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

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

xx1	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.16 162	0.16 217	0.10 15	0.07 1	0.06 50	0.05 79	0.08 158	0.08 210	0.07 147	0.07 147

cc1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

GMOStereo	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

error version	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

test-v	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 303	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.07 2	0.07 13	0.08 23	0.06 6	0.08 5	0.07 1	0.07 140	0.05 79	0.06 30	0.04 7	0.05 36	0.04 4
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 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

ffm	0.12 131	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.08 9	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

tt1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.15 21	0.19 121	0.09 14	0.08 17	0.06 3	0.06 6	0.10 15	0.08 9	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

MIM_Stereo	0.10 45	0.07 51	0.11 62	0.15 35	0.07 14	0.07 15	0.12 23	0.20 121	0.14 54	0.13 101	0.14 78	0.09 37	0.05 2	0.12 91	0.08 9	0.05 2	0.06 186	0.07 98	0.06 81	0.06 92	0.05 42

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 75	0.11 1	0.09 2	0.08 4	0.09 23	0.11 70	0.07 28	0.12 91	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

CroCo-Stereo Lap2	0.09 7	0.09 180	0.08 6	0.22 303	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.09 14	0.10 36	0.05 1	0.05 2	0.08 5	0.08 9	0.06 50	0.06 186	0.07 98	0.05 31	0.06 92	0.05 42

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 280	0.10 56	0.13 45	0.18 86	0.19 121	0.09 14	0.09 23	0.09 37	0.07 28	0.10 15	0.08 9	0.07 140	0.05 79	0.07 98	0.07 158	0.04 1	0.04 4

XX-Stereo	0.09 7	0.05 5	0.09 24	0.17 108	0.09 121	0.15 170	0.12 23	0.21 132	0.10 6	0.10 33	0.14 78	0.07 17	0.06 6	0.13 128	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

MyStereo07	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.15 21	0.15 66	0.09 14	0.06 2	0.06 3	0.07 28	0.12 91	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo06	0.10 45	0.07 51	0.12 85	0.17 108	0.09 121	0.13 121	0.18 227	0.19 110	0.12 25	0.13 101	0.08 17	0.07 17	0.07 28	0.11 41	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

ff7	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEVStereo-DCA	0.09 7	0.07 51	0.11 62	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

ffff	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

rrr	0.09 7	0.07 51	0.13 108	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.15 66	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

11t	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEV_Zeroshot_test	0.09 7	0.05 5	0.13 108	0.14 11	0.08 45	0.12 102	0.13 45	0.17 62	0.11 15	0.10 33	0.06 2	0.09 37	0.06 6	0.11 41	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

DLNR_Zeroshot_test	10.48 421	2.27 416	19.78 431	120.28 436	13.29 426	0.06 2	0.13 45	0.24 182	0.10 6	0.08 4	0.10 36	0.09 37	0.07 28	0.10 15	0.09 16	0.13 324	0.04 2	0.06 30	0.04 7	52.68 435	0.04 4

AEACV	0.09 7	0.05 5	0.08 6	0.14 11	0.13 300	0.14 150	0.13 45	0.15 21	0.09 2	0.07 2	0.09 23	0.07 17	0.08 48	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

RAFT-Test	0.09 7	0.06 17	0.10 38	0.16 60	0.07 14	0.11 77	0.15 120	0.16 35	0.13 40	0.09 14	0.10 36	0.11 70	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

HH	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

HanStereo	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 175	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 50	0.10 56	0.07 28	0.12 91	0.09 16	0.05 2	0.03 1	0.08 158	0.07 158	0.06 92	0.05 42

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 120	0.12 3	0.11 15	0.08 4	0.09 23	0.06 3	0.09 65	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 108	0.08 45	0.10 56	0.13 45	0.12 3	0.09 2	0.09 14	0.10 36	0.08 23	0.06 6	0.09 10	0.09 16	0.08 189	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 108	0.06 2	0.08 22	0.12 23	0.13 9	0.08 1	0.08 4	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

ProNet	0.09 7	0.07 51	0.11 62	0.17 108	0.08 45	0.11 77	0.15 120	0.15 21	0.12 25	0.10 33	0.06 2	0.07 17	0.06 6	0.11 41	0.09 16	0.05 2	0.05 79	0.06 30	0.05 31	0.04 1	0.06 95

ccc-4	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

RAFT_CTSACE	0.12 131	0.09 180	0.10 38	0.22 303	0.08 45	0.12 102	0.24 318	0.18 86	0.17 97	0.21 247	0.27 245	0.13 111	0.07 28	0.13 128	0.09 16	0.05 2	0.06 186	0.08 158	0.07 158	0.04 1	0.04 4

IGEV-Stereo	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 121	0.12 102	0.15 120	0.19 110	0.11 15	0.11 59	0.08 17	0.08 23	0.05 2	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

test-1	0.10 45	0.07 51	0.17 224	0.19 220	0.08 45	0.11 77	0.24 318	0.15 21	0.18 107	0.09 14	0.07 13	0.10 56	0.08 48	0.08 5	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.04 1	0.05 42

TANstereo	0.09 7	0.04 1	0.08 6	0.13 6	0.06 2	0.11 77	0.13 45	0.15 21	0.19 121	0.11 59	0.15 89	0.10 56	0.07 28	0.12 91	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

test_xeample3	0.09 7	0.07 51	0.12 85	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.14 54	0.10 33	0.07 13	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

Gwc-CoAtRS	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.10 56	0.15 120	0.18 86	0.17 97	0.08 4	0.10 36	0.12 89	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

AE-Stereo	0.10 45	0.08 133	0.11 62	0.19 220	0.09 121	0.10 56	0.15 120	0.14 15	0.20 139	0.09 14	0.15 89	0.12 89	0.08 48	0.11 41	0.10 43	0.05 2	0.06 186	0.07 98	0.06 81	0.05 36	0.04 4

StereoVision	0.14 180	0.13 286	0.10 38	0.24 328	0.10 214	0.16 192	0.21 289	0.21 132	0.20 139	0.12 77	0.25 218	0.10 56	0.10 78	0.16 184	0.10 43	0.09 231	0.10 308	0.12 309	0.12 320	0.06 92	0.05 42

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 175	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 60	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 186	0.05 2	0.05 31	0.06 92	0.05 42

CASnet	0.09 7	0.09 180	0.09 24	0.19 220	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 59	0.10 36	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 266	0.08 210	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 45	0.05 5	0.10 38	0.15 35	0.07 14	0.13 121	0.14 75	0.21 132	0.15 66	0.11 59	0.12 60	0.13 111	0.10 78	0.13 128	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

LL-Strereo2	0.11 69	0.10 234	0.16 205	0.18 175	0.08 45	0.15 170	0.09 3	0.17 62	0.14 54	0.14 122	0.11 50	0.09 37	0.07 28	0.16 184	0.10 43	0.05 2	0.05 79	0.11 292	0.07 158	0.06 92	0.05 42

LoS	0.09 7	0.05 5	0.11 62	0.13 6	0.07 14	0.14 150	0.11 10	0.15 21	0.15 66	0.09 14	0.09 23	0.12 89	0.09 65	0.15 159	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	0.05 42

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 108	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 60	0.09 37	0.06 6	0.11 41	0.10 43	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

Sa-1000	0.12 131	0.08 133	0.09 24	0.18 175	0.08 45	0.15 170	0.22 299	0.22 151	0.19 121	0.15 143	0.20 157	0.17 178	0.11 102	0.10 15	0.10 43	0.06 50	0.05 79	0.09 225	0.09 248	0.05 36	0.05 42

test-3	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_1	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

HHNet	0.11 69	0.06 17	0.16 205	0.15 35	0.14 315	0.07 15	0.13 45	0.20 121	0.18 107	0.15 143	0.25 218	0.11 70	0.09 65	0.13 128	0.10 43	0.06 50	0.04 2	0.08 158	0.06 81	0.05 36	0.09 242

NRIStereo	0.11 69	0.08 133	0.15 170	0.18 175	0.08 45	0.10 56	0.13 45	0.17 62	0.15 66	0.12 77	0.15 89	0.13 111	0.13 159	0.13 128	0.10 43	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.07 147

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 261	0.09 121	0.10 56	0.14 75	0.21 132	0.13 40	0.12 77	0.14 78	0.18 190	0.11 102	0.11 41	0.10 43	0.05 2	0.05 79	0.09 225	0.08 210	0.06 92	0.14 325

AnonymousM	0.10 45	0.06 17	0.10 38	0.14 11	0.07 14	0.09 36	0.13 45	0.19 110	0.14 54	0.13 101	0.12 60	0.09 37	0.08 48	0.13 128	0.10 43	0.08 189	0.05 79	0.08 158	0.05 31	0.05 36	0.05 42

RAFT	0.13 155	0.09 180	0.11 62	0.18 175	0.08 45	0.15 170	0.23 310	0.21 132	0.20 139	0.21 247	0.21 173	0.18 190	0.13 159	0.17 213	0.10 43	0.06 50	0.07 240	0.10 266	0.09 248	0.06 92	0.05 42

Prome-Stereo	0.11 69	0.07 51	0.11 62	0.18 175	0.09 121	0.12 102	0.14 75	0.23 165	0.13 40	0.13 101	0.16 101	0.13 111	0.08 48	0.12 91	0.10 43	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

iRaftStereo_RVC	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.11 77	0.17 189	0.18 86	0.12 25	0.09 14	0.11 50	0.10 56	0.07 28	0.11 41	0.10 43	0.05 2	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

XX-TBD	0.09 7	0.06 17	0.07 1	0.14 11	0.07 14	0.13 121	0.16 169	0.14 15	0.14 54	0.11 59	0.12 60	0.09 37	0.08 48	0.10 15	0.10 43	0.06 50	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

raftrobust	0.09 7	0.06 17	0.11 62	0.17 108	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 89	0.08 48	0.12 91	0.10 43	0.08 189	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

111	0.11 69	0.06 17	0.12 85	0.15 35	0.07 14	0.10 56	0.14 75	0.21 132	0.24 189	0.11 59	0.12 60	0.14 127	0.12 130	0.13 128	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.06 92	0.05 42

RAFT-Stereo + iAFF	0.09 7	0.06 17	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.17 62	0.15 66	0.10 33	0.10 36	0.08 23	0.09 65	0.12 91	0.10 43	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.03 1

AFF-stereo	0.09 7	0.07 51	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.18 86	0.10 6	0.10 33	0.11 50	0.09 37	0.10 78	0.12 91	0.10 43	0.05 2	0.04 2	0.07 98	0.07 158	0.04 1	0.04 4

CFNet-RSSM	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.09 36	0.15 120	0.17 62	0.18 107	0.08 4	0.12 60	0.11 70	0.09 65	0.12 91	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

CREStereo	0.09 7	0.05 5	0.08 6	0.11 1	0.06 2	0.14 150	0.14 75	0.14 15	0.10 6	0.09 14	0.13 71	0.09 37	0.08 48	0.12 91	0.10 43	0.08 189	0.04 2	0.05 2	0.03 1	0.06 92	0.06 95
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 71	0.10 56	0.07 28	0.14 145	0.10 43	0.15 344	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

CoDeX	0.12 131	0.07 51	0.13 108	0.17 108	0.08 45	0.12 102	0.16 169	0.23 165	0.27 227	0.13 101	0.17 117	0.15 148	0.12 130	0.14 145	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

MSKI-zero shot	0.09 7	0.05 5	0.09 24	0.16 60	0.07 14	0.10 56	0.13 45	0.15 21	0.14 54	0.09 14	0.09 23	0.09 37	0.06 6	0.12 91	0.11 69	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

LL-Strereo	0.13 155	0.10 234	0.12 85	0.20 261	0.10 214	0.11 77	0.18 227	0.33 291	0.25 205	0.16 170	0.16 101	0.14 127	0.14 188	0.19 241	0.11 69	0.06 50	0.05 79	0.09 225	0.08 210	0.04 1	0.05 42

anonymousdsp2	0.11 69	0.07 51	0.11 62	0.16 60	0.09 121	0.13 121	0.14 75	0.19 110	0.23 179	0.13 101	0.14 78	0.12 89	0.09 65	0.14 145	0.11 69	0.05 2	0.05 79	0.05 2	0.04 7	0.06 92	0.06 95

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 77	0.12 23	0.11 1	0.16 82	0.06 1	0.05 1	0.07 17	0.05 2	0.10 15	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 252	0.11 77	0.17 189	0.18 86	0.17 97	0.11 59	0.18 137	0.11 70	0.10 78	0.15 159	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

knoymous	0.11 69	0.06 17	0.12 85	0.14 11	0.07 14	0.15 170	0.13 45	0.20 121	0.14 54	0.11 59	0.17 117	0.13 111	0.09 65	0.14 145	0.11 69	0.09 231	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

Selective-RAFT	0.11 69	0.11 252	0.12 85	0.21 287	0.08 45	0.16 192	0.13 45	0.21 132	0.23 179	0.10 33	0.10 36	0.11 70	0.10 78	0.15 159	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

RCA-Stereo	0.09 7	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 86	0.14 54	0.10 33	0.11 50	0.08 23	0.07 28	0.12 91	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

DisPM	0.11 69	0.07 51	0.13 108	0.16 60	0.09 121	0.06 2	0.13 45	0.18 86	0.17 97	0.14 122	0.19 148	0.12 89	0.10 78	0.12 91	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.11 285

