Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

EGLCR-Stereo	0.08 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

MyStereo07	0.10 45	0.07 51	0.10 38	0.17 107	0.09 120	0.14 150	0.17 188	0.15 21	0.15 66	0.09 14	0.06 2	0.06 3	0.07 28	0.12 90	0.09 16	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

ff7	0.09 7	0.07 51	0.11 62	0.16 60	0.09 120	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	0.10 213	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	0.09 120	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	0.10 213	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	0.09 120	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

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 107	0.09 120	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

ProNet	0.09 7	0.07 51	0.11 62	0.17 107	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	0.09 120	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-Stereo	0.09 7	0.07 51	0.11 62	0.17 107	0.09 120	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
Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 107	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

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 303	0.09 120	0.09 36	0.18 226	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-1	0.10 45	0.07 51	0.17 223	0.19 219	0.08 45	0.11 77	0.24 317	0.15 21	0.18 107	0.09 14	0.07 13	0.10 55	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

test_xeample3	0.09 7	0.07 51	0.12 85	0.16 60	0.09 120	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

MyStereo06	0.10 45	0.07 51	0.12 85	0.17 107	0.09 120	0.13 121	0.18 226	0.19 109	0.12 25	0.13 100	0.08 17	0.07 17	0.07 28	0.11 41	0.09 16	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

tt1	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	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

EKT-Stereo	0.11 69	0.07 51	0.14 143	0.16 60	0.10 213	0.13 121	0.14 75	0.19 109	0.21 151	0.11 58	0.08 17	0.13 110	0.10 77	0.11 41	0.12 119	0.08 188	0.06 185	0.07 98	0.06 81	0.08 193	0.07 146

iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 120	0.12 102	0.15 120	0.19 109	0.11 15	0.11 58	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-3	0.09 7	0.06 17	0.10 38	0.18 174	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	0.18 174	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

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.24 181	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	0.07 146

xx1	0.11 69	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.16 161	0.16 216	0.10 15	0.07 1	0.06 50	0.05 79	0.08 158	0.08 209	0.07 147	0.07 146

1test111	0.11 69	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.24 181	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.15 158	0.16 216	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

cc1	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	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

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 90	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	0.13 299	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

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 64	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	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 88	0.09 64	0.15 158	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	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 69	0.07 28	0.12 90	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 279	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	0.07 157	0.04 1	0.04 4

raftrobust	0.09 7	0.06 17	0.11 62	0.17 107	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 88	0.08 48	0.12 90	0.10 43	0.08 188	0.05 79	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

DLNR_Zeroshot_test	10.48 421	2.27 417	19.78 431	120.28 438	13.29 428	0.06 2	0.13 45	0.24 181	0.10 6	0.08 4	0.10 35	0.09 37	0.07 28	0.10 15	0.09 16	0.13 323	0.04 2	0.06 30	0.04 7	52.68 437	0.04 4

CASnet	0.09 7	0.09 179	0.09 24	0.19 219	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 58	0.10 35	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 265	0.08 209	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
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 35	0.11 69	0.09 64	0.12 90	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	0.17 107	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 35	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	0.17 107	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 35	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

CAS	0.08 2	0.04 1	0.07 1	0.17 107	0.08 45	0.10 56	0.13 45	0.12 3	0.09 2	0.09 14	0.10 35	0.08 23	0.06 6	0.09 10	0.09 16	0.08 188	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

Selective-RAFT	0.11 69	0.11 251	0.12 85	0.21 287	0.08 45	0.16 191	0.13 45	0.21 131	0.23 178	0.10 33	0.10 35	0.11 69	0.10 77	0.15 158	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

CroCo-Stereo Lap2	0.09 7	0.09 179	0.08 6	0.22 303	0.09 120	0.09 36	0.18 226	0.16 35	0.12 25	0.09 14	0.10 35	0.05 1	0.05 2	0.08 5	0.08 9	0.06 50	0.06 185	0.07 98	0.05 31	0.06 92	0.05 42

MIPNet	0.11 69	0.08 133	0.15 169	0.17 107	0.09 120	0.12 102	0.14 75	0.21 131	0.25 204	0.12 76	0.10 35	0.09 37	0.07 28	0.13 127	0.13 145	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

test_3	0.11 69	0.09 179	0.10 38	0.21 287	0.08 45	0.13 121	0.25 333	0.14 15	0.21 151	0.10 33	0.10 35	0.09 37	0.10 77	0.08 5	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.04 1	0.04 4

cross-raft	0.10 45	0.09 179	0.09 24	0.19 219	0.07 14	0.11 77	0.24 317	0.13 9	0.15 66	0.08 4	0.10 35	0.12 88	0.10 77	0.09 10	0.11 69	0.05 2	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

RAFT-Stereo + iAFF	0.09 7	0.06 17	0.10 38	0.17 107	0.07 14	0.10 56	0.15 120	0.17 62	0.15 66	0.10 33	0.10 35	0.08 23	0.09 64	0.12 90	0.10 43	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.03 1

RAFT + AFF	0.13 154	0.08 133	0.21 279	0.20 261	0.10 213	0.14 150	0.23 309	0.27 218	0.21 151	0.12 76	0.10 35	0.12 88	0.10 77	0.16 183	0.12 119	0.08 188	0.07 239	0.09 224	0.09 247	0.06 92	0.09 241

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 35	0.12 88	0.09 64	0.12 90	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

StereoIM	0.09 7	0.09 179	0.08 6	0.17 107	0.09 120	0.14 150	0.11 10	0.16 35	0.16 82	0.09 14	0.11 49	0.06 3	0.06 6	0.09 10	0.13 145	0.07 140	0.06 185	0.08 158	0.05 31	0.05 36	0.04 4

LL-Strereo2	0.11 69	0.10 233	0.16 204	0.18 174	0.08 45	0.15 170	0.09 3	0.17 62	0.14 54	0.14 121	0.11 49	0.09 37	0.07 28	0.16 183	0.10 43	0.05 2	0.05 79	0.11 291	0.07 157	0.06 92	0.05 42

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 174	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 49	0.10 55	0.07 28	0.12 90	0.09 16	0.05 2	0.03 1	0.08 158	0.07 157	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 49	0.08 23	0.07 28	0.12 90	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

CIPLG	0.11 69	0.08 133	0.15 169	0.17 107	0.08 45	0.13 121	0.15 120	0.17 62	0.16 82	0.14 121	0.11 49	0.16 161	0.10 77	0.17 212	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	0.15 169	0.17 107	0.08 45	0.12 102	0.15 120	0.17 62	0.15 66	0.14 121	0.11 49	0.16 161	0.10 77	0.16 183	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	0.15 169	0.17 107	0.08 45	0.13 121	0.15 120	0.17 62	0.14 54	0.14 121	0.11 49	0.16 161	0.10 77	0.16 183	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

iRaftStereo_RVC	0.10 45	0.07 51	0.10 38	0.17 107	0.09 120	0.11 77	0.17 188	0.18 86	0.12 25	0.09 14	0.11 49	0.10 55	0.07 28	0.11 41	0.10 43	0.05 2	0.04 2	0.08 158	0.08 209	0.04 1	0.04 4

s12784h	0.10 45	0.06 17	0.08 6	0.15 35	0.05 1	0.16 191	0.18 226	0.16 35	0.15 66	0.10 33	0.11 49	0.11 69	0.11 101	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

AFF-stereo	0.09 7	0.07 51	0.10 38	0.17 107	0.07 14	0.10 56	0.15 120	0.18 86	0.10 6	0.10 33	0.11 49	0.09 37	0.10 77	0.12 90	0.10 43	0.05 2	0.04 2	0.07 98	0.07 157	0.04 1	0.04 4

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 174	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 59	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 185	0.05 2	0.05 31	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	0.21 131	0.15 66	0.11 58	0.12 59	0.13 110	0.10 77	0.13 127	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 107	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 59	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

IPLGR	0.11 69	0.09 179	0.17 223	0.18 174	0.08 45	0.13 121	0.16 169	0.21 131	0.24 188	0.12 76	0.12 59	0.11 69	0.09 64	0.13 127	0.12 119	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.04 4

