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

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 49	0.10 59	0.13 43	0.12 5	0.09 3	0.09 17	0.10 40	0.08 27	0.06 8	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 8

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 20	0.09 36	0.14 70	0.11 1	0.09 3	0.08 7	0.09 24	0.11 78	0.06 8	0.12 104	0.08 11	0.06 57	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 20	0.09 36	0.12 21	0.14 18	0.14 60	0.10 43	0.14 84	0.08 27	0.07 34	0.09 10	0.11 89	0.06 57	0.04 2	0.05 2	0.05 33	0.04 1	0.04 8
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
TANstereo	0.09 13	0.04 1	0.08 11	0.13 6	0.06 2	0.11 85	0.14 70	0.15 30	0.19 131	0.11 63	0.15 98	0.10 61	0.06 8	0.12 104	0.09 20	0.07 145	0.05 110	0.05 2	0.04 8	0.06 102	0.05 53

CREStereo	0.09 13	0.04 1	0.08 11	0.11 1	0.06 2	0.13 134	0.14 70	0.14 18	0.10 8	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.04 2	0.05 2	0.03 1	0.06 102	0.06 102
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
IGEV_Zeroshot_test	0.09 13	0.05 6	0.12 93	0.13 6	0.08 49	0.12 108	0.13 43	0.17 76	0.11 18	0.10 43	0.06 2	0.09 40	0.06 8	0.11 48	0.09 20	0.06 57	0.04 2	0.06 33	0.06 89	0.05 41	0.05 53

MSKI-zero shot	0.09 13	0.05 6	0.09 29	0.15 38	0.07 20	0.10 59	0.13 43	0.14 18	0.13 43	0.09 17	0.09 24	0.09 40	0.06 8	0.12 104	0.10 52	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.04 8

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 305	0.14 158	0.13 43	0.14 18	0.09 3	0.07 2	0.09 24	0.07 18	0.08 52	0.10 19	0.09 20	0.06 57	0.04 2	0.06 33	0.05 33	0.05 41	0.04 8

Any-RAFT	0.10 53	0.05 6	0.09 29	0.14 13	0.07 20	0.13 134	0.14 70	0.21 144	0.15 72	0.11 63	0.12 65	0.12 93	0.09 70	0.12 104	0.09 20	0.07 145	0.04 2	0.05 2	0.04 8	0.06 102	0.05 53

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 20	0.08 24	0.15 116	0.11 1	0.10 8	0.08 7	0.09 24	0.06 3	0.09 70	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

LoS	0.09 13	0.05 6	0.11 73	0.13 6	0.07 20	0.14 158	0.11 11	0.15 30	0.15 72	0.09 17	0.09 24	0.12 93	0.09 70	0.15 170	0.10 52	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 59	0.12 21	0.11 1	0.16 90	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 89	0.06 57	0.04 2	0.06 33	0.05 33	0.04 1	0.04 8

knoymous	0.11 84	0.05 6	0.12 93	0.13 6	0.07 20	0.15 180	0.14 70	0.19 120	0.13 43	0.11 63	0.17 124	0.13 116	0.09 70	0.13 137	0.11 89	0.08 195	0.05 110	0.06 33	0.05 33	0.08 203	0.07 162

iRaft-Stereo_20w	0.09 13	0.05 6	0.13 132	0.14 13	0.08 49	0.12 108	0.15 116	0.18 100	0.10 8	0.11 63	0.08 18	0.08 27	0.05 2	0.10 19	0.09 20	0.06 57	0.04 2	0.06 33	0.05 33	0.06 102	0.05 53

TRStereo	0.09 13	0.05 6	0.12 93	0.15 38	0.12 287	0.10 59	0.13 43	0.18 100	0.18 119	0.09 17	0.09 24	0.09 40	0.06 8	0.10 19	0.08 11	0.07 145	0.05 110	0.07 101	0.07 164	0.04 1	0.04 8

AnonymousM	0.09 13	0.05 6	0.10 46	0.14 13	0.06 2	0.09 36	0.13 43	0.19 120	0.14 60	0.13 108	0.11 57	0.09 40	0.08 52	0.13 137	0.10 52	0.08 195	0.05 110	0.08 165	0.05 33	0.05 41	0.05 53

XX-Stereo	0.09 13	0.05 6	0.08 11	0.17 117	0.09 134	0.15 180	0.12 21	0.20 127	0.10 8	0.10 43	0.14 84	0.07 18	0.06 8	0.12 104	0.08 11	0.06 57	0.05 110	0.06 33	0.06 89	0.04 1	0.04 8

PMTNet	0.09 13	0.05 6	0.09 29	0.12 3	0.06 2	0.12 108	0.14 70	0.15 30	0.11 18	0.09 17	0.13 75	0.10 61	0.07 34	0.13 137	0.10 52	0.15 350	0.04 2	0.05 2	0.03 1	0.07 159	0.06 102

MoCha-V2	0.08 2	0.06 19	0.08 11	0.35 380	0.06 2	0.06 2	0.15 116	0.11 1	0.08 2	0.07 2	0.07 14	0.07 18	0.05 2	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

IGEV+	0.08 2	0.06 19	0.10 46	0.16 69	0.06 2	0.09 36	0.13 43	0.12 5	0.14 60	0.09 17	0.09 24	0.06 3	0.05 2	0.12 104	0.09 20	0.06 57	0.04 2	0.05 2	0.04 8	0.06 102	0.04 8

11t1	0.12 139	0.06 19	0.13 132	0.14 13	0.08 49	0.17 223	0.15 116	0.18 100	0.15 72	0.15 152	0.15 98	0.16 166	0.16 230	0.15 170	0.13 161	0.08 195	0.05 110	0.06 33	0.05 33	0.08 203	0.07 162

IGEVStereo-DCA	0.09 13	0.06 19	0.11 73	0.15 38	0.10 220	0.11 85	0.15 116	0.16 46	0.12 26	0.10 43	0.06 2	0.08 27	0.06 8	0.10 19	0.08 11	0.06 57	0.05 110	0.06 33	0.05 33	0.05 41	0.06 102

rrr	0.09 13	0.06 19	0.12 93	0.15 38	0.10 220	0.11 85	0.16 174	0.16 46	0.15 72	0.10 43	0.06 2	0.08 27	0.06 8	0.10 19	0.08 11	0.06 57	0.05 110	0.06 33	0.05 33	0.05 41	0.06 102

MIF-Stereo (partial)	0.11 84	0.06 19	0.10 46	0.19 230	0.10 220	0.10 59	0.11 11	0.17 76	0.18 119	0.14 128	0.16 106	0.09 40	0.11 113	0.12 104	0.12 131	0.08 195	0.05 110	0.08 165	0.07 164	0.06 102	0.07 162

RAFT-Test	0.09 13	0.06 19	0.10 46	0.15 38	0.07 20	0.11 85	0.15 116	0.16 46	0.13 43	0.09 17	0.10 40	0.10 61	0.09 70	0.12 104	0.09 20	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 53

HH	0.09 13	0.06 19	0.13 132	0.17 117	0.08 49	0.10 59	0.16 174	0.14 18	0.10 8	0.08 7	0.09 24	0.08 27	0.07 34	0.10 19	0.09 20	0.06 57	0.04 2	0.06 33	0.05 33	0.05 41	0.04 8

HanStereo	0.09 13	0.06 19	0.13 132	0.17 117	0.08 49	0.10 59	0.16 174	0.14 18	0.10 8	0.08 7	0.09 24	0.08 27	0.07 34	0.10 19	0.09 20	0.06 57	0.04 2	0.06 33	0.05 33	0.05 41	0.04 8

CBFPSM	0.14 190	0.06 19	0.26 314	0.17 117	0.09 134	0.13 134	0.15 116	0.22 160	0.23 186	0.20 246	0.27 252	0.24 256	0.16 230	0.16 202	0.18 252	0.06 57	0.06 194	0.06 33	0.07 164	0.07 159	0.07 162

iinet-f	0.16 242	0.06 19	0.45 363	0.14 13	0.10 220	0.21 284	0.14 70	0.27 238	0.23 186	0.21 254	0.24 201	0.21 221	0.15 210	0.18 235	0.21 286	0.09 240	0.07 251	0.07 101	0.06 89	0.09 251	0.10 274

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 117	0.06 2	0.08 24	0.12 21	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

riskmin	0.11 84	0.06 19	0.13 132	0.14 13	0.08 49	0.14 158	0.14 70	0.18 100	0.14 60	0.11 63	0.14 84	0.16 166	0.11 113	0.14 152	0.12 131	0.09 240	0.05 110	0.07 101	0.05 33	0.08 203	0.08 222

MC-Stereo	0.08 2	0.06 19	0.09 29	0.17 117	0.06 2	0.10 59	0.14 70	0.12 5	0.10 8	0.09 17	0.12 65	0.09 40	0.06 8	0.11 48	0.10 52	0.06 57	0.04 2	0.06 33	0.05 33	0.04 1	0.04 8

RCA-Stereo	0.09 13	0.06 19	0.09 29	0.16 69	0.06 2	0.09 36	0.13 43	0.18 100	0.14 60	0.09 17	0.10 40	0.08 27	0.07 34	0.12 104	0.11 89	0.06 57	0.04 2	0.06 33	0.05 33	0.05 41	0.04 8

DCANet-4	0.10 53	0.06 19	0.12 93	0.16 69	0.06 2	0.09 36	0.17 195	0.18 100	0.19 131	0.13 108	0.16 106	0.09 40	0.14 197	0.11 48	0.12 131	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 53

fff	0.10 53	0.06 19	0.12 93	0.15 38	0.07 20	0.09 36	0.17 195	0.16 46	0.20 152	0.13 108	0.16 106	0.10 61	0.11 113	0.11 48	0.12 131	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 53

tt	4.67 421	0.06 19	3.55 420	2.02 423	1.55 421	10.25 427	16.71 426	8.91 430	5.03 423	1.31 416	0.94 402	4.71 423	4.76 423	3.33 423	5.87 425	6.06 430	10.30 434	1.88 424	2.11 425	2.75 423	1.21 422

ADStereo(finetuned)	0.10 53	0.06 19	0.12 93	0.16 69	0.06 2	0.09 36	0.17 195	0.15 30	0.19 131	0.13 108	0.17 124	0.10 61	0.12 142	0.11 48	0.12 131	0.06 57	0.04 2	0.05 2	0.04 8	0.05 41	0.04 8

test-3	0.08 2	0.06 19	0.09 29	0.17 117	0.07 20	0.07 17	0.14 70	0.12 5	0.15 72	0.09 17	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 101	0.05 33	0.04 1	0.04 8

test_1	0.08 2	0.06 19	0.09 29	0.17 117	0.07 20	0.07 17	0.14 70	0.12 5	0.15 72	0.09 17	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 101	0.05 33	0.04 1	0.04 8

CrosDoStereo	0.12 139	0.06 19	0.12 93	0.14 13	0.08 49	0.12 108	0.15 116	0.17 76	0.22 177	0.19 229	0.24 201	0.15 155	0.11 113	0.11 48	0.12 131	0.06 57	0.04 2	0.07 101	0.07 164	0.05 41	0.05 53

PFNet+	0.11 84	0.06 19	0.13 132	0.16 69	0.09 134	0.05 1	0.12 21	0.17 76	0.21 165	0.16 177	0.19 152	0.14 131	0.10 91	0.11 48	0.11 89	0.08 195	0.05 110	0.09 231	0.08 214	0.06 102	0.11 297

HHNet	0.11 84	0.06 19	0.16 225	0.15 38	0.14 322	0.07 17	0.13 43	0.20 127	0.17 102	0.14 128	0.25 230	0.11 78	0.08 52	0.13 137	0.10 52	0.05 2	0.04 2	0.08 165	0.06 89	0.05 41	0.09 255

OMP-Stereo	0.11 84	0.06 19	0.14 158	0.18 184	0.08 49	0.09 36	0.12 21	0.21 144	0.21 165	0.13 108	0.14 84	0.11 78	0.12 142	0.11 48	0.13 161	0.06 57	0.04 2	0.07 101	0.06 89	0.05 41	0.04 8

IIG-Stereo	0.11 84	0.06 19	0.13 132	0.17 117	0.08 49	0.11 85	0.12 21	0.22 160	0.17 102	0.14 128	0.17 124	0.11 78	0.12 142	0.12 104	0.12 131	0.06 57	0.05 110	0.07 101	0.06 89	0.05 41	0.04 8

FTStereo	0.12 139	0.06 19	0.14 158	0.18 184	0.09 134	0.07 17	0.15 116	0.21 144	0.18 119	0.12 87	0.24 201	0.12 93	0.12 142	0.13 137	0.13 161	0.05 2	0.05 110	0.07 101	0.06 89	0.06 102	0.10 274

ASMatch	0.11 84	0.06 19	0.13 132	0.16 69	0.10 220	0.07 17	0.14 70	0.17 76	0.17 102	0.12 87	0.16 106	0.16 166	0.10 91	0.13 137	0.10 52	0.05 2	0.04 2	0.06 33	0.05 33	0.04 1	0.08 222

DeepStereo_LL	0.12 139	0.06 19	0.12 93	0.14 13	0.08 49	0.12 108	0.15 116	0.17 76	0.22 177	0.19 229	0.24 201	0.15 155	0.11 113	0.11 48	0.12 131	0.06 57	0.04 2	0.07 101	0.07 164	0.05 41	0.05 53

DEmStereo	0.12 139	0.06 19	0.14 158	0.14 13	0.10 220	0.16 204	0.15 116	0.16 46	0.24 196	0.17 189	0.24 201	0.13 116	0.14 197	0.12 104	0.13 161	0.05 2	0.04 2	0.07 101	0.06 89	0.05 41	0.05 53

DRaft	0.12 139	0.06 19	0.11 73	0.14 13	0.09 134	0.14 158	0.17 195	0.21 144	0.30 261	0.17 189	0.28 261	0.10 61	0.15 210	0.10 19	0.12 131	0.05 2	0.04 2	0.07 101	0.06 89	0.05 41	0.05 53

PFNet	0.12 139	0.06 19	0.17 250	0.17 117	0.08 49	0.09 36	0.15 116	0.26 220	0.20 152	0.16 177	0.16 106	0.14 131	0.11 113	0.12 104	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.05 41	0.05 53

GrayStereo	0.11 84	0.06 19	0.11 73	0.19 230	0.09 134	0.09 36	0.16 174	0.18 100	0.17 102	0.14 128	0.17 124	0.17 185	0.11 113	0.12 104	0.11 89	0.05 2	0.05 110	0.07 101	0.06 89	0.05 41	0.10 274

RAFT-RH_RVC	0.11 84	0.06 19	0.14 158	0.16 69	0.09 134	0.12 108	0.12 21	0.17 76	0.12 26	0.13 108	0.41 346	0.11 78	0.10 91	0.13 137	0.12 131	0.05 2	0.04 2	0.08 165	0.05 33	0.04 1	0.06 102

Prome-Stereo	0.11 84	0.06 19	0.10 46	0.18 184	0.08 49	0.12 108	0.15 116	0.22 160	0.13 43	0.12 87	0.17 124	0.13 116	0.08 52	0.12 104	0.10 52	0.05 2	0.04 2	0.07 101	0.06 89	0.06 102	0.09 255

rafts_anoy	0.11 84	0.06 19	0.10 46	0.17 117	0.08 49	0.10 59	0.14 70	0.17 76	0.14 60	0.13 108	0.13 75	0.12 93	0.10 91	0.11 48	0.12 131	0.07 145	0.04 2	0.09 231	0.11 310	0.07 159	0.06 102

s12784h	0.09 13	0.06 19	0.07 2	0.15 38	0.05 1	0.16 204	0.18 235	0.15 30	0.15 72	0.10 43	0.11 57	0.11 78	0.11 113	0.10 19	0.12 131	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 8

XX-TBD	0.09 13	0.06 19	0.07 2	0.14 13	0.07 20	0.12 108	0.16 174	0.14 18	0.13 43	0.11 63	0.12 65	0.09 40	0.08 52	0.10 19	0.10 52	0.06 57	0.04 2	0.05 2	0.03 1	0.06 102	0.05 53

raftrobust	0.09 13	0.06 19	0.10 46	0.17 117	0.08 49	0.09 36	0.10 6	0.18 100	0.16 90	0.10 43	0.09 24	0.12 93	0.07 34	0.12 104	0.10 52	0.08 195	0.05 110	0.06 33	0.05 33	0.05 41	0.05 53

RALCasStereoNet	0.10 53	0.06 19	0.09 29	0.16 69	0.08 49	0.12 108	0.14 70	0.17 76	0.11 18	0.12 87	0.17 124	0.14 131	0.10 91	0.12 104	0.11 89	0.07 145	0.06 194	0.06 33	0.05 33	0.08 203	0.07 162

DCANet	0.10 53	0.06 19	0.12 93	0.16 69	0.06 2	0.09 36	0.17 195	0.15 30	0.19 131	0.13 108	0.17 124	0.10 61	0.11 113	0.11 48	0.12 131	0.06 57	0.04 2	0.05 2	0.04 8	0.05 41	0.04 8

csc	0.10 53	0.06 19	0.12 93	0.15 38	0.07 20	0.09 36	0.17 195	0.16 46	0.20 152	0.13 108	0.16 106	0.10 61	0.11 113	0.11 48	0.12 131	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 53

cscssc	0.10 53	0.06 19	0.12 93	0.15 38	0.07 20	0.09 36	0.17 195	0.16 46	0.20 152	0.13 108	0.16 106	0.10 61	0.11 113	0.11 48	0.12 131	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 53