SA	0.13 155	0.09 180	0.09 24	0.18 175	0.08 45	0.12 102	0.24 318	0.23 165	0.19 121	0.17 180	0.27 245	0.15 148	0.11 102	0.11 41	0.11 69	0.05 2	0.05 79	0.09 225	0.08 210	0.05 36	0.05 42

test_4	0.11 69	0.10 234	0.08 6	0.19 220	0.09 121	0.08 22	0.21 289	0.15 21	0.18 107	0.12 77	0.18 137	0.12 89	0.09 65	0.08 5	0.11 69	0.04 1	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

test_3	0.11 69	0.09 180	0.10 38	0.21 287	0.08 45	0.13 121	0.25 333	0.14 15	0.21 152	0.10 33	0.10 36	0.09 37	0.10 78	0.08 5	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.04 1	0.04 4

PFNet+	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.05 1	0.12 23	0.18 86	0.21 152	0.16 170	0.19 148	0.14 127	0.10 78	0.11 41	0.11 69	0.08 189	0.05 79	0.09 225	0.08 210	0.06 92	0.11 285

LCNet	0.11 69	0.07 51	0.09 24	0.19 220	0.09 121	0.08 22	0.14 75	0.21 132	0.15 66	0.12 77	0.15 89	0.16 162	0.11 102	0.12 91	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.14 325

Patchmatch Stereo++	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
TransformOpticalFlow	0.10 45	0.08 133	0.13 108	0.18 175	0.07 14	0.09 36	0.15 120	0.19 110	0.16 82	0.12 77	0.16 101	0.11 70	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

NF-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.12 303

OCTAStereo	0.11 69	0.07 51	0.14 144	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

PSM-softLoss	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

KMStereo	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

PSM-adaLoss	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo_v2	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

KYRaft	0.12 131	0.07 51	0.10 38	0.19 220	0.09 121	0.08 22	0.15 120	0.23 165	0.12 25	0.13 101	0.16 101	0.20 209	0.10 78	0.12 91	0.11 69	0.06 50	0.04 2	0.08 158	0.08 210	0.06 92	0.15 340

HUI-Stereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ASMatch	0.11 69	0.06 17	0.13 108	0.17 108	0.10 214	0.08 22	0.14 75	0.18 86	0.16 82	0.12 77	0.16 101	0.16 162	0.11 102	0.13 128	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.09 242

SST-Stereo	0.11 69	0.07 51	0.16 205	0.18 175	0.09 121	0.06 2	0.12 23	0.18 86	0.10 6	0.15 143	0.18 137	0.13 111	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.07 147	0.06 95

RAFT_R40	0.11 69	0.07 51	0.15 170	0.18 175	0.09 121	0.06 2	0.13 45	0.17 62	0.15 66	0.14 122	0.18 137	0.15 148	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

PFNet	0.12 131	0.06 17	0.17 224	0.18 175	0.08 45	0.09 36	0.15 120	0.26 207	0.20 139	0.16 170	0.16 101	0.14 127	0.12 130	0.13 128	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

GrayStereo	0.11 69	0.06 17	0.11 62	0.19 220	0.09 121	0.09 36	0.16 169	0.18 86	0.17 97	0.14 122	0.17 117	0.17 178	0.11 102	0.12 91	0.11 69	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

RE-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

Pruner-Stereo	0.11 69	0.07 51	0.12 85	0.17 108	0.09 121	0.06 2	0.12 23	0.18 86	0.17 97	0.14 122	0.19 148	0.13 111	0.10 78	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.08 210

TVStereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

DeepStereo_RVC	0.11 69	0.08 133	0.17 224	0.18 175	0.08 45	0.08 22	0.11 10	0.17 62	0.12 25	0.13 101	0.15 89	0.12 89	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.08 210

iGMRVC	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

IRAFT_RVC	0.12 131	0.08 133	0.17 224	0.19 220	0.08 45	0.07 15	0.14 75	0.25 199	0.23 179	0.14 122	0.15 89	0.15 148	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.06 95

iRAFT	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

cross-raft	0.10 45	0.09 180	0.09 24	0.19 220	0.07 14	0.11 77	0.24 318	0.13 9	0.15 66	0.08 4	0.10 36	0.12 89	0.10 78	0.09 10	0.11 69	0.05 2	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

GMM-Stereo	0.11 69	0.07 51	0.10 38	0.18 175	0.09 121	0.08 22	0.14 75	0.24 182	0.16 82	0.11 59	0.15 89	0.13 111	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.09 242

RAFT-IKP	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 15	0.14 54	0.10 33	0.14 78	0.08 23	0.07 28	0.10 15	0.11 69	0.06 50	0.04 2	0.05 2	0.05 31	0.04 1	0.04 4
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
sAnonymous2	0.13 155	0.12 267	0.25 303	0.20 261	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

CroCo_RVC	0.13 155	0.12 267	0.25 303	0.20 261	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

RALCasStereoNet	0.11 69	0.07 51	0.09 24	0.16 60	0.08 45	0.13 121	0.14 75	0.17 62	0.11 15	0.12 77	0.17 117	0.14 127	0.10 78	0.12 91	0.11 69	0.07 140	0.06 186	0.06 30	0.05 31	0.08 194	0.07 147

sCroCo_RVC	0.12 131	0.09 180	0.24 299	0.24 328	0.11 252	0.19 243	0.14 75	0.17 62	0.15 66	0.10 33	0.13 71	0.12 89	0.07 28	0.14 145	0.11 69	0.08 189	0.08 266	0.08 158	0.08 210	0.05 36	0.07 147

EAI-Stereo	0.09 7	0.07 51	0.11 62	0.16 60	0.07 14	0.10 56	0.15 120	0.16 35	0.09 2	0.08 4	0.09 23	0.08 23	0.07 28	0.09 10	0.11 69	0.05 2	0.05 79	0.05 2	0.05 31	0.05 36	0.04 4

SFCPSM	0.13 155	0.07 51	0.15 170	0.17 108	0.09 121	0.15 170	0.16 169	0.28 240	0.27 227	0.14 122	0.18 137	0.12 89	0.13 159	0.14 145	0.11 69	0.08 189	0.05 79	0.07 98	0.07 158	0.07 147	0.06 95

R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42

RAFT-Stereo	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.11 69	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.18 86	0.19 121	0.10 33	0.09 23	0.09 37	0.08 48	0.11 41	0.12 119	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.06 95

qqq1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

fff1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

test croco	0.11 69	0.09 180	0.10 38	0.19 220	0.09 121	0.11 77	0.14 75	0.14 15	0.13 40	0.13 101	0.15 89	0.09 37	0.12 130	0.13 128	0.12 119	0.07 140	0.05 79	0.09 225	0.06 81	0.06 92	0.06 95

MIF-Stereo (partial)	0.11 69	0.06 17	0.10 38	0.19 220	0.10 214	0.10 56	0.12 23	0.17 62	0.19 121	0.14 122	0.16 101	0.10 56	0.11 102	0.12 91	0.12 119	0.08 189	0.05 79	0.08 158	0.07 158	0.06 92	0.07 147

EKT-Stereo	0.11 69	0.07 51	0.14 144	0.16 60	0.10 214	0.13 121	0.14 75	0.19 110	0.21 152	0.11 59	0.08 17	0.13 111	0.10 78	0.11 41	0.12 119	0.08 189	0.06 186	0.07 98	0.06 81	0.08 194	0.07 147

riskmin	0.11 69	0.06 17	0.13 108	0.14 11	0.08 45	0.14 150	0.14 75	0.18 86	0.15 66	0.12 77	0.15 89	0.17 178	0.11 102	0.14 145	0.12 119	0.09 231	0.05 79	0.07 98	0.05 31	0.08 194	0.08 210

ADStereo(finetuned)	0.10 45	0.06 17	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.12 130	0.12 91	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

raft_robust	0.13 155	0.10 234	0.07 1	0.18 175	0.08 45	0.13 121	0.24 318	0.29 254	0.34 278	0.20 238	0.20 157	0.15 148	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.07 158	0.05 36	0.04 4

RAFT+CT+SA	0.13 155	0.11 252	0.09 24	0.19 220	0.09 121	0.15 170	0.28 349	0.22 151	0.22 170	0.15 143	0.26 230	0.10 56	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.08 210	0.07 147	0.06 95

CIPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.16 82	0.14 122	0.11 50	0.16 162	0.10 78	0.17 213	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

GLC_STEREO	0.11 69	0.07 51	0.11 62	0.18 175	0.07 14	0.08 22	0.13 45	0.16 35	0.24 189	0.12 77	0.13 71	0.12 89	0.08 48	0.18 222	0.12 119	0.06 50	0.08 266	0.08 158	0.06 81	0.05 36	0.05 42

IPLGR_C	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.12 102	0.15 120	0.17 62	0.15 66	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

IPLGR	0.11 69	0.09 180	0.17 224	0.18 175	0.08 45	0.13 121	0.16 169	0.21 132	0.24 189	0.12 77	0.12 60	0.11 70	0.09 65	0.13 128	0.12 119	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.04 4

ACRE	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.14 54	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

CrosDoStereo	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

STrans-v2	0.10 45	0.07 51	0.13 108	0.18 175	0.08 45	0.10 56	0.14 75	0.22 151	0.11 15	0.11 59	0.15 89	0.12 89	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

DeepStereo_LL	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

DRaft	0.12 131	0.06 17	0.12 85	0.14 11	0.09 121	0.14 150	0.17 189	0.21 132	0.30 251	0.18 208	0.27 245	0.10 56	0.16 217	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.07 158	0.05 36	0.05 42

RAFT-RH_RVC	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.12 102	0.12 23	0.17 62	0.12 25	0.13 101	0.40 327	0.11 70	0.10 78	0.13 128	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

RAFT-345	0.11 69	0.07 51	0.16 205	0.17 108	0.08 45	0.08 22	0.12 23	0.16 35	0.10 6	0.11 59	0.34 299	0.09 37	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.06 81	0.04 1	0.05 42

CRE-IMP	0.11 69	0.09 180	0.16 205	0.19 220	0.09 121	0.10 56	0.12 23	0.18 86	0.10 6	0.14 122	0.14 78	0.14 127	0.13 159	0.12 91	0.12 119	0.07 140	0.04 2	0.08 158	0.06 81	0.08 194	0.08 210

Anonymous3	0.16 235	0.14 301	0.34 337	0.26 344	0.14 315	0.27 326	0.18 227	0.28 240	0.28 240	0.15 143	0.17 117	0.14 127	0.11 102	0.16 184	0.12 119	0.08 189	0.08 266	0.08 158	0.08 210	0.08 194	0.11 285

s12784h	0.10 45	0.06 17	0.08 6	0.15 35	0.05 1	0.16 192	0.18 227	0.16 35	0.15 66	0.10 33	0.11 50	0.11 70	0.11 102	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

RALAANet	0.11 69	0.08 133	0.10 38	0.17 108	0.09 121	0.14 150	0.10 5	0.20 121	0.16 82	0.14 122	0.13 71	0.16 162	0.09 65	0.12 91	0.12 119	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.04 4

DCANet	0.10 45	0.06 17	0.12 85	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.11 102	0.11 41	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

RAFT + AFF	0.13 155	0.08 133	0.21 280	0.20 261	0.10 214	0.14 150	0.23 310	0.27 219	0.21 152	0.12 77	0.10 36	0.12 89	0.10 78	0.16 184	0.12 119	0.08 189	0.07 240	0.09 225	0.09 248	0.06 92	0.09 242

MyStereo05	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.13 121	0.18 227	0.28 240	0.35 289	0.17 180	0.14 78	0.15 148	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo04	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.29 254	0.38 304	0.17 180	0.14 78	0.16 162	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

11t1	0.12 131	0.07 51	0.14 144	0.14 11	0.08 45	0.17 212	0.15 120	0.19 110	0.15 66	0.15 143	0.15 89	0.17 178	0.16 217	0.15 159	0.13 146	0.08 189	0.05 79	0.06 30	0.05 31	0.08 194	0.07 147

StereoIM	0.09 7	0.09 180	0.08 6	0.17 108	0.09 121	0.14 150	0.11 10	0.16 35	0.16 82	0.09 14	0.11 50	0.06 3	0.06 6	0.09 10	0.13 146	0.07 140	0.06 186	0.08 158	0.05 31	0.05 36	0.04 4

TestStereo1	0.13 155	0.08 133	0.08 6	0.20 261	0.08 45	0.18 228	0.29 359	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

DCANet-4	0.11 69	0.07 51	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.18 86	0.20 139	0.13 101	0.17 117	0.09 37	0.14 188	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

fff	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

test_5	0.14 180	0.12 267	0.08 6	0.20 261	0.10 214	0.14 150	0.28 349	0.21 132	0.24 189	0.19 218	0.28 254	0.11 70	0.15 206	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.08 210	0.08 194	0.07 147

hknet	0.15 212	0.11 252	0.14 144	0.22 303	0.11 252	0.15 170	0.15 120	0.34 305	0.26 217	0.17 180	0.23 183	0.22 231	0.18 248	0.17 213	0.13 146	0.07 140	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

SA-5K	0.13 155	0.08 133	0.08 6	0.20 261	0.08 45	0.18 228	0.29 359	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

DAS	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.16 184	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

SepStereo	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.26 312	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

MIPNet	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.12 102	0.14 75	0.21 132	0.25 205	0.12 77	0.10 36	0.09 37	0.07 28	0.13 128	0.13 146	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

OMP-Stereo	0.11 69	0.07 51	0.14 144	0.18 175	0.08 45	0.09 36	0.12 23	0.21 132	0.21 152	0.13 101	0.14 78	0.11 70	0.12 130	0.11 41	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.05 36	0.04 4