AnonymousM	0.10 45	0.06 17	0.10 38	0.14 11	0.07 14	0.09 36	0.13 45	0.19 109	0.14 54	0.13 100	0.12 59	0.09 37	0.08 48	0.13 127	0.10 43	0.08 188	0.05 79	0.08 158	0.05 31	0.05 36	0.05 42

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 58	0.12 59	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

sAnonymous2	0.13 154	0.12 266	0.25 302	0.20 261	0.12 279	0.18 227	0.14 75	0.27 218	0.21 151	0.11 58	0.12 59	0.13 110	0.08 48	0.11 41	0.11 69	0.09 230	0.05 79	0.08 158	0.06 81	0.15 340	0.10 263

CroCo_RVC	0.13 154	0.12 266	0.25 302	0.20 261	0.12 279	0.18 227	0.14 75	0.27 218	0.21 151	0.11 58	0.12 59	0.13 110	0.08 48	0.11 41	0.11 69	0.09 230	0.05 79	0.08 158	0.06 81	0.15 340	0.10 263

Anonymous	0.14 179	0.10 233	0.24 298	0.23 320	0.13 299	0.18 227	0.23 309	0.20 120	0.19 121	0.14 121	0.12 59	0.11 69	0.13 158	0.17 212	0.13 145	0.08 188	0.07 239	0.08 158	0.08 209	0.12 299	0.10 263

111	0.11 69	0.06 17	0.12 85	0.15 35	0.07 14	0.10 56	0.14 75	0.21 131	0.24 188	0.11 58	0.12 59	0.14 126	0.12 129	0.13 127	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.06 92	0.05 42

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 59	0.11 69	0.09 64	0.12 90	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

GLC_STEREO	0.11 69	0.07 51	0.11 62	0.18 174	0.07 14	0.08 22	0.13 45	0.16 35	0.24 188	0.12 76	0.13 70	0.12 88	0.08 48	0.18 221	0.12 119	0.06 50	0.08 265	0.08 158	0.06 81	0.05 36	0.05 42

rafts_anoy	0.11 69	0.06 17	0.10 38	0.17 107	0.08 45	0.10 56	0.14 75	0.18 86	0.14 54	0.13 100	0.13 70	0.12 88	0.11 101	0.11 41	0.13 145	0.07 140	0.05 79	0.09 224	0.11 301	0.07 147	0.06 95

RALAANet	0.11 69	0.08 133	0.10 38	0.17 107	0.09 120	0.14 150	0.10 5	0.20 120	0.16 82	0.14 121	0.13 70	0.16 161	0.09 64	0.12 90	0.12 119	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.04 4

sCroCo_RVC	0.12 130	0.09 179	0.24 298	0.24 328	0.11 251	0.19 242	0.14 75	0.17 62	0.15 66	0.10 33	0.13 70	0.12 88	0.07 28	0.14 144	0.11 69	0.08 188	0.08 265	0.08 158	0.08 209	0.05 36	0.07 146

ARAFT	0.12 130	0.08 133	0.18 249	0.19 219	0.09 120	0.15 170	0.17 188	0.20 120	0.13 40	0.12 76	0.13 70	0.14 126	0.12 129	0.15 158	0.13 145	0.06 50	0.05 79	0.10 265	0.09 247	0.06 92	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 70	0.09 37	0.08 48	0.12 90	0.10 43	0.08 188	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 70	0.10 55	0.07 28	0.14 144	0.10 43	0.15 343	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

MyStereo05	0.13 154	0.07 51	0.10 38	0.17 107	0.09 120	0.13 121	0.18 226	0.28 239	0.35 288	0.17 179	0.14 77	0.15 147	0.11 101	0.15 158	0.13 145	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

MyStereo04	0.13 154	0.07 51	0.10 38	0.17 107	0.09 120	0.14 150	0.17 188	0.29 253	0.38 304	0.17 179	0.14 77	0.16 161	0.11 101	0.15 158	0.13 145	0.06 50	0.05 79	0.08 158	0.07 157	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	0.20 120	0.14 54	0.13 100	0.14 77	0.09 37	0.05 2	0.12 90	0.08 9	0.05 2	0.06 185	0.07 98	0.06 81	0.06 92	0.05 42

anonymousdsp2	0.11 69	0.07 51	0.11 62	0.16 60	0.09 120	0.13 121	0.14 75	0.19 109	0.23 178	0.13 100	0.14 77	0.12 88	0.09 64	0.14 144	0.11 69	0.05 2	0.05 79	0.05 2	0.04 7	0.06 92	0.06 95

iRaft-Stereo_5w	0.12 130	0.09 179	0.12 85	0.20 261	0.08 45	0.09 36	0.12 23	0.22 150	0.22 169	0.19 217	0.14 77	0.11 69	0.09 64	0.20 253	0.16 216	0.05 2	0.05 79	0.07 98	0.06 81	0.05 36	0.06 95

GwcNet-ADL	0.13 154	0.08 133	0.14 143	0.20 261	0.09 120	0.12 102	0.20 275	0.30 263	0.25 204	0.14 121	0.14 77	0.18 189	0.14 187	0.13 127	0.15 199	0.07 140	0.05 79	0.06 30	0.05 31	0.07 147	0.06 95

OMP-Stereo	0.11 69	0.07 51	0.14 143	0.18 174	0.08 45	0.09 36	0.12 23	0.21 131	0.21 151	0.13 100	0.14 77	0.11 69	0.12 129	0.11 41	0.13 145	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	0.20 261	0.09 120	0.10 56	0.14 75	0.21 131	0.13 40	0.12 76	0.14 77	0.18 189	0.11 101	0.11 41	0.10 43	0.05 2	0.05 79	0.09 224	0.08 209	0.06 92	0.14 325

CRE-IMP	0.11 69	0.09 179	0.16 204	0.19 219	0.09 120	0.10 56	0.12 23	0.18 86	0.10 6	0.14 121	0.14 77	0.14 126	0.13 158	0.12 90	0.12 119	0.07 140	0.04 2	0.08 158	0.06 81	0.08 193	0.08 209

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 77	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-Stereo	0.09 7	0.05 5	0.09 24	0.17 107	0.09 120	0.15 170	0.12 23	0.21 131	0.10 6	0.10 33	0.14 77	0.07 17	0.06 6	0.13 127	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

AE-Stereo	0.10 45	0.08 133	0.11 62	0.19 219	0.09 120	0.10 56	0.15 120	0.14 15	0.20 138	0.09 14	0.15 88	0.12 88	0.08 48	0.11 41	0.10 43	0.05 2	0.06 185	0.07 98	0.06 81	0.05 36	0.04 4

11t1	0.12 130	0.07 51	0.14 143	0.14 11	0.08 45	0.17 211	0.15 120	0.19 109	0.15 66	0.15 142	0.15 88	0.17 177	0.16 216	0.15 158	0.13 145	0.08 188	0.05 79	0.06 30	0.05 31	0.08 193	0.07 146

test croco	0.11 69	0.09 179	0.10 38	0.19 219	0.09 120	0.11 77	0.14 75	0.14 15	0.13 40	0.13 100	0.15 88	0.09 37	0.12 129	0.13 127	0.12 119	0.07 140	0.05 79	0.09 224	0.06 81	0.06 92	0.06 95

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 76	0.15 88	0.17 177	0.11 101	0.14 144	0.12 119	0.09 230	0.05 79	0.07 98	0.05 31	0.08 193	0.08 209

LCNet	0.11 69	0.07 51	0.09 24	0.19 219	0.09 120	0.08 22	0.14 75	0.21 131	0.15 66	0.12 76	0.15 88	0.16 161	0.11 101	0.12 90	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.06 92	0.14 325

STrans-v2	0.10 45	0.07 51	0.13 108	0.18 174	0.08 45	0.10 56	0.14 75	0.22 150	0.11 15	0.11 58	0.15 88	0.12 88	0.10 77	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

NRIStereo	0.11 69	0.08 133	0.15 169	0.18 174	0.08 45	0.10 56	0.13 45	0.17 62	0.15 66	0.12 76	0.15 88	0.13 110	0.13 158	0.13 127	0.10 43	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.07 146

DeepStereo_RVC	0.11 69	0.08 133	0.17 223	0.18 174	0.08 45	0.08 22	0.11 10	0.17 62	0.12 25	0.13 100	0.15 88	0.12 88	0.12 129	0.12 90	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.08 209

