0.27 446	0.33 439	0.27 415	0.24 445	0.20 404	0.20 404	0.15 481	0.12 468	0.17 492	0.14 473	0.10 407	0.08 338

iResNetv2_ROB	0.14 305	0.08 232	0.15 309	0.16 140	0.08 125	0.16 329	0.12 62	0.25 326	0.35 435	0.21 387	0.29 409	0.24 385	0.13 287	0.14 255	0.14 309	0.06 113	0.05 182	0.06 99	0.04 34	0.09 376	0.08 338

MDST_ROB	0.22 449	0.10 364	0.17 371	0.18 295	0.11 382	0.37 510	0.19 395	0.43 511	0.41 464	0.39 499	0.39 470	0.29 431	0.21 424	0.26 458	0.18 386	0.11 416	0.10 442	0.14 471	0.11 441	0.10 407	0.08 338

iResNet_ROB	0.14 305	0.07 135	0.13 225	0.14 29	0.07 70	0.18 368	0.14 148	0.26 344	0.31 401	0.22 402	0.25 359	0.23 379	0.15 330	0.15 277	0.13 272	0.07 235	0.05 182	0.05 23	0.04 34	0.08 316	0.08 338

G2L-ROB	0.13 271	0.06 54	0.13 225	0.13 12	0.08 125	0.14 273	0.16 279	0.25 326	0.18 226	0.19 351	0.18 258	0.20 335	0.14 312	0.17 343	0.16 353	0.08 295	0.05 182	0.06 99	0.05 104	0.08 316	0.09 382

YMNet	0.20 429	0.12 406	0.19 405	0.20 400	0.14 452	0.26 466	0.23 451	0.32 429	0.34 426	0.27 446	0.34 443	0.30 439	0.18 392	0.18 364	0.22 433	0.10 388	0.13 481	0.10 396	0.10 411	0.08 316	0.09 382

YMNet_1	0.20 429	0.12 406	0.19 405	0.20 400	0.14 452	0.26 466	0.23 451	0.32 429	0.34 426	0.27 446	0.34 443	0.30 439	0.18 392	0.18 364	0.22 433	0.10 388	0.13 481	0.10 396	0.10 411	0.08 316	0.09 382

rvit_stereo_0075_2	0.17 392	0.12 406	0.25 448	0.23 464	0.16 478	0.13 241	0.10 26	0.30 408	0.27 363	0.20 373	0.28 397	0.22 362	0.15 330	0.18 364	0.13 272	0.16 497	0.10 442	0.17 492	0.10 411	0.10 407	0.09 382

AIO-Stereo-zeroshot1	0.11 181	0.05 17	0.14 260	0.15 69	0.20 505	0.09 77	0.17 312	0.21 247	0.15 154	0.11 149	0.14 183	0.10 150	0.07 102	0.10 59	0.08 17	0.06 113	0.05 182	0.07 191	0.07 268	0.07 254	0.09 382

MyStereo8	0.12 246	0.07 135	0.15 309	0.15 69	0.09 234	0.18 368	0.14 148	0.19 214	0.22 293	0.12 187	0.18 258	0.11 171	0.10 195	0.16 311	0.18 386	0.07 235	0.05 182	0.07 191	0.05 104	0.08 316	0.09 382

CFNet_ucs	0.15 349	0.08 232	0.16 343	0.16 140	0.11 382	0.14 273	0.14 148	0.30 408	0.34 426	0.16 290	0.24 330	0.23 379	0.14 312	0.18 364	0.15 337	0.09 351	0.06 302	0.08 272	0.07 268	0.09 376	0.09 382

Wz-Net-LNSev-Ref	0.18 405	0.09 306	0.29 471	0.15 69	0.10 335	0.22 430	0.20 416	0.26 344	0.39 455	0.25 436	0.42 492	0.24 385	0.15 330	0.20 404	0.19 398	0.07 235	0.05 182	0.06 99	0.05 104	0.10 407	0.09 382

NINENet	0.16 372	0.10 364	0.15 309	0.17 214	0.11 382	0.19 391	0.14 148	0.40 496	0.36 440	0.18 336	0.21 300	0.16 275	0.13 287	0.15 277	0.13 272	0.08 295	0.08 397	0.10 396	0.07 268	0.10 407	0.09 382

AASNet	0.16 372	0.08 232	0.12 181	0.19 351	0.09 234	0.18 368	0.15 214	0.37 481	0.37 447	0.19 351	0.23 318	0.20 335	0.16 356	0.17 343	0.20 404	0.10 388	0.08 397	0.08 272	0.07 268	0.09 376	0.09 382

AACVNet	0.16 372	0.08 232	0.14 260	0.15 69	0.10 335	0.18 368	0.15 214	0.23 288	0.24 319	0.27 446	0.27 384	0.28 424	0.17 379	0.19 379	0.16 353	0.09 351	0.07 371	0.09 351	0.07 268	0.10 407	0.09 382

HHNet	0.11 181	0.06 54	0.16 343	0.15 69	0.14 452	0.07 27	0.13 100	0.20 225	0.17 200	0.14 235	0.25 359	0.11 171	0.08 137	0.13 230	0.10 120	0.05 26	0.04 21	0.08 272	0.06 181	0.05 98	0.09 382

GMM-Stereo	0.11 181	0.07 135	0.10 105	0.18 295	0.09 234	0.08 48	0.15 214	0.23 288	0.16 181	0.11 149	0.15 200	0.13 212	0.11 220	0.11 105	0.11 183	0.05 26	0.04 21	0.08 272	0.07 268	0.06 189	0.09 382

Prome-Stereo	0.11 181	0.06 54	0.10 105	0.18 295	0.08 125	0.12 202	0.15 214	0.22 269	0.13 114	0.12 187	0.17 233	0.13 212	0.08 137	0.12 186	0.10 120	0.05 26	0.04 21	0.07 191	0.06 181	0.06 189	0.09 382

ADLNet	0.16 372	0.08 232	0.15 309	0.16 140	0.10 335	0.16 329	0.17 312	0.32 429	0.27 363	0.22 402	0.27 384	0.24 385	0.16 356	0.18 364	0.21 424	0.10 388	0.06 302	0.10 396	0.10 411	0.08 316	0.09 382

GES	0.14 305	0.08 232	0.16 343	0.15 69	0.10 335	0.13 241	0.13 100	0.28 384	0.25 340	0.16 290	0.23 318	0.18 309	0.13 287	0.16 311	0.13 272	0.08 295	0.07 371	0.07 191	0.06 181	0.08 316	0.09 382

aanetorigin	0.22 449	0.17 472	0.56 518	0.17 214	0.10 335	0.15 299	0.19 395	0.20 225	0.33 415	0.49 519	0.48 502	0.29 431	0.27 466	0.20 404	0.23 445	0.08 295	0.07 371	0.08 272	0.07 268	0.10 407	0.09 382

EDNetEfficient	0.29 497	0.24 503	1.13 549	0.18 295	0.10 335	0.19 391	0.20 416	0.20 225	0.60 519	0.74 538	0.56 517	0.31 451	0.39 508	0.22 431	0.30 497	0.09 351	0.07 371	0.08 272	0.07 268	0.11 427	0.09 382

NVstereo2D	0.19 417	0.10 364	0.15 309	0.17 214	0.15 468	0.28 481	0.23 451	0.44 513	0.42 471	0.15 262	0.27 384	0.25 398	0.19 408	0.22 431	0.17 368	0.09 351	0.06 302	0.10 396	0.08 332	0.15 485	0.09 382

DISCO	0.19 417	0.09 306	0.22 431	0.17 214	0.10 335	0.25 458	0.18 357	0.27 365	0.44 481	0.22 402	0.31 423	0.33 463	0.26 458	0.28 472	0.28 489	0.08 295	0.06 302	0.07 191	0.07 268	0.09 376	0.09 382

NaN_ROB	0.22 449	0.19 485	0.24 443	0.25 483	0.13 434	0.29 484	0.26 485	0.33 448	0.41 464	0.31 476	0.31 423	0.32 460	0.23 439	0.30 482	0.21 424	0.11 416	0.17 504	0.10 396	0.10 411	0.08 316	0.09 382

FBW_ROB	0.24 471	0.17 472	0.22 431	0.26 488	0.14 452	0.25 458	0.22 442	0.41 502	0.41 464	0.41 506	0.41 485	0.42 499	0.27 466	0.31 483	0.23 445	0.09 351	0.14 490	0.14 471	0.12 460	0.11 427	0.09 382