IIG-Stereo	0.11 69	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.12 23	0.22 151	0.18 107	0.14 122	0.17 117	0.12 89	0.13 159	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

rafts_anoy	0.11 69	0.06 17	0.10 38	0.17 108	0.08 45	0.10 56	0.14 75	0.18 86	0.14 54	0.13 101	0.13 71	0.12 89	0.11 102	0.11 41	0.13 146	0.07 140	0.05 79	0.09 225	0.11 302	0.07 147	0.06 95

raft+_RVC	0.11 69	0.07 51	0.09 24	0.16 60	0.07 14	0.10 56	0.11 10	0.24 182	0.20 139	0.12 77	0.15 89	0.12 89	0.08 48	0.12 91	0.13 146	0.07 140	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

Anonymous	0.14 180	0.10 234	0.24 299	0.23 320	0.13 300	0.18 228	0.23 310	0.20 121	0.19 121	0.14 122	0.12 60	0.11 70	0.13 159	0.17 213	0.13 146	0.08 189	0.07 240	0.08 158	0.08 210	0.12 300	0.10 264

HCRNet	0.16 235	0.23 356	0.12 85	0.35 374	0.11 252	0.15 170	0.17 189	0.26 207	0.22 170	0.19 218	0.24 192	0.21 215	0.14 188	0.15 159	0.13 146	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.07 147

csc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

cscssc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

ARAFT	0.12 131	0.08 133	0.18 250	0.19 220	0.09 121	0.15 170	0.17 189	0.20 121	0.13 40	0.12 77	0.13 71	0.14 127	0.12 130	0.15 159	0.13 146	0.06 50	0.05 79	0.10 266	0.09 248	0.06 92	0.04 4

GMStereo	0.13 155	0.15 307	0.14 144	0.18 175	0.09 121	0.16 192	0.16 169	0.20 121	0.25 205	0.17 180	0.17 117	0.11 70	0.11 102	0.16 184	0.13 146	0.07 140	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HSM-Net_RVC	0.14 180	0.08 133	0.12 85	0.15 35	0.08 45	0.16 192	0.15 120	0.27 219	0.29 246	0.20 238	0.21 173	0.29 289	0.14 188	0.18 222	0.13 146	0.06 50	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ttt	0.14 180	0.08 133	0.14 144	0.15 35	0.08 45	0.15 170	0.18 227	0.27 219	0.30 251	0.16 170	0.24 192	0.17 178	0.14 188	0.13 128	0.14 170	0.11 287	0.08 266	0.09 225	0.08 210	0.09 246	0.09 242

whm_eth	0.14 180	0.09 180	0.21 280	0.21 287	0.12 280	0.12 102	0.16 169	0.18 86	0.29 246	0.17 180	0.32 282	0.09 37	0.13 159	0.18 222	0.14 170	0.07 140	0.07 240	0.08 158	0.07 158	0.07 147	0.07 147

GMStereo_Zeroshot	0.16 235	0.13 286	0.25 303	0.20 261	0.10 214	0.17 212	0.13 45	0.30 264	0.25 205	0.23 269	0.32 282	0.25 260	0.11 102	0.19 241	0.14 170	0.09 231	0.06 186	0.11 292	0.06 81	0.12 300	0.08 210

PCWNet_CMD	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 294	0.14 122	0.20 157	0.21 215	0.13 159	0.17 213	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

CASS	0.14 180	0.12 267	0.12 85	0.23 320	0.09 121	0.15 170	0.17 189	0.19 110	0.20 139	0.17 180	0.18 137	0.15 148	0.15 206	0.15 159	0.14 170	0.09 231	0.06 186	0.10 266	0.08 210	0.09 246	0.07 147
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 155	0.07 51	0.14 144	0.18 175	0.09 121	0.13 121	0.17 189	0.20 121	0.29 246	0.15 143	0.24 192	0.16 162	0.14 188	0.14 145	0.14 170	0.07 140	0.05 79	0.07 98	0.09 248	0.05 36	0.07 147

BUS	0.15 212	0.09 180	0.14 144	0.22 303	0.10 214	0.20 260	0.14 75	0.34 305	0.20 139	0.17 180	0.23 183	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

IER	0.14 180	0.08 133	0.13 108	0.17 108	0.09 121	0.14 150	0.16 169	0.26 207	0.27 227	0.18 208	0.26 230	0.17 178	0.20 275	0.17 213	0.14 170	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

NINENet	0.16 235	0.10 234	0.16 205	0.17 108	0.11 252	0.20 260	0.14 75	0.41 352	0.37 298	0.18 208	0.21 173	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.10 266	0.07 158	0.10 271	0.09 242

BSDual-CNN	0.15 212	0.09 180	0.14 144	0.22 303	0.10 214	0.15 170	0.15 120	0.34 305	0.20 139	0.17 180	0.23 183	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

psmg	0.14 180	0.09 180	0.14 144	0.17 108	0.10 214	0.15 170	0.17 189	0.29 254	0.20 139	0.17 180	0.21 173	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.07 240	0.08 158	0.08 210	0.07 147	0.07 147

UDGNet	0.14 180	0.13 286	0.17 224	0.18 175	0.10 214	0.12 102	0.16 169	0.21 132	0.27 227	0.20 238	0.20 157	0.17 178	0.13 159	0.16 184	0.14 170	0.10 262	0.06 186	0.09 225	0.07 158	0.07 147	0.07 147

IPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.11 77	0.14 75	0.20 121	0.15 66	0.13 101	0.18 137	0.07 17	0.07 28	0.14 145	0.14 170	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

GANet-ADL	0.13 155	0.07 51	0.15 170	0.17 108	0.10 214	0.19 243	0.15 120	0.30 264	0.21 152	0.13 101	0.18 137	0.19 194	0.13 159	0.16 184	0.14 170	0.08 189	0.06 186	0.06 30	0.05 31	0.07 147	0.08 210

AAGNet	0.12 131	0.08 133	0.17 224	0.19 220	0.09 121	0.08 22	0.13 45	0.19 110	0.13 40	0.16 170	0.21 173	0.13 111	0.14 188	0.11 41	0.14 170	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

FTStereo	0.12 131	0.07 51	0.14 144	0.18 175	0.09 121	0.07 15	0.15 120	0.22 151	0.18 107	0.12 77	0.24 192	0.11 70	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.07 98	0.07 158	0.06 92	0.10 264

DEmStereo	0.12 131	0.06 17	0.14 144	0.14 11	0.10 214	0.16 192	0.15 120	0.16 35	0.24 189	0.17 180	0.23 183	0.12 89	0.14 188	0.12 91	0.14 170	0.05 2	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

THIR-Stereo	0.12 131	0.07 51	0.11 62	0.15 35	0.08 45	0.14 150	0.16 169	0.18 86	0.25 205	0.17 180	0.24 192	0.13 111	0.13 159	0.12 91	0.14 170	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

TestStereo	0.14 180	0.15 307	0.11 62	0.23 320	0.08 45	0.15 170	0.21 289	0.20 121	0.23 179	0.14 122	0.25 218	0.16 162	0.13 159	0.16 184	0.14 170	0.06 50	0.06 186	0.08 158	0.06 81	0.09 246	0.05 42

CFNet_pseudo	0.14 180	0.08 133	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.07 147

GES	0.14 180	0.08 133	0.16 205	0.15 35	0.10 214	0.13 121	0.13 45	0.28 240	0.26 217	0.17 180	0.24 192	0.19 194	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.07 98	0.06 81	0.08 194	0.09 242

PSMNet-RSSM	0.14 180	0.07 51	0.14 144	0.15 35	0.08 45	0.13 121	0.16 169	0.25 199	0.24 189	0.17 180	0.28 254	0.23 242	0.14 188	0.16 184	0.14 170	0.11 287	0.06 186	0.09 225	0.12 320	0.08 194	0.07 147

DIP-Stereo	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.13 121	0.09 3	0.16 35	0.16 82	0.12 77	0.16 101	0.14 127	0.12 130	0.16 184	0.14 170	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 147
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 294	0.14 122	0.20 157	0.21 215	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

ccs_rob	0.14 180	0.09 180	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.07 147

HITNet	0.11 69	0.06 17	0.12 85	0.14 11	0.06 2	0.12 102	0.10 5	0.18 86	0.18 107	0.13 101	0.17 117	0.15 148	0.11 102	0.15 159	0.14 170	0.06 50	0.04 2	0.04 1	0.04 7	0.06 92	0.05 42
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
iResNetv2_ROB	0.15 212	0.08 133	0.16 205	0.16 60	0.08 45	0.16 192	0.13 45	0.26 207	0.36 294	0.21 247	0.29 264	0.24 251	0.13 159	0.14 145	0.14 170	0.06 50	0.06 186	0.06 30	0.04 7	0.09 246	0.08 210

MLCV	0.13 155	0.08 133	0.17 224	0.18 175	0.06 2	0.16 192	0.17 189	0.19 110	0.22 170	0.19 218	0.25 218	0.17 178	0.13 159	0.15 159	0.14 170	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

iResNet_ROB	0.14 180	0.07 51	0.13 108	0.15 35	0.07 14	0.19 243	0.14 75	0.26 207	0.32 263	0.23 269	0.26 230	0.23 242	0.16 217	0.15 159	0.14 170	0.07 140	0.05 79	0.05 2	0.04 7	0.08 194	0.08 210

DN-CSS_ROB	0.13 155	0.13 286	0.17 224	0.18 175	0.10 214	0.16 192	0.08 2	0.22 151	0.19 121	0.17 180	0.23 183	0.13 111	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.10 266	0.10 279	0.08 194	0.06 95

CFNet_ucs	0.15 212	0.09 180	0.17 224	0.16 60	0.11 252	0.14 150	0.14 75	0.30 264	0.34 278	0.16 170	0.24 192	0.23 242	0.14 188	0.18 222	0.15 200	0.09 231	0.06 186	0.08 158	0.07 158	0.09 246	0.09 242

SDNR	0.20 282	0.09 180	0.19 271	0.16 60	0.12 280	0.79 395	0.13 45	0.26 207	0.33 268	0.19 218	0.25 218	0.19 194	0.12 130	0.19 241	0.15 200	0.16 356	0.18 362	0.14 333	0.11 302	0.08 194	0.12 303

gwcnet-sp	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

scenet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

ssnet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

GwcNet-ADL	0.13 155	0.08 133	0.14 144	0.20 261	0.09 121	0.12 102	0.20 276	0.30 264	0.25 205	0.14 122	0.14 78	0.18 190	0.14 188	0.13 128	0.15 200	0.07 140	0.05 79	0.06 30	0.05 31	0.07 147	0.06 95

ICVP	0.16 235	0.09 180	0.12 85	0.22 303	0.09 121	0.18 228	0.21 289	0.26 207	0.24 189	0.18 208	0.30 270	0.27 274	0.18 248	0.18 222	0.15 200	0.10 262	0.07 240	0.08 158	0.07 158	0.07 147	0.08 210
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
FENet	0.13 155	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 165	0.23 179	0.17 180	0.24 192	0.16 162	0.13 159	0.14 145	0.15 200	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.08 210

cf-r	0.14 180	0.07 51	0.13 108	0.16 60	0.08 45	0.14 150	0.19 262	0.21 132	0.25 205	0.17 180	0.26 230	0.22 231	0.17 238	0.14 145	0.15 200	0.10 262	0.05 79	0.06 30	0.08 210	0.06 92	0.06 95

CFNet-ft	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

BEATNet_4x	0.12 131	0.09 180	0.15 170	0.18 175	0.07 14	0.15 170	0.07 1	0.23 165	0.19 121	0.16 170	0.19 148	0.19 194	0.14 188	0.17 213	0.15 200	0.07 140	0.05 79	0.05 2	0.05 31	0.06 92	0.07 147

CFNet	0.15 212	0.11 252	0.17 224	0.17 108	0.08 45	0.19 243	0.10 5	0.29 254	0.26 217	0.19 218	0.24 192	0.24 251	0.18 248	0.18 222	0.15 200	0.08 189	0.06 186	0.09 225	0.10 279	0.08 194	0.07 147

CFNet_RVC	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

UCFNet_RVC	0.15 212	0.08 133	0.13 108	0.11 1	0.10 214	0.20 260	0.10 5	0.24 182	0.23 179	0.17 180	0.21 173	0.24 251	0.15 206	0.18 222	0.15 200	0.12 310	0.07 240	0.11 292	0.13 330	0.11 287	0.10 264

AdaStereo	0.15 212	0.11 252	0.16 205	0.19 220	0.09 121	0.21 270	0.11 10	0.33 291	0.28 240	0.21 247	0.23 183	0.21 215	0.13 159	0.19 241	0.15 200	0.13 324	0.05 79	0.10 266	0.07 158	0.09 246	0.07 147
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.
HSM	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.16 192	0.14 75	0.28 240	0.25 205	0.20 238	0.24 192	0.37 333	0.17 238	0.20 254	0.15 200	0.07 140	0.05 79	0.07 98	0.06 81	0.07 147	0.06 95

iResNet	0.13 155	0.10 234	0.18 250	0.19 220	0.08 45	0.14 150	0.18 227	0.21 132	0.27 227	0.16 170	0.24 192	0.15 148	0.13 159	0.14 145	0.15 200	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

1test111	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.15 159	0.16 217	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

qqq	0.13 155	0.09 180	0.15 170	0.16 60	0.08 45	0.13 121	0.15 120	0.24 182	0.16 82	0.15 143	0.19 148	0.16 162	0.16 217	0.15 159	0.16 217	0.07 140	0.06 186	0.08 158	0.08 210	0.07 147	0.07 147

iRaft-Stereo_5w	0.12 131	0.09 180	0.12 85	0.20 261	0.08 45	0.09 36	0.12 23	0.22 151	0.22 170	0.19 218	0.14 78	0.11 70	0.09 65	0.20 254	0.16 217	0.05 2	0.05 79	0.07 98	0.06 81	0.05 36	0.06 95

