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

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

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

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

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

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

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

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

GMOStereo	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	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	0.28 350	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	0.28 350	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-2	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	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

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

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

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

test_3	0.11 69	0.09 180	0.10 38	0.21 288	0.08 45	0.13 121	0.25 334	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

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
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

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
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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

CroCo-Stereo Lap2	0.09 7	0.09 180	0.08 6	0.22 304	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

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

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

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

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
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

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

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

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 304	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
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

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

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

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

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

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

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
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

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

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

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

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

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

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
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-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

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

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

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

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

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	0.40 328	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

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

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

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	0.24 329	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

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

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

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

whm_eth	0.14 180	0.09 180	0.21 280	0.21 288	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

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)
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

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

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

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

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

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

RAFT_CTSACE	0.12 131	0.09 180	0.10 38	0.22 304	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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

CASS	0.14 180	0.12 267	0.12 85	0.23 321	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.
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

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

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

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

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

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

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

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

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

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

TestStereo	0.14 180	0.15 307	0.11 62	0.23 321	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

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

Anonymous	0.14 180	0.10 234	0.24 299	0.23 321	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

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
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	0.49 372	0.48 356	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

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

StereoVision	0.14 180	0.13 286	0.10 38	0.24 329	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

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

Selective-RAFT	0.11 69	0.11 252	0.12 85	0.21 288	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

test_5	0.14 180	0.12 267	0.08 6	0.20 262	0.10 214	0.14 150	0.28 350	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

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

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

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

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

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	0.14 326

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

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 262	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	0.14 326

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	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

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

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

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	0.61 371	0.74 389	0.56 366	0.30 296	0.40 365	0.23 293	0.32 356	0.09 231	0.07 240	0.08 158	0.07 158	0.11 287	0.10 264

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

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

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

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

RAFT+CT+SA	0.13 155	0.11 252	0.09 24	0.19 220	0.09 121	0.15 170	0.28 350	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

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

iRaft-Stereo_5w	0.12 131	0.09 180	0.12 85	0.20 262	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

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

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

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

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

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

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

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

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

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

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

Anonymous_2	0.22 300	0.17 324	0.28 313	0.15 35	0.16 337	0.33 346	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	0.22 373	0.26 381	0.17 350	0.17 356	0.16 349	0.18 360

TestStereo1	0.13 155	0.08 133	0.08 6	0.20 262	0.08 45	0.18 228	0.29 360	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

SA-5K	0.13 155	0.08 133	0.08 6	0.20 262	0.08 45	0.18 228	0.29 360	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

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

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

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	0.15 341

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

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

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

EDNetEfficientorigin	7.92 418	0.32 377	152.98 437	0.20 262	0.10 214	0.22 283	0.17 189	0.23 165	0.60 370	0.73 387	0.67 377	0.41 353	0.51 380	0.24 303	0.41 374	0.08 189	0.07 240	0.09 225	0.07 158	0.12 300	0.11 285

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

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

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

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

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	1.71 412	4.68 417	0.67 377	0.46 365	0.47 375	0.21 269	0.30 347	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

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

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

DLNR_Zeroshot_test	10.48 422	2.27 418	19.78 432	120.28 439	13.29 429	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	52.68 438	0.04 4

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

ToySt	0.17 253	0.11 252	0.19 271	0.17 108	0.11 252	0.16 192	0.26 340	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	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

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

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

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

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+_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

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

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
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

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

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

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

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	0.32 315	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

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

FADNet-RVC-Resample	0.17 253	0.12 267	0.32 333	0.22 304	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

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	0.51 351	0.27 304	0.39 325	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

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

SDNR	0.20 282	0.09 180	0.19 271	0.16 60	0.12 280	0.79 396	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	0.18 363	0.14 333	0.11 302	0.08 194	0.12 303

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

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

PSMNet-ADL	0.15 212	0.12 267	0.13 108	0.22 304	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

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

ICVP	0.16 235	0.09 180	0.12 85	0.22 304	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)
HCRNet	0.16 235	0.23 356	0.12 85	0.35 376	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

MMNet	0.17 253	0.10 234	0.17 224	0.20 262	0.11 252	0.27 326	0.20 276	0.26 207	0.42 322	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

DMCA-RVC	0.17 253	0.10 234	0.16 205	0.24 329	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

RP	0.22 300	0.13 286	0.22 287	0.23 321	0.12 280	0.21 270	0.20 276	0.26 207	0.45 334	0.22 256	0.38 318	0.37 334	0.25 305	0.28 322	0.25 310	0.11 287	0.12 328	0.13 322	0.12 320	0.13 315	0.14 326

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	0.36 295	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

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

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

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

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

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

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

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	0.40 313	0.26 297	0.43 347	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

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

sAnonymous2	0.13 155	0.12 267	0.25 303	0.20 262	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	0.20 262	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

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

RAFT + AFF	0.13 155	0.08 133	0.21 280	0.20 262	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

FADNet_RVC	0.17 253	0.14 301	0.41 351	0.20 262	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

FADNet-RVC	0.21 292	0.20 345	0.40 349	0.21 288	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	0.13 340	0.12 309	0.14 336	0.13 315	0.18 360

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
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

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	0.35 304	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

StereoDRNet-Refined	0.17 253	0.12 267	0.16 205	0.20 262	0.10 214	0.18 228	0.18 227	0.27 219	0.24 189	0.26 297	0.41 338	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
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	0.18 363	0.22 367	0.20 362	0.10 271	0.12 303

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

coex-ft	3.24 412	0.35 380	57.83 436	0.18 175	0.13 300	0.27 326	0.23 310	0.28 240	0.72 384	1.89 414	0.70 381	0.43 357	0.47 375	0.29 330	0.43 377	0.09 231	0.09 287	0.12 309	0.09 248	0.14 330	0.14 326

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	0.17 361	0.21 363	0.17 356	0.10 271	0.09 242

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

LMCR-Stereo	0.15 212	0.08 133	0.14 144	0.21 288	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

Anonymous3	0.16 235	0.14 301	0.34 337	0.26 345	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

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

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

UPFNet	0.16 235	0.08 133	0.12 85	0.20 262	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

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

DANet	0.21 292	0.16 315	0.29 321	0.25 335	0.13 300	0.23 294	0.19 262	0.28 240	0.27 227	0.28 316	0.32 282	0.35 330	0.32 348	0.31 337	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
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	0.37 334	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

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	0.45 334	0.23 269	0.32 282	0.34 325	0.26 312	0.29 330	0.29 341	0.08 189	0.06 186	0.07 98	0.07 158	0.09 246	0.10 264

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	0.38 305	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

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	0.36 295	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

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

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

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	0.28 334	0.09 231	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

STTStereo	0.18 266	0.13 286	0.28 313	0.20 262	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	0.11 320	0.11 292	0.14 336	0.09 246	0.08 210