IRAFT_RVC	0.12 130	0.08 133	0.17 223	0.19 219	0.08 45	0.07 15	0.14 75	0.25 198	0.23 178	0.14 121	0.15 88	0.15 147	0.12 129	0.12 90	0.11 69	0.06 50	0.04 2	0.09 224	0.06 81	0.06 92	0.06 95

GMM-Stereo	0.11 69	0.07 51	0.10 38	0.18 174	0.09 120	0.08 22	0.14 75	0.24 181	0.16 82	0.11 58	0.15 88	0.13 110	0.11 101	0.11 41	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.06 92	0.09 241

raft+_RVC	0.11 69	0.07 51	0.09 24	0.16 60	0.07 14	0.10 56	0.11 10	0.24 181	0.20 138	0.12 76	0.15 88	0.12 88	0.08 48	0.12 90	0.13 145	0.07 140	0.04 2	0.07 98	0.06 81	0.05 36	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 58	0.15 88	0.10 55	0.07 28	0.12 90	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

MIF-Stereo (partial)	0.11 69	0.06 17	0.10 38	0.19 219	0.10 213	0.10 56	0.12 23	0.17 62	0.19 121	0.14 121	0.16 100	0.10 55	0.11 101	0.12 90	0.12 119	0.08 188	0.05 79	0.08 158	0.07 157	0.06 92	0.07 146

LL-Strereo	0.13 154	0.10 233	0.12 85	0.20 261	0.10 213	0.11 77	0.18 226	0.33 290	0.25 204	0.16 169	0.16 100	0.14 126	0.14 187	0.19 240	0.11 69	0.06 50	0.05 79	0.09 224	0.08 209	0.04 1	0.05 42

Patchmatch Stereo++	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146
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	0.18 174	0.07 14	0.09 36	0.15 120	0.19 109	0.16 82	0.12 76	0.16 100	0.11 69	0.11 101	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

PSM-adaLoss	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

ROB_FTStereo_v2	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

ROB_FTStereo	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

KYRaft	0.12 130	0.07 51	0.10 38	0.19 219	0.09 120	0.08 22	0.15 120	0.23 164	0.12 25	0.13 100	0.16 100	0.20 208	0.10 77	0.12 90	0.11 69	0.06 50	0.04 2	0.08 158	0.08 209	0.06 92	0.15 340

HUI-Stereo	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

ASMatch	0.11 69	0.06 17	0.13 108	0.17 107	0.10 213	0.08 22	0.14 75	0.18 86	0.16 82	0.12 76	0.16 100	0.16 161	0.11 101	0.13 127	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.09 241

PFNet	0.12 130	0.06 17	0.17 223	0.18 174	0.08 45	0.09 36	0.15 120	0.26 206	0.20 138	0.16 169	0.16 100	0.14 126	0.12 129	0.13 127	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

iGMRVC	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

iRAFT	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

RAFT-IKP	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

Prome-Stereo	0.11 69	0.07 51	0.11 62	0.18 174	0.09 120	0.12 102	0.14 75	0.23 164	0.13 40	0.13 100	0.16 100	0.13 110	0.08 48	0.12 90	0.10 43	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 263

DIP-Stereo	0.11 69	0.08 133	0.15 169	0.17 107	0.09 120	0.13 121	0.09 3	0.16 35	0.16 82	0.12 76	0.16 100	0.14 126	0.12 129	0.16 183	0.14 169	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 146
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
CoDeX	0.12 130	0.07 51	0.13 108	0.17 107	0.08 45	0.12 102	0.16 169	0.23 164	0.27 226	0.13 100	0.17 116	0.15 147	0.12 129	0.14 144	0.11 69	0.07 140	0.05 79	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	0.20 120	0.14 54	0.11 58	0.17 116	0.13 110	0.09 64	0.14 144	0.11 69	0.09 230	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

DCANet-4	0.11 69	0.07 51	0.13 108	0.16 60	0.06 2	0.09 36	0.17 188	0.18 86	0.20 138	0.13 100	0.17 116	0.09 37	0.14 187	0.12 90	0.13 145	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	0.17 188	0.16 35	0.21 151	0.13 100	0.17 116	0.10 55	0.11 101	0.12 90	0.13 145	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

GMOStereo	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

error version	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

test-v	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

IIG-Stereo	0.11 69	0.06 17	0.13 108	0.17 107	0.08 45	0.11 77	0.12 23	0.22 150	0.18 107	0.14 121	0.17 116	0.12 88	0.13 158	0.12 90	0.13 145	0.06 50	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

NF-Stereo	0.11 69	0.07 51	0.13 108	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.12 302

OCTAStereo	0.11 69	0.07 51	0.14 143	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 284

GrayStereo	0.11 69	0.06 17	0.11 62	0.19 219	0.09 120	0.09 36	0.16 169	0.18 86	0.17 97	0.14 121	0.17 116	0.17 177	0.11 101	0.12 90	0.11 69	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 263

RE-Stereo	0.11 69	0.07 51	0.13 108	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 284

TVStereo	0.11 69	0.07 51	0.13 108	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 284

test-2	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

Anonymous3	0.16 234	0.14 300	0.34 336	0.26 344	0.14 314	0.27 325	0.18 226	0.28 239	0.28 239	0.15 142	0.17 116	0.14 126	0.11 101	0.16 183	0.12 119	0.08 188	0.08 265	0.08 158	0.08 209	0.08 193	0.11 284

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 76	0.17 116	0.14 126	0.10 77	0.12 90	0.11 69	0.07 140	0.06 185	0.06 30	0.05 31	0.08 193	0.07 146

csc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 188	0.16 35	0.21 151	0.13 100	0.17 116	0.10 55	0.11 101	0.12 90	0.13 145	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	0.17 188	0.16 35	0.21 151	0.13 100	0.17 116	0.10 55	0.11 101	0.12 90	0.13 145	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

GMStereo	0.13 154	0.15 306	0.14 143	0.18 174	0.09 120	0.16 191	0.16 169	0.20 120	0.25 204	0.17 179	0.17 116	0.11 69	0.11 101	0.16 183	0.13 145	0.07 140	0.06 185	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
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	0.13 100	0.17 116	0.15 147	0.11 101	0.15 158	0.14 169	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	0.12 130	0.07 51	0.15 169	0.15 35	0.09 120	0.18 227	0.14 75	0.19 109	0.22 169	0.12 76	0.18 136	0.11 69	0.10 77	0.16 183	0.18 239	0.07 140	0.05 79	0.07 98	0.05 31	0.08 193	0.09 241

CASS	0.14 179	0.12 266	0.12 85	0.23 320	0.09 120	0.15 170	0.17 188	0.19 109	0.20 138	0.17 179	0.18 136	0.15 147	0.15 205	0.15 158	0.14 169	0.09 230	0.06 185	0.10 265	0.08 209	0.09 245	0.07 146
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 251	0.11 77	0.17 188	0.18 86	0.17 97	0.11 58	0.18 136	0.11 69	0.10 77	0.15 158	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

ADStereo(finetuned)	0.10 45	0.06 17	0.13 108	0.16 60	0.06 2	0.09 36	0.17 188	0.16 35	0.20 138	0.13 100	0.18 136	0.10 55	0.12 129	0.12 90	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

test_4	0.11 69	0.10 233	0.08 6	0.19 219	0.09 120	0.08 22	0.21 288	0.15 21	0.18 107	0.12 76	0.18 136	0.12 88	0.09 64	0.08 5	0.11 69	0.04 1	0.04 2	0.08 158	0.08 209	0.04 1	0.04 4

IPLG	0.11 69	0.08 133	0.15 169	0.17 107	0.08 45	0.11 77	0.14 75	0.20 120	0.15 66	0.13 100	0.18 136	0.07 17	0.07 28	0.14 144	0.14 169	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

GANet-ADL	0.13 154	0.07 51	0.15 169	0.17 107	0.10 213	0.19 242	0.15 120	0.30 263	0.21 151	0.13 100	0.18 136	0.19 193	0.13 158	0.16 183	0.14 169	0.08 188	0.06 185	0.06 30	0.05 31	0.07 147	0.08 209