111	0.10 53	0.06 19	0.12 93	0.15 38	0.07 20	0.10 59	0.14 70	0.21 144	0.23 186	0.11 63	0.12 65	0.14 131	0.11 113	0.13 137	0.10 52	0.06 57	0.04 2	0.06 33	0.04 8	0.05 41	0.05 53

test_xeample3	0.09 13	0.06 19	0.12 93	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.13 43	0.10 43	0.06 2	0.08 27	0.06 8	0.10 19	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102

test_xeample	0.15 224	0.06 19	0.13 132	0.14 13	0.08 49	0.21 284	0.20 281	0.28 252	0.20 152	0.16 177	0.29 272	0.19 205	0.16 230	0.15 170	0.26 334	0.09 240	0.05 110	0.07 101	0.07 164	0.07 159	0.07 162

RAFT-Stereo + iAFF	0.09 13	0.06 19	0.10 46	0.17 117	0.06 2	0.10 59	0.16 174	0.17 76	0.14 60	0.09 17	0.10 40	0.08 27	0.09 70	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.06 89	0.04 1	0.03 1

AFF-stereo	0.09 13	0.06 19	0.10 46	0.17 117	0.07 20	0.10 59	0.16 174	0.17 76	0.09 3	0.10 43	0.12 65	0.09 40	0.09 70	0.12 104	0.09 20	0.05 2	0.04 2	0.07 101	0.07 164	0.04 1	0.03 1

Gwc-CoAtRS	0.09 13	0.06 19	0.10 46	0.16 69	0.07 20	0.10 59	0.14 70	0.17 76	0.17 102	0.08 7	0.10 40	0.12 93	0.09 70	0.12 104	0.09 20	0.06 57	0.04 2	0.06 33	0.04 8	0.04 1	0.04 8

R-Stereo Train	0.10 53	0.06 19	0.10 46	0.17 117	0.08 49	0.11 85	0.14 70	0.23 177	0.11 18	0.12 87	0.19 152	0.11 78	0.08 52	0.09 10	0.11 89	0.07 145	0.05 110	0.06 33	0.05 33	0.05 41	0.05 53

RAFT-Stereo	0.10 53	0.06 19	0.10 46	0.17 117	0.08 49	0.11 85	0.14 70	0.23 177	0.11 18	0.12 87	0.19 152	0.11 78	0.08 52	0.09 10	0.11 89	0.07 145	0.05 110	0.06 33	0.05 33	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 53	0.06 19	0.12 93	0.14 13	0.06 2	0.11 85	0.10 6	0.18 100	0.18 119	0.13 108	0.16 106	0.14 131	0.11 113	0.15 170	0.13 161	0.06 57	0.04 2	0.04 1	0.04 8	0.06 102	0.05 53
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
MGS-Stereo	0.09 13	0.07 71	0.12 93	0.15 38	0.08 49	0.09 36	0.15 116	0.12 5	0.12 26	0.07 2	0.10 40	0.08 27	0.06 8	0.10 19	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.06 102	0.05 53

MyStereo8	0.12 139	0.07 71	0.15 195	0.15 38	0.09 134	0.18 238	0.14 70	0.19 120	0.22 177	0.12 87	0.18 146	0.11 78	0.10 91	0.16 202	0.18 252	0.07 145	0.05 110	0.07 101	0.05 33	0.08 203	0.09 255

SMFormer	0.14 190	0.07 71	0.17 250	0.14 13	0.08 49	0.16 204	0.17 195	0.26 220	0.27 235	0.19 229	0.20 163	0.18 196	0.15 210	0.15 170	0.17 238	0.08 195	0.05 110	0.07 101	0.06 89	0.07 159	0.06 102

tta	0.14 190	0.07 71	0.17 250	0.14 13	0.08 49	0.16 204	0.17 195	0.26 220	0.27 235	0.19 229	0.20 163	0.18 196	0.15 210	0.15 170	0.17 238	0.08 195	0.05 110	0.07 101	0.06 89	0.06 102	0.06 102

qqq1	0.13 161	0.07 71	0.17 250	0.14 13	0.08 49	0.16 204	0.17 195	0.26 220	0.27 235	0.19 229	0.20 163	0.18 196	0.15 210	0.15 170	0.11 89	0.08 195	0.05 110	0.05 2	0.05 33	0.06 102	0.06 102

fff1	0.13 161	0.07 71	0.17 250	0.14 13	0.08 49	0.16 204	0.17 195	0.26 220	0.27 235	0.19 229	0.20 163	0.18 196	0.15 210	0.15 170	0.11 89	0.08 195	0.05 110	0.05 2	0.05 33	0.06 102	0.06 102

MyStereo07	0.10 53	0.07 71	0.10 46	0.17 117	0.09 134	0.14 158	0.18 235	0.15 30	0.15 72	0.09 17	0.06 2	0.06 3	0.07 34	0.12 104	0.09 20	0.06 57	0.05 110	0.08 165	0.07 164	0.06 102	0.06 102

MyStereo06	0.10 53	0.07 71	0.12 93	0.17 117	0.09 134	0.13 134	0.18 235	0.19 120	0.12 26	0.12 87	0.08 18	0.07 18	0.07 34	0.11 48	0.09 20	0.06 57	0.05 110	0.07 101	0.07 164	0.06 102	0.06 102

MyStereo05	0.13 161	0.07 71	0.10 46	0.17 117	0.09 134	0.13 134	0.18 235	0.27 238	0.35 297	0.17 189	0.14 84	0.15 155	0.11 113	0.15 170	0.13 161	0.06 57	0.05 110	0.07 101	0.07 164	0.06 102	0.06 102

MyStereo04	0.13 161	0.07 71	0.10 46	0.17 117	0.09 134	0.14 158	0.18 235	0.29 262	0.38 313	0.17 189	0.14 84	0.16 166	0.10 91	0.15 170	0.13 161	0.06 57	0.05 110	0.08 165	0.07 164	0.06 102	0.06 102

CoDeX	0.12 139	0.07 71	0.12 93	0.17 117	0.08 49	0.12 108	0.15 116	0.23 177	0.27 235	0.13 108	0.17 124	0.16 166	0.11 113	0.14 152	0.11 89	0.07 145	0.05 110	0.07 101	0.06 89	0.06 102	0.05 53

ff7	0.09 13	0.07 71	0.11 73	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.12 26	0.10 43	0.06 2	0.06 3	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102

ffff	0.09 13	0.07 71	0.11 73	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.12 26	0.10 43	0.06 2	0.06 3	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102

11t	0.09 13	0.07 71	0.11 73	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.12 26	0.10 43	0.06 2	0.06 3	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102

MIF-Stereo	0.09 13	0.07 71	0.08 11	0.18 184	0.08 49	0.13 134	0.11 11	0.12 5	0.11 18	0.10 43	0.12 65	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 33	0.05 41	0.05 53

EKT-Stereo	0.11 84	0.07 71	0.14 158	0.15 38	0.10 220	0.13 134	0.14 70	0.18 100	0.21 165	0.11 63	0.08 18	0.12 93	0.09 70	0.11 48	0.12 131	0.08 195	0.06 194	0.07 101	0.06 89	0.08 203	0.07 162

MIM_Stereo	0.09 13	0.07 71	0.11 73	0.15 38	0.07 20	0.06 2	0.12 21	0.20 127	0.14 60	0.13 108	0.13 75	0.09 40	0.05 2	0.12 104	0.08 11	0.05 2	0.06 194	0.07 101	0.06 89	0.06 102	0.05 53

4D-IteraStereo	0.09 13	0.07 71	0.10 46	0.18 184	0.07 20	0.09 36	0.15 116	0.17 76	0.15 72	0.10 43	0.11 57	0.10 61	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 165	0.07 164	0.06 102	0.05 53

anonymousdsp2	0.11 84	0.07 71	0.10 46	0.16 69	0.09 134	0.13 134	0.14 70	0.18 100	0.22 177	0.13 108	0.14 84	0.12 93	0.09 70	0.14 152	0.11 89	0.05 2	0.04 2	0.05 2	0.04 8	0.06 102	0.05 53

anonymousdsp	0.09 13	0.07 71	0.11 73	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.12 26	0.09 17	0.06 2	0.06 3	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102

gwcnet-sp	0.14 190	0.07 71	0.12 93	0.18 184	0.09 134	0.16 204	0.17 195	0.24 195	0.24 196	0.18 216	0.24 201	0.15 155	0.16 230	0.15 170	0.15 212	0.08 195	0.06 194	0.07 101	0.08 214	0.08 203	0.07 162

scenet	0.14 190	0.07 71	0.12 93	0.18 184	0.09 134	0.16 204	0.17 195	0.24 195	0.24 196	0.18 216	0.24 201	0.15 155	0.16 230	0.15 170	0.15 212	0.08 195	0.06 194	0.07 101	0.08 214	0.08 203	0.07 162

DCRE	0.11 84	0.07 71	0.13 132	0.16 69	0.11 258	0.11 85	0.17 195	0.18 100	0.17 102	0.11 63	0.18 146	0.10 61	0.10 91	0.15 170	0.11 89	0.06 57	0.05 110	0.06 33	0.06 89	0.05 41	0.04 8

anonymousa	0.13 161	0.07 71	0.13 132	0.18 184	0.09 134	0.13 134	0.17 195	0.19 120	0.29 253	0.15 152	0.24 201	0.15 155	0.14 197	0.14 152	0.14 189	0.07 145	0.05 110	0.07 101	0.09 255	0.05 41	0.06 102

ProNet	0.09 13	0.07 71	0.10 46	0.17 117	0.08 49	0.10 59	0.15 116	0.15 30	0.12 26	0.09 17	0.06 2	0.07 18	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.04 1	0.06 102

ssnet	0.14 190	0.07 71	0.12 93	0.18 184	0.09 134	0.16 204	0.17 195	0.24 195	0.24 196	0.18 216	0.24 201	0.15 155	0.16 230	0.15 170	0.15 212	0.08 195	0.06 194	0.07 101	0.08 214	0.08 203	0.07 162

ccc-4	0.09 13	0.07 71	0.11 73	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.12 26	0.10 43	0.06 2	0.06 3	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102

x	0.13 161	0.07 71	0.14 158	0.14 13	0.08 49	0.18 238	0.14 70	0.22 160	0.20 152	0.15 152	0.19 152	0.19 205	0.17 249	0.18 235	0.18 252	0.07 145	0.05 110	0.06 33	0.06 89	0.07 159	0.07 162

DisPM	0.11 84	0.07 71	0.12 93	0.16 69	0.09 134	0.06 2	0.13 43	0.17 76	0.17 102	0.14 128	0.20 163	0.12 93	0.10 91	0.11 48	0.10 52	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.11 297

IER	0.14 190	0.07 71	0.13 132	0.17 117	0.09 134	0.14 158	0.16 174	0.25 208	0.26 228	0.18 216	0.25 230	0.17 185	0.20 282	0.16 202	0.14 189	0.08 195	0.05 110	0.07 101	0.06 89	0.08 203	0.07 162

IGEV-Stereo	0.09 13	0.07 71	0.11 73	0.16 69	0.09 134	0.11 85	0.15 116	0.16 46	0.12 26	0.09 17	0.06 2	0.06 3	0.06 8	0.11 48	0.09 20	0.05 2	0.04 2	0.06 33	0.05 33	0.05 41	0.06 102
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 84	0.07 71	0.11 73	0.17 117	0.07 20	0.09 36	0.13 43	0.15 30	0.24 196	0.12 87	0.13 75	0.12 93	0.08 52	0.18 235	0.11 89	0.06 57	0.08 273	0.08 165	0.06 89	0.05 41	0.05 53

IPLG	0.10 53	0.07 71	0.15 195	0.17 117	0.08 49	0.11 85	0.14 70	0.20 127	0.15 72	0.12 87	0.17 124	0.07 18	0.07 34	0.14 152	0.13 161	0.06 57	0.04 2	0.06 33	0.05 33	0.04 1	0.04 8

GANet-ADL	0.13 161	0.07 71	0.15 195	0.17 117	0.10 220	0.18 238	0.15 116	0.30 276	0.20 152	0.13 108	0.18 146	0.19 205	0.12 142	0.16 202	0.13 161	0.08 195	0.06 194	0.06 33	0.05 33	0.07 159	0.08 222

LCNet	0.11 84	0.07 71	0.09 29	0.19 230	0.09 134	0.08 24	0.15 116	0.21 144	0.15 72	0.11 63	0.15 98	0.16 166	0.11 113	0.12 104	0.11 89	0.05 2	0.04 2	0.08 165	0.07 164	0.06 102	0.15 347

AAGNet	0.11 84	0.07 71	0.16 225	0.19 230	0.09 134	0.08 24	0.13 43	0.18 100	0.13 43	0.16 177	0.21 177	0.13 116	0.14 197	0.11 48	0.14 189	0.06 57	0.04 2	0.09 231	0.06 89	0.06 102	0.05 53

STrans-v2	0.10 53	0.07 71	0.12 93	0.18 184	0.07 20	0.10 59	0.14 70	0.21 144	0.11 18	0.11 63	0.15 98	0.12 93	0.10 91	0.11 48	0.12 131	0.05 2	0.04 2	0.06 33	0.06 89	0.04 1	0.04 8

NF-Stereo	0.11 84	0.07 71	0.13 132	0.17 117	0.09 134	0.10 59	0.14 70	0.23 177	0.19 131	0.12 87	0.17 124	0.12 93	0.11 113	0.11 48	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.12 308

OCTAStereo	0.11 84	0.07 71	0.13 132	0.17 117	0.09 134	0.10 59	0.14 70	0.23 177	0.19 131	0.12 87	0.17 124	0.12 93	0.11 113	0.11 48	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.12 308

PSM-softLoss	0.12 139	0.07 71	0.15 195	0.17 117	0.09 134	0.08 24	0.13 43	0.24 195	0.17 102	0.14 128	0.19 152	0.13 116	0.11 113	0.11 48	0.11 89	0.07 145	0.05 110	0.08 165	0.07 164	0.06 102	0.12 308

KMStereo	0.12 139	0.07 71	0.15 195	0.17 117	0.09 134	0.08 24	0.13 43	0.24 195	0.17 102	0.14 128	0.19 152	0.13 116	0.11 113	0.11 48	0.11 89	0.07 145	0.05 110	0.08 165	0.07 164	0.06 102	0.12 308

PSM-AAD	0.11 84	0.07 71	0.10 46	0.19 230	0.09 134	0.10 59	0.15 116	0.20 127	0.13 43	0.12 87	0.14 84	0.18 196	0.11 113	0.11 48	0.10 52	0.05 2	0.05 110	0.09 231	0.08 214	0.06 102	0.14 339

KYRaft	0.11 84	0.07 71	0.10 46	0.19 230	0.09 134	0.08 24	0.15 116	0.22 160	0.12 26	0.13 108	0.16 106	0.20 215	0.10 91	0.12 104	0.10 52	0.05 2	0.04 2	0.08 165	0.08 214	0.06 102	0.16 358

SST-Stereo	0.10 53	0.07 71	0.15 195	0.18 184	0.09 134	0.06 2	0.12 21	0.17 76	0.11 18	0.15 152	0.17 124	0.13 116	0.12 142	0.10 19	0.11 89	0.06 57	0.04 2	0.09 231	0.06 89	0.06 102	0.05 53

THIR-Stereo	0.12 139	0.07 71	0.11 73	0.15 38	0.08 49	0.14 158	0.16 174	0.17 76	0.25 215	0.16 177	0.24 201	0.14 131	0.12 142	0.12 104	0.14 189	0.06 57	0.04 2	0.07 101	0.07 164	0.05 41	0.05 53

RAFT_R40	0.11 84	0.07 71	0.14 158	0.18 184	0.09 134	0.06 2	0.13 43	0.17 76	0.16 90	0.14 128	0.18 146	0.15 155	0.12 142	0.10 19	0.11 89	0.06 57	0.04 2	0.09 231	0.06 89	0.06 102	0.05 53

RE-Stereo	0.11 84	0.07 71	0.13 132	0.17 117	0.09 134	0.10 59	0.14 70	0.23 177	0.19 131	0.12 87	0.17 124	0.12 93	0.11 113	0.11 48	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.12 308

Pruner-Stereo	0.11 84	0.07 71	0.12 93	0.17 117	0.09 134	0.06 2	0.12 21	0.17 76	0.17 102	0.13 108	0.19 152	0.13 116	0.09 70	0.11 48	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.08 222

TVStereo	0.11 84	0.07 71	0.13 132	0.17 117	0.09 134	0.10 59	0.14 70	0.23 177	0.19 131	0.12 87	0.17 124	0.12 93	0.11 113	0.11 48	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.12 308