PWCDC_ROB	0.20 429	0.13 435	0.22 431	0.24 473	0.11 382	0.19 391	0.15 214	0.33 448	0.54 507	0.29 467	0.50 507	0.21 344	0.15 330	0.27 461	0.20 404	0.11 416	0.09 423	0.10 396	0.08 332	0.11 427	0.09 382

PSMNet_ROB	0.21 440	0.11 389	0.15 309	0.27 500	0.15 468	0.24 448	0.35 525	0.43 511	0.37 447	0.27 446	0.32 427	0.32 460	0.22 433	0.21 420	0.26 475	0.12 441	0.08 397	0.13 459	0.11 441	0.09 376	0.09 382

test_sample7	0.15 349	0.10 364	0.16 343	0.14 29	0.11 382	0.16 329	0.16 279	0.27 365	0.23 303	0.20 373	0.20 279	0.24 385	0.19 408	0.16 311	0.16 353	0.12 441	0.06 302	0.10 396	0.09 376	0.10 407	0.10 406

iinet-f	0.16 372	0.06 54	0.45 505	0.14 29	0.10 335	0.21 422	0.14 148	0.27 365	0.23 303	0.21 387	0.24 330	0.21 344	0.15 330	0.18 364	0.21 424	0.09 351	0.07 371	0.07 191	0.06 181	0.09 376	0.10 406

Wz-Net-MNSev	0.22 449	0.13 435	0.31 476	0.20 400	0.14 452	0.36 509	0.24 463	0.33 448	0.44 481	0.28 460	0.40 475	0.38 484	0.19 408	0.24 451	0.25 465	0.09 351	0.07 371	0.09 351	0.09 376	0.12 441	0.10 406

FTStereo	0.12 246	0.06 54	0.14 260	0.18 295	0.09 234	0.07 27	0.15 214	0.21 247	0.18 226	0.12 187	0.24 330	0.12 188	0.12 250	0.13 230	0.13 272	0.05 26	0.05 182	0.07 191	0.06 181	0.06 189	0.10 406

GrayStereo	0.11 181	0.06 54	0.11 146	0.19 351	0.09 234	0.09 77	0.16 279	0.18 193	0.17 200	0.14 235	0.17 233	0.17 295	0.11 220	0.12 186	0.11 183	0.05 26	0.05 182	0.07 191	0.06 181	0.05 98	0.10 406

sAnonymous2	0.13 271	0.12 406	0.24 443	0.20 400	0.12 413	0.17 350	0.13 100	0.26 344	0.21 279	0.11 149	0.11 142	0.13 212	0.08 137	0.10 59	0.10 120	0.09 351	0.05 182	0.08 272	0.06 181	0.15 485	0.10 406

CroCo_RVC	0.13 271	0.12 406	0.24 443	0.20 400	0.12 413	0.17 350	0.13 100	0.26 344	0.21 279	0.11 149	0.11 142	0.13 212	0.08 137	0.10 59	0.10 120	0.09 351	0.05 182	0.08 272	0.06 181	0.15 485	0.10 406

EDNetEfficientorigin	7.91 568	0.31 520	153.02 583	0.19 351	0.09 234	0.21 422	0.16 279	0.22 269	0.59 516	0.72 534	0.67 525	0.42 499	0.50 526	0.24 451	0.39 520	0.08 295	0.07 371	0.08 272	0.07 268	0.12 441	0.10 406

GwcNet	0.20 429	0.13 435	0.19 405	0.18 295	0.12 413	0.24 448	0.19 395	0.35 470	0.43 476	0.20 373	0.32 427	0.33 463	0.20 420	0.22 431	0.24 456	0.11 416	0.09 423	0.09 351	0.09 376	0.09 376	0.10 406

HGLStereo	0.17 392	0.08 232	0.19 405	0.17 214	0.12 413	0.18 368	0.18 357	0.31 418	0.32 408	0.21 387	0.32 427	0.25 398	0.18 392	0.19 379	0.20 404	0.09 351	0.09 423	0.07 191	0.07 268	0.09 376	0.10 406

DMCA	0.14 305	0.09 306	0.16 343	0.19 351	0.09 234	0.15 299	0.17 312	0.23 288	0.27 363	0.14 235	0.19 267	0.17 295	0.18 392	0.15 277	0.17 368	0.10 388	0.06 302	0.08 272	0.06 181	0.09 376	0.10 406

FADNet-RVC-Resample	0.16 372	0.11 389	0.31 476	0.22 444	0.11 382	0.19 391	0.14 148	0.25 326	0.24 319	0.24 423	0.27 384	0.20 335	0.15 330	0.16 311	0.15 337	0.07 235	0.08 397	0.12 444	0.10 411	0.09 376	0.10 406

FADNet_RVC	0.16 372	0.14 447	0.40 499	0.20 400	0.11 382	0.13 241	0.13 100	0.26 344	0.22 293	0.21 387	0.23 318	0.20 335	0.17 379	0.14 255	0.16 353	0.08 295	0.08 397	0.12 444	0.09 376	0.11 427	0.10 406

SuperB	0.20 429	0.10 364	0.56 518	0.16 140	0.09 234	0.18 368	0.18 357	0.24 310	0.50 498	0.26 440	0.39 470	0.17 295	0.21 424	0.22 431	0.21 424	0.08 295	0.06 302	0.06 99	0.06 181	0.12 441	0.10 406

AF-Net	0.22 449	0.17 472	0.17 371	0.26 488	0.13 434	0.25 458	0.24 463	0.32 429	0.50 498	0.25 436	0.33 439	0.38 484	0.26 458	0.28 472	0.25 465	0.11 416	0.10 442	0.16 489	0.11 441	0.11 427	0.10 406

Nwc_Net	0.23 464	0.16 461	0.21 425	0.25 483	0.14 452	0.24 448	0.26 485	0.37 481	0.38 452	0.22 402	0.41 485	0.30 439	0.28 474	0.28 472	0.25 465	0.11 416	0.10 442	0.17 492	0.20 506	0.10 407	0.10 406

ADCL	0.24 471	0.11 389	0.47 509	0.22 444	0.12 413	0.34 499	0.29 507	0.29 394	0.56 510	0.24 423	0.46 499	0.30 439	0.30 486	0.29 479	0.29 492	0.08 295	0.07 371	0.09 351	0.09 376	0.10 407	0.10 406

ADCP+	0.20 429	0.10 364	0.33 482	0.20 400	0.12 413	0.22 430	0.26 485	0.31 418	0.34 426	0.26 440	0.37 457	0.22 362	0.22 433	0.27 461	0.27 482	0.09 351	0.06 302	0.08 272	0.08 332	0.09 376	0.10 406

UCFNet_RVC	0.14 305	0.08 232	0.13 225	0.11 1	0.10 335	0.20 406	0.10 26	0.24 310	0.22 293	0.17 306	0.20 279	0.23 379	0.15 330	0.17 343	0.15 337	0.12 441	0.07 371	0.10 396	0.13 470	0.11 427	0.10 406

DeepPruner_ROB	0.16 372	0.11 389	0.15 309	0.17 214	0.10 335	0.17 350	0.15 214	0.32 429	0.21 279	0.19 351	0.21 300	0.22 362	0.18 392	0.20 404	0.15 337	0.13 464	0.09 423	0.09 351	0.09 376	0.11 427	0.10 406

PWC_ROB	0.21 440	0.16 461	0.26 451	0.18 295	0.11 382	0.22 430	0.13 100	0.32 429	0.49 495	0.30 470	0.40 475	0.32 460	0.24 445	0.31 483	0.22 433	0.10 388	0.07 371	0.11 427	0.08 332	0.11 427	0.10 406

CBMV	0.19 417	0.14 447	0.17 371	0.18 295	0.10 335	0.20 406	0.11 45	0.29 394	0.30 394	0.29 467	0.30 415	0.30 439	0.23 439	0.27 461	0.19 398	0.13 464	0.15 496	0.17 492	0.16 493	0.10 407	0.10 406
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	0.27 489	0.13 435	0.18 394	0.15 69	0.11 382	0.32 490	0.24 463	0.40 496	0.36 440	0.52 521	0.57 519	0.67 532	0.40 511	0.35 500	0.26 475	0.14 477	0.13 481	0.13 459	0.11 441	0.11 427	0.10 406
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
DDVS	0.15 349	0.10 364	0.21 425	0.16 140	0.12 413	0.15 299	0.14 148	0.25 326	0.19 241	0.18 336	0.29 409	0.27 415	0.12 250	0.19 379	0.15 337	0.09 351	0.06 302	0.09 351	0.07 268	0.11 427	0.11 429