SST-Stereo	0.11 69	0.07 51	0.16 204	0.18 174	0.09 120	0.06 2	0.12 23	0.18 86	0.10 6	0.15 142	0.18 136	0.13 110	0.12 129	0.10 15	0.11 69	0.06 50	0.04 2	0.09 224	0.06 81	0.07 147	0.06 95

RAFT_R40	0.11 69	0.07 51	0.15 169	0.18 174	0.09 120	0.06 2	0.13 45	0.17 62	0.15 66	0.14 121	0.18 136	0.15 147	0.12 129	0.10 15	0.11 69	0.06 50	0.04 2	0.09 224	0.06 81	0.06 92	0.05 42

DCANet	0.10 45	0.06 17	0.12 85	0.16 60	0.06 2	0.09 36	0.17 188	0.16 35	0.20 138	0.13 100	0.18 136	0.10 55	0.11 101	0.11 41	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

SFCPSM	0.13 154	0.07 51	0.15 169	0.17 107	0.09 120	0.15 170	0.16 169	0.28 239	0.27 226	0.14 121	0.18 136	0.12 88	0.13 158	0.14 144	0.11 69	0.08 188	0.05 79	0.07 98	0.07 157	0.07 147	0.06 95

qqq	0.13 154	0.09 179	0.15 169	0.16 60	0.08 45	0.13 121	0.15 120	0.24 181	0.16 82	0.15 142	0.19 147	0.16 161	0.16 216	0.15 158	0.16 216	0.07 140	0.06 185	0.08 158	0.08 209	0.07 147	0.07 146

DisPM	0.11 69	0.07 51	0.13 108	0.16 60	0.09 120	0.06 2	0.13 45	0.18 86	0.17 97	0.14 121	0.19 147	0.12 88	0.10 77	0.12 90	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.11 284

PFNet+	0.12 130	0.06 17	0.14 143	0.16 60	0.09 120	0.05 1	0.12 23	0.18 86	0.21 151	0.16 169	0.19 147	0.14 126	0.10 77	0.11 41	0.11 69	0.08 188	0.05 79	0.09 224	0.08 209	0.06 92	0.11 284

PSM-softLoss	0.12 130	0.07 51	0.15 169	0.17 107	0.09 120	0.08 22	0.12 23	0.24 181	0.17 97	0.15 142	0.19 147	0.13 110	0.11 101	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.12 302

KMStereo	0.12 130	0.07 51	0.15 169	0.17 107	0.09 120	0.08 22	0.12 23	0.24 181	0.17 97	0.15 142	0.19 147	0.13 110	0.11 101	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.12 302

Pruner-Stereo	0.11 69	0.07 51	0.12 85	0.17 107	0.09 120	0.06 2	0.12 23	0.18 86	0.17 97	0.14 121	0.19 147	0.13 110	0.10 77	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.08 209

BEATNet_4x	0.12 130	0.09 179	0.15 169	0.18 174	0.07 14	0.15 170	0.07 1	0.23 164	0.19 121	0.16 169	0.19 147	0.19 193	0.14 187	0.17 212	0.15 199	0.07 140	0.05 79	0.05 2	0.05 31	0.06 92	0.07 146

R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 107	0.08 45	0.11 77	0.14 75	0.24 181	0.11 15	0.12 76	0.19 147	0.11 69	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	0.17 107	0.08 45	0.11 77	0.14 75	0.24 181	0.11 15	0.12 76	0.19 147	0.11 69	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
SMFormer	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.17 227	0.08 188	0.05 79	0.07 98	0.06 81	0.08 193	0.07 146

tta	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.17 227	0.08 188	0.05 79	0.07 98	0.06 81	0.06 92	0.06 95

qqq1	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.12 119	0.08 188	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

fff1	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.12 119	0.08 188	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

PCWNet_CMD	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 294	0.14 121	0.20 156	0.21 214	0.13 158	0.17 212	0.14 169	0.07 140	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

TestStereo1	0.13 154	0.08 133	0.08 6	0.20 261	0.08 45	0.18 227	0.29 359	0.23 164	0.17 97	0.17 179	0.20 156	0.16 161	0.11 101	0.12 90	0.13 145	0.06 50	0.06 185	0.08 158	0.06 81	0.05 36	0.05 42

x	0.13 154	0.08 133	0.15 169	0.14 11	0.08 45	0.19 242	0.14 75	0.22 150	0.21 151	0.15 142	0.20 156	0.20 208	0.18 247	0.18 221	0.18 239	0.07 140	0.05 79	0.06 30	0.06 81	0.07 147	0.07 146

raft_robust	0.13 154	0.10 233	0.07 1	0.18 174	0.08 45	0.13 121	0.24 317	0.29 253	0.34 277	0.20 237	0.20 156	0.15 147	0.10 77	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.07 157	0.05 36	0.04 4

SA-5K	0.13 154	0.08 133	0.08 6	0.20 261	0.08 45	0.18 227	0.29 359	0.23 164	0.17 97	0.17 179	0.20 156	0.16 161	0.11 101	0.12 90	0.13 145	0.06 50	0.06 185	0.08 158	0.06 81	0.05 36	0.05 42

Sa-1000	0.12 130	0.08 133	0.09 24	0.18 174	0.08 45	0.15 170	0.22 298	0.22 150	0.19 121	0.15 142	0.20 156	0.17 177	0.11 101	0.10 15	0.10 43	0.06 50	0.05 79	0.09 224	0.09 247	0.05 36	0.05 42

UDGNet	0.14 179	0.13 285	0.17 223	0.18 174	0.10 213	0.12 102	0.16 169	0.21 131	0.27 226	0.20 237	0.20 156	0.17 177	0.13 158	0.16 183	0.14 169	0.10 261	0.06 185	0.09 224	0.07 157	0.07 147	0.07 146

dd	0.15 211	0.17 323	0.17 223	0.19 219	0.09 120	0.15 170	0.18 226	0.22 150	0.26 216	0.23 268	0.20 156	0.21 214	0.10 77	0.21 268	0.17 227	0.10 261	0.06 185	0.08 158	0.06 81	0.08 193	0.07 146

PSMNet-ADL	0.15 211	0.12 266	0.13 108	0.22 303	0.09 120	0.13 121	0.20 275	0.26 206	0.23 178	0.18 207	0.20 156	0.23 241	0.17 237	0.18 221	0.18 239	0.09 230	0.08 265	0.08 158	0.11 301	0.08 193	0.07 146

ADLNet2	0.16 234	0.09 179	0.14 143	0.17 107	0.09 120	0.20 259	0.16 169	0.32 280	0.39 308	0.17 179	0.20 156	0.20 208	0.19 261	0.21 268	0.23 291	0.08 188	0.07 239	0.07 98	0.07 157	0.09 245	0.07 146

DMCA	0.14 179	0.09 179	0.17 223	0.19 219	0.09 120	0.15 170	0.17 188	0.23 164	0.28 239	0.14 121	0.20 156	0.17 177	0.18 247	0.15 158	0.17 227	0.10 261	0.06 185	0.08 158	0.06 81	0.09 245	0.10 263

MSMDNet	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 294	0.14 121	0.20 156	0.21 214	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

NINENet	0.16 234	0.10 233	0.16 204	0.17 107	0.11 251	0.20 259	0.14 75	0.41 352	0.37 298	0.18 207	0.21 172	0.16 161	0.14 187	0.16 183	0.14 169	0.08 188	0.08 265	0.10 265	0.07 157	0.10 270	0.09 241

psmg	0.14 179	0.09 179	0.14 143	0.17 107	0.10 213	0.15 170	0.17 188	0.29 253	0.20 138	0.17 179	0.21 172	0.25 259	0.16 216	0.16 183	0.14 169	0.08 188	0.07 239	0.08 158	0.08 209	0.07 147	0.07 146

AAGNet	0.12 130	0.08 133	0.17 223	0.19 219	0.09 120	0.08 22	0.13 45	0.19 109	0.13 40	0.16 169	0.21 172	0.13 110	0.14 187	0.11 41	0.14 169	0.06 50	0.04 2	0.09 224	0.06 81	0.06 92	0.05 42