RAFT-345	0.11 84	0.07 71	0.15 195	0.16 69	0.08 49	0.08 24	0.12 21	0.15 30	0.10 8	0.11 63	0.36 312	0.09 40	0.09 70	0.11 48	0.12 131	0.05 2	0.05 110	0.07 101	0.06 89	0.04 1	0.05 53

test-1	0.10 53	0.07 71	0.16 225	0.19 230	0.08 49	0.11 85	0.24 326	0.14 18	0.18 119	0.09 17	0.07 14	0.09 40	0.08 52	0.07 1	0.09 20	0.06 57	0.04 2	0.06 33	0.05 33	0.04 1	0.04 8

GMM-Stereo	0.11 84	0.07 71	0.10 46	0.18 184	0.09 134	0.08 24	0.15 116	0.23 177	0.16 90	0.11 63	0.15 98	0.13 116	0.11 113	0.11 48	0.11 89	0.05 2	0.04 2	0.08 165	0.07 164	0.06 102	0.09 255

iRaftStereo_RVC	0.10 53	0.07 71	0.09 29	0.17 117	0.09 134	0.11 85	0.17 195	0.18 100	0.12 26	0.09 17	0.12 65	0.10 61	0.07 34	0.11 48	0.10 52	0.05 2	0.04 2	0.08 165	0.08 214	0.04 1	0.04 8

raft+_RVC	0.11 84	0.07 71	0.09 29	0.16 69	0.07 20	0.10 59	0.11 11	0.24 195	0.20 152	0.12 87	0.15 98	0.12 93	0.08 52	0.12 104	0.13 161	0.07 145	0.04 2	0.07 101	0.06 89	0.05 41	0.05 53

222	0.16 242	0.07 71	0.14 158	0.14 13	0.08 49	0.24 310	0.18 235	0.30 276	0.20 152	0.17 189	0.28 261	0.17 185	0.16 230	0.15 170	0.40 381	0.10 271	0.05 110	0.07 101	0.06 89	0.07 159	0.08 222

xxxx	0.15 224	0.07 71	0.14 158	0.14 13	0.08 49	0.23 305	0.18 235	0.31 282	0.19 131	0.14 128	0.28 261	0.22 238	0.14 197	0.15 170	0.26 334	0.09 240	0.05 110	0.07 101	0.07 164	0.08 203	0.07 162

RAFT + AFF	0.13 161	0.07 71	0.20 285	0.20 272	0.10 220	0.14 158	0.24 326	0.26 220	0.20 152	0.11 63	0.10 40	0.12 93	0.10 91	0.15 170	0.12 131	0.07 145	0.06 194	0.09 231	0.08 214	0.06 102	0.08 222

EAI-Stereo	0.09 13	0.07 71	0.11 73	0.15 38	0.06 2	0.10 59	0.15 116	0.16 46	0.09 3	0.08 7	0.09 24	0.08 27	0.07 34	0.09 10	0.11 89	0.05 2	0.04 2	0.05 2	0.05 33	0.05 41	0.04 8

CFNet-RSSM	0.09 13	0.07 71	0.09 29	0.16 69	0.07 20	0.09 36	0.15 116	0.16 46	0.17 102	0.08 7	0.12 65	0.10 61	0.09 70	0.11 48	0.09 20	0.06 57	0.04 2	0.06 33	0.04 8	0.04 1	0.04 8

SFCPSM	0.13 161	0.07 71	0.14 158	0.17 117	0.09 134	0.15 180	0.16 174	0.28 252	0.27 235	0.14 128	0.17 124	0.12 93	0.13 174	0.14 152	0.11 89	0.08 195	0.05 110	0.07 101	0.07 164	0.07 159	0.06 102

cf-r	0.13 161	0.07 71	0.12 93	0.16 69	0.08 49	0.14 158	0.19 266	0.20 127	0.25 215	0.17 189	0.25 230	0.21 221	0.16 230	0.14 152	0.14 189	0.10 271	0.05 110	0.06 33	0.08 214	0.06 102	0.06 102

GANet-RSSM	0.14 190	0.07 71	0.13 132	0.13 6	0.08 49	0.14 158	0.17 195	0.22 160	0.21 165	0.17 189	0.24 201	0.23 250	0.15 210	0.16 202	0.15 212	0.10 271	0.06 194	0.07 101	0.08 214	0.08 203	0.07 162

PSMNet-RSSM	0.14 190	0.07 71	0.13 132	0.15 38	0.08 49	0.13 134	0.16 174	0.24 195	0.24 196	0.16 177	0.28 261	0.22 238	0.14 197	0.15 170	0.13 161	0.11 292	0.06 194	0.09 231	0.12 328	0.08 203	0.07 162

GwcNet-RSSM	0.14 190	0.07 71	0.12 93	0.15 38	0.08 49	0.15 180	0.20 281	0.21 144	0.27 235	0.18 216	0.27 252	0.22 238	0.16 230	0.14 152	0.15 212	0.10 271	0.05 110	0.07 101	0.09 255	0.07 159	0.07 162

CFNet-ft	0.14 190	0.07 71	0.15 195	0.12 3	0.09 134	0.16 204	0.18 235	0.22 160	0.24 196	0.17 189	0.26 245	0.24 256	0.14 197	0.16 202	0.14 189	0.11 292	0.06 194	0.08 165	0.09 255	0.09 251	0.08 222

DIP-Stereo	0.11 84	0.07 71	0.14 158	0.17 117	0.09 134	0.13 134	0.09 3	0.16 46	0.16 90	0.11 63	0.16 106	0.14 131	0.12 142	0.15 170	0.13 161	0.06 57	0.05 110	0.06 33	0.05 33	0.05 41	0.06 102
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.14 190	0.07 71	0.14 158	0.16 69	0.08 49	0.18 238	0.14 70	0.29 262	0.20 152	0.17 189	0.25 230	0.21 221	0.18 259	0.20 265	0.19 261	0.07 145	0.06 194	0.06 33	0.08 214	0.06 102	0.06 102

CFNet_RVC	0.14 190	0.07 71	0.15 195	0.12 3	0.09 134	0.16 204	0.18 235	0.22 160	0.24 196	0.17 189	0.26 245	0.24 256	0.14 197	0.16 202	0.14 189	0.11 292	0.06 194	0.08 165	0.09 255	0.09 251	0.08 222

MLCV	0.12 139	0.07 71	0.16 225	0.18 184	0.06 2	0.15 180	0.17 195	0.19 120	0.21 165	0.18 216	0.25 230	0.17 185	0.13 174	0.14 152	0.13 161	0.05 2	0.04 2	0.05 2	0.04 8	0.05 41	0.04 8

iResNet_ROB	0.14 190	0.07 71	0.13 132	0.14 13	0.07 20	0.18 238	0.14 70	0.26 220	0.31 267	0.22 267	0.25 230	0.23 250	0.15 210	0.15 170	0.13 161	0.07 145	0.05 110	0.05 2	0.04 8	0.08 203	0.08 222

LE_ROB	0.50 388	0.07 71	0.14 158	0.15 38	0.08 49	0.24 310	0.16 174	0.22 160	1.81 419	4.63 423	0.67 384	0.47 374	0.44 380	0.20 265	0.29 352	0.07 145	0.06 194	0.06 33	0.06 89	0.08 203	0.06 102

pmcnn	0.15 224	0.07 71	0.19 277	0.15 38	0.07 20	0.20 270	0.15 116	0.24 195	0.26 228	0.21 254	0.34 305	0.28 288	0.18 259	0.18 235	0.17 238	0.07 145	0.05 110	0.05 2	0.04 8	0.07 159	0.06 102

DispNO	0.14 190	0.08 143	0.17 250	0.19 230	0.12 287	0.11 85	0.21 297	0.23 177	0.29 253	0.17 189	0.23 192	0.18 196	0.17 249	0.15 170	0.15 212	0.07 145	0.05 110	0.08 165	0.08 214	0.07 159	0.06 102

Former-RAFT_DAM_RVC	0.10 53	0.08 143	0.12 93	0.16 69	0.08 49	0.15 180	0.16 174	0.18 100	0.18 119	0.10 43	0.09 24	0.09 40	0.08 52	0.11 48	0.12 131	0.07 145	0.05 110	0.08 165	0.06 89	0.07 159	0.06 102

AE-Stereo	0.10 53	0.08 143	0.10 46	0.18 184	0.09 134	0.10 59	0.15 116	0.14 18	0.19 131	0.09 17	0.14 84	0.12 93	0.08 52	0.11 48	0.10 52	0.05 2	0.06 194	0.07 101	0.06 89	0.05 41	0.04 8

ACVNet-DCA	0.10 53	0.08 143	0.12 93	0.17 117	0.09 134	0.13 134	0.15 116	0.23 177	0.16 90	0.09 17	0.09 24	0.06 3	0.06 8	0.10 19	0.07 1	0.06 57	0.04 2	0.06 33	0.05 33	0.07 159	0.07 162

xx1	0.11 84	0.08 143	0.12 93	0.17 117	0.09 134	0.13 134	0.15 116	0.16 46	0.18 119	0.09 17	0.09 24	0.16 166	0.16 230	0.10 19	0.07 1	0.06 57	0.04 2	0.08 165	0.08 214	0.07 159	0.07 162

1test111	0.11 84	0.08 143	0.12 93	0.17 117	0.09 134	0.13 134	0.15 116	0.23 177	0.16 90	0.09 17	0.09 24	0.06 3	0.06 8	0.15 170	0.16 227	0.06 57	0.04 2	0.06 33	0.05 33	0.07 159	0.07 162

cc1	0.10 53	0.08 143	0.12 93	0.17 117	0.09 134	0.13 134	0.15 116	0.16 46	0.18 119	0.09 17	0.09 24	0.06 3	0.06 8	0.10 19	0.07 1	0.06 57	0.04 2	0.06 33	0.05 33	0.06 102	0.06 102

mmm	0.14 190	0.08 143	0.17 250	0.17 117	0.09 134	0.17 223	0.18 235	0.21 144	0.15 72	0.15 152	0.23 192	0.21 221	0.16 230	0.16 202	0.17 238	0.08 195	0.05 110	0.08 165	0.07 164	0.07 159	0.07 162

tt1	0.10 53	0.08 143	0.12 93	0.17 117	0.09 134	0.12 108	0.16 174	0.15 30	0.19 131	0.09 17	0.08 18	0.06 3	0.06 8	0.10 19	0.07 1	0.06 57	0.04 2	0.06 33	0.05 33	0.06 102	0.06 102

ttt	0.14 190	0.08 143	0.14 158	0.15 38	0.08 49	0.15 180	0.18 235	0.27 238	0.29 253	0.16 177	0.24 201	0.17 185	0.13 174	0.13 137	0.14 189	0.11 292	0.08 273	0.09 231	0.08 214	0.09 251	0.08 222

1111x	0.15 224	0.08 143	0.12 93	0.18 184	0.07 20	0.18 238	0.25 340	0.31 282	0.24 196	0.17 189	0.24 201	0.26 274	0.15 210	0.13 137	0.23 305	0.07 145	0.07 251	0.08 165	0.09 255	0.07 159	0.06 102

test croco	0.10 53	0.08 143	0.10 46	0.19 230	0.09 134	0.10 59	0.15 116	0.14 18	0.13 43	0.13 108	0.15 98	0.09 40	0.12 142	0.13 137	0.12 131	0.07 145	0.05 110	0.09 231	0.06 89	0.06 102	0.06 102

PCWNet_CMD	0.14 190	0.08 143	0.15 195	0.17 117	0.09 134	0.14 158	0.14 70	0.29 262	0.36 302	0.14 128	0.20 163	0.21 221	0.12 142	0.17 224	0.13 161	0.07 145	0.05 110	0.07 101	0.07 164	0.07 159	0.07 162

CFNet_ucs	0.15 224	0.08 143	0.16 225	0.16 69	0.11 258	0.14 158	0.14 70	0.30 276	0.34 290	0.16 177	0.24 201	0.23 250	0.14 197	0.18 235	0.15 212	0.09 240	0.06 194	0.08 165	0.07 164	0.09 251	0.09 255

SDNR	0.19 283	0.08 143	0.19 277	0.16 69	0.12 287	0.77 405	0.14 70	0.25 208	0.32 273	0.19 229	0.24 201	0.19 205	0.13 174	0.19 246	0.15 212	0.16 361	0.18 369	0.14 338	0.11 310	0.08 203	0.11 297

TestStereo1	0.13 161	0.08 143	0.08 11	0.19 230	0.08 49	0.18 238	0.29 366	0.23 177	0.16 90	0.17 189	0.20 163	0.16 166	0.10 91	0.12 104	0.13 161	0.06 57	0.06 194	0.08 165	0.06 89	0.05 41	0.05 53

CRFU-Net	0.16 242	0.08 143	0.14 158	0.17 117	0.09 134	0.19 258	0.14 70	0.26 220	0.20 152	0.28 322	0.27 252	0.29 295	0.17 249	0.19 246	0.17 238	0.09 240	0.09 296	0.07 101	0.07 164	0.08 203	0.08 222

SA-5K	0.13 161	0.08 143	0.08 11	0.19 230	0.08 49	0.18 238	0.29 366	0.23 177	0.16 90	0.17 189	0.20 163	0.16 166	0.10 91	0.12 104	0.13 161	0.06 57	0.06 194	0.08 165	0.06 89	0.05 41	0.05 53

Sa-1000	0.12 139	0.08 143	0.08 11	0.18 184	0.08 49	0.14 158	0.22 307	0.22 160	0.18 119	0.15 152	0.20 163	0.17 185	0.11 113	0.10 19	0.10 52	0.06 57	0.05 110	0.09 231	0.09 255	0.05 41	0.05 53

CIPLG	0.11 84	0.08 143	0.14 158	0.17 117	0.08 49	0.12 108	0.15 116	0.17 76	0.15 72	0.14 128	0.11 57	0.16 166	0.09 70	0.16 202	0.11 89	0.07 145	0.05 110	0.06 33	0.05 33	0.05 41	0.06 102

DAS	0.15 224	0.08 143	0.18 268	0.19 230	0.10 220	0.19 258	0.17 195	0.27 238	0.29 253	0.18 216	0.25 230	0.21 221	0.15 210	0.16 202	0.12 131	0.08 195	0.06 194	0.06 33	0.06 89	0.07 159	0.07 162

SepStereo	0.15 224	0.08 143	0.18 268	0.19 230	0.10 220	0.19 258	0.17 195	0.27 238	0.29 253	0.18 216	0.25 230	0.21 221	0.15 210	0.25 316	0.12 131	0.08 195	0.06 194	0.06 33	0.06 89	0.07 159	0.07 162

IPLGR_C	0.11 84	0.08 143	0.14 158	0.17 117	0.08 49	0.12 108	0.15 116	0.17 76	0.15 72	0.14 128	0.10 40	0.16 166	0.09 70	0.16 202	0.11 89	0.07 145	0.05 110	0.06 33	0.05 33	0.05 41	0.06 102

MIPNet	0.11 84	0.08 143	0.14 158	0.17 117	0.09 134	0.12 108	0.14 70	0.20 127	0.24 196	0.11 63	0.10 40	0.09 40	0.07 34	0.13 137	0.12 131	0.06 57	0.04 2	0.06 33	0.05 33	0.04 1	0.04 8

AASNet	0.16 242	0.08 143	0.12 93	0.19 230	0.09 134	0.18 238	0.15 116	0.37 342	0.37 308	0.19 229	0.23 192	0.20 215	0.16 230	0.17 224	0.20 267	0.10 271	0.08 273	0.08 165	0.07 164	0.09 251	0.09 255

ACRE	0.11 84	0.08 143	0.14 158	0.17 117	0.08 49	0.12 108	0.15 116	0.17 76	0.14 60	0.14 128	0.10 40	0.16 166	0.09 70	0.16 202	0.11 89	0.07 145	0.05 110	0.06 33	0.05 33	0.05 41	0.06 102

AACVNet	0.16 242	0.08 143	0.14 158	0.15 38	0.10 220	0.18 238	0.15 116	0.23 177	0.24 196	0.27 311	0.27 252	0.28 288	0.17 249	0.19 246	0.16 227	0.09 240	0.07 251	0.09 231	0.07 164	0.10 278	0.09 255

GwcNet-ADL	0.13 161	0.08 143	0.14 158	0.20 272	0.09 134	0.11 85	0.20 281	0.30 276	0.24 196	0.13 108	0.14 84	0.18 196	0.14 197	0.13 137	0.14 189	0.07 145	0.05 110	0.06 33	0.05 33	0.07 159	0.06 102

TransformOpticalFlow	0.10 53	0.08 143	0.13 132	0.18 184	0.07 20	0.09 36	0.15 116	0.19 120	0.15 72	0.12 87	0.17 124	0.11 78	0.11 113	0.11 48	0.10 52	0.05 2	0.04 2	0.06 33	0.06 89	0.05 41	0.05 53

NRIStereo	0.11 84	0.08 143	0.14 158	0.18 184	0.08 49	0.10 59	0.14 70	0.16 46	0.15 72	0.12 87	0.14 84	0.13 116	0.12 142	0.13 137	0.10 52	0.06 57	0.04 2	0.07 101	0.06 89	0.06 102	0.07 162

DeepStereo_RVC	0.11 84	0.08 143	0.16 225	0.18 184	0.08 49	0.08 24	0.12 21	0.17 76	0.12 26	0.13 108	0.14 84	0.12 93	0.12 142	0.12 104	0.11 89	0.06 57	0.04 2	0.07 101	0.06 89	0.07 159	0.08 222