SDNR	0.19 417	0.08 232	0.19 405	0.16 140	0.12 413	0.77 546	0.14 148	0.25 326	0.32 408	0.19 351	0.24 330	0.19 323	0.13 287	0.19 379	0.15 337	0.16 497	0.18 506	0.14 471	0.11 441	0.08 316	0.11 429

DisPM	0.11 181	0.07 135	0.12 181	0.16 140	0.09 234	0.06 8	0.13 100	0.17 164	0.17 200	0.14 235	0.20 279	0.12 188	0.10 195	0.11 105	0.10 120	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.11 429

Wz-Net-SNSev	0.25 480	0.17 472	0.44 504	0.25 483	0.14 452	0.26 466	0.23 451	0.38 488	0.56 510	0.30 470	0.55 512	0.39 492	0.26 458	0.23 442	0.30 497	0.10 388	0.09 423	0.09 351	0.10 411	0.11 427	0.11 429

Wz-Net-LNSev	0.22 449	0.16 461	0.38 495	0.21 429	0.13 434	0.25 458	0.23 451	0.32 429	0.43 476	0.30 470	0.41 485	0.31 451	0.18 392	0.22 431	0.25 465	0.10 388	0.09 423	0.08 272	0.08 332	0.12 441	0.11 429

PFNet+	0.11 181	0.06 54	0.13 225	0.16 140	0.09 234	0.05 4	0.12 62	0.17 164	0.21 279	0.16 290	0.19 267	0.14 232	0.10 195	0.11 105	0.11 183	0.08 295	0.05 182	0.09 351	0.08 332	0.06 189	0.11 429

Anonymous3	0.16 372	0.13 435	0.33 482	0.26 488	0.14 452	0.27 475	0.17 312	0.28 384	0.28 377	0.15 262	0.17 233	0.14 232	0.10 195	0.15 277	0.12 231	0.08 295	0.08 397	0.08 272	0.08 332	0.08 316	0.11 429

hitnet-ft	0.18 405	0.09 306	0.17 371	0.14 29	0.09 234	0.26 466	0.20 416	0.25 326	0.26 354	0.24 423	0.32 427	0.31 451	0.22 433	0.24 451	0.21 424	0.12 441	0.07 371	0.10 396	0.08 332	0.12 441	0.11 429

DANet	0.21 440	0.15 453	0.28 463	0.25 483	0.13 434	0.22 430	0.19 395	0.27 365	0.27 363	0.28 460	0.32 427	0.35 473	0.31 490	0.31 483	0.23 445	0.11 416	0.09 423	0.11 427	0.10 411	0.13 457	0.11 429
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CBMV_ROB	0.19 417	0.13 435	0.17 371	0.16 140	0.11 382	0.15 299	0.13 100	0.26 344	0.28 377	0.27 446	0.30 415	0.27 415	0.24 445	0.23 442	0.16 353	0.15 481	0.17 504	0.22 510	0.20 506	0.10 407	0.11 429

SANet	0.24 471	0.14 447	0.28 463	0.21 429	0.11 382	0.27 475	0.24 463	0.38 488	0.64 523	0.36 491	0.40 475	0.43 503	0.26 458	0.27 461	0.24 456	0.12 441	0.09 423	0.10 396	0.09 376	0.13 457	0.11 429

SGM_RVC	0.23 464	0.12 406	0.15 309	0.15 69	0.09 234	0.33 496	0.18 357	0.34 457	0.31 401	0.44 514	0.37 457	0.53 521	0.35 501	0.35 500	0.24 456	0.13 464	0.13 481	0.13 459	0.13 470	0.10 407	0.11 429
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
TCMNet	0.19 417	0.12 406	0.19 405	0.20 400	0.18 499	0.20 406	0.24 463	0.27 365	0.36 440	0.23 414	0.26 376	0.25 398	0.19 408	0.19 379	0.23 445	0.13 464	0.11 454	0.11 427	0.12 460	0.13 457	0.12 441

DCVSM-stereo	0.14 305	0.09 306	0.16 343	0.16 140	0.10 335	0.15 299	0.09 18	0.19 214	0.23 303	0.20 373	0.23 318	0.26 407	0.15 330	0.18 364	0.14 309	0.09 351	0.07 371	0.09 351	0.08 332	0.10 407	0.12 441

DualNet (step1)	0.16 372	0.12 406	0.20 417	0.12 4	0.14 452	0.17 350	0.13 100	0.27 365	0.23 303	0.20 373	0.20 279	0.24 385	0.19 408	0.16 311	0.16 353	0.15 481	0.06 302	0.14 471	0.14 473	0.14 470	0.12 441

test_sample9	0.18 405	0.12 406	0.20 417	0.12 4	0.14 452	0.17 350	0.13 100	0.27 365	0.23 303	0.20 373	0.20 279	0.24 385	0.19 408	0.19 379	0.17 368	0.15 481	0.30 530	0.14 471	0.14 473	0.14 470	0.12 441

test_sample8	0.19 417	0.12 406	0.20 417	0.12 4	0.14 452	0.17 350	0.13 100	0.31 418	0.21 279	0.27 446	0.22 309	0.36 475	0.25 453	0.19 379	0.17 368	0.15 481	0.30 530	0.14 471	0.14 473	0.14 470	0.12 441

NF-Stereo	0.11 181	0.07 135	0.13 225	0.17 214	0.09 234	0.10 123	0.14 148	0.23 288	0.19 241	0.12 187	0.17 233	0.12 188	0.11 220	0.11 105	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.12 441

OCTAStereo	0.11 181	0.07 135	0.13 225	0.17 214	0.09 234	0.10 123	0.14 148	0.23 288	0.19 241	0.12 187	0.17 233	0.12 188	0.11 220	0.11 105	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.12 441

PSM-softLoss	0.12 246	0.07 135	0.15 309	0.17 214	0.09 234	0.08 48	0.13 100	0.24 310	0.17 200	0.14 235	0.19 267	0.13 212	0.11 220	0.11 105	0.11 183	0.07 235	0.05 182	0.08 272	0.07 268	0.06 189	0.12 441

KMStereo	0.12 246	0.07 135	0.15 309	0.17 214	0.09 234	0.08 48	0.13 100	0.24 310	0.17 200	0.14 235	0.19 267	0.13 212	0.11 220	0.11 105	0.11 183	0.07 235	0.05 182	0.08 272	0.07 268	0.06 189	0.12 441

RE-Stereo	0.11 181	0.07 135	0.13 225	0.17 214	0.09 234	0.10 123	0.14 148	0.23 288	0.19 241	0.12 187	0.17 233	0.12 188	0.11 220	0.11 105	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.12 441

TVStereo	0.11 181	0.07 135	0.13 225	0.17 214	0.09 234	0.10 123	0.14 148	0.23 288	0.19 241	0.12 187	0.17 233	0.12 188	0.11 220	0.11 105	0.11 183	0.06 113	0.04 21	0.07 191	0.06 181	0.06 189	0.12 441

APVNet	0.22 449	0.12 406	0.19 405	0.18 295	0.14 452	0.32 490	0.31 521	0.39 492	0.32 408	0.27 446	0.40 475	0.30 439	0.29 482	0.26 458	0.25 465	0.11 416	0.12 468	0.11 427	0.14 473	0.12 441	0.12 441

MaskLacGwcNet_RVC	0.22 449	0.21 495	0.24 443	0.26 488	0.11 382	0.23 443	0.14 148	0.39 492	0.24 319	0.32 482	0.36 451	0.30 439	0.21 424	0.19 379	0.21 424	0.17 502	0.14 490	0.21 506	0.16 493	0.12 441	0.12 441

ADCMid	0.25 480	0.15 453	0.40 499	0.20 400	0.14 452	0.25 458	0.26 485	0.34 457	0.38 452	0.36 491	0.44 497	0.34 469	0.40 511	0.35 500	0.33 508	0.10 388	0.09 423	0.11 427	0.11 441	0.13 457	0.12 441

STTRV1_RVC	0.25 480	0.26 509	0.39 497	0.19 351	0.26 521	0.30 487	0.24 463	0.34 457	0.35 435	0.36 491	0.34 443	0.31 451	0.31 490	0.28 472	0.25 465	0.17 502	0.10 442	0.16 489	0.14 473	0.17 499	0.12 441