G-Net	0.25 330	0.17 324	0.38 347	0.23 321	0.16 337	0.51 375	0.23 310	0.29 254	0.35 289	0.36 345	0.38 318	0.31 308	0.29 329	0.28 322	0.27 327	0.11 287	0.09 287	0.12 309	0.10 279	0.16 349	0.14 326

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	0.36 295	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

PA-Net	0.24 323	0.18 337	0.34 337	0.28 358	0.22 367	0.22 283	0.39 383	0.29 254	0.39 309	0.22 256	0.33 289	0.25 260	0.26 312	0.21 269	0.25 310	0.10 262	0.23 379	0.15 340	0.22 367	0.09 246	0.13 313
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
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

GMStereo_Zeroshot	0.16 235	0.13 286	0.25 303	0.20 262	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

SQANet	0.24 323	0.24 359	0.31 329	0.31 369	0.19 360	0.27 326	0.13 45	0.30 264	0.33 268	0.25 293	0.37 311	0.31 308	0.22 286	0.27 314	0.23 292	0.15 344	0.10 308	0.21 363	0.16 349	0.22 365	0.16 350

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

DDUNet	0.23 313	0.18 337	0.22 287	0.22 304	0.15 325	0.25 308	0.24 318	0.30 264	0.31 258	0.31 331	0.37 311	0.34 325	0.26 312	0.25 308	0.21 269	0.18 361	0.13 340	0.17 350	0.11 302	0.16 349	0.17 358

GwcNet-ADL	0.13 155	0.08 133	0.14 144	0.20 262	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

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

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	0.44 380	0.10 262	0.05 79	0.07 98	0.06 81	0.08 194	0.08 210

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	0.38 305	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

ADCL	0.25 330	0.12 267	0.49 361	0.22 304	0.12 280	0.36 358	0.29 360	0.30 264	0.57 364	0.24 280	0.47 355	0.30 296	0.31 345	0.30 336	0.30 347	0.09 231	0.07 240	0.09 225	0.09 248	0.10 271	0.10 264

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

DLCB_ROB	0.18 266	0.10 234	0.16 205	0.23 321	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

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	0.18 363	0.23 368	0.21 364	0.13 315	0.13 313

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	0.15 352	0.17 350	0.16 349	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
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	0.14 326

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

ADCP+	0.20 282	0.10 234	0.35 343	0.21 288	0.12 280	0.22 283	0.27 344	0.31 277	0.35 289	0.26 297	0.37 311	0.22 231	0.22 286	0.27 314	0.28 334	0.09 231	0.06 186	0.08 158	0.08 210	0.10 271	0.10 264

NLCA_NET_v2_RVC	0.17 253	0.10 234	0.23 293	0.20 262	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.
1111x	0.16 235	0.09 180	0.13 108	0.18 175	0.08 45	0.18 228	0.25 334	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

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	0.39 309	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

GEStereo_RVC	0.17 253	0.12 267	0.16 205	0.22 304	0.11 252	0.19 243	0.18 227	0.32 281	0.49 346	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

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	0.29 341	0.09 231	0.05 79	0.07 98	0.07 158	0.08 194	0.08 210

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	0.15 352	0.12 309	0.15 347	0.17 356	0.18 360

edge stereo	0.23 313	0.14 301	0.21 280	0.21 288	0.13 300	0.24 300	0.16 169	0.32 281	0.42 322	0.32 338	0.40 328	0.39 345	0.35 354	0.25 308	0.25 310	0.13 324	0.11 320	0.14 333	0.11 302	0.12 300	0.14 326

ADCRef	0.20 282	0.12 267	0.43 354	0.20 262	0.12 280	0.23 294	0.18 227	0.32 281	0.37 299	0.26 297	0.33 289	0.18 190	0.23 292	0.25 308	0.26 322	0.07 140	0.06 186	0.09 225	0.09 248	0.08 194	0.09 242

AnyNet_C32	0.26 340	0.16 315	0.39 348	0.20 262	0.17 347	0.26 318	0.31 367	0.32 281	0.45 334	0.31 331	0.50 359	0.30 296	0.34 351	0.41 373	0.36 363	0.12 310	0.12 328	0.12 309	0.14 336	0.14 330	0.15 341

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

ETE_ROB	0.23 313	0.17 324	0.23 293	0.25 335	0.14 315	0.26 318	0.29 360	0.32 281	0.37 299	0.28 316	0.37 311	0.45 361	0.27 317	0.28 322	0.27 327	0.11 287	0.09 287	0.12 309	0.10 279	0.14 330	0.13 313

LL-Strereo	0.13 155	0.10 234	0.12 85	0.20 262	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

Wz-Net-LNSev	0.22 300	0.16 315	0.41 351	0.22 304	0.13 300	0.25 308	0.24 318	0.33 291	0.44 331	0.30 326	0.42 344	0.32 315	0.19 262	0.23 293	0.27 327	0.10 262	0.09 287	0.08 158	0.08 210	0.12 300	0.11 285

UDG	0.21 292	0.17 324	0.20 274	0.23 321	0.15 325	0.31 342	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	0.12 328	0.13 322	0.09 248	0.14 330	0.15 341

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

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	0.49 346	0.26 297	0.33 289	0.22 231	0.23 292	0.23 293	0.18 240	0.18 361	0.16 357	0.11 292	0.10 279	0.15 341	0.14 326

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

S-Stereo	0.21 292	0.12 267	0.25 303	0.21 288	0.13 300	0.21 270	0.19 262	0.33 291	0.45 334	0.23 269	0.36 308	0.28 282	0.29 329	0.20 254	0.23 292	0.09 231	0.12 328	0.10 266	0.10 279	0.13 315	0.14 326

AF-Net	0.23 313	0.17 324	0.17 224	0.27 352	0.13 300	0.26 318	0.24 318	0.33 291	0.51 351	0.25 293	0.33 289	0.39 345	0.27 317	0.28 322	0.26 322	0.11 287	0.10 308	0.16 347	0.12 320	0.11 287	0.11 285

RGC	0.25 330	0.20 345	0.29 321	0.28 358	0.16 337	0.22 283	0.23 310	0.33 291	0.44 331	0.27 304	0.40 328	0.38 340	0.28 326	0.37 360	0.23 292	0.11 287	0.13 340	0.17 350	0.17 356	0.15 341	0.16 350

ADCPNet	0.26 340	0.17 324	0.62 374	0.21 288	0.15 325	0.36 358	0.25 334	0.33 291	0.37 299	0.31 331	0.41 338	0.36 332	0.29 329	0.29 330	0.34 361	0.12 310	0.10 308	0.11 292	0.12 320	0.14 330	0.13 313

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.
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	0.49 346	0.30 326	0.40 328	0.32 315	0.25 305	0.31 337	0.23 292	0.10 262	0.07 240	0.11 292	0.08 210	0.11 287	0.10 264