GEStereo_RVC	0.17 253	0.12 267	0.16 205	0.22 303	0.11 252	0.19 243	0.18 227	0.32 281	0.49 345	0.20 238	0.25 218	0.17 178	0.13 159	0.21 269	0.16 217	0.10 262	0.06 186	0.08 158	0.07 158	0.09 246	0.08 210

GANet-RSSM	0.14 180	0.07 51	0.13 108	0.13 6	0.08 45	0.14 150	0.18 227	0.23 165	0.21 152	0.17 180	0.25 218	0.24 251	0.16 217	0.16 184	0.16 217	0.10 262	0.06 186	0.07 98	0.08 210	0.08 194	0.07 147

GwcNet-RSSM	0.14 180	0.07 51	0.12 85	0.16 60	0.08 45	0.15 170	0.20 276	0.22 151	0.28 240	0.18 208	0.28 254	0.23 242	0.17 238	0.15 159	0.16 217	0.10 262	0.06 186	0.07 98	0.09 248	0.07 147	0.07 147

FADNet-RVC-Resample	0.17 253	0.12 267	0.32 333	0.22 303	0.12 280	0.19 243	0.14 75	0.25 199	0.24 189	0.24 280	0.27 245	0.20 209	0.15 206	0.17 213	0.16 217	0.07 140	0.08 266	0.12 309	0.10 279	0.09 246	0.11 285

FADNet	0.21 292	0.23 356	0.37 346	0.18 175	0.17 347	0.25 308	0.13 45	0.32 281	0.32 263	0.23 269	0.25 218	0.27 274	0.21 279	0.19 241	0.16 217	0.13 324	0.15 351	0.12 309	0.15 346	0.17 356	0.18 359

DeepPruner_ROB	0.16 235	0.11 252	0.16 205	0.17 108	0.10 214	0.17 212	0.15 120	0.32 281	0.21 152	0.19 218	0.21 173	0.22 231	0.19 262	0.21 269	0.16 217	0.13 324	0.09 287	0.09 225	0.10 279	0.11 287	0.11 285

CBMV_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.11 252	0.16 192	0.12 23	0.27 219	0.29 246	0.27 304	0.31 273	0.27 274	0.24 299	0.24 303	0.16 217	0.15 344	0.18 362	0.22 366	0.20 361	0.10 271	0.12 303

NOSS_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.12 280	0.16 192	0.12 23	0.30 264	0.33 268	0.20 238	0.22 182	0.27 274	0.24 299	0.21 269	0.16 217	0.16 356	0.18 362	0.23 367	0.21 363	0.13 315	0.13 312

SMFormer	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

tta	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.06 92	0.06 95

mmm	0.14 180	0.08 133	0.18 250	0.17 108	0.09 121	0.17 212	0.18 227	0.21 132	0.16 82	0.16 170	0.23 183	0.21 215	0.16 217	0.16 184	0.17 228	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.07 147

dd	0.15 212	0.17 324	0.17 224	0.19 220	0.09 121	0.15 170	0.18 227	0.22 151	0.26 217	0.23 269	0.20 157	0.21 215	0.10 78	0.21 269	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.08 194	0.07 147

dad	0.18 266	0.20 345	0.21 280	0.17 108	0.11 252	0.20 260	0.19 262	0.21 132	0.28 240	0.30 326	0.24 192	0.30 296	0.13 159	0.19 241	0.17 228	0.18 361	0.09 287	0.11 292	0.09 248	0.11 287	0.07 147

SACVNet	0.19 275	0.12 267	0.15 170	0.17 108	0.13 300	0.22 283	0.18 227	0.31 277	0.31 258	0.24 280	0.31 273	0.30 296	0.23 292	0.23 293	0.17 228	0.11 287	0.08 266	0.10 266	0.10 279	0.12 300	0.14 325

AACVNet	0.16 235	0.08 133	0.15 170	0.15 35	0.10 214	0.18 228	0.15 120	0.24 182	0.25 205	0.27 304	0.27 245	0.28 282	0.18 248	0.19 241	0.17 228	0.09 231	0.07 240	0.09 225	0.07 158	0.10 271	0.09 242

LMCR-Stereo	0.15 212	0.08 133	0.14 144	0.21 287	0.09 121	0.18 228	0.19 262	0.28 240	0.19 121	0.24 280	0.24 192	0.23 242	0.17 238	0.20 254	0.17 228	0.07 140	0.06 186	0.08 158	0.06 81	0.10 271	0.09 242

DMCA	0.14 180	0.09 180	0.17 224	0.19 220	0.09 121	0.15 170	0.17 189	0.23 165	0.28 240	0.14 122	0.20 157	0.17 178	0.18 248	0.15 159	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.09 246	0.10 264

FADNet_RVC	0.17 253	0.14 301	0.41 351	0.20 261	0.11 252	0.13 121	0.13 45	0.27 219	0.22 170	0.21 247	0.23 183	0.20 209	0.18 248	0.15 159	0.17 228	0.08 189	0.08 266	0.12 309	0.09 248	0.11 287	0.10 264

AANet_RVC	0.16 235	0.10 234	0.11 62	0.18 175	0.09 121	0.19 243	0.18 227	0.27 219	0.32 263	0.22 256	0.35 303	0.21 215	0.22 286	0.22 286	0.17 228	0.06 50	0.05 79	0.06 30	0.06 81	0.07 147	0.06 95

pmcnn	0.15 212	0.07 51	0.20 274	0.15 35	0.07 14	0.21 270	0.16 169	0.25 199	0.26 217	0.21 247	0.33 289	0.29 289	0.19 262	0.18 222	0.17 228	0.07 140	0.05 79	0.05 2	0.04 7	0.07 147	0.06 95

MyStereo8	0.12 131	0.07 51	0.15 170	0.15 35	0.09 121	0.18 228	0.14 75	0.19 110	0.22 170	0.12 77	0.18 137	0.11 70	0.10 78	0.16 184	0.18 240	0.07 140	0.05 79	0.07 98	0.05 31	0.08 194	0.09 242

GASNet	0.22 300	0.24 359	0.34 337	0.26 344	0.17 347	0.27 326	0.16 169	0.45 367	0.42 321	0.27 304	0.24 192	0.30 296	0.16 217	0.27 314	0.18 240	0.12 310	0.09 287	0.12 309	0.11 302	0.16 349	0.08 210

HBP-ISP	0.18 266	0.13 286	0.17 224	0.15 35	0.11 252	0.08 22	0.13 45	0.28 240	0.30 251	0.22 256	0.33 289	0.21 215	0.25 305	0.23 293	0.18 240	0.15 344	0.17 360	0.21 362	0.17 355	0.10 271	0.09 242

x	0.13 155	0.08 133	0.15 170	0.14 11	0.08 45	0.19 243	0.14 75	0.22 151	0.21 152	0.15 143	0.20 157	0.20 209	0.18 248	0.18 222	0.18 240	0.07 140	0.05 79	0.06 30	0.06 81	0.07 147	0.07 147

CRFU-Net	0.16 235	0.08 133	0.15 170	0.17 108	0.09 121	0.20 260	0.14 75	0.27 219	0.21 152	0.28 316	0.28 254	0.29 289	0.18 248	0.19 241	0.18 240	0.09 231	0.09 287	0.07 98	0.07 158	0.08 194	0.09 242

PSMNet-ADL	0.15 212	0.12 267	0.13 108	0.22 303	0.09 121	0.13 121	0.20 276	0.26 207	0.23 179	0.18 208	0.20 157	0.23 242	0.17 238	0.18 222	0.18 240	0.09 231	0.08 266	0.08 158	0.11 302	0.08 194	0.07 147

FINET	0.22 300	0.18 337	0.28 313	0.19 220	0.16 337	0.24 300	0.24 318	0.33 291	0.49 345	0.26 297	0.33 289	0.22 231	0.23 292	0.23 293	0.18 240	0.18 361	0.16 356	0.11 292	0.10 279	0.15 341	0.14 325

CVANet_RVC	0.18 266	0.11 252	0.14 144	0.21 287	0.11 252	0.19 243	0.18 227	0.34 305	0.34 278	0.22 256	0.31 273	0.28 282	0.18 248	0.24 303	0.18 240	0.12 310	0.08 266	0.12 309	0.12 320	0.09 246	0.08 210

NVstereo2D	0.19 275	0.11 252	0.16 205	0.17 108	0.16 337	0.28 334	0.23 310	0.44 365	0.42 321	0.15 143	0.28 254	0.25 260	0.19 262	0.23 293	0.18 240	0.09 231	0.06 186	0.10 266	0.08 210	0.15 341	0.10 264

SGM-Forest	0.20 282	0.14 301	0.18 250	0.20 261	0.13 300	0.21 270	0.22 299	0.33 291	0.31 258	0.24 280	0.29 264	0.28 282	0.20 275	0.23 293	0.18 240	0.15 344	0.16 356	0.15 340	0.14 336	0.13 315	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBFPSM	0.15 212	0.07 51	0.27 311	0.17 108	0.09 121	0.13 121	0.15 120	0.22 151	0.23 179	0.20 238	0.27 245	0.23 242	0.16 217	0.16 184	0.19 250	0.06 50	0.06 186	0.06 30	0.07 158	0.07 147	0.07 147

CSP-Net	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.19 243	0.18 227	0.25 199	0.33 268	0.26 297	0.31 273	0.25 260	0.16 217	0.21 269	0.19 250	0.09 231	0.06 186	0.07 98	0.07 158	0.08 194	0.08 210

UNet	0.17 253	0.09 180	0.18 250	0.19 220	0.12 280	0.28 334	0.19 262	0.33 291	0.30 251	0.21 247	0.25 218	0.23 242	0.19 262	0.20 254	0.19 250	0.07 140	0.06 186	0.08 158	0.07 158	0.08 194	0.07 147

acv_ft	0.15 212	0.09 180	0.16 205	0.19 220	0.10 214	0.16 192	0.17 189	0.25 199	0.34 278	0.19 218	0.26 230	0.21 215	0.17 238	0.18 222	0.19 250	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

FADNet-RVC	0.21 292	0.20 345	0.40 349	0.21 287	0.16 337	0.21 270	0.15 120	0.27 219	0.27 227	0.26 297	0.32 282	0.26 269	0.21 279	0.22 286	0.19 250	0.12 310	0.13 339	0.12 309	0.14 336	0.13 315	0.18 359

TDLM	0.18 266	0.12 267	0.14 144	0.24 328	0.10 214	0.18 228	0.18 227	0.37 332	0.30 251	0.22 256	0.28 254	0.28 282	0.18 248	0.23 293	0.19 250	0.11 287	0.07 240	0.10 266	0.10 279	0.08 194	0.08 210

MDST_ROB	0.22 300	0.10 234	0.18 250	0.18 175	0.11 252	0.40 366	0.19 262	0.44 365	0.42 321	0.40 355	0.40 327	0.29 289	0.21 279	0.27 314	0.19 250	0.11 287	0.10 308	0.14 333	0.11 302	0.10 271	0.08 210

CBMV	0.20 282	0.15 307	0.18 250	0.18 175	0.10 214	0.20 260	0.11 10	0.30 264	0.31 258	0.29 321	0.31 273	0.31 308	0.23 292	0.28 322	0.19 250	0.13 324	0.15 351	0.17 349	0.16 348	0.10 271	0.10 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev-Ref	0.18 266	0.09 180	0.30 326	0.15 35	0.11 252	0.23 294	0.20 276	0.27 219	0.40 312	0.26 297	0.43 346	0.25 260	0.15 206	0.21 269	0.20 258	0.07 140	0.05 79	0.06 30	0.05 31	0.10 271	0.09 242

pcwnet_v2	0.19 275	0.11 252	0.26 309	0.18 175	0.14 315	0.18 228	0.15 120	0.37 332	0.46 341	0.19 218	0.24 192	0.21 215	0.19 262	0.21 269	0.20 258	0.13 324	0.10 308	0.10 266	0.10 279	0.11 287	0.13 312

MMNet	0.17 253	0.10 234	0.17 224	0.20 261	0.11 252	0.27 326	0.20 276	0.26 207	0.42 321	0.22 256	0.30 270	0.22 231	0.20 275	0.18 222	0.20 258	0.06 50	0.06 186	0.07 98	0.07 158	0.08 194	0.07 147

FAT-Stereo	0.21 292	0.13 286	0.22 287	0.21 287	0.12 280	0.18 228	0.18 227	0.35 320	0.40 312	0.28 316	0.37 310	0.33 320	0.33 349	0.21 269	0.20 258	0.09 231	0.11 319	0.10 266	0.09 248	0.11 287	0.14 325

DSFCA	0.16 235	0.09 180	0.14 144	0.16 60	0.10 214	0.21 270	0.19 262	0.28 240	0.31 258	0.23 269	0.25 218	0.22 231	0.16 217	0.20 254	0.20 258	0.10 262	0.07 240	0.09 225	0.09 248	0.08 194	0.08 210

STTStereo	0.18 266	0.13 286	0.28 313	0.20 261	0.11 252	0.16 192	0.21 289	0.29 254	0.23 179	0.22 256	0.30 270	0.29 289	0.18 248	0.20 254	0.20 258	0.12 310	0.11 319	0.11 292	0.14 336	0.09 246	0.08 210

RASNet	0.15 212	0.07 51	0.15 170	0.16 60	0.08 45	0.19 243	0.14 75	0.30 264	0.21 152	0.17 180	0.25 218	0.21 215	0.19 262	0.20 254	0.20 258	0.07 140	0.06 186	0.06 30	0.08 210	0.06 92	0.06 95