SGM-ForestM	0.32 505	0.12 406	0.16 343	0.16 140	0.11 382	0.39 514	0.19 395	0.41 502	0.50 498	0.52 521	0.54 511	1.32 551	0.42 519	0.40 518	0.27 482	0.14 477	0.16 499	0.16 489	0.16 493	0.12 441	0.12 441

XPNet_ROB	0.22 449	0.11 389	0.19 405	0.22 444	0.13 434	0.22 430	0.19 395	0.34 457	0.40 461	0.30 470	0.39 470	0.39 492	0.26 458	0.26 458	0.28 489	0.15 481	0.10 442	0.10 396	0.10 411	0.13 457	0.12 441

LALA_ROB	0.25 480	0.16 461	0.22 431	0.26 488	0.17 493	0.27 475	0.27 492	0.42 507	0.37 447	0.33 486	0.38 462	0.51 517	0.26 458	0.28 472	0.27 482	0.16 497	0.09 423	0.12 444	0.11 441	0.13 457	0.12 441

SGM-Forest	0.20 429	0.14 447	0.18 394	0.19 351	0.13 434	0.20 406	0.22 442	0.33 448	0.30 394	0.24 423	0.29 409	0.28 424	0.19 408	0.23 442	0.17 368	0.15 481	0.16 499	0.15 483	0.14 473	0.12 441	0.12 441
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
coex-ft	3.30 560	0.34 524	59.09 582	0.18 295	0.13 434	0.26 466	0.22 442	0.27 365	0.72 531	1.90 562	0.70 529	0.44 505	0.45 522	0.29 479	0.41 525	0.09 351	0.09 423	0.12 444	0.09 376	0.14 470	0.13 460

pcwnet_v2	0.19 417	0.10 364	0.26 451	0.17 214	0.14 452	0.18 368	0.15 214	0.37 481	0.46 488	0.19 351	0.24 330	0.21 344	0.19 408	0.20 404	0.19 398	0.13 464	0.10 442	0.10 396	0.10 411	0.11 427	0.13 460

FINET	0.21 440	0.18 482	0.26 451	0.18 295	0.16 478	0.23 443	0.23 451	0.32 429	0.48 490	0.25 436	0.32 427	0.22 362	0.22 433	0.22 431	0.17 368	0.18 504	0.16 499	0.11 427	0.10 411	0.15 485	0.13 460

S-Stereo	0.20 429	0.12 406	0.25 448	0.21 429	0.13 434	0.20 406	0.18 357	0.32 429	0.43 476	0.23 414	0.36 451	0.28 424	0.30 486	0.19 379	0.22 433	0.09 351	0.12 468	0.10 396	0.10 411	0.13 457	0.13 460

G-Net	0.24 471	0.16 461	0.36 491	0.22 444	0.16 478	0.51 523	0.23 451	0.29 394	0.34 426	0.36 491	0.38 462	0.31 451	0.29 482	0.27 461	0.26 475	0.11 416	0.09 423	0.12 444	0.09 376	0.16 492	0.13 460

NCC-stereo	0.24 471	0.15 453	0.31 476	0.26 488	0.16 478	0.20 406	0.30 515	0.40 496	0.40 461	0.24 423	0.38 462	0.33 463	0.28 474	0.36 505	0.27 482	0.12 441	0.11 454	0.15 483	0.22 511	0.13 457	0.13 460

stereogan	0.22 449	0.11 389	0.21 425	0.20 400	0.12 413	0.31 489	0.19 395	0.35 470	0.44 481	0.22 402	0.39 470	0.35 473	0.27 466	0.33 491	0.22 433	0.10 388	0.12 468	0.10 396	0.10 411	0.14 470	0.13 460

edge stereo	0.22 449	0.13 435	0.20 417	0.21 429	0.13 434	0.23 443	0.16 279	0.32 429	0.42 471	0.32 482	0.40 475	0.38 484	0.35 501	0.25 456	0.24 456	0.13 464	0.11 454	0.14 471	0.11 441	0.12 441	0.13 460

Abc-Net	0.24 471	0.15 453	0.31 476	0.26 488	0.16 478	0.20 406	0.30 515	0.40 496	0.40 461	0.24 423	0.38 462	0.33 463	0.28 474	0.36 505	0.27 482	0.12 441	0.11 454	0.15 483	0.22 511	0.13 457	0.13 460
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 464	0.12 406	0.28 463	0.21 429	0.13 434	0.28 481	0.16 279	0.35 470	0.66 526	0.27 446	0.33 439	0.30 439	0.21 424	0.31 483	0.29 492	0.10 388	0.08 397	0.09 351	0.10 411	0.13 457	0.13 460

DeepPrunerF	0.24 471	0.17 472	0.42 503	0.26 488	0.16 478	0.22 430	0.28 498	0.37 481	0.50 498	0.26 440	0.29 409	0.24 385	0.28 474	0.21 420	0.22 433	0.15 481	0.11 454	0.20 505	0.18 504	0.12 441	0.13 460

ADCPNet	0.25 480	0.16 461	0.61 522	0.21 429	0.15 468	0.35 507	0.25 478	0.32 429	0.35 435	0.30 470	0.40 475	0.36 475	0.28 474	0.28 472	0.32 505	0.12 441	0.10 442	0.11 427	0.12 460	0.14 470	0.13 460

PA-Net	0.23 464	0.18 482	0.33 482	0.28 503	0.22 510	0.21 422	0.38 530	0.29 394	0.39 455	0.22 402	0.32 427	0.25 398	0.26 458	0.20 404	0.25 465	0.09 351	0.23 524	0.15 483	0.22 511	0.09 376	0.13 460
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 464	0.15 453	0.17 371	0.34 518	0.18 499	0.24 448	0.23 451	0.34 457	0.28 377	0.31 476	0.38 462	0.38 484	0.28 474	0.23 442	0.24 456	0.15 481	0.12 468	0.18 501	0.21 508	0.13 457	0.13 460

NOSS_ROB	0.19 417	0.12 406	0.18 394	0.16 140	0.12 413	0.15 299	0.12 62	0.30 408	0.32 408	0.20 373	0.22 309	0.27 415	0.23 439	0.21 420	0.16 353	0.16 497	0.18 506	0.23 511	0.21 508	0.12 441	0.13 460

ETE_ROB	0.23 464	0.17 472	0.22 431	0.25 483	0.13 434	0.26 466	0.29 507	0.31 418	0.36 440	0.28 460	0.36 451	0.45 507	0.26 458	0.27 461	0.26 475	0.11 416	0.08 397	0.12 444	0.09 376	0.14 470	0.13 460

PDISCO_ROB	0.27 489	0.16 461	0.26 451	0.28 503	0.20 505	0.32 490	0.26 485	0.44 513	0.57 512	0.28 460	0.40 475	0.45 507	0.29 482	0.33 491	0.34 510	0.12 441	0.09 423	0.17 492	0.16 493	0.17 499	0.13 460

Wz-Net-TNSev	0.29 497	0.20 489	0.65 525	0.19 351	0.15 468	0.38 513	0.27 492	0.35 470	0.55 508	0.34 488	0.42 492	0.45 507	0.38 506	0.32 489	0.30 497	0.12 441	0.13 481	0.10 396	0.12 460	0.15 485	0.14 477

UDG	0.21 440	0.17 472	0.19 405	0.23 464	0.15 468	0.30 487	0.20 416	0.33 448	0.35 435	0.23 414	0.28 397	0.31 451	0.27 466	0.20 404	0.22 433	0.15 481	0.12 468	0.13 459	0.09 376	0.14 470	0.14 477

SACVNet	0.18 405	0.12 406	0.14 260	0.17 214	0.13 434	0.22 430	0.18 357	0.31 418	0.30 394	0.23 414	0.31 423	0.30 439	0.22 433	0.22 431	0.17 368	0.11 416	0.08 397	0.10 396	0.10 411	0.12 441	0.14 477

PSM-AAD	0.11 181	0.07 135	0.10 105	0.19 351	0.09 234	0.10 123	0.15 214	0.20 225	0.13 114	0.12 187	0.14 183	0.18 309	0.11 220	0.11 105	0.10 120	0.05 26	0.05 182	0.09 351	0.08 332	0.06 189	0.14 477

FAT-Stereo	0.20 429	0.12 406	0.22 431	0.21 429	0.12 413	0.17 350	0.18 357	0.34 457	0.39 455	0.27 446	0.37 457	0.34 469	0.32 494	0.21 420	0.20 404	0.09 351	0.11 454	0.10 396	0.09 376	0.11 427	0.14 477