WCMA_ROB	0.24 323	0.11 252	0.24 299	0.17 108	0.14 315	0.34 350	0.16 169	0.33 291	0.33 268	0.39 353	0.54 364	0.40 351	0.35 354	0.35 352	0.26 322	0.12 310	0.12 328	0.12 309	0.11 302	0.14 330	0.14 326

SGM-Forest	0.20 282	0.14 301	0.18 250	0.20 262	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	0.16 357	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
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

BUS	0.15 212	0.09 180	0.14 144	0.22 304	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

Wz-Net-MNSev	0.23 313	0.13 286	0.33 334	0.20 262	0.15 325	0.36 358	0.25 334	0.34 305	0.45 334	0.29 321	0.41 338	0.39 345	0.19 262	0.25 308	0.27 327	0.09 231	0.07 240	0.09 225	0.09 248	0.12 300	0.10 264

BSDual-CNN	0.15 212	0.09 180	0.14 144	0.22 304	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

hknet	0.15 212	0.11 252	0.14 144	0.22 304	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

Syn2CoEx	0.22 300	0.16 315	0.29 321	0.29 365	0.15 325	0.26 318	0.21 289	0.34 305	0.32 263	0.29 321	0.36 308	0.28 282	0.25 305	0.20 254	0.25 310	0.16 356	0.12 328	0.14 333	0.11 302	0.09 246	0.08 210

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	0.41 360	0.55 365	0.41 353	0.38 360	0.35 352	0.28 334	0.11 287	0.15 352	0.11 292	0.11 302	0.12 300	0.17 358

MFN_U_SF_DS_RVC	0.30 353	0.24 359	0.30 326	0.36 378	0.16 337	0.36 358	0.31 367	0.34 305	0.43 329	0.41 360	0.46 353	0.38 340	0.30 340	0.35 352	0.29 341	0.19 365	0.20 369	0.26 370	0.29 379	0.18 358	0.19 365

CVANet_RVC	0.18 266	0.11 252	0.14 144	0.21 288	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

Anonymous Stereo	0.24 323	0.19 340	0.52 363	0.25 335	0.18 356	0.21 270	0.22 299	0.34 305	0.45 334	0.25 293	0.35 304	0.26 269	0.19 262	0.31 337	0.29 341	0.13 324	0.12 328	0.12 309	0.13 330	0.12 300	0.14 326

NCCL2	0.24 323	0.15 307	0.18 250	0.34 374	0.18 356	0.24 300	0.24 318	0.34 305	0.29 246	0.31 331	0.38 318	0.38 340	0.29 329	0.23 293	0.25 310	0.15 344	0.12 328	0.18 358	0.21 364	0.13 315	0.13 313

NaN_ROB	0.23 313	0.20 345	0.25 303	0.25 335	0.13 300	0.31 342	0.27 344	0.34 305	0.41 320	0.31 331	0.31 273	0.32 315	0.23 292	0.31 337	0.22 282	0.11 287	0.17 361	0.10 266	0.11 302	0.08 194	0.09 242

DispFullNet	0.27 345	0.22 354	0.66 377	0.28 358	0.17 347	0.27 326	0.17 189	0.34 305	0.57 364	0.27 304	0.37 311	0.43 357	0.24 299	0.39 365	0.25 310	0.12 310	0.06 186	0.19 360	0.11 302	0.23 367	0.16 350

MSMD_ROB	0.31 358	0.26 365	0.26 309	0.24 329	0.21 365	0.34 350	0.25 334	0.34 305	0.39 309	0.40 356	0.69 380	0.45 361	0.41 366	0.34 347	0.28 334	0.20 369	0.20 369	0.26 370	0.25 373	0.23 367	0.22 372

PWCDC_ROB	0.21 292	0.13 286	0.23 293	0.25 335	0.12 280	0.20 260	0.15 120	0.34 305	0.55 361	0.29 321	0.49 357	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

FAT-Stereo	0.21 292	0.13 286	0.22 287	0.21 288	0.12 280	0.18 228	0.18 227	0.35 320	0.40 313	0.28 316	0.37 311	0.33 321	0.33 350	0.21 269	0.20 258	0.09 231	0.11 320	0.10 266	0.09 248	0.11 287	0.14 326

ADCMid	0.26 340	0.15 307	0.42 353	0.20 262	0.14 315	0.25 308	0.26 340	0.35 320	0.40 313	0.37 350	0.45 351	0.34 325	0.42 369	0.36 356	0.36 363	0.10 262	0.09 287	0.11 292	0.11 302	0.13 315	0.13 313

STTRV1_RVC		0.26 365		0.19 220	0.26 377	0.30 339	0.24 318	0.35 320	0.35 289	0.36 345	0.34 299	0.31 308	0.31 345	0.28 322	0.25 310	0.18 361	0.10 308	0.16 347	0.14 336	0.18 358	0.12 303

PASM	0.33 360	0.25 364	0.51 362	0.28 358	0.27 378	0.30 339	0.31 367	0.35 320	0.51 351	0.36 345	0.40 328	0.47 368	0.35 354	0.34 347	0.36 363	0.23 378	0.26 381	0.26 370	0.28 378	0.23 367	0.21 369

XPNet_ROB	0.22 300	0.12 267	0.20 274	0.22 304	0.13 300	0.22 283	0.19 262	0.35 320	0.40 313	0.30 326	0.40 328	0.38 340	0.27 317	0.26 312	0.29 341	0.15 344	0.10 308	0.10 266	0.10 279	0.13 315	0.12 303

SGM_RVC	0.24 323	0.12 267	0.16 205	0.15 35	0.09 121	0.34 350	0.19 262	0.35 320	0.32 263	0.44 367	0.38 318	0.53 374	0.36 357	0.36 356	0.26 322	0.13 324	0.13 340	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-TNSev	0.29 350	0.20 345	0.69 385	0.19 220	0.15 325	0.38 364	0.27 344	0.36 326	0.56 363	0.35 343	0.42 344	0.45 361	0.39 361	0.33 344	0.31 351	0.13 324	0.13 340	0.10 266	0.12 320	0.15 341	0.15 341

DGSMNet	0.25 330	0.19 340	0.34 337	0.21 288	0.24 370	0.24 300	0.21 289	0.36 326	0.42 322	0.25 293	0.32 282	0.38 340	0.21 279	0.29 330	0.24 303	0.13 324	0.11 320	0.14 333	0.16 349	0.23 367	0.23 373

GwcNet	0.20 282	0.14 301	0.20 274	0.18 175	0.12 280	0.25 308	0.20 276	0.36 326	0.45 334	0.20 238	0.33 289	0.33 321	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

stereogan	0.22 300	0.11 252	0.21 280	0.20 262	0.12 280	0.32 344	0.19 262	0.36 326	0.45 334	0.23 269	0.39 325	0.35 330	0.27 317	0.33 344	0.23 292	0.10 262	0.12 328	0.10 266	0.10 279	0.14 330	0.14 326