IRAFT_RVC	0.12 139	0.08 143	0.16 225	0.19 230	0.08 49	0.07 17	0.15 116	0.24 195	0.23 186	0.14 128	0.14 84	0.15 155	0.12 142	0.12 104	0.10 52	0.06 57	0.04 2	0.09 231	0.06 89	0.06 102	0.06 102

CroCo-Stereo	0.09 13	0.08 143	0.08 11	0.22 309	0.09 134	0.09 36	0.19 266	0.15 30	0.12 26	0.07 2	0.07 14	0.08 27	0.06 8	0.08 6	0.07 1	0.07 145	0.05 110	0.06 33	0.04 8	0.05 41	0.04 8
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
LMCR-Stereo	0.15 224	0.08 143	0.13 132	0.21 296	0.09 134	0.17 223	0.20 281	0.27 238	0.19 131	0.24 287	0.24 201	0.23 250	0.17 249	0.20 265	0.17 238	0.07 145	0.06 194	0.08 165	0.06 89	0.10 278	0.08 222

CFNet_pseudo	0.14 190	0.08 143	0.15 195	0.16 69	0.09 134	0.13 134	0.14 70	0.27 238	0.34 290	0.14 128	0.21 177	0.22 238	0.13 174	0.18 235	0.14 189	0.07 145	0.05 110	0.08 165	0.06 89	0.07 159	0.07 162

RALAANet	0.11 84	0.08 143	0.10 46	0.17 117	0.09 134	0.14 158	0.10 6	0.20 127	0.15 72	0.14 128	0.13 75	0.16 166	0.09 70	0.12 104	0.11 89	0.06 57	0.05 110	0.07 101	0.06 89	0.05 41	0.04 8

ADLNet	0.16 242	0.08 143	0.15 195	0.16 69	0.10 220	0.16 204	0.17 195	0.32 291	0.27 235	0.22 267	0.27 252	0.24 256	0.16 230	0.18 235	0.21 286	0.10 271	0.06 194	0.10 272	0.10 287	0.08 203	0.09 255

GES	0.14 190	0.08 143	0.16 225	0.15 38	0.10 220	0.13 134	0.13 43	0.28 252	0.25 215	0.16 177	0.23 192	0.18 196	0.13 174	0.16 202	0.13 161	0.08 195	0.07 251	0.07 101	0.06 89	0.08 203	0.09 255

ARAFT	0.12 139	0.08 143	0.17 250	0.19 230	0.09 134	0.14 158	0.18 235	0.20 127	0.12 26	0.12 87	0.13 75	0.14 131	0.11 113	0.15 170	0.12 131	0.06 57	0.05 110	0.10 272	0.09 255	0.05 41	0.04 8

delet	0.17 261	0.08 143	0.17 250	0.19 230	0.11 258	0.20 270	0.21 297	0.30 276	0.37 308	0.17 189	0.26 245	0.19 205	0.19 274	0.19 246	0.21 286	0.08 195	0.08 273	0.09 231	0.11 310	0.06 102	0.06 102

UPFNet	0.16 242	0.08 143	0.12 93	0.20 272	0.12 287	0.20 270	0.23 317	0.28 252	0.26 228	0.17 189	0.24 201	0.22 238	0.19 274	0.19 246	0.21 286	0.09 240	0.07 251	0.08 165	0.09 255	0.08 203	0.06 102

FENet	0.13 161	0.08 143	0.12 93	0.16 69	0.08 49	0.14 158	0.15 116	0.22 160	0.23 186	0.17 189	0.23 192	0.16 166	0.12 142	0.14 152	0.15 212	0.08 195	0.05 110	0.08 165	0.08 214	0.07 159	0.07 162

ac_64	0.16 242	0.08 143	0.15 195	0.18 184	0.10 220	0.22 292	0.18 235	0.24 195	0.21 165	0.18 216	0.24 201	0.29 295	0.18 259	0.19 246	0.22 295	0.09 240	0.07 251	0.08 165	0.09 255	0.07 159	0.06 102

HGLStereo	0.17 261	0.08 143	0.19 277	0.17 117	0.12 287	0.18 238	0.18 235	0.31 282	0.32 273	0.21 254	0.32 288	0.25 266	0.18 259	0.19 246	0.20 267	0.09 240	0.09 296	0.07 101	0.07 164	0.09 251	0.10 274

BEATNet_4x	0.12 139	0.08 143	0.14 158	0.18 184	0.07 20	0.15 180	0.07 1	0.22 160	0.18 119	0.16 177	0.19 152	0.18 196	0.14 197	0.16 202	0.15 212	0.07 145	0.05 110	0.05 2	0.05 33	0.06 102	0.06 102

MSMDNet	0.14 190	0.08 143	0.15 195	0.17 117	0.09 134	0.14 158	0.14 70	0.29 262	0.36 302	0.14 128	0.21 177	0.21 221	0.12 142	0.17 224	0.14 189	0.07 145	0.05 110	0.07 101	0.07 164	0.07 159	0.07 162

HSM-Net_RVC	0.14 190	0.08 143	0.11 73	0.15 38	0.08 49	0.15 180	0.15 116	0.27 238	0.29 253	0.19 229	0.21 177	0.29 295	0.14 197	0.17 224	0.13 161	0.06 57	0.06 194	0.06 33	0.06 89	0.07 159	0.06 102
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 190	0.08 143	0.15 195	0.16 69	0.09 134	0.12 108	0.14 70	0.27 238	0.34 290	0.14 128	0.21 177	0.22 238	0.13 174	0.18 235	0.14 189	0.07 145	0.05 110	0.08 165	0.07 164	0.07 159	0.07 162

UCFNet_RVC	0.14 190	0.08 143	0.13 132	0.11 1	0.10 220	0.20 270	0.10 6	0.24 195	0.22 177	0.17 189	0.20 163	0.23 250	0.15 210	0.17 224	0.15 212	0.12 316	0.07 251	0.10 272	0.13 337	0.11 293	0.10 274

iResNetv2_ROB	0.14 190	0.08 143	0.15 195	0.16 69	0.08 49	0.16 204	0.12 21	0.25 208	0.35 297	0.21 254	0.29 272	0.24 256	0.13 174	0.14 152	0.14 189	0.06 57	0.05 110	0.06 33	0.04 8	0.09 251	0.08 222

HSM	0.15 224	0.08 143	0.14 158	0.16 69	0.09 134	0.16 204	0.14 70	0.28 252	0.25 215	0.19 229	0.23 192	0.37 341	0.16 230	0.20 265	0.15 212	0.07 145	0.05 110	0.07 101	0.06 89	0.07 159	0.06 102

H2IRNET	0.10 53	0.09 194	0.09 29	0.18 184	0.09 134	0.12 108	0.15 116	0.14 18	0.21 165	0.10 43	0.10 40	0.10 61	0.10 91	0.10 19	0.10 52	0.05 2	0.04 2	0.08 165	0.08 214	0.06 102	0.05 53

DualNet	0.13 161	0.09 194	0.14 158	0.16 69	0.08 49	0.17 223	0.17 195	0.15 30	0.19 131	0.15 152	0.25 230	0.19 205	0.13 174	0.10 19	0.20 267	0.06 57	0.04 2	0.09 231	0.08 214	0.06 102	0.06 102

ffm	0.12 139	0.09 194	0.14 158	0.16 69	0.08 49	0.17 223	0.17 195	0.15 30	0.19 131	0.15 152	0.25 230	0.19 205	0.13 174	0.10 19	0.07 1	0.06 57	0.04 2	0.09 231	0.08 214	0.06 102	0.06 102

ff1	0.13 161	0.09 194	0.14 158	0.16 69	0.08 49	0.17 223	0.17 195	0.15 30	0.19 131	0.15 152	0.25 230	0.19 205	0.13 174	0.14 152	0.20 267	0.06 57	0.04 2	0.09 231	0.08 214	0.06 102	0.06 102

mmx	0.14 190	0.09 194	0.14 158	0.16 69	0.08 49	0.17 223	0.17 195	0.27 238	0.25 215	0.15 152	0.25 230	0.19 205	0.13 174	0.14 152	0.20 267	0.08 195	0.06 194	0.09 231	0.08 214	0.08 203	0.08 222

whm_eth	0.14 190	0.09 194	0.20 285	0.20 272	0.12 287	0.12 108	0.15 116	0.18 100	0.28 246	0.17 189	0.32 288	0.09 40	0.12 142	0.18 235	0.14 189	0.07 145	0.07 251	0.08 165	0.07 164	0.07 159	0.07 162

xxx	0.14 190	0.09 194	0.14 158	0.16 69	0.08 49	0.17 223	0.17 195	0.27 238	0.25 215	0.15 152	0.25 230	0.19 205	0.13 174	0.14 152	0.20 267	0.08 195	0.06 194	0.09 231	0.08 214	0.08 203	0.08 222

StereoIM	0.09 13	0.09 194	0.08 11	0.17 117	0.09 134	0.13 134	0.10 6	0.16 46	0.16 90	0.09 17	0.11 57	0.06 3	0.06 8	0.09 10	0.13 161	0.07 145	0.06 194	0.07 101	0.05 33	0.05 41	0.04 8

CASnet	0.09 13	0.09 194	0.09 29	0.19 230	0.06 2	0.07 17	0.11 11	0.18 100	0.14 60	0.11 63	0.10 40	0.09 40	0.07 34	0.10 19	0.10 52	0.06 57	0.04 2	0.10 272	0.08 214	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo	0.13 161	0.09 194	0.11 73	0.20 272	0.10 220	0.11 85	0.18 235	0.32 291	0.24 196	0.15 152	0.15 98	0.14 131	0.13 174	0.19 246	0.11 89	0.06 57	0.04 2	0.09 231	0.08 214	0.04 1	0.05 53

CroCo-Stereo Lap2	0.09 13	0.09 194	0.08 11	0.22 309	0.09 134	0.09 36	0.19 266	0.16 46	0.12 26	0.09 17	0.10 40	0.05 1	0.05 2	0.08 6	0.08 11	0.06 57	0.06 194	0.07 101	0.05 33	0.05 41	0.05 53

qqq	0.13 161	0.09 194	0.15 195	0.16 69	0.08 49	0.13 134	0.15 116	0.23 177	0.16 90	0.15 152	0.19 152	0.16 166	0.16 230	0.15 170	0.16 227	0.07 145	0.06 194	0.08 165	0.08 214	0.07 159	0.07 162

Wz-Net-LNSev-Ref	0.18 273	0.09 194	0.29 331	0.15 38	0.10 220	0.22 292	0.20 281	0.26 220	0.39 316	0.25 300	0.42 352	0.24 256	0.15 210	0.20 265	0.19 261	0.07 145	0.05 110	0.06 33	0.05 33	0.10 278	0.09 255

BUS	0.14 190	0.09 194	0.14 158	0.22 309	0.10 220	0.19 258	0.14 70	0.34 318	0.19 131	0.17 189	0.22 186	0.16 166	0.13 174	0.15 170	0.13 161	0.08 195	0.06 194	0.10 272	0.09 255	0.07 159	0.07 162

RAFT_CTSACE	0.12 139	0.09 194	0.10 46	0.22 309	0.08 49	0.12 108	0.24 326	0.18 100	0.16 90	0.20 246	0.27 252	0.13 116	0.07 34	0.13 137	0.09 20	0.05 2	0.06 194	0.08 165	0.07 164	0.04 1	0.04 8

BSDual-CNN	0.15 224	0.09 194	0.14 158	0.22 309	0.10 220	0.14 158	0.15 116	0.34 318	0.19 131	0.17 189	0.22 186	0.25 266	0.16 230	0.15 170	0.14 189	0.08 195	0.06 194	0.10 272	0.09 255	0.07 159	0.07 162

SA	0.12 139	0.09 194	0.08 11	0.18 184	0.08 49	0.12 108	0.24 326	0.23 177	0.18 119	0.17 189	0.27 252	0.14 131	0.11 113	0.11 48	0.11 89	0.05 2	0.05 110	0.09 231	0.08 214	0.05 41	0.04 8

iRaft-Stereo_5w	0.12 139	0.09 194	0.12 93	0.19 230	0.08 49	0.09 36	0.12 21	0.21 144	0.21 165	0.19 229	0.14 84	0.11 78	0.09 70	0.20 265	0.16 227	0.05 2	0.05 110	0.07 101	0.06 89	0.05 41	0.06 102

psmg	0.14 190	0.09 194	0.14 158	0.17 117	0.10 220	0.15 180	0.17 195	0.29 262	0.19 131	0.17 189	0.21 177	0.25 266	0.16 230	0.15 170	0.14 189	0.08 195	0.06 194	0.08 165	0.08 214	0.07 159	0.06 102

CSP-Net	0.16 242	0.09 194	0.14 158	0.16 69	0.09 134	0.19 258	0.17 195	0.25 208	0.32 273	0.25 300	0.30 276	0.24 256	0.15 210	0.21 281	0.18 252	0.09 240	0.06 194	0.07 101	0.07 164	0.08 203	0.07 162

IPLGR	0.11 84	0.09 194	0.16 225	0.18 184	0.08 49	0.12 108	0.17 195	0.21 144	0.24 196	0.11 63	0.12 65	0.11 78	0.08 52	0.12 104	0.12 131	0.06 57	0.05 110	0.06 33	0.06 89	0.04 1	0.04 8

GMOStereo	0.11 84	0.09 194	0.07 2	0.19 230	0.08 49	0.12 108	0.28 358	0.13 12	0.17 102	0.11 63	0.17 124	0.14 131	0.12 142	0.07 1	0.07 1	0.05 2	0.05 110	0.09 231	0.07 164	0.04 1	0.04 8

error version	0.11 84	0.09 194	0.07 2	0.19 230	0.08 49	0.12 108	0.28 358	0.13 12	0.17 102	0.11 63	0.17 124	0.14 131	0.12 142	0.07 1	0.07 1	0.05 2	0.05 110	0.09 231	0.07 164	0.04 1	0.04 8

test-v	0.11 84	0.09 194	0.07 2	0.19 230	0.08 49	0.12 108	0.28 358	0.13 12	0.17 102	0.11 63	0.17 124	0.14 131	0.12 142	0.07 1	0.07 1	0.05 2	0.05 110	0.09 231	0.07 164	0.04 1	0.04 8

test_3	0.10 53	0.09 194	0.10 46	0.20 272	0.08 49	0.13 134	0.26 346	0.14 18	0.21 165	0.10 43	0.10 40	0.09 40	0.09 70	0.08 6	0.11 89	0.05 2	0.04 2	0.08 165	0.07 164	0.04 1	0.04 8

ADLNet2	0.16 242	0.09 194	0.13 132	0.16 69	0.09 134	0.20 270	0.16 174	0.31 282	0.39 316	0.16 177	0.20 163	0.20 215	0.18 259	0.21 281	0.22 295	0.08 195	0.06 194	0.07 101	0.07 164	0.09 251	0.07 162

Patchmatch Stereo++	0.11 84	0.09 194	0.16 225	0.18 184	0.08 49	0.06 2	0.11 11	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 84	0.09 194	0.16 225	0.18 184	0.08 49	0.06 2	0.12 21	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

ROB_FTStereo_v2	0.11 84	0.09 194	0.16 225	0.19 230	0.08 49	0.06 2	0.12 21	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

ROB_FTStereo	0.11 84	0.09 194	0.16 225	0.19 230	0.08 49	0.06 2	0.11 11	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

HUI-Stereo	0.11 84	0.09 194	0.16 225	0.18 184	0.08 49	0.06 2	0.12 21	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

iGMRVC	0.11 84	0.09 194	0.16 225	0.19 230	0.08 49	0.06 2	0.12 21	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

iRAFT	0.11 84	0.09 194	0.16 225	0.18 184	0.08 49	0.06 2	0.11 11	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

CRE-IMP	0.11 84	0.09 194	0.16 225	0.19 230	0.08 49	0.10 59	0.12 21	0.18 100	0.10 8	0.14 128	0.13 75	0.13 116	0.12 142	0.12 104	0.11 89	0.07 145	0.04 2	0.08 165	0.06 89	0.08 203	0.08 222

test-2	0.11 84	0.09 194	0.07 2	0.19 230	0.08 49	0.12 108	0.28 358	0.13 12	0.17 102	0.11 63	0.17 124	0.14 131	0.12 142	0.07 1	0.07 1	0.05 2	0.05 110	0.09 231	0.07 164	0.04 1	0.04 8

cross-raft	0.10 53	0.09 194	0.09 29	0.19 230	0.07 20	0.11 85	0.25 340	0.13 12	0.15 72	0.08 7	0.11 57	0.12 93	0.10 91	0.09 10	0.11 89	0.05 2	0.04 2	0.06 33	0.05 33	0.04 1	0.04 8

RAFT	0.13 161	0.09 194	0.11 73	0.18 184	0.08 49	0.15 180	0.24 326	0.20 127	0.19 131	0.21 254	0.21 177	0.17 185	0.12 142	0.16 202	0.09 20	0.06 57	0.07 251	0.10 272	0.09 255	0.05 41	0.05 53

RAFT-IKP	0.11 84	0.09 194	0.16 225	0.19 230	0.08 49	0.06 2	0.12 21	0.16 46	0.13 43	0.15 152	0.16 106	0.14 131	0.12 142	0.11 48	0.10 52	0.06 57	0.04 2	0.08 165	0.06 89	0.08 203	0.07 162