NLCA_NET_v2_RVC	0.17 253	0.10 234	0.23 293	0.20 261	0.10 214	0.15 170	0.18 227	0.31 277	0.25 205	0.21 247	0.31 273	0.25 260	0.17 238	0.21 269	0.20 258	0.09 231	0.06 186	0.08 158	0.09 248	0.07 147	0.08 210
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	0.20 282	0.21 350	0.23 293	0.20 261	0.10 214	0.19 243	0.17 189	0.36 325	0.26 217	0.27 304	0.34 299	0.27 274	0.24 299	0.20 254	0.20 258	0.15 344	0.12 327	0.17 349	0.14 336	0.10 271	0.09 242

DLCB_ROB	0.18 266	0.10 234	0.16 205	0.23 320	0.11 252	0.24 300	0.18 227	0.30 264	0.28 240	0.27 304	0.29 264	0.28 282	0.25 305	0.20 254	0.20 258	0.08 189	0.08 266	0.09 225	0.09 248	0.07 147	0.07 147

PWCDC_ROB	0.21 292	0.13 286	0.23 293	0.25 334	0.12 280	0.20 260	0.15 120	0.34 305	0.55 360	0.29 321	0.49 356	0.21 215	0.15 206	0.28 322	0.20 258	0.11 287	0.09 287	0.10 266	0.08 210	0.11 287	0.09 242

ToySt	0.17 253	0.11 252	0.19 271	0.17 108	0.11 252	0.16 192	0.26 339	0.24 182	0.33 268	0.19 218	0.24 192	0.26 269	0.24 299	0.19 241	0.21 269	0.07 140	0.08 266	0.09 225	0.10 279	0.09 246	0.08 210

ssnet_v2	0.17 253	0.10 234	0.18 250	0.17 108	0.11 252	0.21 270	0.22 299	0.34 305	0.25 205	0.23 269	0.23 183	0.27 274	0.19 262	0.22 286	0.21 269	0.11 287	0.10 308	0.09 225	0.09 248	0.08 194	0.08 210

DDUNet	0.23 313	0.18 337	0.22 287	0.22 303	0.15 325	0.25 308	0.24 318	0.30 264	0.31 258	0.31 331	0.37 310	0.34 324	0.26 312	0.25 308	0.21 269	0.18 361	0.13 339	0.17 349	0.11 302	0.16 349	0.17 357

AASNet	0.16 235	0.08 133	0.13 108	0.19 220	0.09 121	0.19 243	0.15 120	0.38 339	0.37 298	0.20 238	0.24 192	0.20 209	0.17 238	0.17 213	0.21 269	0.10 262	0.08 266	0.08 158	0.07 158	0.09 246	0.09 242

ADLNet	0.16 235	0.08 133	0.15 170	0.16 60	0.10 214	0.16 192	0.17 189	0.33 291	0.27 227	0.23 269	0.27 245	0.24 251	0.16 217	0.18 222	0.21 269	0.10 262	0.06 186	0.10 266	0.10 279	0.08 194	0.09 242

delet	0.17 253	0.09 180	0.18 250	0.19 220	0.11 252	0.21 270	0.22 299	0.30 264	0.38 304	0.17 180	0.27 245	0.19 194	0.19 262	0.19 241	0.21 269	0.08 189	0.08 266	0.09 225	0.11 302	0.06 92	0.07 147

ACVNet	0.15 212	0.09 180	0.15 170	0.13 6	0.12 280	0.14 150	0.20 276	0.22 151	0.34 278	0.17 180	0.26 230	0.21 215	0.17 238	0.18 222	0.21 269	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

HGLStereo	0.17 253	0.09 180	0.19 271	0.17 108	0.12 280	0.18 228	0.18 227	0.31 277	0.33 268	0.22 256	0.33 289	0.24 251	0.18 248	0.20 254	0.21 269	0.10 262	0.09 287	0.07 98	0.07 158	0.09 246	0.10 264

hitnet-ft	0.18 266	0.10 234	0.17 224	0.14 11	0.09 121	0.27 326	0.20 276	0.25 199	0.26 217	0.24 280	0.32 282	0.32 314	0.23 292	0.24 303	0.21 269	0.12 310	0.07 240	0.10 266	0.08 210	0.12 300	0.11 285

DMCA-RVC	0.17 253	0.10 234	0.16 205	0.24 328	0.11 252	0.19 243	0.18 227	0.26 207	0.24 189	0.21 247	0.27 245	0.25 260	0.27 317	0.18 222	0.21 269	0.12 310	0.08 266	0.13 322	0.10 279	0.10 271	0.08 210

SuperB	0.20 282	0.10 234	0.57 369	0.16 60	0.09 121	0.19 243	0.18 227	0.25 199	0.51 350	0.27 304	0.39 324	0.17 178	0.22 286	0.22 286	0.21 269	0.08 189	0.06 186	0.06 30	0.06 81	0.12 300	0.11 285

StereoDRNet-Refined	0.17 253	0.12 267	0.16 205	0.20 261	0.10 214	0.18 228	0.18 227	0.27 219	0.24 189	0.26 297	0.41 337	0.23 242	0.18 248	0.21 269	0.21 269	0.09 231	0.05 79	0.09 225	0.10 279	0.07 147	0.07 147
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
StereoDRNet	0.19 275	0.11 252	0.18 250	0.22 303	0.11 252	0.22 283	0.22 299	0.37 332	0.34 278	0.24 280	0.28 254	0.30 296	0.19 262	0.20 254	0.21 269	0.10 262	0.08 266	0.11 292	0.09 248	0.09 246	0.07 147

DualNet	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

ff1	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

mmx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

xxx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

iinet-f	0.17 253	0.07 51	0.46 356	0.14 11	0.10 214	0.21 270	0.14 75	0.27 219	0.23 179	0.22 256	0.25 218	0.21 215	0.16 217	0.18 222	0.22 282	0.09 231	0.07 240	0.07 98	0.06 81	0.09 246	0.10 264

psm_up	0.19 275	0.10 234	0.18 250	0.21 287	0.11 252	0.17 212	0.19 262	0.38 339	0.34 278	0.22 256	0.28 254	0.29 289	0.25 305	0.20 254	0.22 282	0.09 231	0.10 308	0.11 292	0.11 302	0.08 194	0.08 210

UPFNet	0.16 235	0.08 133	0.12 85	0.20 261	0.12 280	0.20 260	0.23 310	0.28 240	0.26 217	0.18 208	0.24 192	0.22 231	0.20 275	0.19 241	0.22 282	0.09 231	0.07 240	0.08 158	0.09 248	0.08 194	0.06 95

ac_64	0.16 235	0.09 180	0.15 170	0.18 175	0.10 214	0.22 283	0.17 189	0.24 182	0.22 170	0.19 218	0.24 192	0.29 289	0.18 248	0.19 241	0.22 282	0.09 231	0.08 266	0.08 158	0.09 248	0.07 147	0.06 95

MaskLacGwcNet_RVC	0.22 300	0.21 350	0.25 303	0.26 344	0.11 252	0.24 300	0.14 75	0.39 344	0.24 189	0.32 338	0.36 307	0.30 296	0.21 279	0.19 241	0.22 282	0.17 360	0.14 347	0.21 362	0.16 348	0.13 315	0.12 303

NaN_ROB	0.23 313	0.20 345	0.25 303	0.25 334	0.13 300	0.31 341	0.27 343	0.34 305	0.41 319	0.31 331	0.31 273	0.32 314	0.23 292	0.31 336	0.22 282	0.11 287	0.17 360	0.10 266	0.11 302	0.08 194	0.09 242

SQANet	0.24 323	0.24 359	0.31 329	0.31 368	0.19 360	0.27 326	0.13 45	0.30 264	0.33 268	0.25 293	0.37 310	0.31 308	0.22 286	0.27 314	0.23 292	0.15 344	0.10 308	0.21 362	0.16 348	0.22 364	0.16 349

fast-acv-ft	0.18 266	0.11 252	0.20 274	0.19 220	0.12 280	0.26 318	0.21 289	0.26 207	0.35 289	0.22 256	0.34 299	0.27 274	0.21 279	0.21 269	0.23 292	0.09 231	0.09 287	0.08 158	0.10 279	0.08 194	0.07 147

UDG	0.21 292	0.17 324	0.20 274	0.23 320	0.15 325	0.31 341	0.20 276	0.33 291	0.35 289	0.24 280	0.28 254	0.31 308	0.29 329	0.21 269	0.23 292	0.15 344	0.12 327	0.13 322	0.09 248	0.14 330	0.15 340

ADLNet2	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.20 260	0.16 169	0.32 281	0.39 308	0.17 180	0.20 157	0.20 209	0.19 262	0.21 269	0.23 292	0.08 189	0.07 240	0.07 98	0.07 158	0.09 246	0.07 147

S-Stereo	0.21 292	0.12 267	0.25 303	0.21 287	0.13 300	0.21 270	0.19 262	0.33 291	0.45 333	0.23 269	0.36 307	0.28 282	0.29 329	0.20 254	0.23 292	0.09 231	0.12 327	0.10 266	0.10 279	0.13 315	0.14 325

RGC	0.25 330	0.20 345	0.29 321	0.28 357	0.16 337	0.22 283	0.23 310	0.33 291	0.44 330	0.27 304	0.40 327	0.38 339	0.28 326	0.37 359	0.23 292	0.11 287	0.13 339	0.17 349	0.17 355	0.15 341	0.16 349

stereogan	0.22 300	0.11 252	0.21 280	0.20 261	0.12 280	0.32 343	0.19 262	0.36 325	0.45 333	0.23 269	0.39 324	0.35 329	0.27 317	0.33 343	0.23 292	0.10 262	0.12 327	0.10 266	0.10 279	0.14 330	0.14 325

DeepPrunerF	0.24 323	0.17 324	0.45 355	0.26 344	0.16 337	0.23 294	0.29 359	0.37 332	0.51 350	0.27 304	0.31 273	0.24 251	0.28 326	0.22 286	0.23 292	0.15 344	0.11 319	0.20 361	0.18 359	0.12 300	0.14 325

GANet	0.22 300	0.13 286	0.21 280	0.25 334	0.14 315	0.23 294	0.22 299	0.42 356	0.27 227	0.31 331	0.43 346	0.37 333	0.29 329	0.23 293	0.23 292	0.10 262	0.12 327	0.10 266	0.09 248	0.10 271	0.08 210

DPSNet	0.28 347	0.16 315	0.33 334	0.18 175	0.13 300	0.55 377	0.42 385	0.52 377	0.68 378	0.29 321	0.38 317	0.39 344	0.30 340	0.32 340	0.23 292	0.11 287	0.10 308	0.11 292	0.08 210	0.20 363	0.16 349

PWC_ROB	0.21 292	0.16 315	0.27 311	0.18 175	0.11 252	0.22 283	0.13 45	0.33 291	0.49 345	0.30 326	0.40 327	0.32 314	0.25 305	0.31 336	0.23 292	0.10 262	0.07 240	0.11 292	0.08 210	0.11 287	0.10 264

1111x	0.16 235	0.09 180	0.13 108	0.18 175	0.08 45	0.18 228	0.25 333	0.32 281	0.25 205	0.17 180	0.24 192	0.27 274	0.15 206	0.14 145	0.24 303	0.07 140	0.07 240	0.08 158	0.09 248	0.07 147	0.07 147

ACVNet-4b	0.39 367	0.53 386	0.56 367	0.45 383	0.24 370	0.46 370	0.18 227	0.50 374	0.64 375	0.42 361	0.45 350	0.60 377	0.27 317	0.34 346	0.24 303	0.33 384	0.14 347	0.48 387	0.42 387	0.31 382	0.27 379

Anonymous_2	0.22 300	0.17 324	0.28 313	0.15 35	0.16 337	0.33 345	0.22 299	0.23 165	0.18 107	0.23 269	0.24 192	0.26 269	0.27 317	0.27 314	0.24 303	0.22 372	0.26 380	0.17 349	0.17 355	0.16 349	0.18 359

DGSMNet	0.25 330	0.19 340	0.34 337	0.21 287	0.24 370	0.24 300	0.21 289	0.36 325	0.42 321	0.25 293	0.32 282	0.38 339	0.21 279	0.29 329	0.24 303	0.13 324	0.11 319	0.14 333	0.16 348	0.23 366	0.23 372

aanetorigin	0.22 300	0.17 324	0.57 369	0.18 175	0.10 214	0.16 192	0.19 262	0.20 121	0.33 268	0.49 371	0.48 355	0.30 296	0.28 326	0.21 269	0.24 303	0.08 189	0.07 240	0.08 158	0.07 158	0.10 271	0.09 242

DANet	0.21 292	0.16 315	0.29 321	0.25 334	0.13 300	0.23 294	0.19 262	0.28 240	0.27 227	0.28 316	0.32 282	0.35 329	0.32 347	0.31 336	0.24 303	0.11 287	0.09 287	0.11 292	0.10 279	0.13 315	0.11 285
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FBW_ROB	0.25 330	0.17 324	0.23 293	0.27 351	0.14 315	0.26 318	0.22 299	0.42 356	0.43 328	0.42 361	0.41 337	0.43 356	0.27 317	0.32 340	0.24 303	0.09 231	0.15 351	0.15 340	0.12 320	0.12 300	0.10 264

APVNet	0.23 313	0.12 267	0.20 274	0.18 175	0.14 315	0.32 343	0.31 366	0.40 347	0.33 268	0.27 304	0.40 327	0.30 296	0.29 329	0.27 314	0.25 310	0.11 287	0.12 327	0.11 292	0.14 336	0.12 300	0.13 312