RAFT	0.13 154	0.09 179	0.11 62	0.18 174	0.08 45	0.15 170	0.23 309	0.21 131	0.20 138	0.21 246	0.21 172	0.18 189	0.13 158	0.17 212	0.10 43	0.06 50	0.07 239	0.10 265	0.09 247	0.06 92	0.05 42

CFNet_pseudo	0.14 179	0.08 133	0.16 204	0.16 60	0.09 120	0.13 121	0.14 75	0.27 218	0.34 277	0.15 142	0.21 172	0.22 230	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.07 146

HSM-Net_RVC	0.14 179	0.08 133	0.12 85	0.15 35	0.08 45	0.16 191	0.15 120	0.27 218	0.29 245	0.20 237	0.21 172	0.29 288	0.14 187	0.18 221	0.13 145	0.06 50	0.06 185	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	0.14 179	0.09 179	0.16 204	0.16 60	0.09 120	0.13 121	0.14 75	0.27 218	0.34 277	0.15 142	0.21 172	0.22 230	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.07 146

UCFNet_RVC	0.15 211	0.08 133	0.13 108	0.11 1	0.10 213	0.20 259	0.10 5	0.24 181	0.23 178	0.17 179	0.21 172	0.24 250	0.15 205	0.18 221	0.15 199	0.12 309	0.07 239	0.11 291	0.13 329	0.11 286	0.10 263

DeepPruner_ROB	0.16 234	0.11 251	0.16 204	0.17 107	0.10 213	0.17 211	0.15 120	0.32 280	0.21 151	0.19 217	0.21 172	0.22 230	0.19 261	0.21 268	0.16 216	0.13 323	0.09 286	0.09 224	0.10 278	0.11 286	0.11 284

NOSS_ROB	0.19 274	0.13 285	0.18 249	0.16 60	0.12 279	0.16 191	0.12 23	0.30 263	0.33 267	0.20 237	0.22 181	0.27 273	0.24 298	0.21 268	0.16 216	0.16 355	0.18 362	0.23 367	0.21 363	0.13 314	0.13 312

mmm	0.14 179	0.08 133	0.18 249	0.17 107	0.09 120	0.17 211	0.18 226	0.21 131	0.16 82	0.16 169	0.23 182	0.21 214	0.16 216	0.16 183	0.17 227	0.08 188	0.05 79	0.08 158	0.08 209	0.08 193	0.07 146

ssnet_v2	0.17 252	0.10 233	0.18 249	0.17 107	0.11 251	0.21 269	0.22 298	0.34 304	0.25 204	0.23 268	0.23 182	0.27 273	0.19 261	0.22 285	0.21 268	0.11 286	0.10 307	0.09 224	0.09 247	0.08 193	0.08 209

BUS	0.15 211	0.09 179	0.14 143	0.22 303	0.10 213	0.20 259	0.14 75	0.34 304	0.20 138	0.17 179	0.23 182	0.16 161	0.14 187	0.16 183	0.14 169	0.08 188	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

BSDual-CNN	0.15 211	0.09 179	0.14 143	0.22 303	0.10 213	0.15 170	0.15 120	0.34 304	0.20 138	0.17 179	0.23 182	0.25 259	0.16 216	0.16 183	0.14 169	0.08 188	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

hknet	0.15 211	0.11 251	0.14 143	0.22 303	0.11 251	0.15 170	0.15 120	0.34 304	0.26 216	0.17 179	0.23 182	0.22 230	0.18 247	0.17 212	0.13 145	0.07 140	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

DEmStereo	0.12 130	0.06 17	0.14 143	0.14 11	0.10 213	0.16 191	0.15 120	0.16 35	0.24 188	0.17 179	0.23 182	0.12 88	0.14 187	0.12 90	0.14 169	0.05 2	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

FADNet_RVC	0.17 252	0.14 300	0.41 350	0.20 261	0.11 251	0.13 121	0.13 45	0.27 218	0.22 169	0.21 246	0.23 182	0.20 208	0.18 247	0.15 158	0.17 227	0.08 188	0.08 265	0.12 308	0.09 247	0.11 286	0.10 263

AdaStereo	0.15 211	0.11 251	0.16 204	0.19 219	0.09 120	0.21 269	0.11 10	0.33 290	0.28 239	0.21 246	0.23 182	0.21 214	0.13 158	0.19 240	0.15 199	0.13 323	0.05 79	0.10 265	0.07 157	0.09 245	0.07 146
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
DN-CSS_ROB	0.13 154	0.13 285	0.17 223	0.18 174	0.10 213	0.16 191	0.08 2	0.22 150	0.19 121	0.17 179	0.23 182	0.13 110	0.13 158	0.13 127	0.14 169	0.05 2	0.05 79	0.10 265	0.10 278	0.08 193	0.06 95

ttt	0.14 179	0.08 133	0.14 143	0.15 35	0.08 45	0.15 170	0.18 226	0.27 218	0.30 250	0.16 169	0.24 191	0.17 177	0.14 187	0.13 127	0.14 169	0.11 286	0.08 265	0.09 224	0.08 209	0.09 245	0.09 241

1111x	0.16 234	0.09 179	0.13 108	0.18 174	0.08 45	0.18 227	0.25 333	0.32 280	0.25 204	0.17 179	0.24 191	0.27 273	0.15 205	0.14 144	0.24 302	0.07 140	0.07 239	0.08 158	0.09 247	0.07 147	0.07 146

CFNet_ucs	0.15 211	0.09 179	0.17 223	0.16 60	0.11 251	0.14 150	0.14 75	0.30 263	0.34 277	0.16 169	0.24 191	0.23 241	0.14 187	0.18 221	0.15 199	0.09 230	0.06 185	0.08 158	0.07 157	0.09 245	0.09 241

GASNet	0.22 299	0.24 358	0.34 336	0.26 344	0.17 346	0.27 325	0.16 169	0.45 367	0.42 321	0.27 303	0.24 191	0.30 295	0.16 216	0.27 313	0.18 239	0.12 309	0.09 286	0.12 308	0.11 301	0.16 348	0.08 209

gwcnet-sp	0.14 179	0.07 51	0.13 108	0.18 174	0.09 120	0.16 191	0.18 226	0.24 181	0.24 188	0.19 217	0.24 191	0.15 147	0.16 216	0.16 183	0.15 199	0.08 188	0.07 239	0.07 98	0.08 209	0.08 193	0.07 146

scenet	0.14 179	0.07 51	0.13 108	0.18 174	0.09 120	0.16 191	0.18 226	0.24 181	0.24 188	0.19 217	0.24 191	0.15 147	0.16 216	0.16 183	0.15 199	0.08 188	0.07 239	0.07 98	0.08 209	0.08 193	0.07 146

ToySt	0.17 252	0.11 251	0.19 270	0.17 107	0.11 251	0.16 191	0.26 339	0.24 181	0.33 267	0.19 217	0.24 191	0.26 268	0.24 298	0.19 240	0.21 268	0.07 140	0.08 265	0.09 224	0.10 278	0.09 245	0.08 209

anonymousa	0.13 154	0.07 51	0.14 143	0.18 174	0.09 120	0.13 121	0.17 188	0.20 120	0.29 245	0.15 142	0.24 191	0.16 161	0.14 187	0.14 144	0.14 169	0.07 140	0.05 79	0.07 98	0.09 247	0.05 36	0.07 146

Anonymous_2	0.22 299	0.17 323	0.28 312	0.15 35	0.16 336	0.33 345	0.22 298	0.23 164	0.18 107	0.23 268	0.24 191	0.26 268	0.27 316	0.27 313	0.24 302	0.22 372	0.26 380	0.17 349	0.17 355	0.16 348	0.18 359

ssnet	0.14 179	0.07 51	0.13 108	0.18 174	0.09 120	0.16 191	0.18 226	0.24 181	0.24 188	0.19 217	0.24 191	0.15 147	0.16 216	0.16 183	0.15 199	0.08 188	0.07 239	0.07 98	0.08 209	0.08 193	0.07 146

dad	0.18 265	0.20 344	0.21 279	0.17 107	0.11 251	0.20 259	0.19 261	0.21 131	0.28 239	0.30 325	0.24 191	0.30 295	0.13 158	0.19 240	0.17 227	0.18 360	0.09 286	0.11 291	0.09 247	0.11 286	0.07 146