RTSC	0.23 313	0.13 286	0.30 326	0.21 288	0.13 300	0.29 336	0.17 189	0.36 326	0.68 379	0.27 304	0.34 299	0.30 296	0.22 286	0.32 341	0.31 351	0.10 262	0.08 266	0.09 225	0.10 279	0.13 315	0.14 326

AnyNet_C01	0.37 366	0.26 365	1.41 404	0.22 304	0.17 347	0.51 375	0.28 350	0.36 326	0.40 313	0.39 353	0.75 386	0.46 365	0.39 361	0.46 376	0.50 387	0.13 324	0.13 340	0.13 322	0.14 336	0.14 330	0.16 350

PS-NSSS	0.20 282	0.21 350	0.23 293	0.20 262	0.10 214	0.19 243	0.17 189	0.36 326	0.26 217	0.27 304	0.34 299	0.27 274	0.24 299	0.20 254	0.20 258	0.15 344	0.12 328	0.17 350	0.14 336	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	0.37 333	0.46 342	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	0.13 313

XQC	0.29 350	0.23 356	0.53 364	0.29 365	0.19 360	0.36 358	0.28 350	0.37 333	0.58 367	0.31 331	0.31 273	0.37 334	0.30 340	0.39 365	0.39 371	0.13 324	0.09 287	0.15 340	0.12 320	0.18 358	0.18 360

RTS	0.46 377	0.19 340	3.33 411	0.25 335	0.15 325	0.72 391	0.21 289	0.37 333	0.78 390	0.42 362	0.44 349	0.31 308	0.43 372	0.55 384	0.37 367	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 341

RTSA	0.46 377	0.19 340	3.33 411	0.25 335	0.15 325	0.72 391	0.21 289	0.37 333	0.78 390	0.42 362	0.44 349	0.31 308	0.43 372	0.55 384	0.37 367	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 341

DeepPrunerF	0.24 323	0.17 324	0.45 355	0.26 345	0.16 337	0.23 294	0.29 360	0.37 333	0.51 351	0.27 304	0.31 273	0.24 251	0.28 326	0.22 286	0.23 292	0.15 344	0.11 320	0.20 362	0.18 360	0.12 300	0.14 326

TDLM	0.18 266	0.12 267	0.14 144	0.24 329	0.10 214	0.18 228	0.18 227	0.37 333	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

StereoDRNet	0.19 275	0.11 252	0.18 250	0.22 304	0.11 252	0.22 283	0.22 299	0.37 333	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

Wz-Net-SNSev	0.26 340	0.17 324	0.46 356	0.25 335	0.14 315	0.26 318	0.24 318	0.38 340	0.57 364	0.30 326	0.56 366	0.39 345	0.26 312	0.24 303	0.32 356	0.10 262	0.09 287	0.10 266	0.11 302	0.11 287	0.11 285

AASNet	0.16 235	0.08 133	0.13 108	0.19 220	0.09 121	0.19 243	0.15 120	0.38 340	0.37 299	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

psm_up	0.19 275	0.10 234	0.18 250	0.21 288	0.11 252	0.17 212	0.19 262	0.38 340	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

Nwc_Net	0.23 313	0.17 324	0.22 287	0.25 335	0.15 325	0.25 308	0.27 344	0.38 340	0.39 309	0.22 256	0.41 338	0.30 296	0.29 329	0.28 322	0.25 310	0.11 287	0.10 308	0.17 350	0.20 362	0.10 271	0.11 285

CSAN	0.30 353	0.24 359	0.28 313	0.34 374	0.19 360	0.34 350	0.42 386	0.38 340	0.51 351	0.38 352	0.40 328	0.44 360	0.34 351	0.29 330	0.31 351	0.19 365	0.16 357	0.19 360	0.19 361	0.14 330	0.15 341

MaskLacGwcNet_RVC	0.22 300	0.21 350	0.25 303	0.26 345	0.11 252	0.24 300	0.14 75	0.39 345	0.24 189	0.32 338	0.36 308	0.30 296	0.21 279	0.19 241	0.22 282	0.17 360	0.14 348	0.21 363	0.16 349	0.13 315	0.12 303

SHD	0.26 340	0.15 307	0.31 329	0.24 329	0.18 356	0.23 294	0.15 120	0.39 345	0.72 384	0.32 338	0.42 344	0.36 332	0.29 329	0.33 344	0.30 347	0.13 324	0.11 320	0.14 333	0.13 330	0.16 349	0.20 368

RYNet	0.23 313	0.12 267	0.22 287	0.19 220	0.17 347	0.47 372	0.26 340	0.39 345	0.49 346	0.24 280	0.29 264	0.34 325	0.24 299	0.20 254	0.31 351	0.10 262	0.06 186	0.09 225	0.09 248	0.14 330	0.15 341

WZ-Net	0.29 350	0.17 324	0.82 393	0.23 321	0.16 337	0.35 354	0.29 360	0.40 348	0.59 369	0.24 280	0.57 370	0.37 334	0.25 305	0.34 347	0.37 367	0.09 231	0.08 266	0.09 225	0.10 279	0.14 330	0.16 350

APVNet	0.23 313	0.12 267	0.20 274	0.18 175	0.14 315	0.32 344	0.31 367	0.40 348	0.33 268	0.27 304	0.40 328	0.30 296	0.29 329	0.27 314	0.25 310	0.11 287	0.12 328	0.11 292	0.14 336	0.12 300	0.13 313

FC-DCNN	0.33 360	0.28 368	0.28 313	0.26 345	0.23 368	0.38 364	0.29 360	0.40 348	0.44 331	0.46 370	0.56 366	0.51 371	0.41 366	0.38 364	0.31 351	0.21 371	0.20 369	0.27 373	0.26 374	0.25 376	0.24 374

DRN-Test	0.20 282	0.11 252	0.21 280	0.22 304	0.10 214	0.22 283	0.22 299	0.40 348	0.38 305	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

SANet	0.25 330	0.14 301	0.29 321	0.21 288	0.11 252	0.29 336	0.25 334	0.40 348	0.65 378	0.36 345	0.40 328	0.42 355	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

NINENet	0.16 235	0.10 234	0.16 205	0.17 108	0.11 252	0.20 260	0.14 75	0.41 353	0.37 299	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

NCC-stereo	0.25 330	0.15 307	0.31 329	0.26 345	0.17 347	0.21 270	0.31 367	0.41 353	0.40 313	0.24 280	0.38 318	0.33 321	0.29 329	0.37 360	0.28 334	0.13 324	0.11 320	0.15 340	0.22 367	0.13 315	0.13 313