RP	0.21 440	0.13 435	0.21 425	0.23 464	0.11 382	0.21 422	0.20 416	0.25 326	0.44 481	0.21 387	0.38 462	0.36 475	0.24 445	0.27 461	0.25 465	0.11 416	0.12 468	0.13 459	0.12 460	0.12 441	0.14 477

WCMA_ROB	0.24 471	0.11 389	0.22 431	0.17 214	0.14 452	0.32 490	0.15 214	0.32 429	0.32 408	0.38 497	0.53 509	0.40 496	0.34 499	0.34 494	0.25 465	0.11 416	0.12 468	0.12 444	0.10 411	0.14 470	0.14 477

SQANet	0.23 464	0.23 500	0.30 474	0.30 512	0.19 502	0.27 475	0.13 100	0.29 394	0.33 415	0.24 423	0.37 457	0.31 451	0.22 433	0.27 461	0.23 445	0.15 481	0.10 442	0.21 506	0.16 493	0.21 508	0.15 484

LCNet	0.11 181	0.07 135	0.09 70	0.19 351	0.09 234	0.08 48	0.15 214	0.21 247	0.15 154	0.11 149	0.15 200	0.16 275	0.11 220	0.12 186	0.11 183	0.05 26	0.04 21	0.08 272	0.07 268	0.06 189	0.15 484

MFN_U_SF_RVC	0.32 505	0.21 495	0.55 516	0.30 512	0.15 468	0.34 499	0.17 312	0.52 526	0.46 488	0.46 518	0.55 512	0.59 524	0.39 508	0.35 500	0.37 516	0.15 481	0.14 490	0.18 501	0.21 508	0.16 492	0.15 484

RTS	0.45 524	0.19 485	3.26 559	0.24 473	0.15 468	0.74 540	0.20 416	0.36 476	0.76 537	0.42 509	0.43 495	0.31 451	0.41 516	0.53 530	0.35 511	0.10 388	0.08 397	0.13 459	0.12 460	0.15 485	0.15 484

RTSA	0.45 524	0.19 485	3.26 559	0.24 473	0.15 468	0.74 540	0.20 416	0.36 476	0.76 537	0.42 509	0.43 495	0.31 451	0.41 516	0.53 530	0.35 511	0.10 388	0.08 397	0.13 459	0.12 460	0.15 485	0.15 484

AnyNet_C01	0.36 512	0.25 508	1.37 552	0.22 444	0.17 493	0.48 521	0.27 492	0.35 470	0.39 455	0.39 499	0.74 533	0.46 511	0.38 506	0.45 522	0.47 531	0.13 464	0.13 481	0.13 459	0.14 473	0.14 470	0.15 484

AnyNet_C32	0.26 487	0.16 461	0.36 491	0.20 400	0.16 478	0.25 458	0.30 515	0.32 429	0.44 481	0.31 476	0.49 503	0.30 439	0.33 495	0.40 518	0.33 508	0.12 441	0.12 468	0.12 444	0.14 473	0.14 470	0.15 484

RYNet	0.22 449	0.12 406	0.22 431	0.19 351	0.17 493	0.46 517	0.26 485	0.38 488	0.48 490	0.24 423	0.28 397	0.34 469	0.23 439	0.20 404	0.30 497	0.10 388	0.06 302	0.09 351	0.09 376	0.13 457	0.15 484

CC-Net-ROB	0.28 493	0.31 520	0.36 491	0.29 510	0.15 468	0.25 458	0.19 395	0.45 516	0.33 415	0.39 499	0.37 457	0.39 492	0.31 490	0.27 461	0.26 475	0.24 525	0.19 509	0.30 526	0.23 515	0.18 503	0.15 484

CSAN	0.29 497	0.24 503	0.27 458	0.34 518	0.19 502	0.33 496	0.42 534	0.37 481	0.50 498	0.38 497	0.40 475	0.44 505	0.33 495	0.28 472	0.30 497	0.20 511	0.16 499	0.19 503	0.19 505	0.14 470	0.15 484

DispFullNet	0.27 489	0.21 495	0.65 525	0.28 503	0.16 478	0.26 466	0.17 312	0.33 448	0.58 515	0.27 446	0.38 462	0.43 503	0.23 439	0.38 511	0.23 445	0.12 441	0.06 302	0.19 503	0.11 441	0.21 508	0.15 484

PSMNet-RUCA	0.27 489	0.33 522	0.41 501	0.36 522	0.32 529	0.18 368	0.19 395	0.42 507	0.30 394	0.33 486	0.41 485	0.39 492	0.25 453	0.31 483	0.20 404	0.18 504	0.10 442	0.25 513	0.15 489	0.21 508	0.16 495

WZ-Net	0.28 493	0.17 472	0.78 539	0.22 444	0.16 478	0.34 499	0.29 507	0.39 492	0.57 512	0.24 423	0.55 512	0.37 480	0.24 445	0.33 491	0.35 511	0.09 351	0.08 397	0.09 351	0.10 411	0.14 470	0.16 495

DDUNet	0.22 449	0.17 472	0.21 425	0.22 444	0.15 468	0.25 458	0.24 463	0.29 394	0.30 394	0.31 476	0.36 451	0.33 463	0.25 453	0.24 451	0.20 404	0.18 504	0.13 481	0.17 492	0.11 441	0.16 492	0.16 495

KYRaft	0.11 181	0.07 135	0.10 105	0.19 351	0.09 234	0.08 48	0.15 214	0.22 269	0.12 83	0.13 214	0.16 212	0.20 335	0.10 195	0.12 186	0.10 120	0.05 26	0.04 21	0.08 272	0.08 332	0.06 189	0.16 495

psmorigin	0.25 480	0.15 453	0.34 490	0.17 214	0.13 434	0.23 443	0.14 148	0.34 457	0.33 415	0.41 506	0.55 512	0.41 498	0.37 505	0.34 494	0.27 482	0.11 416	0.15 496	0.11 427	0.11 441	0.12 441	0.16 495

RGC	0.25 480	0.20 489	0.29 471	0.28 503	0.16 478	0.22 430	0.23 451	0.32 429	0.44 481	0.27 446	0.40 475	0.38 484	0.27 466	0.36 505	0.22 433	0.11 416	0.13 481	0.17 492	0.17 500	0.14 470	0.16 495

ADCS	0.29 497	0.18 482	0.45 505	0.21 429	0.17 493	0.28 481	0.23 451	0.41 502	0.63 522	0.40 502	0.49 503	0.40 496	0.36 503	0.39 514	0.40 522	0.13 464	0.12 468	0.13 459	0.14 473	0.16 492	0.16 495

DPSNet	0.28 493	0.16 461	0.31 476	0.18 295	0.13 434	0.54 525	0.42 534	0.51 525	0.67 527	0.29 467	0.38 462	0.38 484	0.29 482	0.31 483	0.23 445	0.11 416	0.10 442	0.11 427	0.08 332	0.20 507	0.16 495

ISRNet	0.18 405	0.08 232	0.19 405	0.19 351	0.13 434	0.15 299	0.12 62	0.30 408	0.32 408	0.21 387	0.25 359	0.27 415	0.17 379	0.17 343	0.20 404	0.20 511	0.08 397	0.14 471	0.14 473	0.14 470	0.17 503

Anonymous_2	0.22 449	0.17 472	0.28 463	0.15 69	0.16 478	0.32 490	0.22 442	0.22 269	0.17 200	0.23 414	0.24 330	0.26 407	0.27 466	0.27 461	0.23 445	0.22 519	0.25 526	0.17 492	0.17 500	0.17 499	0.17 503

GANetREF_RVC	0.31 503	0.34 524	0.27 458	0.35 520	0.16 478	0.32 490	0.41 531	0.48 520	0.51 505	0.35 489	0.35 448	0.34 469	0.33 495	0.39 514	0.32 505	0.27 527	0.20 512	0.29 524	0.15 489	0.18 503	0.17 503
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
ccnet	0.29 497	0.28 515	0.23 440	0.20 400	0.28 523	0.41 516	0.21 433	0.45 516	0.33 415	0.36 491	0.46 499	0.36 475	0.30 486	0.39 514	0.42 526	0.23 523	0.14 490	0.21 506	0.17 500	0.23 512	0.18 506

MSC_U_SF_DS_RVC	0.43 521	0.39 528	0.54 514	0.40 525	0.20 505	0.64 532	0.32 523	0.53 528	0.72 531	0.71 532	0.72 530	0.61 526	0.54 529	0.51 526	0.46 530	0.20 511	0.19 509	0.29 524	0.30 526	0.23 512	0.18 506