ICVP	0.15 224	0.09 194	0.12 93	0.22 309	0.09 134	0.17 223	0.21 297	0.25 208	0.23 186	0.18 216	0.30 276	0.26 274	0.18 259	0.17 224	0.14 189	0.09 240	0.07 251	0.08 165	0.07 164	0.07 159	0.07 162
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 139	0.09 194	0.23 304	0.24 333	0.11 258	0.19 258	0.14 70	0.17 76	0.14 60	0.10 43	0.13 75	0.12 93	0.07 34	0.14 152	0.11 89	0.08 195	0.08 273	0.08 165	0.08 214	0.05 41	0.07 162

MMNet	0.17 261	0.09 194	0.16 225	0.20 272	0.11 258	0.27 335	0.20 281	0.25 208	0.41 325	0.22 267	0.30 276	0.21 221	0.20 282	0.17 224	0.20 267	0.06 57	0.06 194	0.07 101	0.07 164	0.08 203	0.07 162

UNet	0.17 261	0.09 194	0.18 268	0.19 230	0.12 287	0.27 335	0.19 266	0.33 308	0.29 253	0.21 254	0.24 201	0.23 250	0.19 274	0.19 246	0.18 252	0.07 145	0.06 194	0.08 165	0.07 164	0.08 203	0.06 102

ACVNet	0.15 224	0.09 194	0.15 195	0.13 6	0.12 287	0.14 158	0.20 281	0.22 160	0.33 279	0.17 189	0.26 245	0.21 221	0.16 230	0.17 224	0.21 286	0.07 145	0.06 194	0.06 33	0.06 89	0.08 203	0.06 102

acv_ft	0.15 224	0.09 194	0.15 195	0.19 230	0.10 220	0.16 204	0.17 195	0.25 208	0.33 279	0.19 229	0.26 245	0.21 221	0.17 249	0.17 224	0.18 252	0.07 145	0.06 194	0.06 33	0.06 89	0.08 203	0.06 102

hitnet-ft	0.18 273	0.09 194	0.17 250	0.14 13	0.09 134	0.26 328	0.20 281	0.25 208	0.26 228	0.24 287	0.32 288	0.31 313	0.22 295	0.24 311	0.21 286	0.12 316	0.07 251	0.10 272	0.08 214	0.12 307	0.11 297

DSFCA	0.16 242	0.09 194	0.14 158	0.16 69	0.10 220	0.20 270	0.19 266	0.28 252	0.31 267	0.23 279	0.24 201	0.22 238	0.15 210	0.19 246	0.20 267	0.10 271	0.07 251	0.09 231	0.09 255	0.08 203	0.08 222

DMCA	0.14 190	0.09 194	0.16 225	0.19 230	0.09 134	0.15 180	0.17 195	0.23 177	0.27 235	0.14 128	0.19 152	0.17 185	0.18 259	0.15 170	0.17 238	0.10 271	0.06 194	0.08 165	0.06 89	0.09 251	0.10 274

DISCO	0.19 283	0.09 194	0.22 295	0.17 117	0.10 220	0.25 320	0.18 235	0.27 238	0.44 340	0.22 267	0.31 284	0.33 325	0.26 318	0.28 332	0.28 349	0.08 195	0.06 194	0.07 101	0.07 164	0.09 251	0.09 255

LL-Strereo2	0.10 53	0.10 242	0.15 195	0.18 184	0.08 49	0.15 180	0.09 3	0.17 76	0.14 60	0.14 128	0.10 40	0.09 40	0.07 34	0.16 202	0.10 52	0.05 2	0.05 110	0.10 272	0.07 164	0.06 102	0.05 53

Selective-RAFT	0.11 84	0.10 242	0.11 73	0.21 296	0.08 49	0.16 204	0.13 43	0.20 127	0.22 177	0.10 43	0.10 40	0.11 78	0.10 91	0.15 170	0.11 89	0.05 2	0.05 110	0.06 33	0.05 33	0.06 102	0.05 53

ssnet_v2	0.17 261	0.10 242	0.17 250	0.17 117	0.11 258	0.21 284	0.21 297	0.33 308	0.25 215	0.22 267	0.22 186	0.27 281	0.18 259	0.22 292	0.20 267	0.11 292	0.09 296	0.09 231	0.09 255	0.08 203	0.08 222

raft_robust	0.13 161	0.10 242	0.07 2	0.18 184	0.08 49	0.13 134	0.24 326	0.28 252	0.33 279	0.20 246	0.19 152	0.14 131	0.10 91	0.11 48	0.12 131	0.05 2	0.05 110	0.07 101	0.07 164	0.05 41	0.04 8

NINENet	0.16 242	0.10 242	0.15 195	0.17 117	0.11 258	0.19 258	0.14 70	0.40 357	0.36 302	0.18 216	0.21 177	0.16 166	0.13 174	0.15 170	0.13 161	0.08 195	0.08 273	0.10 272	0.07 164	0.10 278	0.09 255

test_4	0.10 53	0.10 242	0.08 11	0.19 230	0.09 134	0.08 24	0.22 307	0.15 30	0.17 102	0.12 87	0.18 146	0.12 93	0.09 70	0.08 6	0.11 89	0.04 1	0.04 2	0.08 165	0.08 214	0.04 1	0.03 1

pcwnet_v2	0.19 283	0.10 242	0.26 314	0.17 117	0.14 322	0.18 238	0.15 116	0.37 342	0.46 348	0.19 229	0.24 201	0.21 221	0.19 274	0.20 265	0.19 261	0.13 336	0.10 314	0.10 272	0.10 287	0.11 293	0.13 322

Anonymous	0.14 190	0.10 242	0.24 307	0.22 309	0.13 305	0.18 238	0.22 307	0.20 127	0.19 131	0.14 128	0.12 65	0.11 78	0.13 174	0.16 202	0.13 161	0.08 195	0.07 251	0.08 165	0.08 214	0.12 307	0.10 274

psm_up	0.18 273	0.10 242	0.18 268	0.20 272	0.11 258	0.17 223	0.19 266	0.37 342	0.34 290	0.21 254	0.28 261	0.29 295	0.24 307	0.20 265	0.22 295	0.09 240	0.10 314	0.11 299	0.11 310	0.08 203	0.08 222

DMCA-RVC	0.17 261	0.10 242	0.15 195	0.24 333	0.11 258	0.18 238	0.18 235	0.25 208	0.24 196	0.21 254	0.26 245	0.25 266	0.27 326	0.18 235	0.20 267	0.12 316	0.08 273	0.13 328	0.10 287	0.10 278	0.08 222

SuperB	0.20 292	0.10 242	0.56 377	0.16 69	0.09 134	0.18 238	0.18 235	0.24 195	0.50 357	0.26 305	0.39 331	0.17 185	0.21 286	0.22 292	0.21 286	0.08 195	0.06 194	0.06 33	0.06 89	0.12 307	0.10 274

ADCP+	0.20 292	0.10 242	0.33 341	0.20 272	0.12 287	0.22 292	0.26 346	0.31 282	0.34 290	0.26 305	0.37 318	0.22 238	0.22 295	0.27 321	0.27 341	0.09 240	0.06 194	0.08 165	0.08 214	0.09 251	0.10 274

CFNet	0.15 224	0.10 242	0.17 250	0.17 117	0.08 49	0.18 238	0.09 3	0.28 252	0.25 215	0.19 229	0.24 201	0.24 256	0.17 249	0.17 224	0.14 189	0.08 195	0.06 194	0.09 231	0.10 287	0.07 159	0.06 102

CVANet_RVC	0.18 273	0.10 242	0.14 158	0.21 296	0.10 220	0.18 238	0.17 195	0.34 318	0.33 279	0.22 267	0.31 284	0.28 288	0.18 259	0.23 303	0.17 238	0.12 316	0.08 273	0.12 314	0.11 310	0.09 251	0.07 162

NLCA_NET_v2_RVC	0.17 261	0.10 242	0.22 295	0.20 272	0.10 220	0.15 180	0.18 235	0.31 282	0.25 215	0.21 254	0.30 276	0.25 266	0.17 249	0.21 281	0.20 267	0.09 240	0.06 194	0.08 165	0.08 214	0.07 159	0.08 222
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 242	0.10 242	0.10 46	0.18 184	0.09 134	0.18 238	0.19 266	0.26 220	0.31 267	0.22 267	0.35 309	0.21 221	0.21 286	0.22 292	0.16 227	0.06 57	0.05 110	0.06 33	0.06 89	0.07 159	0.06 102

NVstereo2D	0.19 283	0.10 242	0.15 195	0.17 117	0.15 333	0.28 341	0.23 317	0.44 372	0.42 331	0.15 152	0.27 252	0.25 266	0.19 274	0.22 292	0.17 238	0.09 240	0.06 194	0.10 272	0.08 214	0.15 347	0.09 255

iResNet	0.13 161	0.10 242	0.18 268	0.19 230	0.08 49	0.13 134	0.18 235	0.20 127	0.26 228	0.15 152	0.23 192	0.15 155	0.13 174	0.14 152	0.14 189	0.06 57	0.04 2	0.06 33	0.05 33	0.06 102	0.05 53

MDST_ROB	0.22 310	0.10 242	0.17 250	0.18 184	0.11 258	0.37 370	0.19 266	0.43 370	0.41 325	0.39 359	0.39 331	0.29 295	0.21 286	0.26 318	0.18 252	0.11 292	0.10 314	0.14 338	0.11 310	0.10 278	0.08 222

DLCB_ROB	0.18 273	0.10 242	0.15 195	0.23 328	0.11 258	0.24 310	0.18 235	0.29 262	0.28 246	0.27 311	0.28 261	0.28 288	0.24 307	0.19 246	0.20 267	0.08 195	0.08 273	0.09 231	0.09 255	0.07 159	0.07 162

fast-acv-ft	0.18 273	0.11 262	0.19 277	0.19 230	0.12 287	0.24 310	0.21 297	0.25 208	0.34 290	0.22 267	0.34 305	0.27 281	0.20 282	0.21 281	0.23 305	0.09 240	0.09 296	0.08 165	0.10 287	0.08 203	0.07 162

ToySt	0.17 261	0.11 262	0.18 268	0.17 117	0.11 258	0.16 204	0.25 340	0.24 195	0.33 279	0.19 229	0.24 201	0.26 274	0.24 307	0.19 246	0.20 267	0.07 145	0.08 273	0.09 231	0.10 287	0.09 251	0.08 222

RAFT+CT+SA	0.13 161	0.11 262	0.09 29	0.19 230	0.09 134	0.15 180	0.28 358	0.22 160	0.22 177	0.15 152	0.26 245	0.10 61	0.10 91	0.11 48	0.12 131	0.05 2	0.04 2	0.07 101	0.08 214	0.07 159	0.06 102

hknet	0.15 224	0.11 262	0.13 132	0.22 309	0.11 258	0.14 158	0.15 116	0.34 318	0.25 215	0.17 189	0.22 186	0.22 238	0.18 259	0.17 224	0.12 131	0.07 145	0.06 194	0.10 272	0.09 255	0.07 159	0.07 162

FADNet-RVC-Resample	0.16 242	0.11 262	0.31 336	0.22 309	0.11 258	0.19 258	0.14 70	0.25 208	0.24 196	0.24 287	0.27 252	0.20 215	0.15 210	0.16 202	0.15 212	0.07 145	0.08 273	0.12 314	0.10 287	0.09 251	0.10 274

stereogan	0.22 310	0.11 262	0.21 290	0.20 272	0.12 287	0.31 349	0.19 266	0.35 331	0.44 340	0.22 267	0.39 331	0.35 335	0.27 326	0.33 351	0.22 295	0.10 271	0.12 333	0.10 272	0.10 287	0.14 336	0.13 322

ADCL	0.24 333	0.11 262	0.47 367	0.22 309	0.12 287	0.34 359	0.29 366	0.29 262	0.56 369	0.24 287	0.46 359	0.30 303	0.30 346	0.29 339	0.29 352	0.08 195	0.07 251	0.09 231	0.09 255	0.10 278	0.10 274

AdaStereo	0.15 224	0.11 262	0.15 195	0.18 184	0.09 134	0.20 270	0.11 11	0.32 291	0.28 246	0.20 246	0.23 192	0.20 215	0.13 174	0.19 246	0.14 189	0.12 316	0.05 110	0.10 272	0.07 164	0.09 251	0.07 162
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.
DeepPruner_ROB	0.16 242	0.11 262	0.15 195	0.17 117	0.10 220	0.17 223	0.15 116	0.32 291	0.21 165	0.19 229	0.21 177	0.22 238	0.18 259	0.20 265	0.15 212	0.13 336	0.09 296	0.09 231	0.09 255	0.11 293	0.10 274

DRN-Test	0.19 283	0.11 262	0.20 285	0.22 309	0.10 220	0.22 292	0.22 307	0.39 353	0.37 308	0.24 287	0.32 288	0.26 274	0.21 286	0.22 292	0.24 315	0.11 292	0.07 251	0.11 299	0.10 287	0.09 251	0.07 162

StereoDRNet	0.18 273	0.11 262	0.17 250	0.22 309	0.11 258	0.21 284	0.22 307	0.37 342	0.33 279	0.24 287	0.28 261	0.30 303	0.19 274	0.20 265	0.20 267	0.09 240	0.08 273	0.11 299	0.09 255	0.09 251	0.07 162

XPNet_ROB	0.22 310	0.11 262	0.19 277	0.22 309	0.13 305	0.22 292	0.19 266	0.34 318	0.40 322	0.30 331	0.39 331	0.39 353	0.26 318	0.26 318	0.28 349	0.15 350	0.10 314	0.10 272	0.10 287	0.13 324	0.12 308

WCMA_ROB	0.24 333	0.11 262	0.22 295	0.17 117	0.14 322	0.32 350	0.15 116	0.32 291	0.32 273	0.38 357	0.53 369	0.40 356	0.34 359	0.34 354	0.25 324	0.11 292	0.12 333	0.12 314	0.10 287	0.14 336	0.14 339

PSMNet_ROB	0.21 301	0.11 262	0.15 195	0.27 360	0.15 333	0.24 310	0.35 384	0.43 370	0.37 308	0.27 311	0.32 288	0.32 322	0.22 295	0.21 281	0.26 334	0.12 316	0.08 273	0.13 328	0.11 310	0.09 251	0.09 255

StereoVision	0.13 161	0.12 276	0.09 29	0.24 333	0.10 220	0.15 180	0.21 297	0.21 144	0.20 152	0.12 87	0.24 201	0.10 61	0.10 91	0.16 202	0.10 52	0.09 240	0.11 324	0.12 314	0.12 328	0.06 102	0.05 53

CASS	0.13 161	0.12 276	0.11 73	0.23 328	0.09 134	0.15 180	0.17 195	0.18 100	0.19 131	0.17 189	0.18 146	0.15 155	0.15 210	0.14 152	0.14 189	0.09 240	0.06 194	0.10 272	0.08 214	0.09 251	0.07 162
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 190	0.12 276	0.08 11	0.20 272	0.10 220	0.14 158	0.29 366	0.21 144	0.24 196	0.18 216	0.28 261	0.11 78	0.15 210	0.12 104	0.13 161	0.06 57	0.05 110	0.07 101	0.08 214	0.08 203	0.07 162

SACVNet	0.18 273	0.12 276	0.14 158	0.17 117	0.13 305	0.22 292	0.18 235	0.31 282	0.30 261	0.23 279	0.31 284	0.30 303	0.22 295	0.22 292	0.17 238	0.11 292	0.08 273	0.10 272	0.10 287	0.12 307	0.14 339

PSMNet-ADL	0.15 224	0.12 276	0.13 132	0.22 309	0.09 134	0.13 134	0.20 281	0.26 220	0.23 186	0.18 216	0.20 163	0.24 256	0.16 230	0.18 235	0.17 238	0.08 195	0.08 273	0.08 165	0.11 310	0.08 203	0.07 162

GEStereo_RVC	0.17 261	0.12 276	0.15 195	0.22 309	0.11 258	0.19 258	0.17 195	0.32 291	0.48 350	0.20 246	0.25 230	0.17 185	0.13 174	0.21 281	0.16 227	0.10 271	0.06 194	0.08 165	0.07 164	0.09 251	0.08 222

sAnonymous2	0.13 161	0.12 276	0.24 307	0.20 272	0.12 287	0.17 223	0.13 43	0.26 220	0.21 165	0.11 63	0.11 57	0.13 116	0.08 52	0.10 19	0.10 52	0.09 240	0.05 110	0.08 165	0.06 89	0.15 347	0.10 274

CroCo_RVC	0.13 161	0.12 276	0.24 307	0.20 272	0.12 287	0.17 223	0.13 43	0.26 220	0.21 165	0.11 63	0.11 57	0.13 116	0.08 52	0.10 19	0.10 52	0.09 240	0.05 110	0.08 165	0.06 89	0.15 347	0.10 274

APVNet	0.22 310	0.12 276	0.19 277	0.18 184	0.14 322	0.32 350	0.31 380	0.39 353	0.32 273	0.27 311	0.40 336	0.30 303	0.29 342	0.26 318	0.25 324	0.11 292	0.12 333	0.11 299	0.14 341	0.12 307	0.12 308