AASNet	0.16 234	0.08 133	0.13 108	0.19 219	0.09 120	0.19 242	0.15 120	0.38 339	0.37 298	0.20 237	0.24 191	0.20 208	0.17 237	0.17 212	0.21 268	0.10 261	0.08 265	0.08 158	0.07 157	0.09 245	0.09 241

CrosDoStereo	0.12 130	0.07 51	0.12 85	0.14 11	0.09 120	0.12 102	0.15 120	0.17 62	0.22 169	0.19 217	0.24 191	0.15 147	0.11 101	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 157	0.05 36	0.05 42

FTStereo	0.12 130	0.07 51	0.14 143	0.18 174	0.09 120	0.07 15	0.15 120	0.22 150	0.18 107	0.12 76	0.24 191	0.11 69	0.13 158	0.13 127	0.14 169	0.05 2	0.05 79	0.07 98	0.07 157	0.06 92	0.10 263

DeepStereo_LL	0.12 130	0.07 51	0.12 85	0.14 11	0.09 120	0.12 102	0.15 120	0.17 62	0.22 169	0.19 217	0.24 191	0.15 147	0.11 101	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 157	0.05 36	0.05 42

THIR-Stereo	0.12 130	0.07 51	0.11 62	0.15 35	0.08 45	0.14 150	0.16 169	0.18 86	0.25 204	0.17 179	0.24 191	0.13 110	0.13 158	0.12 90	0.14 169	0.06 50	0.05 79	0.07 98	0.07 157	0.05 36	0.05 42

LMCR-Stereo	0.15 211	0.08 133	0.14 143	0.21 287	0.09 120	0.18 227	0.19 261	0.28 239	0.19 121	0.24 279	0.24 191	0.23 241	0.17 237	0.20 253	0.17 227	0.07 140	0.06 185	0.08 158	0.06 81	0.10 270	0.09 241

pcwnet_v2	0.19 274	0.11 251	0.26 308	0.18 174	0.14 314	0.18 227	0.15 120	0.37 332	0.46 341	0.19 217	0.24 191	0.21 214	0.19 261	0.21 268	0.20 257	0.13 323	0.10 307	0.10 265	0.10 278	0.11 286	0.13 312

GES	0.14 179	0.08 133	0.16 204	0.15 35	0.10 213	0.13 121	0.13 45	0.28 239	0.26 216	0.17 179	0.24 191	0.19 193	0.14 187	0.16 183	0.14 169	0.08 188	0.08 265	0.07 98	0.06 81	0.08 193	0.09 241

HCRNet	0.16 234	0.23 355	0.12 85	0.35 375	0.11 251	0.15 170	0.17 188	0.26 206	0.22 169	0.19 217	0.24 191	0.21 214	0.14 187	0.15 158	0.13 145	0.11 286	0.07 239	0.11 291	0.10 278	0.09 245	0.07 146

UPFNet	0.16 234	0.08 133	0.12 85	0.20 261	0.12 279	0.20 259	0.23 309	0.28 239	0.26 216	0.18 207	0.24 191	0.22 230	0.20 274	0.19 240	0.22 281	0.09 230	0.07 239	0.08 158	0.09 247	0.08 193	0.06 95

FENet	0.13 154	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 164	0.23 178	0.17 179	0.24 191	0.16 161	0.13 158	0.14 144	0.15 199	0.08 188	0.05 79	0.08 158	0.08 209	0.08 193	0.08 209

ac_64	0.16 234	0.09 179	0.15 169	0.18 174	0.10 213	0.22 282	0.17 188	0.24 181	0.22 169	0.19 217	0.24 191	0.29 288	0.18 247	0.19 240	0.22 281	0.09 230	0.08 265	0.08 158	0.09 247	0.07 147	0.06 95

CFNet	0.15 211	0.11 251	0.17 223	0.17 107	0.08 45	0.19 242	0.10 5	0.29 253	0.26 216	0.19 217	0.24 191	0.24 250	0.18 247	0.18 221	0.15 199	0.08 188	0.06 185	0.09 224	0.10 278	0.08 193	0.07 146

HSM	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.16 191	0.14 75	0.28 239	0.25 204	0.20 237	0.24 191	0.37 333	0.17 237	0.20 253	0.15 199	0.07 140	0.05 79	0.07 98	0.06 81	0.07 147	0.06 95

iResNet	0.13 154	0.10 233	0.18 249	0.19 219	0.08 45	0.14 150	0.18 226	0.21 131	0.27 226	0.16 169	0.24 191	0.15 147	0.13 158	0.14 144	0.15 199	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

StereoVision	0.14 179	0.13 285	0.10 38	0.24 328	0.10 213	0.16 191	0.21 288	0.21 131	0.20 138	0.12 76	0.25 217	0.10 55	0.10 77	0.16 183	0.10 43	0.09 230	0.10 307	0.12 308	0.12 319	0.06 92	0.05 42

SDNR	0.20 281	0.09 179	0.19 270	0.16 60	0.12 279	0.79 395	0.13 45	0.26 206	0.33 267	0.19 217	0.25 217	0.19 193	0.12 129	0.19 240	0.15 199	0.16 355	0.18 362	0.14 332	0.11 301	0.08 193	0.12 302

iinet-f	0.17 252	0.07 51	0.46 355	0.14 11	0.10 213	0.21 269	0.14 75	0.27 218	0.23 178	0.22 255	0.25 217	0.21 214	0.16 216	0.18 221	0.22 281	0.09 230	0.07 239	0.07 98	0.06 81	0.09 245	0.10 263

HHNet	0.11 69	0.06 17	0.16 204	0.15 35	0.14 314	0.07 15	0.13 45	0.20 120	0.18 107	0.15 142	0.25 217	0.11 69	0.09 64	0.13 127	0.10 43	0.06 50	0.04 2	0.08 158	0.06 81	0.05 36	0.09 241

GEStereo_RVC	0.17 252	0.12 266	0.16 204	0.22 303	0.11 251	0.19 242	0.18 226	0.32 280	0.49 345	0.20 237	0.25 217	0.17 177	0.13 158	0.21 268	0.16 216	0.10 261	0.06 185	0.08 158	0.07 157	0.09 245	0.08 209

TestStereo	0.14 179	0.15 306	0.11 62	0.23 320	0.08 45	0.15 170	0.21 288	0.20 120	0.23 178	0.14 121	0.25 217	0.16 161	0.13 158	0.16 183	0.14 169	0.06 50	0.06 185	0.08 158	0.06 81	0.09 245	0.05 42

UNet	0.17 252	0.09 179	0.18 249	0.19 219	0.12 279	0.28 333	0.19 261	0.33 290	0.30 250	0.21 246	0.25 217	0.23 241	0.19 261	0.20 253	0.19 249	0.07 140	0.06 185	0.08 158	0.07 157	0.08 193	0.07 146

GANet-RSSM	0.14 179	0.07 51	0.13 108	0.13 6	0.08 45	0.14 150	0.18 226	0.23 164	0.21 151	0.17 179	0.25 217	0.24 250	0.16 216	0.16 183	0.16 216	0.10 261	0.06 185	0.07 98	0.08 209	0.08 193	0.07 146

DSFCA	0.16 234	0.09 179	0.14 143	0.16 60	0.10 213	0.21 269	0.19 261	0.28 239	0.31 257	0.23 268	0.25 217	0.22 230	0.16 216	0.20 253	0.20 257	0.10 261	0.07 239	0.09 224	0.09 247	0.08 193	0.08 209

FADNet	0.21 291	0.23 355	0.37 345	0.18 174	0.17 346	0.25 307	0.13 45	0.32 280	0.32 262	0.23 268	0.25 217	0.27 273	0.21 278	0.19 240	0.16 216	0.13 323	0.15 351	0.12 308	0.15 346	0.17 355	0.18 359

RASNet	0.15 211	0.07 51	0.15 169	0.16 60	0.08 45	0.19 242	0.14 75	0.30 263	0.21 151	0.17 179	0.25 217	0.21 214	0.19 261	0.20 253	0.20 257	0.07 140	0.06 185	0.06 30	0.08 209	0.06 92	0.06 95