FADNet-RVC	0.20 429	0.20 489	0.38 495	0.21 429	0.16 478	0.20 406	0.15 214	0.26 344	0.26 354	0.26 440	0.32 427	0.26 407	0.21 424	0.22 431	0.19 398	0.12 441	0.13 481	0.12 444	0.14 473	0.13 457	0.18 506

FADNet	0.21 440	0.22 499	0.36 491	0.18 295	0.17 493	0.24 448	0.13 100	0.31 418	0.31 401	0.23 414	0.25 359	0.27 415	0.21 424	0.19 379	0.15 337	0.13 464	0.15 496	0.12 444	0.15 489	0.16 492	0.18 506

XQC	0.28 493	0.23 500	0.51 511	0.28 503	0.19 502	0.34 499	0.27 492	0.36 476	0.57 512	0.31 476	0.30 415	0.37 480	0.30 486	0.38 511	0.38 518	0.13 464	0.09 423	0.15 483	0.12 460	0.17 499	0.18 506

MFN_U_SF_DS_RVC	0.30 502	0.24 503	0.29 471	0.36 522	0.16 478	0.34 499	0.30 515	0.32 429	0.42 471	0.40 502	0.46 499	0.38 484	0.31 490	0.34 494	0.28 489	0.19 509	0.20 512	0.26 514	0.29 524	0.18 503	0.19 511

SHD	0.26 487	0.15 453	0.30 474	0.24 473	0.18 499	0.22 430	0.15 214	0.38 488	0.71 530	0.32 482	0.41 485	0.36 475	0.28 474	0.32 489	0.29 492	0.12 441	0.11 454	0.14 471	0.13 470	0.16 492	0.20 512

SAMSARA	0.40 517	0.28 515	0.33 482	0.55 536	0.39 530	0.82 547	1.23 561	0.47 519	0.51 505	0.36 491	0.35 448	0.55 523	0.39 508	0.38 511	0.39 520	0.15 481	0.20 512	0.15 483	0.14 473	0.23 512	0.20 512

BEATNet-Init1	0.52 530	0.27 511	0.62 523	0.30 512	0.21 508	0.76 544	0.29 507	0.54 529	0.65 525	0.86 543	0.95 544	2.07 561	0.62 538	0.56 534	0.42 526	0.18 504	0.18 506	0.23 511	0.22 511	0.22 511	0.21 514

PASM	0.32 505	0.24 503	0.48 510	0.28 503	0.27 522	0.29 484	0.30 515	0.34 457	0.49 495	0.35 489	0.39 470	0.46 511	0.34 499	0.34 494	0.35 511	0.23 523	0.25 526	0.26 514	0.28 523	0.23 512	0.21 514

MSMD_ROB	0.31 503	0.26 509	0.26 451	0.24 473	0.21 508	0.34 499	0.25 478	0.34 457	0.39 455	0.40 502	0.69 527	0.45 507	0.40 511	0.34 494	0.27 482	0.20 511	0.19 509	0.26 514	0.25 517	0.23 512	0.22 516

FADE	0.45 524	0.33 522	1.03 548	0.33 517	0.25 520	0.35 507	0.29 507	0.64 537	1.07 545	0.43 512	0.41 485	0.42 499	0.53 527	0.70 540	0.51 537	0.30 528	0.21 523	0.41 532	0.38 532	0.23 512	0.22 516

DGSMNet	0.24 471	0.19 485	0.33 482	0.21 429	0.24 514	0.24 448	0.20 416	0.35 470	0.41 464	0.24 423	0.32 427	0.38 484	0.21 424	0.29 479	0.23 445	0.12 441	0.11 454	0.14 471	0.16 493	0.23 512	0.23 518

FC-DCNN v2	0.33 508	0.27 511	0.28 463	0.26 488	0.23 512	0.37 510	0.28 498	0.40 496	0.43 476	0.45 515	0.56 517	0.51 517	0.40 511	0.37 509	0.29 492	0.21 515	0.20 512	0.27 517	0.26 518	0.25 520	0.24 519

ACVNet_1	0.44 522	0.49 533	0.60 521	0.45 530	0.28 523	0.49 522	0.27 492	0.57 533	0.72 531	0.62 527	0.58 521	0.74 536	0.49 525	0.50 525	0.35 511	0.26 526	0.24 525	0.39 530	0.29 524	0.31 530	0.24 519

FCDSN-DC	0.33 508	0.28 515	0.28 463	0.30 512	0.24 514	0.39 514	0.28 498	0.42 507	0.42 471	0.43 512	0.53 509	0.51 517	0.41 516	0.36 505	0.30 497	0.21 515	0.20 512	0.27 517	0.26 518	0.25 520	0.24 519
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 524	0.27 511	0.27 458	0.27 500	0.24 514	0.47 519	0.31 521	0.55 530	0.59 516	0.72 534	1.13 553	1.15 545	0.61 536	0.52 528	0.37 516	0.21 515	0.20 512	0.27 517	0.31 528	0.25 520	0.24 519

FC-DCNN	0.33 508	0.27 511	0.28 463	0.26 488	0.23 512	0.37 510	0.28 498	0.40 496	0.43 476	0.45 515	0.55 512	0.51 517	0.40 511	0.37 509	0.30 497	0.21 515	0.20 512	0.27 517	0.26 518	0.25 520	0.24 519

ELAS_RVC	0.41 519	0.29 518	0.33 482	0.28 503	0.24 514	0.54 525	0.36 526	0.49 522	0.59 516	0.72 534	0.74 533	0.65 530	0.54 529	0.54 532	0.40 522	0.22 519	0.20 512	0.27 517	0.26 518	0.26 524	0.25 524
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 519	0.29 518	0.33 482	0.27 500	0.24 514	0.60 530	0.36 526	0.50 524	0.50 498	0.71 532	0.79 537	0.67 532	0.54 529	0.51 526	0.42 526	0.22 519	0.20 512	0.27 517	0.26 518	0.26 524	0.25 524
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ACVNet-4b	0.39 514	0.53 534	0.55 516	0.45 530	0.24 514	0.47 519	0.18 357	0.49 522	0.64 523	0.42 509	0.45 498	0.60 525	0.27 466	0.34 494	0.24 456	0.33 531	0.14 490	0.48 534	0.42 534	0.30 527	0.26 526

otaku	0.39 514	0.37 527	0.52 512	0.44 529	0.28 523	0.58 527	0.24 463	0.41 502	0.62 521	0.40 502	0.49 503	0.46 511	0.33 495	0.40 518	0.32 505	0.30 528	0.30 530	0.39 530	0.33 529	0.29 526	0.28 527

Ntro	0.40 517	0.40 529	0.53 513	0.46 533	0.30 527	0.65 533	0.24 463	0.46 518	0.68 528	0.41 506	0.49 503	0.48 515	0.42 519	0.39 514	0.31 504	0.32 530	0.28 528	0.37 529	0.30 526	0.32 531	0.29 528

Consistency-Raft	0.44 522	0.40 529	0.45 505	0.37 524	0.43 534	0.46 517	0.41 531	0.57 533	0.55 508	0.32 482	0.73 531	0.33 463	0.48 524	0.42 521	0.49 533	0.39 533	0.35 534	0.45 533	0.51 541	0.42 533	0.29 528

NVStereoNet_ROB	0.46 528	0.36 526	0.46 508	0.41 527	0.28 523	0.34 499	0.34 524	0.48 520	0.60 519	0.72 534	0.93 542	0.70 535	0.66 539	0.47 523	0.60 541	0.22 519	0.33 533	0.34 528	0.34 531	0.30 527	0.30 530
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
PVD	0.39 514	0.20 489	0.39 497	0.31 516	0.22 510	0.29 484	0.43 536	0.52 526	0.96 544	0.55 524	0.79 537	0.53 521	0.59 535	0.52 528	0.38 518	0.19 509	0.14 490	0.17 492	0.14 473	0.24 519	0.31 531

MADNet+	0.75 542	0.71 544	3.70 562	0.66 539	0.41 532	0.98 552	0.97 559	0.69 539	0.73 535	0.52 521	0.57 519	0.64 528	0.68 541	0.86 549	1.01 557	0.34 532	0.36 535	0.28 523	0.23 515	0.36 532	0.31 531