FAT-Stereo	0.20 292	0.12 276	0.22 295	0.21 296	0.12 287	0.17 223	0.18 235	0.34 318	0.39 316	0.27 311	0.37 318	0.34 331	0.32 354	0.21 281	0.20 267	0.09 240	0.11 324	0.10 272	0.09 255	0.11 293	0.14 339

S-Stereo	0.20 292	0.12 276	0.25 313	0.21 296	0.13 305	0.20 270	0.18 235	0.32 291	0.43 336	0.23 279	0.36 312	0.28 288	0.30 346	0.19 246	0.22 295	0.09 240	0.12 333	0.10 272	0.10 287	0.13 324	0.13 322

STTStereo	0.18 273	0.12 276	0.27 320	0.20 272	0.11 258	0.16 204	0.21 297	0.29 262	0.23 186	0.21 254	0.30 276	0.29 295	0.18 259	0.20 265	0.19 261	0.12 316	0.11 324	0.11 299	0.14 341	0.09 251	0.08 222

RTSC	0.23 325	0.12 276	0.28 325	0.21 296	0.13 305	0.28 341	0.16 174	0.35 331	0.66 385	0.27 311	0.33 301	0.30 303	0.21 286	0.31 343	0.29 352	0.10 271	0.08 273	0.09 231	0.10 287	0.13 324	0.13 322

ADCRef	0.19 283	0.12 276	0.41 360	0.20 272	0.12 287	0.22 292	0.18 235	0.32 291	0.36 302	0.26 305	0.32 288	0.17 185	0.23 301	0.24 311	0.24 315	0.07 145	0.06 194	0.09 231	0.09 255	0.08 203	0.08 222

RYNet	0.22 310	0.12 276	0.22 295	0.19 230	0.17 356	0.46 376	0.26 346	0.38 349	0.48 350	0.24 287	0.28 261	0.34 331	0.23 301	0.20 265	0.30 356	0.10 271	0.06 194	0.09 231	0.09 255	0.13 324	0.15 347

GANet	0.21 301	0.12 276	0.21 290	0.24 333	0.13 305	0.22 292	0.22 307	0.41 362	0.26 228	0.31 337	0.42 352	0.37 341	0.28 334	0.23 303	0.22 295	0.10 271	0.12 333	0.10 272	0.09 255	0.10 278	0.08 222

TDLM	0.17 261	0.12 276	0.13 132	0.24 333	0.10 220	0.18 238	0.18 235	0.36 337	0.30 261	0.21 254	0.28 261	0.28 288	0.18 259	0.23 303	0.18 252	0.11 292	0.07 251	0.10 272	0.10 287	0.08 203	0.08 222

SGM-ForestM	0.32 366	0.12 276	0.16 225	0.16 69	0.11 258	0.39 373	0.19 266	0.41 362	0.50 357	0.52 380	0.54 371	1.32 410	0.42 378	0.40 377	0.27 341	0.14 347	0.16 362	0.16 352	0.16 354	0.12 307	0.12 308

StereoDRNet-Refined	0.17 261	0.12 276	0.15 195	0.20 272	0.09 134	0.18 238	0.18 235	0.26 220	0.23 186	0.26 305	0.40 336	0.22 238	0.17 249	0.21 281	0.20 267	0.08 195	0.05 110	0.09 231	0.10 287	0.07 159	0.07 162
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 283	0.12 276	0.18 268	0.16 69	0.12 287	0.15 180	0.12 21	0.30 276	0.32 273	0.20 246	0.22 186	0.27 281	0.23 301	0.21 281	0.16 227	0.16 361	0.18 369	0.23 373	0.21 369	0.12 307	0.13 322

SGM_RVC	0.23 325	0.12 276	0.15 195	0.15 38	0.09 134	0.33 356	0.18 235	0.34 318	0.31 267	0.44 374	0.37 318	0.53 380	0.35 361	0.35 360	0.24 315	0.13 336	0.13 346	0.13 328	0.13 337	0.10 278	0.11 297
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 242	0.13 297	0.24 307	0.20 272	0.10 220	0.17 223	0.13 43	0.29 262	0.25 215	0.23 279	0.32 288	0.25 266	0.11 113	0.19 246	0.14 189	0.09 240	0.06 194	0.11 299	0.06 89	0.12 307	0.08 222

HBP-ISP	0.18 273	0.13 297	0.16 225	0.15 38	0.11 258	0.08 24	0.13 43	0.28 252	0.29 253	0.22 267	0.33 301	0.21 221	0.25 315	0.23 303	0.17 238	0.14 347	0.16 362	0.21 368	0.17 361	0.10 278	0.08 222

Wz-Net-MNSev	0.22 310	0.13 297	0.31 336	0.20 272	0.14 322	0.36 369	0.24 326	0.33 308	0.44 340	0.28 322	0.40 336	0.38 345	0.19 274	0.24 311	0.25 324	0.09 240	0.07 251	0.09 231	0.09 255	0.12 307	0.10 274

UDGNet	0.14 190	0.13 297	0.16 225	0.17 117	0.10 220	0.12 108	0.16 174	0.21 144	0.27 235	0.20 246	0.20 163	0.16 166	0.13 174	0.16 202	0.13 161	0.10 271	0.06 194	0.09 231	0.07 164	0.06 102	0.07 162

Anonymous3	0.16 242	0.13 297	0.33 341	0.26 349	0.14 322	0.27 335	0.17 195	0.28 252	0.28 246	0.15 152	0.17 124	0.14 131	0.10 91	0.15 170	0.12 131	0.08 195	0.08 273	0.08 165	0.08 214	0.08 203	0.11 297

GwcNet	0.20 292	0.13 297	0.19 277	0.18 184	0.12 287	0.24 310	0.19 266	0.35 331	0.43 336	0.20 246	0.32 288	0.33 325	0.20 282	0.22 292	0.24 315	0.11 292	0.09 296	0.09 231	0.09 255	0.09 251	0.10 274

RP	0.21 301	0.13 297	0.21 290	0.23 328	0.11 258	0.21 284	0.20 281	0.25 208	0.44 340	0.21 254	0.38 323	0.36 337	0.24 307	0.27 321	0.25 324	0.11 292	0.12 333	0.13 328	0.12 328	0.12 307	0.14 339

edge stereo	0.22 310	0.13 297	0.20 285	0.21 296	0.13 305	0.23 305	0.16 174	0.32 291	0.42 331	0.32 343	0.40 336	0.38 345	0.35 361	0.25 316	0.24 315	0.13 336	0.11 324	0.14 338	0.11 310	0.12 307	0.13 322

CBMV_ROB	0.19 283	0.13 297	0.17 250	0.16 69	0.11 258	0.15 180	0.13 43	0.26 220	0.28 246	0.27 311	0.30 276	0.27 281	0.24 307	0.23 303	0.16 227	0.15 350	0.17 367	0.22 372	0.20 367	0.10 278	0.11 297

DN-CSS_ROB	0.13 161	0.13 297	0.16 225	0.18 184	0.10 220	0.16 204	0.08 2	0.22 160	0.18 119	0.17 189	0.22 186	0.13 116	0.13 174	0.12 104	0.13 161	0.05 2	0.05 110	0.10 272	0.10 287	0.08 203	0.06 102

PWCDC_ROB	0.20 292	0.13 297	0.22 295	0.24 333	0.11 258	0.19 258	0.15 116	0.33 308	0.54 366	0.29 328	0.50 367	0.21 221	0.15 210	0.27 321	0.20 267	0.11 292	0.09 296	0.10 272	0.08 214	0.11 293	0.09 255

MeshStereo	0.27 351	0.13 297	0.18 268	0.15 38	0.11 258	0.32 350	0.24 326	0.40 357	0.36 302	0.52 380	0.57 378	0.67 391	0.40 371	0.35 360	0.26 334	0.14 347	0.13 346	0.13 328	0.11 310	0.11 293	0.10 274
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
TestStereo	0.13 161	0.14 309	0.11 73	0.23 328	0.08 49	0.15 180	0.21 297	0.20 127	0.23 186	0.14 128	0.24 201	0.16 166	0.12 142	0.16 202	0.14 189	0.05 2	0.06 194	0.08 165	0.06 89	0.09 251	0.05 53

GMStereo	0.13 161	0.14 309	0.14 158	0.18 184	0.09 134	0.15 180	0.16 174	0.20 127	0.24 196	0.16 177	0.17 124	0.10 61	0.10 91	0.16 202	0.13 161	0.07 145	0.06 194	0.06 33	0.06 89	0.07 159	0.06 102
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
FADNet_RVC	0.16 242	0.14 309	0.40 358	0.20 272	0.11 258	0.13 134	0.13 43	0.26 220	0.22 177	0.21 254	0.23 192	0.20 215	0.17 249	0.14 152	0.16 227	0.08 195	0.08 273	0.12 314	0.09 255	0.11 293	0.10 274

SANet	0.24 333	0.14 309	0.28 325	0.21 296	0.11 258	0.27 335	0.24 326	0.38 349	0.64 382	0.36 351	0.40 336	0.43 363	0.26 318	0.27 321	0.24 315	0.12 316	0.09 296	0.10 272	0.09 255	0.13 324	0.11 297

SGM-Forest	0.20 292	0.14 309	0.18 268	0.19 230	0.13 305	0.20 270	0.22 307	0.33 308	0.30 261	0.24 287	0.29 272	0.28 288	0.19 274	0.23 303	0.17 238	0.15 350	0.16 362	0.15 346	0.14 341	0.12 307	0.12 308
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.19 283	0.14 309	0.17 250	0.18 184	0.10 220	0.20 270	0.11 11	0.29 262	0.30 261	0.29 328	0.30 276	0.30 303	0.23 301	0.27 321	0.19 261	0.13 336	0.15 359	0.17 355	0.16 354	0.10 278	0.10 274
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
psmorigin	0.25 342	0.15 315	0.34 349	0.17 117	0.13 305	0.23 305	0.14 70	0.34 318	0.33 279	0.41 366	0.55 372	0.41 358	0.37 365	0.34 354	0.27 341	0.11 292	0.15 359	0.11 299	0.11 310	0.12 307	0.16 358

NCC-stereo	0.24 333	0.15 315	0.31 336	0.26 349	0.16 343	0.20 270	0.30 374	0.40 357	0.40 322	0.24 287	0.38 323	0.33 325	0.28 334	0.36 365	0.27 341	0.12 316	0.11 324	0.15 346	0.22 372	0.13 324	0.13 322

Abc-Net	0.24 333	0.15 315	0.31 336	0.26 349	0.16 343	0.20 270	0.30 374	0.40 357	0.40 322	0.24 287	0.38 323	0.33 325	0.28 334	0.36 365	0.27 341	0.12 316	0.11 324	0.15 346	0.22 372	0.13 324	0.13 322
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 349	0.15 315	0.30 334	0.24 333	0.18 363	0.22 292	0.15 116	0.38 349	0.71 389	0.32 343	0.41 346	0.36 337	0.28 334	0.32 349	0.29 352	0.12 316	0.11 324	0.14 338	0.13 337	0.16 354	0.20 373

ADCMid	0.25 342	0.15 315	0.40 358	0.20 272	0.14 322	0.25 320	0.26 346	0.34 318	0.38 313	0.36 351	0.44 357	0.34 331	0.40 371	0.35 360	0.33 367	0.10 271	0.09 296	0.11 299	0.11 310	0.13 324	0.12 308

DANet	0.21 301	0.15 315	0.28 325	0.25 344	0.13 305	0.22 292	0.19 266	0.27 238	0.27 235	0.28 322	0.32 288	0.35 335	0.31 350	0.31 343	0.23 305	0.11 292	0.09 296	0.11 299	0.10 287	0.13 324	0.11 297
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NCCL2	0.23 325	0.15 315	0.17 250	0.34 378	0.18 363	0.24 310	0.23 317	0.34 318	0.28 246	0.31 337	0.38 323	0.38 345	0.28 334	0.23 303	0.24 315	0.15 350	0.12 333	0.18 363	0.21 369	0.13 324	0.13 322

Wz-Net-LNSev	0.22 310	0.16 322	0.38 354	0.21 296	0.13 305	0.25 320	0.23 317	0.32 291	0.43 336	0.30 331	0.41 346	0.31 313	0.18 259	0.22 292	0.25 324	0.10 271	0.09 296	0.08 165	0.08 214	0.12 307	0.11 297

dd	0.15 224	0.16 322	0.16 225	0.19 230	0.09 134	0.15 180	0.18 235	0.21 144	0.25 215	0.23 279	0.20 163	0.21 221	0.09 70	0.21 281	0.16 227	0.10 271	0.06 194	0.08 165	0.06 89	0.08 203	0.06 102

Syn2CoEx	0.21 301	0.16 322	0.27 320	0.29 370	0.14 322	0.26 328	0.20 281	0.33 308	0.31 267	0.28 322	0.36 312	0.27 281	0.25 315	0.19 246	0.24 315	0.16 361	0.12 333	0.14 338	0.11 310	0.09 251	0.08 222

G-Net	0.24 333	0.16 322	0.36 350	0.22 309	0.16 343	0.51 382	0.23 317	0.29 262	0.34 290	0.36 351	0.38 323	0.31 313	0.29 342	0.27 321	0.26 334	0.11 292	0.09 296	0.12 314	0.09 255	0.16 354	0.13 322

Nwc_Net	0.23 325	0.16 322	0.21 290	0.25 344	0.14 322	0.24 310	0.26 346	0.37 342	0.38 313	0.22 267	0.41 346	0.30 303	0.28 334	0.28 332	0.25 324	0.11 292	0.10 314	0.17 355	0.20 367	0.10 278	0.10 274

AnyNet_C32	0.26 349	0.16 322	0.36 350	0.20 272	0.16 343	0.25 320	0.30 374	0.32 291	0.44 340	0.31 337	0.49 363	0.30 303	0.33 355	0.40 377	0.33 367	0.12 316	0.12 333	0.12 314	0.14 341	0.14 336	0.15 347

ADCPNet	0.25 342	0.16 322	0.61 381	0.21 296	0.15 333	0.35 367	0.25 340	0.32 291	0.35 297	0.30 331	0.40 336	0.36 337	0.28 334	0.28 332	0.32 364	0.12 316	0.10 314	0.11 299	0.12 328	0.14 336	0.13 322

DPSNet	0.28 354	0.16 322	0.31 336	0.18 184	0.13 305	0.54 384	0.42 393	0.51 384	0.67 386	0.29 328	0.38 323	0.38 345	0.29 342	0.31 343	0.23 305	0.11 292	0.10 314	0.11 299	0.08 214	0.20 369	0.16 358

PDISCO_ROB	0.27 351	0.16 322	0.26 314	0.28 363	0.20 368	0.32 350	0.26 346	0.44 372	0.57 371	0.28 322	0.40 336	0.45 367	0.29 342	0.33 351	0.34 369	0.12 316	0.09 296	0.17 355	0.16 354	0.17 361	0.13 322

LALA_ROB	0.25 342	0.16 322	0.22 295	0.26 349	0.17 356	0.27 335	0.27 353	0.42 367	0.37 308	0.33 347	0.38 323	0.51 377	0.26 318	0.28 332	0.27 341	0.16 361	0.09 296	0.12 314	0.11 310	0.13 324	0.12 308

PWC_ROB	0.21 301	0.16 322	0.26 314	0.18 184	0.11 258	0.22 292	0.13 43	0.32 291	0.49 355	0.30 331	0.40 336	0.32 322	0.24 307	0.31 343	0.22 295	0.10 271	0.07 251	0.11 299	0.08 214	0.11 293	0.10 274

Anonymous_2	0.22 310	0.17 333	0.28 325	0.15 38	0.16 343	0.32 350	0.22 307	0.22 160	0.17 102	0.23 279	0.24 201	0.26 274	0.27 326	0.27 321	0.23 305	0.22 379	0.25 387	0.17 355	0.17 361	0.17 361	0.17 365

Wz-Net-SNSev	0.25 342	0.17 333	0.44 362	0.25 344	0.14 322	0.26 328	0.23 317	0.38 349	0.56 369	0.30 331	0.55 372	0.39 353	0.26 318	0.23 303	0.30 356	0.10 271	0.09 296	0.09 231	0.10 287	0.11 293	0.11 297

WZ-Net	0.28 354	0.17 333	0.78 398	0.22 309	0.16 343	0.34 359	0.29 366	0.39 353	0.57 371	0.24 287	0.55 372	0.37 341	0.24 307	0.33 351	0.35 370	0.09 240	0.08 273	0.09 231	0.10 287	0.14 336	0.16 358

DDUNet	0.22 310	0.17 333	0.21 290	0.22 309	0.15 333	0.25 320	0.24 326	0.29 262	0.30 261	0.31 337	0.36 312	0.33 325	0.25 315	0.24 311	0.20 267	0.18 367	0.13 346	0.17 355	0.11 310	0.16 354	0.16 358

UDG	0.21 301	0.17 333	0.19 277	0.23 328	0.15 333	0.30 347	0.20 281	0.33 308	0.35 297	0.23 279	0.28 261	0.31 313	0.27 326	0.20 265	0.22 295	0.15 350	0.12 333	0.13 328	0.09 255	0.14 336	0.14 339

aanetorigin	0.22 310	0.17 333	0.56 377	0.17 117	0.10 220	0.15 180	0.19 266	0.20 127	0.33 279	0.49 378	0.48 362	0.29 295	0.27 326	0.20 265	0.23 305	0.08 195	0.07 251	0.08 165	0.07 164	0.10 278	0.09 255