Syn2CoEx	0.22 300	0.16 315	0.29 321	0.29 364	0.15 325	0.26 318	0.21 289	0.34 305	0.32 263	0.29 321	0.36 307	0.28 282	0.25 305	0.20 254	0.25 310	0.16 356	0.12 327	0.14 333	0.11 302	0.09 246	0.08 210

GwcNet	0.20 282	0.14 301	0.20 274	0.18 175	0.12 280	0.25 308	0.20 276	0.36 325	0.45 333	0.20 238	0.33 289	0.33 320	0.21 279	0.22 286	0.25 310	0.11 287	0.09 287	0.09 225	0.09 248	0.09 246	0.10 264

RP	0.22 300	0.13 286	0.22 287	0.23 320	0.12 280	0.21 270	0.20 276	0.26 207	0.45 333	0.22 256	0.38 317	0.37 333	0.25 305	0.28 322	0.25 310	0.11 287	0.12 327	0.13 322	0.12 320	0.13 315	0.14 325

edge stereo	0.23 313	0.14 301	0.21 280	0.21 287	0.13 300	0.24 300	0.16 169	0.32 281	0.42 321	0.32 338	0.40 327	0.39 344	0.35 353	0.25 308	0.25 310	0.13 324	0.11 319	0.14 333	0.11 302	0.12 300	0.14 325

Nwc_Net	0.23 313	0.17 324	0.22 287	0.25 334	0.15 325	0.25 308	0.27 343	0.38 339	0.39 308	0.22 256	0.41 337	0.30 296	0.29 329	0.28 322	0.25 310	0.11 287	0.10 308	0.17 349	0.20 361	0.10 271	0.11 285

PA-Net	0.24 323	0.18 337	0.34 337	0.28 357	0.22 367	0.22 283	0.39 382	0.29 254	0.39 308	0.22 256	0.33 289	0.25 260	0.26 312	0.21 269	0.25 310	0.10 262	0.23 378	0.15 340	0.22 366	0.09 246	0.13 312
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DRN-Test	0.20 282	0.11 252	0.21 280	0.22 303	0.10 214	0.22 283	0.22 299	0.40 347	0.38 304	0.24 280	0.33 289	0.26 269	0.22 286	0.22 286	0.25 310	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.08 210

NCCL2	0.24 323	0.15 307	0.18 250	0.34 372	0.18 356	0.24 300	0.24 318	0.34 305	0.29 246	0.31 331	0.38 317	0.38 339	0.29 329	0.23 293	0.25 310	0.15 344	0.12 327	0.18 357	0.21 363	0.13 315	0.13 312

SANet	0.25 330	0.14 301	0.29 321	0.21 287	0.11 252	0.29 336	0.25 333	0.40 347	0.65 377	0.36 345	0.40 327	0.42 354	0.27 317	0.27 314	0.25 310	0.12 310	0.09 287	0.10 266	0.09 248	0.13 315	0.12 303

DispFullNet	0.27 345	0.22 354	0.66 377	0.28 357	0.17 347	0.27 326	0.17 189	0.34 305	0.57 363	0.27 304	0.37 310	0.43 356	0.24 299	0.39 364	0.25 310	0.12 310	0.06 186	0.19 359	0.11 302	0.23 366	0.16 349

AF-Net	0.23 313	0.17 324	0.17 224	0.27 351	0.13 300	0.26 318	0.24 318	0.33 291	0.51 350	0.25 293	0.33 289	0.39 344	0.27 317	0.28 322	0.26 321	0.11 287	0.10 308	0.16 347	0.12 320	0.11 287	0.11 285

ADCRef	0.20 282	0.12 267	0.43 354	0.20 261	0.12 280	0.23 294	0.18 227	0.32 281	0.37 298	0.26 297	0.33 289	0.18 190	0.23 292	0.25 308	0.26 321	0.07 140	0.06 186	0.09 225	0.09 248	0.08 194	0.09 242

LSM	0.34 365	0.21 350	0.62 374	0.27 351	0.62 399	0.35 353	0.26 339	0.43 361	0.49 345	0.45 368	0.60 374	0.42 354	0.37 357	0.35 351	0.26 321	0.13 324	0.21 375	0.14 333	0.16 348	0.18 358	0.34 386

WCMA_ROB	0.24 323	0.11 252	0.24 299	0.17 108	0.14 315	0.34 349	0.16 169	0.33 291	0.33 268	0.39 352	0.54 363	0.40 350	0.35 353	0.35 351	0.26 321	0.12 310	0.12 327	0.12 309	0.11 302	0.14 330	0.14 325

SGM_RVC	0.24 323	0.12 267	0.16 205	0.15 35	0.09 121	0.34 349	0.19 262	0.35 320	0.32 263	0.44 366	0.38 317	0.53 373	0.36 356	0.36 355	0.26 321	0.13 324	0.13 339	0.13 322	0.13 330	0.11 287	0.11 285
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Wz-Net-LNSev	0.22 300	0.16 315	0.41 351	0.22 303	0.13 300	0.25 308	0.24 318	0.33 291	0.44 330	0.30 326	0.42 343	0.32 314	0.19 262	0.23 293	0.27 326	0.10 262	0.09 287	0.08 158	0.08 210	0.12 300	0.11 285

Wz-Net-MNSev	0.23 313	0.13 286	0.33 334	0.20 261	0.15 325	0.36 357	0.25 333	0.34 305	0.45 333	0.29 321	0.41 337	0.39 344	0.19 262	0.25 308	0.27 326	0.09 231	0.07 240	0.09 225	0.09 248	0.12 300	0.10 264

G-Net	0.25 330	0.17 324	0.38 347	0.23 320	0.16 337	0.51 374	0.23 310	0.29 254	0.35 289	0.36 345	0.38 317	0.31 308	0.29 329	0.28 322	0.27 326	0.11 287	0.09 287	0.12 309	0.10 279	0.16 349	0.14 325

CC-Net-ROB	0.28 347	0.31 375	0.36 345	0.30 366	0.15 325	0.25 308	0.19 262	0.45 367	0.34 278	0.39 352	0.37 310	0.39 344	0.31 345	0.27 314	0.27 326	0.24 379	0.18 362	0.30 380	0.23 370	0.19 361	0.15 340

ETE_ROB	0.23 313	0.17 324	0.23 293	0.25 334	0.14 315	0.26 318	0.29 359	0.32 281	0.37 298	0.28 316	0.37 310	0.45 360	0.27 317	0.28 322	0.27 326	0.11 287	0.09 287	0.12 309	0.10 279	0.14 330	0.13 312

PSMNet_ROB	0.22 300	0.12 267	0.15 170	0.27 351	0.15 325	0.25 308	0.36 377	0.43 361	0.37 298	0.27 304	0.33 289	0.32 314	0.23 292	0.21 269	0.27 326	0.12 310	0.08 266	0.13 322	0.11 302	0.10 271	0.09 242

MeshStereo	0.27 345	0.13 286	0.18 250	0.15 35	0.11 252	0.33 345	0.24 318	0.41 352	0.36 294	0.53 374	0.58 371	0.67 383	0.41 365	0.36 355	0.27 326	0.14 342	0.13 339	0.13 322	0.11 302	0.11 287	0.11 285
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
test_xeample	0.15 212	0.07 51	0.14 144	0.15 35	0.08 45	0.22 283	0.20 276	0.29 254	0.21 152	0.16 170	0.29 264	0.19 194	0.17 238	0.16 184	0.28 333	0.09 231	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

psmorigin	0.25 330	0.16 315	0.35 343	0.17 108	0.13 300	0.24 300	0.14 75	0.34 305	0.34 278	0.41 359	0.55 364	0.41 352	0.38 359	0.35 351	0.28 333	0.11 287	0.15 351	0.11 292	0.11 302	0.12 300	0.17 357

NCC-stereo	0.25 330	0.15 307	0.31 329	0.26 344	0.17 347	0.21 270	0.31 366	0.41 352	0.40 312	0.24 280	0.38 317	0.33 320	0.29 329	0.37 359	0.28 333	0.13 324	0.11 319	0.15 340	0.22 366	0.13 315	0.13 312

Abc-Net	0.25 330	0.15 307	0.31 329	0.26 344	0.17 347	0.21 270	0.31 366	0.41 352	0.40 312	0.24 280	0.38 317	0.33 320	0.29 329	0.37 359	0.28 333	0.13 324	0.11 319	0.15 340	0.22 366	0.13 315	0.13 312
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCP+	0.20 282	0.10 234	0.35 343	0.21 287	0.12 280	0.22 283	0.27 343	0.31 277	0.35 289	0.26 297	0.37 310	0.22 231	0.22 286	0.27 314	0.28 333	0.09 231	0.06 186	0.08 158	0.08 210	0.10 271	0.10 264

LALA_ROB	0.25 330	0.16 315	0.23 293	0.27 351	0.17 347	0.27 326	0.27 343	0.42 356	0.38 304	0.33 342	0.39 324	0.51 370	0.26 312	0.29 329	0.28 333	0.16 356	0.09 287	0.13 322	0.12 320	0.13 315	0.13 312

MSMD_ROB	0.31 358	0.26 365	0.26 309	0.24 328	0.21 365	0.34 349	0.25 333	0.34 305	0.39 308	0.40 355	0.69 379	0.45 360	0.41 365	0.34 346	0.28 333	0.20 368	0.20 368	0.26 369	0.25 372	0.23 366	0.22 371

xxxx	0.15 212	0.07 51	0.14 144	0.14 11	0.08 45	0.24 300	0.18 227	0.32 281	0.20 139	0.14 122	0.28 254	0.22 231	0.14 188	0.15 159	0.29 340	0.09 231	0.05 79	0.07 98	0.07 158	0.08 194	0.08 210

MFN_U_SF_DS_RVC	0.30 353	0.24 359	0.30 326	0.36 376	0.16 337	0.36 357	0.31 366	0.34 305	0.43 328	0.41 359	0.46 352	0.38 339	0.30 340	0.35 351	0.29 340	0.19 364	0.20 368	0.26 369	0.29 378	0.18 358	0.19 364

Anonymous Stereo	0.24 323	0.19 340	0.52 363	0.25 334	0.18 356	0.21 270	0.22 299	0.34 305	0.45 333	0.25 293	0.35 303	0.26 269	0.19 262	0.31 336	0.29 340	0.13 324	0.12 327	0.12 309	0.13 330	0.12 300	0.14 325

SGM-ForestM	0.33 360	0.12 267	0.17 224	0.16 60	0.11 252	0.42 368	0.20 276	0.43 361	0.53 359	0.53 374	0.57 369	1.41 405	0.44 373	0.42 373	0.29 340	0.14 342	0.16 356	0.16 347	0.16 348	0.12 300	0.13 312

DISCO	0.20 282	0.09 180	0.22 287	0.17 108	0.10 214	0.25 308	0.18 227	0.28 240	0.45 333	0.23 269	0.32 282	0.34 324	0.26 312	0.29 329	0.29 340	0.08 189	0.06 186	0.07 98	0.07 158	0.09 246	0.10 264

XPNet_ROB	0.22 300	0.12 267	0.20 274	0.22 303	0.13 300	0.22 283	0.19 262	0.35 320	0.40 312	0.30 326	0.40 327	0.38 339	0.27 317	0.26 312	0.29 340	0.15 344	0.10 308	0.10 266	0.10 279	0.13 315	0.12 303

FCDSN-DC	0.33 360	0.28 367	0.28 313	0.30 366	0.24 370	0.39 365	0.28 349	0.43 361	0.42 321	0.44 366	0.53 362	0.51 370	0.42 368	0.37 359	0.30 346	0.21 370	0.20 368	0.27 372	0.26 373	0.25 374	0.25 374
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SHD	0.26 340	0.15 307	0.31 329	0.24 328	0.18 356	0.23 294	0.15 120	0.39 344	0.72 383	0.32 338	0.42 343	0.36 331	0.29 329	0.33 343	0.30 346	0.13 324	0.11 319	0.14 333	0.13 330	0.16 349	0.20 367

ADCL	0.25 330	0.12 267	0.49 361	0.22 303	0.12 280	0.36 357	0.29 359	0.30 264	0.57 363	0.24 280	0.47 354	0.30 296	0.31 345	0.30 335	0.30 346	0.09 231	0.07 240	0.09 225	0.09 248	0.10 271	0.10 264

LE_ROB	0.50 381	0.07 51	0.14 144	0.15 35	0.08 45	0.26 318	0.17 189	0.23 165	1.71 411	4.68 415	0.67 376	0.46 364	0.47 374	0.21 269	0.30 346	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

Wz-Net-TNSev	0.29 350	0.20 345	0.69 385	0.19 220	0.15 325	0.38 363	0.27 343	0.36 325	0.56 362	0.35 343	0.42 343	0.45 360	0.39 360	0.33 343	0.31 350	0.13 324	0.13 339	0.10 266	0.12 320	0.15 341	0.15 340

RTSC	0.23 313	0.13 286	0.30 326	0.21 287	0.13 300	0.29 336	0.17 189	0.36 325	0.68 378	0.27 304	0.34 299	0.30 296	0.22 286	0.32 340	0.31 350	0.10 262	0.08 266	0.09 225	0.10 279	0.13 315	0.14 325

RYNet	0.23 313	0.12 267	0.22 287	0.19 220	0.17 347	0.47 371	0.26 339	0.39 344	0.49 345	0.24 280	0.29 264	0.34 324	0.24 299	0.20 254	0.31 350	0.10 262	0.06 186	0.09 225	0.09 248	0.14 330	0.15 340