MLCV	0.13 154	0.08 133	0.17 223	0.18 174	0.06 2	0.16 191	0.17 188	0.19 109	0.22 169	0.19 217	0.25 217	0.17 177	0.13 158	0.15 158	0.14 169	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

DualNet	0.13 154	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.15 21	0.19 121	0.15 142	0.26 229	0.19 193	0.13 158	0.10 15	0.22 281	0.06 50	0.05 79	0.09 224	0.08 209	0.06 92	0.06 95

ffm	0.12 130	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.15 21	0.19 121	0.15 142	0.26 229	0.19 193	0.13 158	0.10 15	0.08 9	0.06 50	0.05 79	0.09 224	0.08 209	0.06 92	0.06 95

ff1	0.13 154	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.15 21	0.19 121	0.15 142	0.26 229	0.19 193	0.13 158	0.15 158	0.22 281	0.06 50	0.05 79	0.09 224	0.08 209	0.06 92	0.06 95

mmx	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.27 218	0.26 216	0.15 142	0.26 229	0.19 193	0.13 158	0.15 158	0.22 281	0.08 188	0.06 185	0.09 224	0.08 209	0.08 193	0.08 209

xxx	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.27 218	0.26 216	0.15 142	0.26 229	0.19 193	0.13 158	0.15 158	0.22 281	0.08 188	0.06 185	0.09 224	0.08 209	0.08 193	0.08 209

IER	0.14 179	0.08 133	0.13 108	0.17 107	0.09 120	0.14 150	0.16 169	0.26 206	0.27 226	0.18 207	0.26 229	0.17 177	0.20 274	0.17 212	0.14 169	0.08 188	0.05 79	0.07 98	0.06 81	0.08 193	0.07 146

RAFT+CT+SA	0.13 154	0.11 251	0.09 24	0.19 219	0.09 120	0.15 170	0.28 349	0.22 150	0.22 169	0.15 142	0.26 229	0.10 55	0.10 77	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.08 209	0.07 147	0.06 95

DAS	0.15 211	0.08 133	0.18 249	0.19 219	0.10 213	0.19 242	0.17 188	0.28 239	0.30 250	0.18 207	0.26 229	0.21 214	0.16 216	0.16 183	0.13 145	0.08 188	0.06 185	0.06 30	0.06 81	0.07 147	0.07 146

SepStereo	0.15 211	0.08 133	0.18 249	0.19 219	0.10 213	0.19 242	0.17 188	0.28 239	0.30 250	0.18 207	0.26 229	0.21 214	0.16 216	0.26 311	0.13 145	0.08 188	0.06 185	0.06 30	0.06 81	0.07 147	0.07 146

ACVNet	0.15 211	0.09 179	0.15 169	0.13 6	0.12 279	0.14 150	0.20 275	0.22 150	0.34 277	0.17 179	0.26 229	0.21 214	0.17 237	0.18 221	0.21 268	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

acv_ft	0.15 211	0.09 179	0.16 204	0.19 219	0.10 213	0.16 191	0.17 188	0.25 198	0.34 277	0.19 217	0.26 229	0.21 214	0.17 237	0.18 221	0.19 249	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

cf-r	0.14 179	0.07 51	0.13 108	0.16 60	0.08 45	0.14 150	0.19 261	0.21 131	0.25 204	0.17 179	0.26 229	0.22 230	0.17 237	0.14 144	0.15 199	0.10 261	0.05 79	0.06 30	0.08 209	0.06 92	0.06 95

CFNet-ft	0.14 179	0.07 51	0.15 169	0.12 3	0.09 120	0.17 211	0.18 226	0.22 150	0.24 188	0.17 179	0.26 229	0.24 250	0.14 187	0.16 183	0.15 199	0.11 286	0.06 185	0.08 158	0.09 247	0.09 245	0.08 209

CFNet_RVC	0.14 179	0.07 51	0.15 169	0.12 3	0.09 120	0.17 211	0.18 226	0.22 150	0.24 188	0.17 179	0.26 229	0.24 250	0.14 187	0.16 183	0.15 199	0.11 286	0.06 185	0.08 158	0.09 247	0.09 245	0.08 209

iResNet_ROB	0.14 179	0.07 51	0.13 108	0.15 35	0.07 14	0.19 242	0.14 75	0.26 206	0.32 262	0.23 268	0.26 229	0.23 241	0.16 216	0.15 158	0.14 169	0.07 140	0.05 79	0.05 2	0.04 7	0.08 193	0.08 209

CBFPSM	0.15 211	0.07 51	0.27 310	0.17 107	0.09 120	0.13 121	0.15 120	0.22 150	0.23 178	0.20 237	0.27 244	0.23 241	0.16 216	0.16 183	0.19 249	0.06 50	0.06 185	0.06 30	0.07 157	0.07 147	0.07 146

RAFT_CTSACE	0.12 130	0.09 179	0.10 38	0.22 303	0.08 45	0.12 102	0.24 317	0.18 86	0.17 97	0.21 246	0.27 244	0.13 110	0.07 28	0.13 127	0.09 16	0.05 2	0.06 185	0.08 158	0.07 157	0.04 1	0.04 4

SA	0.13 154	0.09 179	0.09 24	0.18 174	0.08 45	0.12 102	0.24 317	0.23 164	0.19 121	0.17 179	0.27 244	0.15 147	0.11 101	0.11 41	0.11 69	0.05 2	0.05 79	0.09 224	0.08 209	0.05 36	0.05 42

AACVNet	0.16 234	0.08 133	0.15 169	0.15 35	0.10 213	0.18 227	0.15 120	0.24 181	0.25 204	0.27 303	0.27 244	0.28 281	0.18 247	0.19 240	0.17 227	0.09 230	0.07 239	0.09 224	0.07 157	0.10 270	0.09 241

DRaft	0.12 130	0.06 17	0.12 85	0.14 11	0.09 120	0.14 150	0.17 188	0.21 131	0.30 250	0.18 207	0.27 244	0.10 55	0.16 216	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.07 157	0.05 36	0.05 42

ADLNet	0.16 234	0.08 133	0.15 169	0.16 60	0.10 213	0.16 191	0.17 188	0.33 290	0.27 226	0.23 268	0.27 244	0.24 250	0.16 216	0.18 221	0.21 268	0.10 261	0.06 185	0.10 265	0.10 278	0.08 193	0.09 241

delet	0.17 252	0.09 179	0.18 249	0.19 219	0.11 251	0.21 269	0.22 298	0.30 263	0.38 304	0.17 179	0.27 244	0.19 193	0.19 261	0.19 240	0.21 268	0.08 188	0.08 265	0.09 224	0.11 301	0.06 92	0.07 146

DMCA-RVC	0.17 252	0.10 233	0.16 204	0.24 328	0.11 251	0.19 242	0.18 226	0.26 206	0.24 188	0.21 246	0.27 244	0.25 259	0.27 316	0.18 221	0.21 268	0.12 309	0.08 265	0.13 321	0.10 278	0.10 270	0.08 209

FADNet-RVC-Resample	0.17 252	0.12 266	0.32 332	0.22 303	0.12 279	0.19 242	0.14 75	0.25 198	0.24 188	0.24 279	0.27 244	0.20 208	0.15 205	0.17 212	0.16 216	0.07 140	0.08 265	0.12 308	0.10 278	0.09 245	0.11 284

CRFU-Net	0.16 234	0.08 133	0.15 169	0.17 107	0.09 120	0.20 259	0.14 75	0.27 218	0.21 151	0.28 315	0.28 253	0.29 288	0.18 247	0.19 240	0.18 239	0.09 230	0.09 286	0.07 98	0.07 157	0.08 193	0.09 241

test_5	0.14 179	0.12 266	0.08 6	0.20 261	0.10 213	0.14 150	0.28 349	0.21 131	0.24 188	0.19 217	0.28 253	0.11 69	0.15 205	0.12 90	0.13 145	0.06 50	0.05 79	0.07 98	0.08 209	0.08 193	0.07 146