Abc-Net	0.25 330	0.15 307	0.31 329	0.26 345	0.17 347	0.21 270	0.31 367	0.41 353	0.40 313	0.24 280	0.38 318	0.33 321	0.29 329	0.37 360	0.28 334	0.13 324	0.11 320	0.15 340	0.22 367	0.13 315	0.13 313
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
MeshStereo	0.27 345	0.13 286	0.18 250	0.15 35	0.11 252	0.33 346	0.24 318	0.41 353	0.36 295	0.53 375	0.58 372	0.67 384	0.41 366	0.36 356	0.27 327	0.14 342	0.13 340	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
otaku	0.39 367	0.38 382	0.53 364	0.44 384	0.28 379	0.57 380	0.24 318	0.42 357	0.62 374	0.40 356	0.50 359	0.46 365	0.34 351	0.40 368	0.33 359	0.30 383	0.30 385	0.39 385	0.33 384	0.30 381	0.29 381

ADCS	0.30 353	0.19 340	0.48 360	0.21 288	0.18 356	0.29 336	0.24 318	0.42 357	0.64 376	0.40 356	0.50 359	0.40 351	0.37 358	0.40 368	0.43 377	0.13 324	0.13 340	0.13 322	0.14 336	0.16 349	0.16 350

GANet	0.22 300	0.13 286	0.21 280	0.25 335	0.14 315	0.23 294	0.22 299	0.42 357	0.27 227	0.31 331	0.43 347	0.37 334	0.29 329	0.23 293	0.23 292	0.10 262	0.12 328	0.10 266	0.09 248	0.10 271	0.08 210

FBW_ROB	0.25 330	0.17 324	0.23 293	0.27 352	0.14 315	0.26 318	0.22 299	0.42 357	0.43 329	0.42 362	0.41 338	0.43 357	0.27 317	0.32 341	0.24 303	0.09 231	0.15 352	0.15 340	0.12 320	0.12 300	0.10 264

LALA_ROB	0.25 330	0.16 315	0.23 293	0.27 352	0.17 347	0.27 326	0.27 344	0.42 357	0.38 305	0.33 342	0.39 325	0.51 371	0.26 312	0.29 330	0.28 334	0.16 356	0.09 287	0.13 322	0.12 320	0.13 315	0.13 313

FCDSN-DC	0.33 360	0.28 368	0.28 313	0.30 367	0.24 370	0.39 366	0.28 350	0.43 362	0.42 322	0.44 367	0.53 363	0.51 371	0.42 369	0.37 360	0.30 347	0.21 371	0.20 369	0.27 373	0.26 374	0.25 376	0.25 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SGM-ForestM	0.33 360	0.12 267	0.17 224	0.16 60	0.11 252	0.42 369	0.20 276	0.43 362	0.53 360	0.53 375	0.57 370	1.41 406	0.44 374	0.42 374	0.29 341	0.14 342	0.16 357	0.16 347	0.16 349	0.12 300	0.13 313

LSM	0.34 365	0.21 350	0.62 374	0.27 352	0.62 401	0.35 354	0.26 340	0.43 362	0.49 346	0.45 369	0.60 375	0.42 355	0.37 358	0.35 352	0.26 322	0.13 324	0.21 376	0.14 333	0.16 349	0.18 358	0.34 387

PSMNet_ROB	0.22 300	0.12 267	0.15 170	0.27 352	0.15 325	0.25 308	0.36 378	0.43 362	0.37 299	0.27 304	0.33 289	0.32 315	0.23 292	0.21 269	0.27 327	0.12 310	0.08 266	0.13 322	0.11 302	0.10 271	0.09 242

NVstereo2D	0.19 275	0.11 252	0.16 205	0.17 108	0.16 337	0.28 334	0.23 310	0.44 366	0.42 322	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

MDST_ROB	0.22 300	0.10 234	0.18 250	0.18 175	0.11 252	0.40 367	0.19 262	0.44 366	0.42 322	0.40 356	0.40 328	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

GASNet	0.22 300	0.24 359	0.34 337	0.26 345	0.17 347	0.27 326	0.16 169	0.45 368	0.42 322	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

CC-Net-ROB	0.28 347	0.31 376	0.36 345	0.30 367	0.15 325	0.25 308	0.19 262	0.45 368	0.34 278	0.39 353	0.37 311	0.39 345	0.31 345	0.27 314	0.27 327	0.24 380	0.18 363	0.30 381	0.23 371	0.19 362	0.15 341

PDISCO_ROB	0.28 347	0.16 315	0.28 313	0.28 358	0.20 363	0.33 346	0.27 344	0.45 368	0.58 367	0.28 316	0.41 338	0.45 361	0.30 340	0.34 347	0.35 362	0.12 310	0.09 287	0.17 350	0.16 349	0.17 356	0.13 313

ccnet	0.30 353	0.28 368	0.24 299	0.20 262	0.28 379	0.41 368	0.22 299	0.46 371	0.33 268	0.37 350	0.46 353	0.37 334	0.30 340	0.40 368	0.43 377	0.23 378	0.14 348	0.21 363	0.17 356	0.23 367	0.19 365

Ntro	0.41 370	0.40 384	0.54 366	0.46 388	0.30 383	0.64 384	0.24 318	0.47 372	0.68 379	0.42 362	0.49 357	0.47 368	0.42 369	0.40 368	0.32 356	0.32 384	0.28 383	0.37 384	0.31 382	0.33 386	0.29 381

GANetREF_RVC	0.31 358	0.34 378	0.29 321	0.35 376	0.16 337	0.33 346	0.42 386	0.48 373	0.52 357	0.35 343	0.35 304	0.34 325	0.32 348	0.40 368	0.33 359	0.27 382	0.20 369	0.29 379	0.15 347	0.19 362	0.18 360
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
SAMSARA	0.41 370	0.28 368	0.34 337	0.55 391	0.39 385	0.85 399	1.25 414	0.49 374	0.52 357	0.36 345	0.35 304	0.56 376	0.39 361	0.39 365	0.41 374	0.15 344	0.20 369	0.15 340	0.14 336	0.23 367	0.21 369

ACVNet-4b	0.39 367	0.53 388	0.56 367	0.45 385	0.24 370	0.46 371	0.18 227	0.50 375	0.64 376	0.42 362	0.45 351	0.60 378	0.27 317	0.34 347	0.24 303	0.33 385	0.14 348	0.48 389	0.42 388	0.31 384	0.27 380