FC-DCNN	0.33 360	0.28 367	0.28 313	0.26 344	0.23 368	0.38 363	0.29 359	0.40 347	0.44 330	0.46 369	0.56 365	0.51 370	0.41 365	0.38 363	0.31 350	0.21 370	0.20 368	0.27 372	0.26 373	0.25 374	0.24 373

CSAN	0.30 353	0.24 359	0.28 313	0.34 372	0.19 360	0.34 349	0.42 385	0.38 339	0.51 350	0.38 351	0.40 327	0.44 359	0.34 350	0.29 329	0.31 350	0.19 364	0.16 356	0.19 359	0.19 360	0.14 330	0.15 340

Ntro	0.41 370	0.40 382	0.54 366	0.46 386	0.30 381	0.64 383	0.24 318	0.47 371	0.68 378	0.42 361	0.49 356	0.47 367	0.42 368	0.40 367	0.32 355	0.32 383	0.28 382	0.37 383	0.31 381	0.33 384	0.29 380

Wz-Net-SNSev	0.26 340	0.17 324	0.46 356	0.25 334	0.14 315	0.26 318	0.24 318	0.38 339	0.57 363	0.30 326	0.56 365	0.39 344	0.26 312	0.24 303	0.32 355	0.10 262	0.09 287	0.10 266	0.11 302	0.11 287	0.11 285

EDNetEfficient	0.30 353	0.24 359	1.18 401	0.18 175	0.10 214	0.20 260	0.20 276	0.21 132	0.61 370	0.74 388	0.56 365	0.30 296	0.40 364	0.23 293	0.32 355	0.09 231	0.07 240	0.08 158	0.07 158	0.11 287	0.10 264

otaku	0.39 367	0.38 380	0.53 364	0.44 382	0.28 377	0.57 379	0.24 318	0.42 356	0.62 373	0.40 355	0.50 358	0.46 364	0.34 350	0.40 367	0.33 358	0.30 382	0.30 384	0.39 384	0.33 383	0.30 379	0.29 380

GANetREF_RVC	0.31 358	0.34 377	0.29 321	0.35 374	0.16 337	0.33 345	0.42 385	0.48 372	0.52 356	0.35 343	0.35 303	0.34 324	0.32 347	0.40 367	0.33 358	0.27 381	0.20 368	0.29 378	0.15 346	0.19 361	0.18 359
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
ADCPNet	0.26 340	0.17 324	0.62 374	0.21 287	0.15 325	0.36 357	0.25 333	0.33 291	0.37 298	0.31 331	0.41 337	0.36 331	0.29 329	0.29 329	0.34 360	0.12 310	0.10 308	0.11 292	0.12 320	0.14 330	0.13 312

PDISCO_ROB	0.28 347	0.16 315	0.28 313	0.28 357	0.20 363	0.33 345	0.27 343	0.45 367	0.58 366	0.28 316	0.41 337	0.45 360	0.30 340	0.34 346	0.35 361	0.12 310	0.09 287	0.17 349	0.16 348	0.17 356	0.13 312

ACVNet_1	0.45 376	0.51 385	0.61 373	0.45 383	0.28 377	0.50 372	0.28 349	0.58 387	0.71 382	0.63 379	0.59 373	0.74 388	0.50 377	0.50 377	0.36 362	0.26 380	0.25 379	0.39 384	0.29 378	0.32 383	0.25 374

ADCMid	0.26 340	0.15 307	0.42 353	0.20 261	0.14 315	0.25 308	0.26 339	0.35 320	0.40 312	0.37 349	0.45 350	0.34 324	0.42 368	0.36 355	0.36 362	0.10 262	0.09 287	0.11 292	0.11 302	0.13 315	0.13 312

AnyNet_C32	0.26 340	0.16 315	0.39 348	0.20 261	0.17 347	0.26 318	0.31 366	0.32 281	0.45 333	0.31 331	0.50 358	0.30 296	0.34 350	0.41 372	0.36 362	0.12 310	0.12 327	0.12 309	0.14 336	0.14 330	0.15 340

PASM	0.33 360	0.25 364	0.51 362	0.28 357	0.27 376	0.30 339	0.31 366	0.35 320	0.51 350	0.36 345	0.40 327	0.47 367	0.35 353	0.34 346	0.36 362	0.23 377	0.26 380	0.26 369	0.28 377	0.23 366	0.21 368

WZ-Net	0.29 350	0.17 324	0.82 393	0.23 320	0.16 337	0.35 353	0.29 359	0.40 347	0.59 368	0.24 280	0.57 369	0.37 333	0.25 305	0.34 346	0.37 366	0.09 231	0.08 266	0.09 225	0.10 279	0.14 330	0.16 349

RTS	0.46 377	0.19 340	3.33 410	0.25 334	0.15 325	0.72 390	0.21 289	0.37 332	0.78 389	0.42 361	0.44 348	0.31 308	0.43 371	0.55 383	0.37 366	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 340

RTSA	0.46 377	0.19 340	3.33 410	0.25 334	0.15 325	0.72 390	0.21 289	0.37 332	0.78 389	0.42 361	0.44 348	0.31 308	0.43 371	0.55 383	0.37 366	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 340

MFN_U_SF_RVC	0.33 360	0.22 354	0.58 372	0.31 368	0.15 325	0.36 357	0.17 189	0.54 380	0.46 341	0.47 370	0.56 365	0.58 376	0.39 360	0.36 355	0.38 369	0.15 344	0.15 351	0.18 357	0.21 363	0.16 349	0.16 349

XQC	0.29 350	0.23 356	0.53 364	0.29 364	0.19 360	0.36 357	0.28 349	0.37 332	0.58 366	0.31 331	0.31 273	0.37 333	0.30 340	0.39 364	0.39 370	0.13 324	0.09 287	0.15 340	0.12 320	0.18 358	0.18 359

MANE	0.47 379	0.28 367	0.28 313	0.27 351	0.24 370	0.50 372	0.32 374	0.57 382	0.62 373	0.74 388	1.20 407	1.21 398	0.64 388	0.54 382	0.39 370	0.22 372	0.20 368	0.27 372	0.31 381	0.26 376	0.25 374

PVD	0.40 369	0.21 350	0.40 349	0.32 371	0.23 368	0.30 339	0.45 389	0.53 379	0.97 396	0.55 376	0.80 389	0.54 374	0.60 386	0.53 381	0.40 372	0.19 364	0.14 347	0.17 349	0.14 336	0.24 372	0.32 384

EDNetEfficientorigin	7.92 417	0.32 376	152.98 436	0.20 261	0.10 214	0.22 283	0.17 189	0.23 165	0.60 369	0.73 386	0.67 376	0.41 352	0.51 379	0.24 303	0.41 373	0.08 189	0.07 240	0.09 225	0.07 158	0.12 300	0.11 285

SAMSARA	0.41 370	0.28 367	0.34 337	0.55 389	0.39 383	0.85 398	1.25 413	0.49 373	0.52 356	0.36 345	0.35 303	0.56 375	0.39 360	0.39 364	0.41 373	0.15 344	0.20 368	0.15 340	0.14 336	0.23 366	0.21 368

ELAS_RVC	0.42 372	0.29 373	0.33 334	0.28 357	0.24 370	0.56 378	0.38 380	0.50 374	0.61 370	0.74 388	0.76 386	0.67 383	0.56 382	0.55 383	0.42 375	0.22 372	0.21 375	0.27 372	0.26 373	0.27 378	0.26 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
coex-ft	3.24 412	0.35 378	57.83 435	0.18 175	0.13 300	0.27 326	0.23 310	0.28 240	0.72 383	1.89 413	0.70 380	0.43 356	0.47 374	0.29 329	0.43 376	0.09 231	0.09 287	0.12 309	0.09 248	0.14 330	0.14 325

ccnet	0.30 353	0.28 367	0.24 299	0.20 261	0.28 377	0.41 367	0.22 299	0.46 370	0.33 268	0.37 349	0.46 352	0.37 333	0.30 340	0.40 367	0.43 376	0.23 377	0.14 347	0.21 362	0.17 355	0.23 366	0.19 364

ADCS	0.30 353	0.19 340	0.48 360	0.21 287	0.18 356	0.29 336	0.24 318	0.42 356	0.64 375	0.40 355	0.50 358	0.40 350	0.37 357	0.40 367	0.43 376	0.13 324	0.13 339	0.13 322	0.14 336	0.16 349	0.16 349

RainbowNet	0.54 383	0.61 390	0.71 390	0.57 390	0.43 386	0.66 385	0.37 378	0.60 388	0.87 393	0.51 372	0.67 376	0.63 379	0.47 374	0.50 377	0.44 379	0.47 392	0.48 394	0.53 391	0.41 386	0.53 390	0.41 391

222	0.16 235	0.07 51	0.15 170	0.14 11	0.08 45	0.25 308	0.18 227	0.30 264	0.21 152	0.18 208	0.29 264	0.17 178	0.16 217	0.16 184	0.44 379	0.10 262	0.05 79	0.07 98	0.06 81	0.08 194	0.08 210

BEATNet-Init1	0.54 383	0.28 367	0.68 384	0.31 368	0.21 365	0.85 398	0.31 366	0.57 382	0.69 381	0.89 395	1.00 397	2.17 412	0.66 389	0.58 387	0.44 379	0.19 364	0.18 362	0.23 367	0.22 366	0.22 364	0.21 368

ELAS	0.42 372	0.29 373	0.34 337	0.28 357	0.24 370	0.63 382	0.37 378	0.52 377	0.52 356	0.72 385	0.82 390	0.68 385	0.56 382	0.52 379	0.45 382	0.22 372	0.21 375	0.27 372	0.26 373	0.26 376	0.26 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.44 374	0.39 381	0.56 367	0.40 378	0.20 363	0.66 385	0.33 375	0.54 380	0.72 383	0.71 384	0.72 382	0.62 378	0.55 380	0.52 379	0.47 383	0.20 368	0.19 367	0.29 378	0.30 380	0.24 372	0.19 364

ACVNet_2	0.67 390	0.68 395	0.70 388	0.64 391	0.41 384	0.75 393	0.50 390	0.98 402	1.38 406	0.90 396	1.09 401	1.04 393	0.74 393	0.55 383	0.48 384	0.43 388	0.40 388	0.53 391	0.45 388	0.48 387	0.36 388

Consistency-Raft	0.44 374	0.40 382	0.46 356	0.37 377	0.43 386	0.42 368	0.41 383	0.57 382	0.55 360	0.32 338	0.73 383	0.32 314	0.50 377	0.42 373	0.49 385	0.39 386	0.36 386	0.45 386	0.52 396	0.42 386	0.30 382

IMH-64-1	0.66 388	0.62 391	0.69 385	0.72 393	0.51 389	0.60 380	0.51 391	0.92 396	0.84 391	0.75 391	1.02 398	0.81 389	0.78 395	0.80 394	0.50 386	0.43 388	0.46 389	0.72 395	0.48 389	0.55 391	0.40 389

IMH-64	0.66 388	0.62 391	0.69 385	0.72 393	0.51 389	0.60 380	0.51 391	0.92 396	0.84 391	0.75 391	1.02 398	0.81 389	0.78 395	0.80 394	0.50 386	0.43 388	0.46 389	0.72 395	0.48 389	0.55 391	0.40 389

anonymity	0.53 382	0.58 387	0.66 377	0.41 379	0.61 398	0.54 376	0.41 383	0.57 382	0.41 319	0.56 377	0.50 358	0.50 369	0.55 380	0.59 388	0.50 386	0.58 397	0.50 398	0.51 389	0.51 394	0.52 388	0.58 395

AnyNet_C01	0.37 366	0.26 365	1.41 404	0.22 303	0.17 347	0.51 374	0.28 349	0.36 325	0.40 312	0.39 352	0.75 385	0.46 364	0.39 360	0.46 375	0.50 386	0.13 324	0.13 339	0.13 322	0.14 336	0.14 330	0.16 349

IMH	0.72 391	0.65 393	0.70 388	0.77 395	0.54 391	0.71 389	0.56 394	0.99 404	1.08 397	0.82 394	1.09 401	0.89 391	0.88 399	0.88 402	0.53 390	0.44 391	0.50 398	0.75 398	0.51 394	0.58 394	0.42 392

SGM+DAISY	0.57 385	0.58 387	0.67 381	0.41 379	0.55 392	0.68 387	0.51 391	0.57 382	0.46 341	0.67 380	0.70 380	0.69 386	0.57 384	0.64 390	0.58 391	0.59 398	0.49 395	0.50 388	0.50 393	0.52 388	0.59 398

MFMNet_re	0.65 387	0.66 394	0.66 377	0.51 387	0.69 403	0.70 388	0.58 395	0.65 390	0.75 387	0.61 378	0.73 383	0.63 379	0.68 390	0.65 391	0.60 392	0.66 401	0.58 407	0.63 393	0.59 397	0.68 398	0.69 405

ktn	1.02 406	1.23 411	0.82 393	1.24 411	0.86 409	1.00 406	0.86 407	0.96 400	1.37 405	1.05 402	1.12 404	1.16 397	1.06 406	0.95 405	0.62 393	1.28 413	0.71 410	1.39 413	0.83 407	1.06 411	0.77 408