AF-Net	0.22 310	0.17 333	0.17 250	0.26 349	0.13 305	0.25 320	0.24 326	0.32 291	0.50 357	0.25 300	0.33 301	0.38 345	0.26 318	0.28 332	0.25 324	0.11 292	0.10 314	0.16 352	0.11 310	0.11 293	0.10 274

DeepPrunerF	0.24 333	0.17 333	0.42 361	0.26 349	0.16 343	0.22 292	0.28 358	0.37 342	0.50 357	0.26 305	0.29 272	0.24 256	0.28 334	0.21 281	0.22 295	0.15 350	0.11 324	0.20 367	0.18 365	0.12 307	0.13 322

FBW_ROB	0.24 333	0.17 333	0.22 295	0.26 349	0.14 322	0.25 320	0.22 307	0.41 362	0.41 325	0.41 366	0.41 346	0.42 359	0.27 326	0.31 343	0.23 305	0.09 240	0.14 353	0.14 338	0.12 328	0.11 293	0.09 255

ETE_ROB	0.23 325	0.17 333	0.22 295	0.25 344	0.13 305	0.26 328	0.29 366	0.31 282	0.36 302	0.28 322	0.36 312	0.45 367	0.26 318	0.27 321	0.26 334	0.11 292	0.08 273	0.12 314	0.09 255	0.14 336	0.13 322

FINET	0.21 301	0.18 343	0.26 314	0.18 184	0.16 343	0.23 305	0.23 317	0.32 291	0.48 350	0.25 300	0.32 288	0.22 238	0.22 295	0.22 292	0.17 238	0.18 367	0.16 362	0.11 299	0.10 287	0.15 347	0.13 322

ADCS	0.29 358	0.18 343	0.45 363	0.21 296	0.17 356	0.28 341	0.23 317	0.41 362	0.63 381	0.40 362	0.49 363	0.40 356	0.36 363	0.39 373	0.40 381	0.13 336	0.12 333	0.13 328	0.14 341	0.16 354	0.16 358

PA-Net	0.23 325	0.18 343	0.33 341	0.28 363	0.22 372	0.21 284	0.38 389	0.29 262	0.39 316	0.22 267	0.32 288	0.25 266	0.26 318	0.20 265	0.25 324	0.09 240	0.23 385	0.15 346	0.22 372	0.09 251	0.13 322
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.24 333	0.19 346	0.33 341	0.21 296	0.24 375	0.24 310	0.20 281	0.35 331	0.41 325	0.24 287	0.32 288	0.38 345	0.21 286	0.29 339	0.23 305	0.12 316	0.11 324	0.14 338	0.16 354	0.23 373	0.23 379

RTS	0.45 383	0.19 346	3.26 418	0.24 333	0.15 333	0.74 399	0.20 281	0.36 337	0.76 395	0.42 369	0.43 355	0.31 313	0.41 375	0.53 389	0.35 370	0.10 271	0.08 273	0.13 328	0.12 328	0.15 347	0.15 347

RTSA	0.45 383	0.19 346	3.26 418	0.24 333	0.15 333	0.74 399	0.20 281	0.36 337	0.76 395	0.42 369	0.43 355	0.31 313	0.41 375	0.53 389	0.35 370	0.10 271	0.08 273	0.13 328	0.12 328	0.15 347	0.15 347

Anonymous Stereo	0.23 325	0.19 346	0.50 369	0.24 333	0.17 356	0.21 284	0.21 297	0.33 308	0.44 340	0.25 300	0.34 305	0.26 274	0.18 259	0.31 343	0.27 341	0.13 336	0.12 333	0.12 314	0.13 337	0.11 293	0.14 339

NaN_ROB	0.22 310	0.19 346	0.24 307	0.25 344	0.13 305	0.29 344	0.26 346	0.33 308	0.41 325	0.31 337	0.31 284	0.32 322	0.23 301	0.30 342	0.21 286	0.11 292	0.17 367	0.10 272	0.10 287	0.08 203	0.09 255

Wz-Net-TNSev	0.29 358	0.20 351	0.65 384	0.19 230	0.15 333	0.38 372	0.27 353	0.35 331	0.55 367	0.34 348	0.42 352	0.45 367	0.38 366	0.32 349	0.30 356	0.12 316	0.13 346	0.10 272	0.12 328	0.15 347	0.14 339

dad	0.17 261	0.20 351	0.20 285	0.16 69	0.11 258	0.20 270	0.18 235	0.21 144	0.28 246	0.30 331	0.24 201	0.29 295	0.13 174	0.19 246	0.16 227	0.18 367	0.09 296	0.11 299	0.09 255	0.11 293	0.07 162

FADNet-RVC	0.20 292	0.20 351	0.38 354	0.21 296	0.16 343	0.20 270	0.15 116	0.26 220	0.26 228	0.26 305	0.32 288	0.26 274	0.21 286	0.22 292	0.19 261	0.12 316	0.13 346	0.12 314	0.14 341	0.13 324	0.18 367

RGC	0.25 342	0.20 351	0.29 331	0.28 363	0.16 343	0.22 292	0.23 317	0.32 291	0.44 340	0.27 311	0.40 336	0.38 345	0.27 326	0.36 365	0.22 295	0.11 292	0.13 346	0.17 355	0.17 361	0.14 336	0.16 358

PVD	0.39 373	0.20 351	0.39 356	0.31 376	0.22 372	0.29 344	0.43 395	0.52 385	0.96 402	0.55 383	0.79 396	0.53 380	0.59 393	0.52 387	0.38 377	0.19 371	0.14 353	0.17 355	0.14 341	0.24 380	0.31 391

LSM	0.33 369	0.20 351	0.58 379	0.26 349	0.60 405	0.34 359	0.25 340	0.42 367	0.48 350	0.45 375	0.58 380	0.42 359	0.36 363	0.35 360	0.25 324	0.12 316	0.20 375	0.14 338	0.16 354	0.19 368	0.33 393

MFN_U_SF_RVC	0.32 366	0.21 357	0.55 375	0.30 372	0.15 333	0.34 359	0.17 195	0.52 385	0.46 348	0.46 377	0.55 372	0.59 383	0.39 368	0.35 360	0.37 375	0.15 350	0.14 353	0.18 363	0.21 369	0.16 354	0.15 347

MaskLacGwcNet_RVC	0.22 310	0.21 357	0.24 307	0.26 349	0.11 258	0.23 305	0.14 70	0.39 353	0.24 196	0.32 343	0.36 312	0.30 303	0.21 286	0.19 246	0.21 286	0.17 365	0.14 353	0.21 368	0.16 354	0.12 307	0.12 308

PS-NSSS	0.20 292	0.21 357	0.23 304	0.20 272	0.10 220	0.19 258	0.17 195	0.36 337	0.25 215	0.27 311	0.33 301	0.27 281	0.24 307	0.20 265	0.20 267	0.15 350	0.12 333	0.17 355	0.14 341	0.10 278	0.08 222

DispFullNet	0.27 351	0.21 357	0.65 384	0.28 363	0.16 343	0.26 328	0.17 195	0.33 308	0.58 374	0.27 311	0.38 323	0.43 363	0.23 301	0.38 370	0.23 305	0.12 316	0.06 194	0.19 365	0.11 310	0.21 370	0.15 347

FADNet	0.21 301	0.22 361	0.36 350	0.18 184	0.17 356	0.24 310	0.13 43	0.31 282	0.31 267	0.23 279	0.25 230	0.27 281	0.21 286	0.19 246	0.15 212	0.13 336	0.15 359	0.12 314	0.15 352	0.16 354	0.18 367

SQANet	0.23 325	0.23 362	0.30 334	0.30 372	0.19 365	0.27 335	0.13 43	0.29 262	0.33 279	0.24 287	0.37 318	0.31 313	0.22 295	0.27 321	0.23 305	0.15 350	0.10 314	0.21 368	0.16 354	0.21 370	0.15 347

GASNet	0.22 310	0.23 362	0.33 341	0.26 349	0.17 356	0.26 328	0.16 174	0.44 372	0.42 331	0.27 311	0.24 201	0.30 303	0.15 210	0.27 321	0.18 252	0.12 316	0.08 273	0.12 314	0.11 310	0.16 354	0.07 162

XQC	0.28 354	0.23 362	0.51 370	0.28 363	0.19 365	0.34 359	0.27 353	0.36 337	0.57 371	0.31 337	0.30 276	0.37 341	0.30 346	0.38 370	0.38 377	0.13 336	0.09 296	0.15 346	0.12 328	0.17 361	0.18 367

HCRNet	0.16 242	0.24 365	0.12 93	0.35 380	0.11 258	0.15 180	0.17 195	0.26 220	0.22 177	0.19 229	0.24 201	0.21 221	0.14 197	0.15 170	0.13 161	0.11 292	0.07 251	0.11 299	0.10 287	0.09 251	0.07 162

EDNetEfficient	0.29 358	0.24 365	1.13 408	0.18 184	0.10 220	0.19 258	0.20 281	0.20 127	0.60 378	0.74 397	0.56 377	0.31 313	0.39 368	0.22 292	0.30 356	0.09 240	0.07 251	0.08 165	0.07 164	0.11 293	0.09 255

MFN_U_SF_DS_RVC	0.30 363	0.24 365	0.29 331	0.36 383	0.16 343	0.34 359	0.30 374	0.32 291	0.42 331	0.40 362	0.46 359	0.38 345	0.31 350	0.34 354	0.28 349	0.19 371	0.20 375	0.26 375	0.29 384	0.18 365	0.19 372

PASM	0.32 366	0.24 365	0.48 368	0.28 363	0.27 383	0.29 344	0.30 374	0.34 318	0.49 355	0.35 349	0.39 331	0.46 371	0.34 359	0.34 354	0.35 370	0.23 383	0.25 387	0.26 375	0.28 383	0.23 373	0.21 375

CSAN	0.29 358	0.24 365	0.27 320	0.34 378	0.19 365	0.33 356	0.42 393	0.37 342	0.50 357	0.38 357	0.40 336	0.44 365	0.33 355	0.28 332	0.30 356	0.20 373	0.16 362	0.19 365	0.19 366	0.14 336	0.15 347

AnyNet_C01	0.36 372	0.25 370	1.37 411	0.22 309	0.17 356	0.48 380	0.27 353	0.35 331	0.39 316	0.39 359	0.74 392	0.46 371	0.38 366	0.45 381	0.47 390	0.13 336	0.13 346	0.13 328	0.14 341	0.14 336	0.15 347

STTRV1_RVC	0.25 342	0.26 371	0.39 356	0.19 230	0.26 382	0.30 347	0.24 326	0.34 318	0.35 297	0.36 351	0.34 305	0.31 313	0.31 350	0.28 332	0.25 324	0.17 365	0.10 314	0.16 352	0.14 341	0.17 361	0.12 308

MSMD_ROB	0.31 364	0.26 371	0.26 314	0.24 333	0.21 370	0.34 359	0.25 340	0.34 318	0.39 316	0.40 362	0.69 386	0.45 367	0.40 371	0.34 354	0.27 341	0.20 373	0.19 372	0.26 375	0.25 378	0.23 373	0.22 377

BEATNet-Init1	0.52 389	0.27 373	0.62 382	0.30 372	0.21 370	0.76 403	0.29 366	0.54 388	0.65 384	0.86 402	0.95 403	2.07 420	0.62 396	0.56 393	0.42 385	0.18 367	0.18 369	0.23 373	0.22 372	0.22 372	0.21 375

MANE	0.45 383	0.27 373	0.27 320	0.27 360	0.24 375	0.47 378	0.31 380	0.55 389	0.59 375	0.72 393	1.13 412	1.15 404	0.61 394	0.52 387	0.37 375	0.21 376	0.20 375	0.27 378	0.31 388	0.25 381	0.24 380

FC-DCNN	0.33 369	0.27 373	0.28 325	0.26 349	0.23 374	0.37 370	0.28 358	0.40 357	0.43 336	0.45 375	0.55 372	0.51 377	0.40 371	0.37 369	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 381	0.24 380

ccnet	0.29 358	0.28 376	0.23 304	0.20 272	0.28 384	0.41 375	0.21 297	0.45 375	0.33 279	0.36 351	0.46 359	0.36 337	0.30 346	0.39 373	0.42 385	0.23 383	0.14 353	0.21 368	0.17 361	0.23 373	0.18 367

FCDSN-DC	0.33 369	0.28 376	0.28 325	0.30 372	0.24 375	0.39 373	0.28 358	0.42 367	0.42 331	0.43 372	0.53 369	0.51 377	0.41 375	0.36 365	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 381	0.24 380
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SAMSARA	0.40 376	0.28 376	0.33 341	0.55 396	0.39 390	0.82 406	1.23 420	0.47 378	0.51 364	0.36 351	0.35 309	0.55 382	0.39 368	0.38 370	0.39 379	0.15 350	0.20 375	0.15 346	0.14 341	0.23 373	0.20 373

ELAS_RVC	0.41 378	0.29 379	0.33 341	0.28 363	0.24 375	0.54 384	0.36 385	0.49 381	0.59 375	0.72 393	0.74 392	0.65 389	0.54 387	0.54 391	0.40 381	0.22 379	0.20 375	0.27 378	0.26 379	0.26 384	0.25 384
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 378	0.29 379	0.33 341	0.27 360	0.24 375	0.60 389	0.36 385	0.50 383	0.50 357	0.71 391	0.79 396	0.67 391	0.54 387	0.51 385	0.42 385	0.22 379	0.20 375	0.27 378	0.26 379	0.26 384	0.25 384
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 425	0.31 381	153.02 444	0.19 230	0.09 134	0.21 284	0.16 174	0.22 160	0.59 375	0.72 393	0.67 384	0.42 359	0.50 385	0.24 311	0.39 379	0.08 195	0.07 251	0.08 165	0.07 164	0.12 307	0.10 274

CC-Net-ROB	0.28 354	0.31 381	0.36 350	0.29 370	0.15 333	0.25 320	0.19 266	0.45 375	0.33 279	0.39 359	0.37 318	0.39 353	0.31 350	0.27 321	0.26 334	0.24 385	0.19 372	0.30 386	0.23 376	0.18 365	0.15 347

FADE	0.45 383	0.33 383	1.03 407	0.33 377	0.25 381	0.35 367	0.29 366	0.64 396	1.07 403	0.43 372	0.41 346	0.42 359	0.53 386	0.70 399	0.51 396	0.30 388	0.21 384	0.41 392	0.38 392	0.23 373	0.22 377

coex-ft	3.30 419	0.34 384	59.09 443	0.18 184	0.13 305	0.26 328	0.22 307	0.27 238	0.72 390	1.90 420	0.70 388	0.44 365	0.45 381	0.29 339	0.41 384	0.09 240	0.09 296	0.12 314	0.09 255	0.14 336	0.13 322

GANetREF_RVC	0.31 364	0.34 384	0.27 320	0.35 380	0.16 343	0.32 350	0.41 390	0.48 379	0.51 364	0.35 349	0.35 309	0.34 331	0.33 355	0.39 373	0.32 364	0.27 387	0.20 375	0.29 384	0.15 352	0.18 365	0.17 365
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
NVStereoNet_ROB	0.46 387	0.36 386	0.46 366	0.41 387	0.28 384	0.34 359	0.34 383	0.48 379	0.60 378	0.72 393	0.93 401	0.70 394	0.66 397	0.47 382	0.60 400	0.22 379	0.33 392	0.34 388	0.34 391	0.30 387	0.30 390
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 373	0.37 387	0.52 371	0.44 389	0.28 384	0.58 386	0.24 326	0.41 362	0.62 380	0.40 362	0.49 363	0.46 371	0.33 355	0.40 377	0.32 364	0.30 388	0.30 391	0.39 390	0.33 389	0.29 386	0.28 387

MSC_U_SF_DS_RVC	0.43 380	0.39 388	0.54 373	0.40 385	0.20 368	0.64 391	0.32 382	0.53 387	0.72 390	0.71 391	0.72 389	0.61 385	0.54 387	0.51 385	0.46 389	0.20 373	0.19 372	0.29 384	0.30 386	0.23 373	0.18 367

Ntro	0.40 376	0.40 389	0.53 372	0.46 393	0.30 388	0.65 392	0.24 326	0.46 377	0.68 387	0.41 366	0.49 363	0.48 375	0.42 378	0.39 373	0.31 363	0.32 390	0.28 389	0.37 389	0.30 386	0.32 391	0.29 388

Consistency-Raft	0.44 381	0.40 389	0.45 363	0.37 384	0.43 393	0.46 376	0.41 390	0.57 392	0.55 367	0.32 343	0.73 390	0.33 325	0.48 383	0.42 380	0.49 392	0.39 393	0.35 393	0.45 393	0.51 401	0.42 393	0.29 388

JetBlue	0.71 398	0.45 391	1.14 409	0.51 394	0.47 395	2.02 420	0.64 407	0.75 399	0.70 388	0.69 390	0.77 395	1.22 406	0.83 404	1.03 416	1.01 416	0.40 394	0.28 389	0.33 387	0.33 389	0.30 387	0.34 394