NVStereoNet_ROB	0.47 379	0.37 381	0.47 359	0.42 383	0.29 382	0.35 354	0.35 377	0.50 375	0.61 371	0.73 387	0.94 395	0.70 388	0.68 391	0.48 377	0.62 394	0.22 373	0.33 386	0.34 383	0.34 386	0.30 381	0.31 384
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.42 372	0.29 374	0.33 334	0.28 358	0.24 370	0.56 379	0.38 381	0.50 375	0.61 371	0.74 389	0.76 387	0.67 384	0.56 383	0.55 384	0.42 376	0.22 373	0.21 376	0.27 373	0.26 374	0.27 380	0.26 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DPSNet	0.28 347	0.16 315	0.33 334	0.18 175	0.13 300	0.55 378	0.42 386	0.52 378	0.68 379	0.29 321	0.38 318	0.39 345	0.30 340	0.32 341	0.23 292	0.11 287	0.10 308	0.11 292	0.08 210	0.20 364	0.16 350

ELAS	0.42 372	0.29 374	0.34 337	0.28 358	0.24 370	0.63 383	0.37 379	0.52 378	0.52 357	0.72 386	0.82 391	0.68 386	0.56 383	0.52 380	0.45 383	0.22 373	0.21 376	0.27 373	0.26 374	0.26 378	0.26 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PVD	0.40 369	0.21 350	0.40 349	0.32 372	0.23 368	0.30 339	0.45 390	0.53 380	0.97 397	0.55 377	0.80 390	0.54 375	0.60 387	0.53 382	0.40 373	0.19 365	0.14 348	0.17 350	0.14 336	0.24 374	0.32 385

MFN_U_SF_RVC	0.33 360	0.22 354	0.58 372	0.31 369	0.15 325	0.36 358	0.17 189	0.54 381	0.46 342	0.47 371	0.56 366	0.58 377	0.39 361	0.36 356	0.38 370	0.15 344	0.15 352	0.18 358	0.21 364	0.16 349	0.16 350

MSC_U_SF_DS_RVC	0.44 374	0.39 383	0.56 367	0.40 380	0.20 363	0.66 386	0.33 376	0.54 381	0.72 384	0.71 385	0.72 383	0.62 379	0.55 381	0.52 380	0.47 384	0.20 369	0.19 368	0.29 379	0.30 381	0.24 374	0.19 365

anonymity	0.53 382	0.58 389	0.66 377	0.41 381	0.61 400	0.54 377	0.41 384	0.57 383	0.41 320	0.56 378	0.50 359	0.50 370	0.55 381	0.59 389	0.50 387	0.58 398	0.50 399	0.51 391	0.51 395	0.52 390	0.58 396

Consistency-Raft	0.44 374	0.40 384	0.46 356	0.37 379	0.43 388	0.42 369	0.41 384	0.57 383	0.55 361	0.32 338	0.73 384	0.32 315	0.50 378	0.42 374	0.49 386	0.39 387	0.36 387	0.45 388	0.52 397	0.42 388	0.30 383

BEATNet-Init1	0.54 383	0.28 368	0.68 384	0.31 369	0.21 365	0.85 399	0.31 367	0.57 383	0.69 382	0.89 396	1.00 398	2.17 414	0.66 390	0.58 388	0.44 380	0.19 365	0.18 363	0.23 368	0.22 367	0.22 365	0.21 369

MANE	0.47 379	0.28 368	0.28 313	0.27 352	0.24 370	0.50 373	0.32 375	0.57 383	0.62 374	0.74 389	1.20 408	1.21 399	0.64 389	0.54 383	0.39 371	0.22 373	0.20 369	0.27 373	0.31 382	0.26 378	0.25 375

SGM+DAISY	0.57 385	0.58 389	0.67 381	0.41 381	0.55 394	0.68 388	0.51 392	0.57 383	0.46 342	0.67 381	0.70 381	0.69 387	0.57 385	0.64 391	0.58 392	0.59 399	0.49 396	0.50 390	0.50 394	0.52 390	0.59 399

ACVNet_1	0.45 376	0.51 387	0.61 373	0.45 385	0.28 379	0.50 373	0.28 350	0.58 388	0.71 383	0.63 380	0.59 374	0.74 389	0.50 378	0.50 378	0.36 363	0.26 381	0.25 380	0.39 385	0.29 379	0.32 385	0.25 375

RainbowNet	0.54 383	0.61 392	0.71 390	0.57 392	0.43 388	0.66 386	0.37 379	0.60 389	0.87 394	0.51 373	0.67 377	0.63 380	0.47 375	0.50 378	0.44 380	0.47 393	0.48 395	0.53 393	0.41 387	0.53 392	0.41 392

SPS-STEREO	0.58 386	0.59 391	0.66 377	0.45 385	0.55 394	0.65 385	0.44 389	0.63 390	0.51 351	0.69 383	0.65 376	0.66 383	0.58 386	0.62 390	0.62 394	0.62 401	0.47 394	0.51 391	0.49 392	0.55 393	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.65 387	0.66 396	0.66 377	0.51 389	0.69 405	0.70 389	0.58 396	0.65 391	0.75 388	0.61 379	0.73 384	0.63 380	0.68 391	0.65 392	0.60 393	0.66 402	0.58 408	0.63 395	0.59 398	0.68 400	0.69 406

MADNet+	0.76 394	0.72 398	3.76 414	0.67 394	0.41 386	0.99 405	0.97 412	0.72 392	0.75 388	0.52 374	0.58 372	0.64 382	0.68 391	0.89 404	1.04 410	0.35 386	0.36 387	0.28 378	0.23 371	0.38 387	0.33 386

JetBlue	0.73 393	0.46 386	1.21 402	0.52 390	0.47 390	2.16 414	0.67 402	0.78 393	0.72 384	0.70 384	0.79 389	1.21 399	0.84 398	1.06 410	1.04 410	0.40 388	0.28 383	0.33 382	0.33 384	0.30 381	0.34 387

UNDER WATER-64	0.97 403	0.96 409	1.48 406	0.88 405	0.57 397	1.24 413	0.90 410	0.78 393	0.96 396	1.05 403	0.85 392	1.56 411	1.26 412	0.97 408	0.99 408	0.88 409	0.57 407	1.04 410	0.88 409	0.81 408	0.75 407

UNDER WATER	0.99 405	1.00 410	1.47 405	1.00 409	0.71 408	1.18 412	0.86 408	0.81 395	1.09 399	1.02 402	0.90 394	1.53 410	1.26 412	1.06 410	1.02 409	0.79 407	0.54 402	1.02 409	0.88 409	0.83 409	0.75 407

TorneroNet-64	0.76 394	0.73 399	0.77 391	0.78 399	0.58 399	0.94 404	0.58 396	0.85 396	1.26 402	0.67 381	0.88 393	1.41 406	0.76 395	0.87 401	0.68 397	0.49 394	0.46 390	0.73 399	0.59 398	0.68 400	0.54 395

IMH-64-1	0.66 388	0.62 393	0.69 385	0.72 395	0.51 391	0.60 381	0.51 392	0.92 397	0.84 392	0.75 392	1.02 399	0.81 390	0.78 396	0.80 395	0.50 387	0.43 389	0.46 390	0.72 397	0.48 390	0.55 393	0.40 390