LSM	0.33 508	0.20 489	0.58 520	0.26 488	0.60 546	0.34 499	0.25 478	0.42 507	0.48 490	0.45 515	0.58 521	0.42 499	0.36 503	0.35 500	0.25 465	0.12 441	0.20 512	0.14 471	0.16 493	0.19 506	0.33 533

JetBlue	0.71 539	0.45 532	1.14 550	0.51 534	0.47 536	2.02 561	0.64 548	0.75 540	0.70 529	0.69 531	0.77 536	1.22 547	0.83 546	1.03 557	1.01 557	0.40 534	0.28 528	0.33 527	0.33 529	0.30 527	0.34 534

ACVNet_2	0.66 538	0.66 542	0.68 533	0.63 538	0.41 532	0.71 538	0.49 538	0.96 549	1.39 554	0.89 544	1.09 549	1.04 541	0.73 542	0.54 532	0.47 531	0.43 537	0.40 536	0.53 539	0.44 535	0.47 534	0.35 535

IMH-64-1	0.65 536	0.61 538	0.68 533	0.71 540	0.51 537	0.59 528	0.49 538	0.91 545	0.85 539	0.74 538	1.02 546	0.81 537	0.78 544	0.79 542	0.49 533	0.42 535	0.46 538	0.71 542	0.47 536	0.52 536	0.39 536

IMH-64	0.65 536	0.61 538	0.68 533	0.71 540	0.51 537	0.59 528	0.49 538	0.91 545	0.85 539	0.74 538	1.02 546	0.81 537	0.78 544	0.79 542	0.49 533	0.42 535	0.46 538	0.71 542	0.47 536	0.52 536	0.39 536

RainbowNet	0.54 532	0.61 538	0.70 537	0.57 537	0.43 534	0.65 533	0.37 529	0.60 535	0.87 541	0.50 520	0.66 524	0.64 528	0.47 523	0.49 524	0.43 529	0.47 539	0.48 543	0.52 538	0.41 533	0.52 536	0.40 538

IMH	0.71 539	0.64 541	0.68 533	0.76 542	0.54 539	0.69 536	0.54 542	0.98 551	1.10 547	0.82 542	1.09 549	0.89 539	0.88 549	0.87 550	0.52 538	0.44 538	0.50 547	0.75 545	0.51 541	0.56 541	0.41 539

PWCK	0.71 539	0.94 553	0.95 546	0.76 542	0.31 528	0.74 540	0.36 526	0.90 544	0.90 542	0.96 547	0.75 535	0.95 540	0.61 536	0.87 550	0.66 544	0.72 550	0.46 538	0.75 545	0.49 538	0.69 549	0.44 540

GCST	0.37 513	0.42 531	0.26 451	1.02 555	0.39 530	0.18 368	0.08 7	0.20 225	0.17 200	0.28 460	0.25 359	0.15 261	0.12 250	0.16 311	0.14 309	0.64 548	0.43 537	0.75 545	0.65 548	0.63 542	0.46 541

TorneroNet-64	0.76 543	0.72 545	0.74 538	0.78 544	0.58 545	0.91 551	0.56 543	0.84 543	1.29 551	0.66 528	0.90 540	1.40 553	0.75 543	0.85 548	0.67 547	0.49 540	0.46 538	0.72 544	0.59 544	0.67 546	0.53 542

anonymity	0.53 531	0.58 536	0.65 525	0.41 527	0.61 547	0.53 524	0.41 531	0.56 531	0.41 464	0.55 524	0.50 507	0.49 516	0.55 532	0.58 535	0.50 536	0.58 544	0.50 547	0.51 536	0.51 541	0.51 535	0.57 543

WAO-7	0.79 544	0.78 547	0.54 514	0.85 548	0.67 550	0.74 540	0.68 552	1.05 554	1.32 552	0.90 545	1.20 556	1.04 541	0.92 550	0.69 539	0.66 544	0.60 546	0.62 557	0.67 541	0.68 550	0.64 543	0.58 544

WAO-6	0.81 545	0.80 548	0.62 523	0.86 549	0.63 548	0.76 544	0.58 545	0.98 551	1.54 559	0.90 545	0.96 545	1.07 543	1.03 554	0.70 540	0.66 544	0.72 550	0.49 545	0.90 553	0.71 551	0.68 547	0.58 544

Dean	0.87 548	0.86 552	0.79 541	0.81 546	0.56 542	0.90 548	0.63 546	1.15 560	1.73 560	1.15 555	1.15 554	1.31 550	0.99 553	0.81 544	0.81 553	0.57 543	0.56 554	0.77 549	0.64 547	0.66 545	0.58 544

SPS-STEREO	0.57 534	0.58 536	0.65 525	0.45 530	0.55 541	0.62 531	0.44 537	0.62 536	0.50 498	0.68 530	0.64 523	0.66 531	0.57 534	0.61 536	0.60 541	0.62 547	0.47 542	0.51 536	0.49 538	0.55 540	0.58 544
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 533	0.57 535	0.65 525	0.40 525	0.54 539	0.66 535	0.49 538	0.56 531	0.45 487	0.66 528	0.69 527	0.67 532	0.56 533	0.63 537	0.56 539	0.59 545	0.48 543	0.50 535	0.50 540	0.52 536	0.58 544

LVE	0.83 547	0.85 551	0.85 544	0.80 545	0.56 542	1.04 557	0.65 549	1.05 554	1.47 557	0.96 547	1.22 557	1.10 544	0.85 547	0.83 545	0.71 549	0.49 540	0.55 553	0.76 548	0.60 546	0.65 544	0.59 549

WAO-8	0.91 549	0.81 549	0.65 525	0.94 552	0.69 551	0.90 548	0.67 550	1.07 557	1.83 562	1.06 552	1.45 559	1.30 548	1.07 555	0.84 546	0.78 550	0.74 552	0.53 550	0.86 551	0.75 552	0.69 549	0.62 550

Venus	0.91 549	0.81 549	0.65 525	0.94 552	0.69 551	0.90 548	0.67 550	1.07 557	1.83 562	1.06 552	1.45 559	1.30 548	1.07 555	0.84 546	0.78 550	0.74 552	0.53 550	0.86 551	0.75 552	0.69 549	0.62 550

TorneroNet	0.82 546	0.74 546	0.81 543	0.84 547	0.63 548	0.99 553	0.63 546	0.96 549	1.16 548	0.80 541	1.11 551	1.36 552	0.86 548	0.93 553	0.80 552	0.56 542	0.49 545	0.78 550	0.66 549	0.73 552	0.63 552

MFMNet_re	0.64 535	0.66 542	0.65 525	0.51 534	0.69 551	0.69 536	0.57 544	0.64 537	0.73 535	0.60 526	0.73 531	0.62 527	0.67 540	0.65 538	0.60 541	0.66 549	0.58 556	0.63 540	0.59 544	0.68 547	0.69 553

UNDER WATER-64	0.95 551	0.94 553	1.43 554	0.87 550	0.56 542	1.18 560	0.87 556	0.77 541	0.94 543	1.04 550	0.85 539	1.58 558	1.21 560	0.94 554	0.96 555	0.87 556	0.57 555	1.03 556	0.88 557	0.78 553	0.73 554

UNDER WATER	0.97 552	0.97 555	1.42 553	0.99 554	0.70 554	1.12 559	0.84 555	0.80 542	1.08 546	1.01 549	0.90 540	1.55 557	1.22 561	1.03 557	1.00 556	0.78 554	0.53 550	1.02 555	0.87 556	0.80 554	0.74 555

ktn	1.01 554	1.21 558	0.80 542	1.23 559	0.86 557	1.01 555	0.87 556	0.94 548	1.39 554	1.04 550	1.12 552	1.15 545	1.07 555	0.94 554	0.59 540	1.28 562	0.71 559	1.38 562	0.83 555	1.02 558	0.75 556

notaker	0.97 552	1.11 556	0.98 547	1.13 557	0.81 555	0.73 539	0.68 552	0.93 547	1.16 548	1.18 557	1.18 555	1.41 554	1.16 559	1.08 559	0.69 548	0.81 555	0.64 558	1.17 558	0.79 554	0.98 556	0.80 557

HanzoNet	1.29 557	1.26 560	1.19 551	1.12 556	0.85 556	1.02 556	0.83 554	1.03 553	1.48 558	1.64 560	1.61 561	2.50 563	1.72 562	1.61 561	1.61 560	1.26 561	0.80 560	1.31 561	1.01 559	1.02 558	0.86 558