ACVNet_1	0.44 381	0.49 392	0.60 380	0.45 390	0.28 384	0.49 381	0.27 353	0.57 392	0.72 390	0.62 386	0.58 380	0.74 395	0.49 384	0.50 384	0.35 370	0.26 386	0.24 386	0.39 390	0.29 384	0.31 390	0.24 380

ACVNet-4b	0.39 373	0.53 393	0.55 375	0.45 390	0.24 375	0.47 378	0.18 235	0.49 381	0.64 382	0.42 369	0.45 358	0.60 384	0.27 326	0.34 354	0.24 315	0.33 391	0.14 353	0.48 394	0.42 394	0.30 387	0.26 386

SGM+DAISY	0.56 392	0.57 394	0.65 384	0.40 385	0.54 398	0.66 394	0.49 397	0.56 390	0.45 347	0.66 387	0.69 386	0.67 391	0.56 391	0.63 396	0.56 398	0.59 405	0.48 401	0.50 395	0.50 400	0.52 396	0.58 403

anonymity	0.53 390	0.58 395	0.65 384	0.41 387	0.61 406	0.53 383	0.41 390	0.56 390	0.41 325	0.55 383	0.50 367	0.49 376	0.55 390	0.58 394	0.50 395	0.58 404	0.50 405	0.51 396	0.51 401	0.51 395	0.57 402

SPS-STEREO	0.57 393	0.58 395	0.65 384	0.45 390	0.55 400	0.62 390	0.44 396	0.62 395	0.50 357	0.68 389	0.64 382	0.66 390	0.57 392	0.61 395	0.60 400	0.62 407	0.47 400	0.51 396	0.49 398	0.55 400	0.58 403
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH-64-1	0.65 395	0.61 397	0.68 392	0.71 400	0.51 396	0.59 387	0.49 397	0.91 404	0.85 397	0.74 397	1.02 405	0.81 396	0.78 402	0.79 401	0.49 392	0.42 395	0.46 396	0.71 402	0.47 396	0.52 396	0.39 396

IMH-64	0.65 395	0.61 397	0.68 392	0.71 400	0.51 396	0.59 387	0.49 397	0.91 404	0.85 397	0.74 397	1.02 405	0.81 396	0.78 402	0.79 401	0.49 392	0.42 395	0.46 396	0.71 402	0.47 396	0.52 396	0.39 396

RainbowNet	0.54 391	0.61 397	0.70 396	0.57 397	0.43 393	0.65 392	0.37 388	0.60 394	0.87 399	0.50 379	0.66 383	0.64 387	0.47 382	0.49 383	0.43 388	0.47 399	0.48 401	0.52 398	0.41 393	0.52 396	0.40 398

IMH	0.71 398	0.64 400	0.68 392	0.76 402	0.54 398	0.69 395	0.54 401	0.98 410	1.10 405	0.82 401	1.09 408	0.89 398	0.88 407	0.87 409	0.52 397	0.44 398	0.50 405	0.75 405	0.51 401	0.56 401	0.41 399

ACVNet_2	0.66 397	0.66 401	0.68 392	0.63 398	0.41 391	0.71 397	0.49 397	0.96 408	1.39 412	0.89 403	1.09 408	1.04 400	0.73 400	0.54 391	0.47 390	0.43 397	0.40 395	0.53 399	0.44 395	0.47 394	0.35 395

MFMNet_re	0.64 394	0.66 401	0.65 384	0.51 394	0.69 410	0.69 395	0.57 403	0.64 396	0.73 393	0.60 385	0.73 390	0.62 386	0.67 398	0.65 397	0.60 400	0.66 408	0.58 414	0.63 400	0.59 404	0.68 406	0.69 412

MADNet+	0.75 401	0.71 403	3.70 421	0.66 399	0.41 391	0.98 411	0.97 418	0.69 398	0.73 393	0.52 380	0.57 378	0.64 387	0.68 399	0.86 408	1.01 416	0.34 392	0.36 394	0.28 383	0.23 376	0.36 392	0.31 391

TorneroNet-64	0.76 402	0.72 404	0.74 397	0.78 404	0.58 404	0.91 410	0.56 402	0.84 402	1.29 409	0.66 387	0.90 399	1.40 412	0.75 401	0.85 407	0.67 406	0.49 400	0.46 396	0.72 404	0.59 404	0.67 405	0.53 401

TorneroNet	0.82 405	0.74 405	0.81 402	0.84 407	0.63 407	0.99 412	0.63 405	0.96 408	1.16 406	0.80 400	1.11 410	1.36 411	0.86 406	0.93 412	0.80 411	0.56 402	0.49 403	0.78 409	0.66 408	0.73 411	0.63 411

WAO-7	0.79 403	0.78 406	0.54 373	0.85 408	0.67 409	0.74 399	0.68 411	1.05 413	1.32 410	0.90 404	1.20 415	1.04 400	0.92 408	0.69 398	0.66 403	0.60 406	0.62 415	0.67 401	0.68 409	0.64 402	0.58 403

WAO-6	0.81 404	0.80 407	0.62 382	0.86 409	0.63 407	0.76 403	0.58 404	0.98 410	1.54 417	0.90 404	0.96 404	1.07 402	1.03 412	0.70 399	0.66 403	0.72 409	0.49 403	0.90 412	0.71 410	0.68 406	0.58 403

WAO-8	0.91 408	0.81 408	0.65 384	0.94 412	0.69 410	0.90 407	0.67 409	1.07 415	1.83 420	1.06 411	1.45 418	1.30 407	1.07 413	0.84 405	0.78 409	0.74 411	0.53 408	0.86 410	0.75 411	0.69 408	0.62 409

Venus	0.91 408	0.81 408	0.65 384	0.94 412	0.69 410	0.90 407	0.67 409	1.07 415	1.83 420	1.06 411	1.45 418	1.30 407	1.07 413	0.84 405	0.78 409	0.74 411	0.53 408	0.86 410	0.75 411	0.69 408	0.62 409

LVE	0.83 406	0.85 410	0.85 403	0.80 405	0.56 401	1.04 416	0.65 408	1.05 413	1.47 415	0.96 406	1.22 416	1.10 403	0.85 405	0.83 404	0.71 408	0.49 400	0.55 411	0.76 407	0.60 406	0.65 403	0.59 408

Dean	0.87 407	0.86 411	0.79 400	0.81 406	0.56 401	0.90 407	0.63 405	1.15 418	1.73 418	1.15 413	1.15 413	1.31 409	0.99 411	0.81 403	0.81 412	0.57 403	0.56 412	0.77 408	0.64 407	0.66 404	0.58 403

SPstereo	13.84 434	0.93 412	1.50 414	1.22 418	0.88 417	28.82 437	48.26 437	26.77 444	29.54 443	22.37 442	22.60 441	23.23 442	24.68 442	24.53 442	15.06 434	0.88 416	0.69 417	1.83 423	1.60 423	0.74 412	0.77 416

UNDER WATER-64	0.95 410	0.94 413	1.43 413	0.87 410	0.56 401	1.18 419	0.87 415	0.77 400	0.94 401	1.04 409	0.85 398	1.58 417	1.21 418	0.94 413	0.96 414	0.87 415	0.57 413	1.03 415	0.88 416	0.78 413	0.73 413

PWCK	0.71 398	0.94 413	0.95 405	0.76 402	0.31 389	0.74 399	0.36 385	0.90 403	0.90 400	0.96 406	0.75 394	0.95 399	0.61 394	0.87 409	0.66 403	0.72 409	0.46 396	0.75 405	0.49 398	0.69 408	0.44 400

UNDER WATER	0.97 411	0.97 415	1.42 412	0.99 414	0.70 413	1.12 418	0.84 414	0.80 401	1.08 404	1.01 408	0.90 399	1.55 416	1.22 419	1.03 416	1.00 415	0.78 413	0.53 408	1.02 414	0.87 415	0.80 414	0.74 414

notaker	0.97 411	1.11 416	0.98 406	1.13 416	0.81 414	0.73 398	0.68 411	0.93 406	1.16 406	1.18 415	1.18 414	1.41 413	1.16 417	1.08 418	0.69 407	0.81 414	0.64 416	1.17 417	0.79 413	0.98 416	0.80 417

KSHMR	1.09 414	1.17 417	0.88 404	1.25 420	1.00 419	0.99 412	0.96 417	1.13 417	1.37 411	1.16 414	1.29 417	1.41 413	0.96 410	1.01 415	0.92 413	1.03 418	1.08 420	1.20 418	1.03 419	1.01 417	0.97 419

ktn	1.01 413	1.21 418	0.80 401	1.23 419	0.86 416	1.01 414	0.87 415	0.94 407	1.39 412	1.04 409	1.12 411	1.15 404	1.07 413	0.94 413	0.59 399	1.28 421	0.71 418	1.38 421	0.83 414	1.02 418	0.75 415

DPSimNet_ROB	1.11 415	1.23 419	0.78 398	1.13 416	0.88 417	1.10 417	1.13 419	1.16 419	1.23 408	1.43 417	1.02 405	1.41 413	1.10 416	0.90 411	1.60 418	1.46 422	0.51 407	1.21 419	1.03 419	0.90 415	1.01 421

HanzoNet	1.29 416	1.26 420	1.19 410	1.12 415	0.85 415	1.02 415	0.83 413	1.03 412	1.48 416	1.64 418	1.61 420	2.50 422	1.72 420	1.61 420	1.61 419	1.26 420	0.80 419	1.31 420	1.01 418	1.02 418	0.86 418

JetRed	1.62 417	1.46 421	2.98 417	0.92 411	1.21 420	4.99 422	1.53 422	1.27 420	1.39 412	1.83 419	1.74 421	1.60 418	0.95 409	1.41 419	2.45 422	0.90 417	1.60 422	0.93 413	0.90 417	1.35 420	0.99 420

MADNet++	1.95 418	1.75 422	1.59 415	1.82 422	1.69 422	2.33 421	1.40 421	2.35 422	2.09 422	2.57 422	2.36 422	2.24 421	2.17 421	2.28 421	2.34 421	1.87 423	1.66 423	1.54 422	1.34 422	1.92 422	1.77 424

DLNR_Zeroshot_test	10.40 429	1.82 423	19.49 439	120.77 444	13.11 434	0.06 2	0.13 43	0.23 177	0.10 8	0.07 2	0.10 40	0.09 40	0.06 8	0.10 19	0.09 20	0.13 336	0.04 2	0.06 33	0.04 8	51.54 443	0.04 8

ASD4	3.54 420	3.38 424	2.05 416	1.72 421	2.51 424	9.03 426	17.71 427	2.25 421	5.51 424	2.46 421	2.81 423	2.03 419	3.36 422	2.73 422	5.06 423	1.22 419	1.34 421	1.13 416	1.33 421	1.68 421	1.49 423

DPSMNet_ROB	8.06 426	4.48 425	8.63 430	5.37 429	10.74 431	8.32 424	22.98 432	5.46 424	13.36 431	5.12 424	9.92 427	5.08 424	10.40 429	5.53 426	12.58 429	3.80 428	8.00 429	3.50 425	7.02 428	3.83 427	7.14 430

DGTPSM_ROB	8.06 426	4.48 425	8.63 430	5.35 427	10.72 430	8.32 424	22.97 431	5.46 424	13.35 430	5.12 424	9.92 427	5.08 424	10.40 429	5.52 425	12.58 429	3.79 427	8.00 429	3.50 425	7.02 428	3.83 427	7.14 430

xxxxx1	7.79 422	5.02 427	7.31 424	3.12 424	3.85 425	16.35 430	22.88 428	5.86 427	8.69 426	7.97 426	8.54 424	9.12 428	8.27 426	10.18 428	10.92 426	2.42 424	2.45 425	3.56 427	12.37 431	3.77 424	3.06 426

tt_ll	7.79 422	5.02 427	7.31 424	3.12 424	3.85 425	16.35 430	22.88 428	5.86 427	8.69 426	7.97 426	8.54 424	9.12 428	8.27 426	10.18 428	10.92 426	2.42 424	2.45 425	3.56 427	12.37 431	3.77 424	3.06 426

ff	7.79 422	5.02 427	7.31 424	3.12 424	3.85 425	16.35 430	22.88 428	5.86 427	8.69 426	7.97 426	8.54 424	9.12 428	8.27 426	10.18 428	10.92 426	2.42 424	2.45 425	3.56 427	12.37 431	3.77 424	3.06 426

Anonymous_1	10.96 431	7.92 430	7.46 427	10.33 430	10.06 429	18.65 434	26.34 434	11.06 431	13.44 432	9.40 429	10.05 429	9.67 431	11.23 431	10.73 431	12.72 431	6.42 431	8.38 431	5.77 430	10.61 430	12.12 432	6.77 429

DPSM_ROB	11.15 432	8.58 431	8.00 428	10.88 431	11.58 432	19.10 435	26.71 435	12.05 432	14.07 433	10.36 430	10.84 430	10.33 432	11.86 432	11.70 432	13.54 432	6.99 432	8.79 432	5.89 431	6.95 426	7.29 429	7.42 432

DPSM	11.15 432	8.58 431	8.00 428	10.88 431	11.58 432	19.10 435	26.71 435	12.05 432	14.07 433	10.36 430	10.84 430	10.33 432	11.86 432	11.70 432	13.54 432	6.99 432	8.79 432	5.89 431	6.95 426	7.29 429	7.42 432

PML	8.91 428	9.34 433	6.13 422	5.35 427	6.41 428	14.99 429	23.38 433	5.27 423	6.83 425	18.04 434	28.19 443	7.67 426	6.83 425	7.85 427	5.75 424	5.35 429	1.83 424	5.95 433	1.93 424	8.64 431	2.52 425

LRCNet_RVC	10.62 430	13.42 434	7.30 423	18.92 434	2.07 423	0.33 356	0.30 374	5.59 426	0.48 350	13.03 432	17.94 433	8.87 427	5.65 424	4.79 424	1.89 420	23.51 441	2.73 428	27.55 442	25.71 442	16.07 439	16.33 440

LSM0	22.87 442	17.28 435	18.96 437	22.19 441	29.04 443	38.42 443	53.71 438	24.28 441	28.31 437	20.78 438	21.00 435	21.43 441	24.16 441	23.50 440	27.39 439	14.09 439	17.38 436	11.84 439	14.04 439	14.73 438	14.89 434

MyStereo03	22.45 438	17.33 436	16.21 434	21.95 436	23.27 437	38.32 438	53.79 439	24.21 438	28.46 439	20.87 439	21.85 438	20.80 436	23.87 436	23.46 437	27.40 440	14.08 435	17.71 439	11.82 434	14.03 436	14.65 433	14.89 434

MyStereo02	22.45 438	17.33 436	16.21 434	21.95 436	23.27 437	38.32 438	53.79 439	24.21 438	28.46 439	20.87 439	21.85 438	20.80 436	23.87 436	23.46 437	27.40 440	14.08 435	17.71 439	11.82 434	14.03 436	14.65 433	14.89 434

MyStereo	22.45 438	17.33 436	16.21 434	21.95 436	23.27 437	38.32 438	53.79 439	24.21 438	28.46 439	20.87 439	21.85 438	20.80 436	23.87 436	23.46 437	27.40 440	14.08 435	17.71 439	11.82 434	14.03 436	14.65 433	14.89 434

CasAABBNet	22.42 437	17.33 436	16.01 432	22.01 439	23.28 440	38.32 438	53.80 442	24.14 437	28.41 438	20.60 436	21.77 436	20.89 440	23.91 440	23.43 436	27.36 438	14.07 434	17.69 437	11.83 438	14.01 435	14.67 436	14.95 438

Selective-RAFT-Error	22.47 441	17.37 440	16.09 433	22.06 440	23.34 441	38.39 442	53.83 443	24.29 442	28.47 442	20.74 437	21.83 437	20.81 439	23.90 439	23.54 441	27.53 443	14.08 435	17.69 437	11.82 434	14.00 434	14.69 437	15.00 439

HaxPig	15.71 435	18.52 441	19.18 438	16.89 433	15.89 435	7.73 423	7.60 423	13.31 434	10.82 429	15.42 433	14.91 432	15.98 434	14.92 434	15.58 434	15.98 435	18.95 440	16.73 435	19.46 440	18.08 440	19.26 440	19.05 441

MEDIAN_ROB	20.38 436	24.04 442	23.31 440	21.23 435	21.71 436	10.40 428	7.92 424	17.64 435	15.50 435	20.12 435	19.70 434	20.34 435	20.32 435	21.19 435	21.13 436	23.81 442	21.81 442	24.98 441	23.76 441	24.71 441	23.93 442

AVERAGE_ROB	24.90 443	29.20 443	28.14 441	24.89 442	24.64 442	17.75 433	11.12 425	21.45 436	19.93 436	25.12 443	24.46 442	25.12 443	25.46 443	24.69 443	22.83 437	29.76 443	27.13 443	28.97 443	27.95 443	29.91 442	29.47 443

test_example2	98.32 444	94.13 444	45.89 442	96.35 443	109.85 444	88.61 444	95.45 444	25.75 443	94.37 444	130.00 444	126.06 444	58.17 444	74.63 444	88.51 444	79.96 444	150.23 444	221.02 444	77.62 444	99.10 444	113.75 444	96.94 444

Low-res two-view benchmark