IMH-64	0.66 388	0.62 393	0.69 385	0.72 395	0.51 391	0.60 381	0.51 392	0.92 397	0.84 392	0.75 392	1.02 399	0.81 390	0.78 396	0.80 395	0.50 387	0.43 389	0.46 390	0.72 397	0.48 390	0.55 393	0.40 390

PWCK	0.72 391	0.95 407	0.99 399	0.77 397	0.32 384	0.79 396	0.38 381	0.92 397	0.90 395	0.96 400	0.76 387	0.97 393	0.62 388	0.87 401	0.68 397	0.73 404	0.46 390	0.76 401	0.49 392	0.71 403	0.44 394

notaker	0.98 404	1.13 411	1.02 400	1.14 411	0.81 409	0.73 393	0.69 405	0.94 400	1.15 401	1.19 409	1.19 407	1.41 406	1.17 411	1.10 412	0.74 402	0.82 408	0.64 410	1.18 412	0.79 407	1.02 411	0.82 411

ktn	1.02 406	1.23 413	0.82 393	1.24 413	0.86 411	1.00 407	0.86 408	0.96 401	1.37 406	1.05 403	1.12 405	1.16 398	1.06 407	0.95 406	0.62 394	1.28 415	0.71 411	1.39 416	0.83 408	1.06 413	0.77 409

TorneroNet	0.83 398	0.75 400	0.83 395	0.85 402	0.63 402	1.03 408	0.65 400	0.96 401	1.14 400	0.80 394	1.10 404	1.36 404	0.88 400	0.95 406	0.82 405	0.57 396	0.49 396	0.79 404	0.66 402	0.74 406	0.64 405

WAO-6	0.82 397	0.81 402	0.63 376	0.87 404	0.63 402	0.79 396	0.60 398	0.98 403	1.52 411	0.91 399	0.97 397	1.08 396	1.04 406	0.72 394	0.70 400	0.72 403	0.49 396	0.91 407	0.71 404	0.70 402	0.59 399

ACVNet_2	0.67 390	0.68 397	0.70 388	0.64 393	0.41 386	0.75 394	0.50 391	0.98 403	1.38 407	0.90 397	1.09 402	1.04 394	0.74 394	0.55 384	0.48 385	0.43 389	0.40 389	0.53 393	0.45 389	0.48 389	0.36 389

IMH	0.72 391	0.65 395	0.70 388	0.77 397	0.54 393	0.71 390	0.56 395	0.99 405	1.08 398	0.82 395	1.09 402	0.89 392	0.88 400	0.88 403	0.53 391	0.44 392	0.50 399	0.75 400	0.51 395	0.58 396	0.42 393

HanzoNet	1.31 409	1.29 415	1.22 403	1.13 410	0.85 410	1.05 409	0.84 407	1.06 406	1.47 410	1.66 412	1.63 414	2.48 416	1.78 414	1.63 414	1.69 412	1.27 414	0.80 413	1.32 415	1.02 412	1.07 414	0.90 412

WAO-7	0.80 396	0.78 401	0.57 369	0.85 402	0.67 404	0.76 395	0.69 405	1.07 407	1.30 404	0.90 397	1.20 408	1.05 395	0.93 402	0.71 393	0.68 397	0.60 400	0.62 409	0.67 396	0.68 403	0.64 397	0.59 399

LVE	0.84 399	0.87 405	0.86 396	0.81 400	0.56 396	1.09 410	0.66 401	1.07 407	1.45 409	0.97 401	1.23 410	1.11 397	0.86 399	0.84 398	0.72 401	0.49 394	0.56 405	0.76 401	0.60 400	0.66 398	0.60 402

WAO-8	0.92 401	0.83 403	0.67 381	0.94 407	0.70 406	0.92 402	0.68 403	1.08 409	1.80 414	1.06 405	1.42 412	1.29 401	1.08 408	0.86 399	0.80 403	0.74 405	0.54 402	0.86 405	0.75 405	0.71 403	0.63 403

Venus	0.92 401	0.83 403	0.67 381	0.94 407	0.70 406	0.92 402	0.68 403	1.08 409	1.80 414	1.06 405	1.42 412	1.29 401	1.08 408	0.86 399	0.80 403	0.74 405	0.54 402	0.86 405	0.75 405	0.71 403	0.63 403

KSHMR	1.10 407	1.19 412	0.90 398	1.26 415	1.00 414	0.99 405	0.96 411	1.13 411	1.35 405	1.16 408	1.28 411	1.40 405	0.97 404	1.03 409	0.93 407	1.03 412	1.08 414	1.20 413	1.03 413	1.03 412	0.98 413

Dean	0.88 400	0.88 406	0.81 392	0.82 401	0.57 397	0.91 401	0.62 399	1.17 412	1.71 412	1.15 407	1.16 406	1.31 403	1.00 405	0.82 397	0.83 406	0.57 396	0.56 405	0.78 403	0.65 401	0.67 399	0.58 396

DPSimNet_ROB	1.14 408	1.25 414	0.87 397	1.15 412	0.90 412	1.15 411	1.18 413	1.20 413	1.26 402	1.45 411	1.05 401	1.44 409	1.13 410	0.92 405	1.70 413	1.47 416	0.52 401	1.22 414	1.04 414	0.92 410	1.03 414

JetRed	1.66 410	1.51 416	3.09 410	0.93 406	1.21 415	5.28 416	1.61 416	1.29 414	1.42 408	1.84 413	1.77 415	1.59 412	0.95 403	1.43 413	2.51 416	0.91 410	1.61 416	0.93 408	0.91 411	1.36 415	1.03 414

ASD4	3.59 413	3.47 419	2.05 409	1.75 416	2.54 419	9.22 420	17.86 421	2.29 415	5.54 418	2.49 415	2.86 417	2.05 413	3.46 416	2.77 416	5.29 417	1.23 413	1.36 415	1.13 411	1.33 415	1.71 416	1.50 417

MADNet++	1.97 411	1.75 417	1.66 408	1.83 417	1.69 417	2.38 415	1.45 415	2.36 416	2.11 416	2.58 416	2.37 416	2.25 415	2.21 415	2.28 415	2.36 415	1.87 417	1.67 417	1.53 417	1.34 416	1.87 417	1.78 418

LRCNet_RVC	10.76 423	13.97 429	7.97 422	19.07 429	2.04 418	0.35 354	0.31 367	5.29 417	0.48 345	13.02 426	17.65 427	8.69 421	5.73 418	4.78 418	2.22 414	23.53 435	2.69 422	27.60 437	25.75 436	17.60 434	16.54 434

PML	8.57 421	9.39 428	6.24 415	5.34 422	6.36 423	13.21 423	20.99 422	5.35 418	6.68 419	17.75 428	26.46 437	7.58 420	6.08 419	7.89 421	5.76 418	5.33 423	1.83 418	5.95 428	1.93 418	8.75 426	2.53 419