KSHMR	1.09 555	1.17 557	0.88 545	1.25 560	1.00 559	0.99 553	0.96 558	1.13 559	1.37 553	1.16 556	1.29 558	1.41 554	0.96 552	1.01 556	0.92 554	1.03 559	1.08 561	1.20 559	1.03 560	1.01 557	0.97 559

JetRed	1.62 558	1.46 561	2.98 557	0.92 551	1.21 560	4.99 564	1.53 563	1.27 562	1.39 554	1.83 561	1.74 562	1.60 559	0.95 551	1.41 560	2.45 564	0.90 558	1.60 563	0.93 554	0.90 558	1.35 560	0.99 560

DPSimNet_ROB	1.11 556	1.23 559	0.78 539	1.13 557	0.88 558	1.10 558	1.13 560	1.16 561	1.23 550	1.43 559	1.02 546	1.41 554	1.10 558	0.90 552	1.60 559	1.46 563	0.51 549	1.21 560	1.03 560	0.90 555	1.01 561

tt	4.67 563	0.06 54	3.55 561	2.02 563	1.55 561	10.25 569	16.71 568	8.91 573	5.03 565	1.31 558	0.94 543	4.71 564	4.76 565	3.33 564	5.87 567	6.06 572	10.30 576	1.88 566	2.11 566	2.75 564	1.21 562

ASD4	3.54 561	3.38 565	2.05 556	1.72 561	2.51 564	9.03 568	17.71 569	2.25 563	5.51 566	2.46 563	2.81 565	2.03 560	3.36 564	2.73 563	5.06 565	1.22 560	1.34 562	1.13 557	1.33 562	1.68 561	1.49 563

MADNet++	1.95 559	1.75 562	1.59 555	1.82 562	1.69 562	2.33 562	1.40 562	2.35 564	2.09 564	2.57 564	2.36 564	2.24 562	2.17 563	2.28 562	2.34 562	1.87 564	1.66 564	1.54 563	1.34 563	1.92 562	1.77 564

USTest	6.22 564	2.73 564	3.00 558	6.57 570	7.29 569	14.37 571	21.57 570	7.00 572	9.56 571	5.34 568	6.10 566	5.72 567	7.64 568	6.41 569	6.96 568	1.97 565	3.42 570	1.64 564	2.15 567	2.66 563	2.36 565

PML	8.91 571	9.34 575	6.13 564	5.35 567	6.41 568	14.99 572	23.38 576	5.27 565	6.83 567	18.04 577	28.19 582	7.67 569	6.83 567	7.85 570	5.75 566	5.35 571	1.83 565	5.95 575	1.93 565	8.64 573	2.52 566

xxxxx1	7.79 565	5.02 568	7.31 566	3.12 564	3.85 565	16.35 573	22.88 571	5.86 569	8.69 568	7.97 569	8.54 567	9.12 571	8.27 569	10.18 571	10.92 569	2.42 566	2.45 566	3.56 569	12.37 573	3.77 565	3.06 567

tt_ll	7.79 565	5.02 568	7.31 566	3.12 564	3.85 565	16.35 573	22.88 571	5.86 569	8.69 568	7.97 569	8.54 567	9.12 571	8.27 569	10.18 571	10.92 569	2.42 566	2.45 566	3.56 569	12.37 573	3.77 565	3.06 567

ff	7.79 565	5.02 568	7.31 566	3.12 564	3.85 565	16.35 573	22.88 571	5.86 569	8.69 568	7.97 569	8.54 567	9.12 571	8.27 569	10.18 571	10.92 569	2.42 566	2.45 566	3.56 569	12.37 573	3.77 565	3.06 567

TCMNet-wrong-test	3.67 562	5.48 571	3.89 563	12.18 574	11.75 575	4.65 563	3.88 564	1.06 556	0.72 531	1.09 554	2.15 563	6.30 568	0.53 527	3.43 565	2.36 563	0.89 557	0.20 512	1.87 565	1.69 564	5.57 570	3.62 570

Anonymous_1	10.96 574	7.92 572	7.46 569	10.33 571	10.06 570	18.65 577	26.34 577	11.06 574	13.44 575	9.40 572	10.05 572	9.67 574	11.23 574	10.73 574	12.72 574	6.42 573	8.38 573	5.77 572	10.61 572	12.12 574	6.77 571

DPSMNet_ROB	8.06 569	4.48 566	8.63 572	5.37 569	10.74 572	8.32 566	22.98 575	5.46 566	13.36 574	5.12 566	9.92 570	5.08 565	10.40 572	5.53 568	12.58 572	3.80 570	8.00 571	3.50 567	7.02 570	3.83 568	7.14 572

DGTPSM_ROB	8.06 569	4.48 566	8.63 572	5.35 567	10.72 571	8.32 566	22.97 574	5.46 566	13.35 573	5.12 566	9.92 570	5.08 565	10.40 572	5.52 567	12.58 572	3.79 569	8.00 571	3.50 567	7.02 570	3.83 568	7.14 572

DPSM_ROB	11.15 575	8.58 573	8.00 570	10.88 572	11.58 573	19.10 578	26.71 578	12.05 575	14.07 576	10.36 573	10.84 573	10.33 575	11.86 575	11.70 575	13.54 575	6.99 574	8.79 574	5.89 573	6.95 568	7.29 571	7.42 574

DPSM	11.15 575	8.58 573	8.00 570	10.88 572	11.58 573	19.10 578	26.71 578	12.05 575	14.07 576	10.36 573	10.84 573	10.33 575	11.86 575	11.70 575	13.54 575	6.99 574	8.79 574	5.89 573	6.95 568	7.29 571	7.42 574

LSM0	22.87 581	17.28 577	18.96 576	22.19 580	29.04 582	38.42 582	53.71 580	24.28 581	28.31 580	20.78 581	21.00 578	21.43 581	24.16 581	23.50 580	27.39 581	14.09 578	17.38 578	11.84 578	14.04 578	14.73 577	14.89 576

CasAABBNet	22.42 579	17.33 578	16.01 574	22.01 578	23.28 579	38.32 580	53.80 581	24.14 580	28.41 581	20.60 579	21.77 579	20.89 580	23.91 580	23.43 579	27.36 580	14.07 576	17.69 579	11.83 577	14.01 577	14.67 575	14.95 577

Selective-RAFT-Error	22.47 580	17.37 579	16.09 575	22.06 579	23.34 580	38.39 581	53.83 582	24.29 582	28.47 582	20.74 580	21.83 580	20.81 579	23.90 579	23.54 581	27.53 582	14.08 577	17.69 579	11.82 576	14.00 576	14.69 576	15.00 578

LRCNet_RVC	10.62 573	13.42 576	7.30 565	18.92 576	2.07 563	0.33 496	0.30 515	5.59 568	0.48 490	13.03 575	17.94 576	8.87 570	5.65 566	4.79 566	1.89 561	23.51 580	2.73 569	27.55 581	25.71 581	16.07 578	16.33 579

HaxPig	15.71 577	18.52 580	19.18 577	16.89 575	15.89 577	7.73 565	7.60 565	13.31 577	10.82 572	15.42 576	14.91 575	15.98 577	14.92 577	15.58 577	15.98 577	18.95 579	16.73 577	19.46 579	18.08 579	19.26 579	19.05 580

MEDIAN_ROB	20.38 578	24.04 581	23.31 579	21.23 577	21.71 578	10.40 570	7.92 566	17.64 578	15.50 578	20.12 578	19.70 577	20.34 578	20.32 578	21.19 578	21.13 578	23.81 581	21.81 581	24.98 580	23.76 580	24.71 580	23.93 581

AVERAGE_ROB	24.90 582	29.20 582	28.14 580	24.89 581	24.64 581	17.75 576	11.12 567	21.45 579	19.93 579	25.12 582	24.46 581	25.12 582	25.46 582	24.69 582	22.83 579	29.76 582	27.13 582	28.97 582	27.95 582	29.91 581	29.47 582

test_example2	98.32 583	94.13 583	45.89 581	96.35 582	109.85 583	88.61 583	95.45 583	25.75 583	94.37 583	130.00 584	126.06 584	58.17 583	74.63 583	88.51 583	79.96 583	150.23 583	221.02 583	77.62 583	99.10 583	113.75 583	96.94 583

ccccc	245.47 584	285.66 584	306.18 584	368.85 584	370.60 584	123.16 584	145.33 584	115.05 584	110.08 584	126.68 583	110.87 583	122.83 584	165.88 584	252.94 584	276.56 584	384.56 584	353.86 584	254.69 584	223.00 584	425.87 584	386.83 584

Low-res two-view benchmark