NVStereoNet_ROB	0.47 379	0.37 379	0.47 359	0.42 381	0.29 380	0.35 353	0.35 376	0.50 374	0.61 370	0.73 386	0.94 394	0.70 387	0.68 390	0.48 376	0.62 393	0.22 372	0.33 385	0.34 382	0.34 385	0.30 379	0.31 383
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	0.58 386	0.59 389	0.66 377	0.45 383	0.55 392	0.65 384	0.44 388	0.63 389	0.51 350	0.69 382	0.65 375	0.66 382	0.58 385	0.62 389	0.62 393	0.62 400	0.47 393	0.51 389	0.49 391	0.55 391	0.58 395
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-7	0.80 396	0.78 399	0.57 369	0.85 400	0.67 402	0.76 394	0.69 404	1.07 406	1.30 403	0.90 396	1.20 407	1.05 394	0.93 401	0.71 392	0.68 396	0.60 399	0.62 408	0.67 394	0.68 402	0.64 395	0.59 398

TorneroNet-64	0.76 394	0.73 397	0.77 391	0.78 397	0.58 397	0.94 403	0.58 395	0.85 395	1.26 401	0.67 380	0.88 392	1.41 405	0.76 394	0.87 400	0.68 396	0.49 393	0.46 389	0.73 397	0.59 397	0.68 398	0.54 394

PWCK	0.72 391	0.95 405	0.99 399	0.77 395	0.32 382	0.79 395	0.38 380	0.92 396	0.90 394	0.96 399	0.76 386	0.97 392	0.62 387	0.87 400	0.68 396	0.73 403	0.46 389	0.76 399	0.49 391	0.71 401	0.44 393

WAO-6	0.82 397	0.81 400	0.63 376	0.87 402	0.63 400	0.79 395	0.60 397	0.98 402	1.52 410	0.91 398	0.97 396	1.08 395	1.04 405	0.72 393	0.70 399	0.72 402	0.49 395	0.91 405	0.71 403	0.70 400	0.59 398

LVE	0.84 399	0.87 403	0.86 396	0.81 398	0.56 394	1.09 409	0.66 400	1.07 406	1.45 408	0.97 400	1.23 409	1.11 396	0.86 398	0.84 397	0.72 400	0.49 393	0.56 404	0.76 399	0.60 399	0.66 396	0.60 401

notaker	0.98 404	1.13 409	1.02 400	1.14 409	0.81 407	0.73 392	0.69 404	0.94 399	1.15 400	1.19 408	1.19 406	1.41 405	1.17 410	1.10 411	0.74 401	0.82 407	0.64 409	1.18 409	0.79 406	1.02 409	0.82 410

WAO-8	0.92 401	0.83 401	0.67 381	0.94 405	0.70 404	0.92 401	0.68 402	1.08 408	1.80 413	1.06 404	1.42 411	1.29 400	1.08 407	0.86 398	0.80 402	0.74 404	0.54 401	0.86 403	0.75 404	0.71 401	0.63 402

Venus	0.92 401	0.83 401	0.67 381	0.94 405	0.70 404	0.92 401	0.68 402	1.08 408	1.80 413	1.06 404	1.42 411	1.29 400	1.08 407	0.86 398	0.80 402	0.74 404	0.54 401	0.86 403	0.75 404	0.71 401	0.63 402

TorneroNet	0.83 398	0.75 398	0.83 395	0.85 400	0.63 400	1.03 407	0.65 399	0.96 400	1.14 399	0.80 393	1.10 403	1.36 403	0.88 399	0.95 405	0.82 404	0.57 395	0.49 395	0.79 402	0.66 401	0.74 404	0.64 404

Dean	0.88 400	0.88 404	0.81 392	0.82 399	0.57 395	0.91 400	0.62 398	1.17 411	1.71 411	1.15 406	1.16 405	1.31 402	1.00 404	0.82 396	0.83 405	0.57 395	0.56 404	0.78 401	0.65 400	0.67 397	0.58 395

KSHMR	1.10 407	1.19 410	0.90 398	1.26 413	1.00 412	0.99 404	0.96 410	1.13 410	1.35 404	1.16 407	1.28 410	1.40 404	0.97 403	1.03 408	0.93 406	1.03 411	1.08 413	1.20 410	1.03 412	1.03 410	0.98 412

UNDER WATER-64	0.97 403	0.96 407	1.48 406	0.88 403	0.57 395	1.24 412	0.90 409	0.78 392	0.96 395	1.05 402	0.85 391	1.56 410	1.26 411	0.97 407	0.99 407	0.88 408	0.57 406	1.04 408	0.88 408	0.81 406	0.75 406

UNDER WATER	0.99 405	1.00 408	1.47 405	1.00 407	0.71 406	1.18 411	0.86 407	0.81 394	1.09 398	1.02 401	0.90 393	1.53 409	1.26 411	1.06 409	1.02 408	0.79 406	0.54 401	1.02 407	0.88 408	0.83 407	0.75 406

JetBlue	0.73 393	0.46 384	1.21 402	0.52 388	0.47 388	2.16 413	0.67 401	0.78 392	0.72 383	0.70 383	0.79 388	1.21 398	0.84 397	1.06 409	1.04 409	0.40 387	0.28 382	0.33 381	0.33 383	0.30 379	0.34 386

MADNet+	0.76 394	0.72 396	3.76 413	0.67 392	0.41 384	0.99 404	0.97 411	0.72 391	0.75 387	0.52 373	0.58 371	0.64 381	0.68 390	0.89 403	1.04 409	0.35 385	0.36 386	0.28 377	0.23 370	0.38 385	0.33 385

HanzoNet	1.31 409	1.29 413	1.22 403	1.13 408	0.85 408	1.05 408	0.84 406	1.06 405	1.47 409	1.66 411	1.63 413	2.48 414	1.78 413	1.63 413	1.69 411	1.27 412	0.80 412	1.32 412	1.02 411	1.07 412	0.90 411

DPSimNet_ROB	1.14 408	1.25 412	0.87 397	1.15 410	0.90 410	1.15 410	1.18 412	1.20 412	1.26 401	1.45 410	1.05 400	1.44 408	1.13 409	0.92 404	1.70 412	1.47 414	0.52 400	1.22 411	1.04 413	0.92 408	1.03 413

LRCNet_RVC	10.76 422	13.97 426	7.97 421	19.07 426	2.04 416	0.35 353	0.31 366	5.29 415	0.48 344	13.02 424	17.65 425	8.69 419	5.73 416	4.78 416	2.22 413	23.53 433	2.69 420	27.60 434	25.75 434	17.60 431	16.54 432

MADNet++	1.97 411	1.75 415	1.66 408	1.83 414	1.69 415	2.38 414	1.45 414	2.36 414	2.11 415	2.58 414	2.37 415	2.25 413	2.21 414	2.28 414	2.36 414	1.87 415	1.67 415	1.53 414	1.34 414	1.87 414	1.78 416

JetRed	1.66 410	1.51 414	3.09 409	0.93 404	1.21 413	5.28 415	1.61 415	1.29 413	1.42 407	1.84 412	1.77 414	1.59 411	0.95 402	1.43 412	2.51 415	0.91 409	1.61 414	0.93 406	0.91 410	1.36 413	1.03 413

PML	8.57 420	9.39 425	6.24 414	5.34 419	6.36 420	13.21 421	20.99 420	5.35 416	6.68 417	17.75 426	26.46 435	7.58 418	6.08 417	7.89 419	5.76 416	5.33 421	1.83 416	5.95 425	1.93 416	8.75 423	2.53 417

tt	4.65 413	0.07 51	3.54 412	2.01 415	1.55 414	10.25 419	16.66 419	8.90 422	5.03 416	1.33 409	0.96 395	4.71 415	4.74 415	3.33 415	5.86 417	6.06 422	10.30 426	1.87 416	2.09 417	2.61 415	1.19 415

xxxxx1	7.75 414	5.06 419	7.26 415	3.15 416	3.91 417	16.37 422	22.88 423	5.87 419	8.68 418	7.99 418	8.55 416	9.13 420	8.46 418	10.05 420	10.47 418	2.43 416	2.48 417	3.56 419	12.26 423	3.48 416	3.02 418

tt_ll	7.75 414	5.06 419	7.26 415	3.15 416	3.91 417	16.37 422	22.88 423	5.87 419	8.68 418	7.99 418	8.55 416	9.13 420	8.46 418	10.05 420	10.47 418	2.43 416	2.48 417	3.56 419	12.26 423	3.48 416	3.02 418

ff	7.75 414	5.06 419	7.26 415	3.15 416	3.91 417	16.37 422	22.88 423	5.87 419	8.68 418	7.99 418	8.55 416	9.13 420	8.46 418	10.05 420	10.47 418	2.43 416	2.48 417	3.56 419	12.26 423	3.48 416	3.02 418

Anonymous_1	10.87 423	7.82 422	7.41 418	10.29 422	10.08 421	18.64 426	26.11 426	11.02 423	13.45 424	9.43 421	10.10 421	9.73 423	11.31 423	10.69 423	12.47 421	6.42 423	8.38 423	5.70 422	10.22 422	11.41 424	6.65 421

DPSMNet_ROB	8.06 418	4.50 417	8.69 422	5.36 421	10.74 423	8.32 417	22.71 421	5.47 417	13.38 422	5.13 416	9.98 419	5.10 416	10.47 421	5.53 417	12.77 422	3.80 420	8.00 421	3.49 417	6.95 420	3.75 420	7.09 422

DGTPSM_ROB	8.06 418	4.50 417	8.69 422	5.34 419	10.73 422	8.32 417	22.71 421	5.47 417	13.38 422	5.13 416	9.98 419	5.10 416	10.47 421	5.53 417	12.77 422	3.79 419	8.00 421	3.49 417	6.95 420	3.74 419	7.09 422

DPSM_ROB	11.10 424	8.47 423	7.95 419	10.84 423	11.58 424	19.10 427	26.50 427	12.02 424	14.09 425	10.38 422	10.91 422	10.39 424	11.92 424	11.67 424	13.39 424	6.99 424	8.79 424	5.82 423	6.92 418	6.97 421	7.31 424

DPSM	11.10 424	8.47 423	7.95 419	10.84 423	11.58 424	19.10 427	26.50 427	12.02 424	14.09 425	10.38 422	10.91 422	10.39 424	11.92 424	11.67 424	13.39 424	6.99 424	8.79 424	5.82 423	6.92 418	6.97 421	7.31 424

SPstereo	13.84 426	0.95 405	1.53 407	1.24 411	0.90 410	29.09 429	47.98 429	26.78 436	29.57 435	22.38 434	22.47 433	23.18 434	24.63 434	24.46 434	15.07 426	0.91 409	0.71 410	1.85 415	1.62 415	0.74 404	0.79 409

HaxPig	15.73 427	18.55 433	19.19 430	16.92 425	15.89 427	7.80 416	7.57 416	13.37 426	10.80 421	15.40 425	14.87 424	15.95 426	14.81 426	15.67 426	15.97 427	18.96 432	16.72 427	19.47 432	18.10 432	19.45 432	19.06 433

MEDIAN_ROB	20.38 428	24.05 434	23.36 432	21.18 427	21.62 428	10.51 420	8.17 417	17.68 427	15.46 427	20.04 427	19.65 426	20.30 427	20.16 427	21.17 427	21.03 428	23.81 434	21.77 434	24.98 433	23.75 433	25.01 433	23.94 434

AVERAGE_ROB	24.89 435	29.12 435	27.98 433	24.83 434	24.59 434	17.82 425	11.61 418	21.45 428	19.91 428	25.04 435	24.38 434	25.06 435	25.31 435	24.69 435	22.86 429	29.74 435	27.09 435	28.97 435	27.94 435	30.07 434	29.35 435

LSM0	22.80 434	17.22 432	19.17 429	22.12 433	28.90 435	38.38 435	53.27 430	24.21 433	28.36 429	20.84 430	21.11 427	21.63 433	24.25 433	23.42 429	26.98 430	14.08 431	17.39 428	11.72 431	13.98 431	14.22 430	14.66 426

CasAABBNet	22.33 429	17.11 427	15.84 424	21.94 431	23.28 432	38.30 430	53.40 435	24.05 429	28.44 430	20.66 428	21.86 428	21.03 432	24.04 432	23.35 428	27.03 431	14.06 426	17.69 429	11.70 426	13.94 427	14.04 428	14.76 430

MyStereo03	22.37 430	17.11 427	16.16 426	21.87 428	23.27 429	38.30 430	53.36 431	24.10 430	28.51 431	20.93 431	21.96 430	20.94 428	24.00 428	23.43 430	27.22 432	14.07 427	17.72 431	11.70 426	13.96 428	14.00 425	14.72 427

MyStereo02	22.37 430	17.11 427	16.16 426	21.87 428	23.27 429	38.30 430	53.36 431	24.10 430	28.51 431	20.93 431	21.96 430	20.94 428	24.00 428	23.43 430	27.22 432	14.07 427	17.72 431	11.70 426	13.96 428	14.00 425	14.72 427

MyStereo	22.37 430	17.11 427	16.16 426	21.87 428	23.27 429	38.30 430	53.36 431	24.10 430	28.51 431	20.93 431	21.96 430	20.94 428	24.00 428	23.43 430	27.22 432	14.07 427	17.72 431	11.70 426	13.96 428	14.00 425	14.72 427

Selective-RAFT-Error	22.39 433	17.14 431	16.01 425	22.00 432	23.34 433	38.37 434	53.36 431	24.24 434	28.53 434	20.80 429	21.94 429	20.94 428	24.02 431	23.48 433	27.33 435	14.07 427	17.70 430	11.70 426	13.93 426	14.05 429	14.83 431

test_example2	97.69 436	92.93 436	45.57 434	96.02 435	109.84 436	88.44 436	93.70 436	25.54 435	94.63 436	130.46 436	126.87 436	58.93 436	75.48 436	87.99 436	77.94 436	150.16 436	221.11 436	76.29 436	98.21 436	108.42 436	95.33 436

Low-res two-view benchmark