DPSMNet_ROB	8.06 419	4.50 420	8.69 423	5.36 424	10.74 426	8.32 418	22.71 423	5.47 419	13.38 424	5.13 418	9.98 421	5.10 418	10.47 423	5.53 419	12.77 424	3.80 422	8.00 423	3.49 420	6.95 422	3.75 423	7.09 424

DGTPSM_ROB	8.06 419	4.50 420	8.69 423	5.34 422	10.73 425	8.32 418	22.71 423	5.47 419	13.38 424	5.13 418	9.98 421	5.10 418	10.47 423	5.53 419	12.77 424	3.79 421	8.00 423	3.49 420	6.95 422	3.74 422	7.09 424

xxxxx1	7.75 415	5.06 422	7.26 416	3.15 419	3.91 420	16.37 424	22.88 425	5.87 421	8.68 420	7.99 420	8.55 418	9.13 422	8.46 420	10.05 422	10.47 420	2.43 418	2.48 419	3.56 422	12.26 425	3.48 419	3.02 420

tt_ll	7.75 415	5.06 422	7.26 416	3.15 419	3.91 420	16.37 424	22.88 425	5.87 421	8.68 420	7.99 420	8.55 418	9.13 422	8.46 420	10.05 422	10.47 420	2.43 418	2.48 419	3.56 422	12.26 425	3.48 419	3.02 420

ff	7.75 415	5.06 422	7.26 416	3.15 419	3.91 420	16.37 424	22.88 425	5.87 421	8.68 420	7.99 420	8.55 418	9.13 422	8.46 420	10.05 422	10.47 420	2.43 418	2.48 419	3.56 422	12.26 425	3.48 419	3.02 420

tt	4.65 414	0.07 51	3.54 413	2.01 418	1.55 416	10.25 421	16.66 420	8.90 424	5.03 417	1.33 410	0.96 396	4.71 417	4.74 417	3.33 417	5.86 419	6.06 424	10.30 428	1.87 419	2.09 419	2.61 418	1.19 416

Anonymous_1	10.87 424	7.82 425	7.41 419	10.29 425	10.08 424	18.64 428	26.11 428	11.02 425	13.45 426	9.43 423	10.10 423	9.73 425	11.31 425	10.69 425	12.47 423	6.42 425	8.38 425	5.70 425	10.22 424	11.41 427	6.65 423

DPSM_ROB	11.10 425	8.47 426	7.95 420	10.84 426	11.58 427	19.10 429	26.50 429	12.02 426	14.09 427	10.38 424	10.91 424	10.39 426	11.92 426	11.67 426	13.39 426	6.99 426	8.79 426	5.82 426	6.92 420	6.97 424	7.31 426

DPSM	11.10 425	8.47 426	7.95 420	10.84 426	11.58 427	19.10 429	26.50 429	12.02 426	14.09 427	10.38 424	10.91 424	10.39 426	11.92 426	11.67 426	13.39 426	6.99 426	8.79 426	5.82 426	6.92 420	6.97 424	7.31 426

HaxPig	15.73 428	18.55 436	19.19 431	16.92 428	15.89 430	7.80 417	7.57 417	13.37 428	10.80 423	15.40 427	14.87 426	15.95 428	14.81 428	15.67 428	15.97 429	18.96 434	16.72 429	19.47 435	18.10 434	19.45 435	19.06 435

MEDIAN_ROB	20.38 429	24.05 437	23.36 433	21.18 430	21.62 431	10.51 422	8.17 418	17.68 429	15.46 429	20.04 429	19.65 428	20.30 429	20.16 429	21.17 429	21.03 430	23.81 436	21.77 436	24.98 436	23.75 435	25.01 436	23.94 436

AVERAGE_ROB	24.89 436	29.12 438	27.98 434	24.83 437	24.59 437	17.82 427	11.61 419	21.45 430	19.91 430	25.04 437	24.38 436	25.06 437	25.31 437	24.69 437	22.86 431	29.74 437	27.09 437	28.97 438	27.94 437	30.07 437	29.35 437

CasAABBNet	22.33 430	17.11 430	15.84 425	21.94 434	23.28 435	38.30 432	53.40 437	24.05 431	28.44 432	20.66 430	21.86 430	21.03 434	24.04 434	23.35 430	27.03 433	14.06 428	17.69 431	11.70 429	13.94 429	14.04 431	14.76 432

MyStereo03	22.37 431	17.11 430	16.16 427	21.87 431	23.27 432	38.30 432	53.36 433	24.10 432	28.51 433	20.93 433	21.96 432	20.94 430	24.00 430	23.43 432	27.22 434	14.07 429	17.72 433	11.70 429	13.96 430	14.00 428	14.72 429

MyStereo02	22.37 431	17.11 430	16.16 427	21.87 431	23.27 432	38.30 432	53.36 433	24.10 432	28.51 433	20.93 433	21.96 432	20.94 430	24.00 430	23.43 432	27.22 434	14.07 429	17.72 433	11.70 429	13.96 430	14.00 428	14.72 429

MyStereo	22.37 431	17.11 430	16.16 427	21.87 431	23.27 432	38.30 432	53.36 433	24.10 432	28.51 433	20.93 433	21.96 432	20.94 430	24.00 430	23.43 432	27.22 434	14.07 429	17.72 433	11.70 429	13.96 430	14.00 428	14.72 429

LSM0	22.80 435	17.22 435	19.17 430	22.12 436	28.90 438	38.38 437	53.27 432	24.21 435	28.36 431	20.84 432	21.11 429	21.63 435	24.25 435	23.42 431	26.98 432	14.08 433	17.39 430	11.72 434	13.98 433	14.22 433	14.66 428

Selective-RAFT-Error	22.39 434	17.14 434	16.01 426	22.00 435	23.34 436	38.37 436	53.36 433	24.24 436	28.53 436	20.80 431	21.94 431	20.94 430	24.02 433	23.48 435	27.33 437	14.07 429	17.70 432	11.70 429	13.93 428	14.05 432	14.83 433

test_example2	97.69 437	92.93 439	45.57 435	96.02 438	109.84 439	88.44 438	93.70 438	25.54 437	94.63 438	130.46 438	126.87 438	58.93 438	75.48 438	87.99 438	77.94 438	150.16 438	221.11 438	76.29 439	98.21 438	108.42 439	95.33 438

SPstereo	13.84 427	0.95 407	1.53 407	1.24 413	0.90 412	29.09 431	47.98 431	26.78 438	29.57 437	22.38 436	22.47 435	23.18 436	24.63 436	24.46 436	15.07 428	0.91 410	0.71 411	1.85 418	1.62 417	0.74 406	0.79 410

FADE		0.34 378		0.33 373	0.25 376													0.41 387		0.23 367

Low-res two-view benchmark