UDG	0.21 291	0.17 323	0.20 273	0.23 320	0.15 324	0.31 341	0.20 275	0.33 290	0.35 288	0.24 279	0.28 253	0.31 307	0.29 328	0.21 268	0.23 291	0.15 343	0.12 327	0.13 321	0.09 247	0.14 329	0.15 340

xxxx	0.15 211	0.07 51	0.14 143	0.14 11	0.08 45	0.24 299	0.18 226	0.32 280	0.20 138	0.14 121	0.28 253	0.22 230	0.14 187	0.15 158	0.29 340	0.09 230	0.05 79	0.07 98	0.07 157	0.08 193	0.08 209

psm_up	0.19 274	0.10 233	0.18 249	0.21 287	0.11 251	0.17 211	0.19 261	0.38 339	0.34 277	0.22 255	0.28 253	0.29 288	0.25 304	0.20 253	0.22 281	0.09 230	0.10 307	0.11 291	0.11 301	0.08 193	0.08 209

PSMNet-RSSM	0.14 179	0.07 51	0.14 143	0.15 35	0.08 45	0.13 121	0.16 169	0.25 198	0.24 188	0.17 179	0.28 253	0.23 241	0.14 187	0.16 183	0.14 169	0.11 286	0.06 185	0.09 224	0.12 319	0.08 193	0.07 146

GwcNet-RSSM	0.14 179	0.07 51	0.12 85	0.16 60	0.08 45	0.15 170	0.20 275	0.22 150	0.28 239	0.18 207	0.28 253	0.23 241	0.17 237	0.15 158	0.16 216	0.10 261	0.06 185	0.07 98	0.09 247	0.07 147	0.07 146

TDLM	0.18 265	0.12 266	0.14 143	0.24 328	0.10 213	0.18 227	0.18 226	0.37 332	0.30 250	0.22 255	0.28 253	0.28 281	0.18 247	0.23 292	0.19 249	0.11 286	0.07 239	0.10 265	0.10 278	0.08 193	0.08 209

NVstereo2D	0.19 274	0.11 251	0.16 204	0.17 107	0.16 336	0.28 333	0.23 309	0.44 365	0.42 321	0.15 142	0.28 253	0.25 259	0.19 261	0.23 292	0.18 239	0.09 230	0.06 185	0.10 265	0.08 209	0.15 340	0.10 263

StereoDRNet	0.19 274	0.11 251	0.18 249	0.22 303	0.11 251	0.22 282	0.22 298	0.37 332	0.34 277	0.24 279	0.28 253	0.30 295	0.19 261	0.20 253	0.21 268	0.10 261	0.08 265	0.11 291	0.09 247	0.09 245	0.07 146

222	0.16 234	0.07 51	0.15 169	0.14 11	0.08 45	0.25 307	0.18 226	0.30 263	0.21 151	0.18 207	0.29 263	0.17 177	0.16 216	0.16 183	0.44 379	0.10 261	0.05 79	0.07 98	0.06 81	0.08 193	0.08 209

test_xeample	0.15 211	0.07 51	0.14 143	0.15 35	0.08 45	0.22 282	0.20 275	0.29 253	0.21 151	0.16 169	0.29 263	0.19 193	0.17 237	0.16 183	0.28 333	0.09 230	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

RYNet	0.23 312	0.12 266	0.22 286	0.19 219	0.17 346	0.47 371	0.26 339	0.39 344	0.49 345	0.24 279	0.29 263	0.34 324	0.24 298	0.20 253	0.31 350	0.10 261	0.06 185	0.09 224	0.09 247	0.14 329	0.15 340

iResNetv2_ROB	0.15 211	0.08 133	0.16 204	0.16 60	0.08 45	0.16 191	0.13 45	0.26 206	0.36 294	0.21 246	0.29 263	0.24 250	0.13 158	0.14 144	0.14 169	0.06 50	0.06 185	0.06 30	0.04 7	0.09 245	0.08 209

DLCB_ROB	0.18 265	0.10 233	0.16 204	0.23 320	0.11 251	0.24 299	0.18 226	0.30 263	0.28 239	0.27 303	0.29 263	0.28 281	0.25 304	0.20 253	0.20 257	0.08 188	0.08 265	0.09 224	0.09 247	0.07 147	0.07 146

SGM-Forest	0.20 281	0.14 300	0.18 249	0.20 261	0.13 299	0.21 269	0.22 298	0.33 290	0.31 257	0.24 279	0.29 263	0.28 281	0.20 274	0.23 292	0.18 239	0.15 343	0.16 356	0.15 339	0.14 335	0.13 314	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ICVP	0.16 234	0.09 179	0.12 85	0.22 303	0.09 120	0.18 227	0.21 288	0.26 206	0.24 188	0.18 207	0.30 269	0.27 273	0.18 247	0.18 221	0.15 199	0.10 261	0.07 239	0.08 158	0.07 157	0.07 147	0.08 209
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 252	0.10 233	0.17 223	0.20 261	0.11 251	0.27 325	0.20 275	0.26 206	0.42 321	0.22 255	0.30 269	0.22 230	0.20 274	0.18 221	0.20 257	0.06 50	0.06 185	0.07 98	0.07 157	0.08 193	0.07 146

STTStereo	0.18 265	0.13 285	0.28 312	0.20 261	0.11 251	0.16 191	0.21 288	0.29 253	0.23 178	0.22 255	0.30 269	0.29 288	0.18 247	0.20 253	0.20 257	0.12 309	0.11 319	0.11 291	0.14 335	0.09 245	0.08 209

CSP-Net	0.16 234	0.09 179	0.14 143	0.17 107	0.09 120	0.19 242	0.18 226	0.25 198	0.33 267	0.26 296	0.31 272	0.25 259	0.16 216	0.21 268	0.19 249	0.09 230	0.06 185	0.07 98	0.07 157	0.08 193	0.08 209

SACVNet	0.19 274	0.12 266	0.15 169	0.17 107	0.13 299	0.22 282	0.18 226	0.31 276	0.31 257	0.24 279	0.31 272	0.30 295	0.23 291	0.23 292	0.17 227	0.11 286	0.08 265	0.10 265	0.10 278	0.12 299	0.14 325

XQC	0.29 349	0.23 355	0.53 363	0.29 364	0.19 359	0.36 357	0.28 349	0.37 332	0.58 366	0.31 330	0.31 272	0.37 333	0.30 339	0.39 364	0.39 370	0.13 323	0.09 286	0.15 339	0.12 319	0.18 357	0.18 359

DeepPrunerF	0.24 322	0.17 323	0.45 354	0.26 344	0.16 336	0.23 293	0.29 359	0.37 332	0.51 350	0.27 303	0.31 272	0.24 250	0.28 325	0.22 285	0.23 291	0.15 343	0.11 319	0.20 361	0.18 359	0.12 299	0.14 325

CVANet_RVC	0.18 265	0.11 251	0.14 143	0.21 287	0.11 251	0.19 242	0.18 226	0.34 304	0.34 277	0.22 255	0.31 272	0.28 281	0.18 247	0.24 302	0.18 239	0.12 309	0.08 265	0.12 308	0.12 319	0.09 245	0.08 209

NLCA_NET_v2_RVC	0.17 252	0.10 233	0.23 292	0.20 261	0.10 213	0.15 170	0.18 226	0.31 276	0.25 204	0.21 246	0.31 272	0.25 259	0.17 237	0.21 268	0.20 257	0.09 230	0.06 185	0.08 158	0.09 247	0.07 147	0.08 209
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NaN_ROB	0.23 312	0.20 344	0.25 302	0.25 334	0.13 299	0.31 341	0.27 343	0.34 304	0.41 319	0.31 330	0.31 272	0.32 314	0.23 291	0.31 336	0.22 281	0.11 286	0.17 360	0.10 265	0.11 301	0.08 193	0.09 241

CBMV_ROB	0.19 274	0.13 285	0.18 249	0.16 60	0.11 251	0.16 191	0.12 23	0.27 218	0.29 245	0.27 303	0.31 272	0.27 273	0.24 298	0.24 302	0.16 216	0.15 343	0.18 362	0.22 366	0.20 361	0.10 270	0.12 302

CBMV	0.20 281	0.15 306	0.18 249	0.18 174	0.10 213	0.20 259	0.11 10	0.30 263	0.31 257	0.29 320	0.31 272	0.31 307	0.23 291	0.28 321	0.19 249	0.13 323	0.15 351	0.17 349	0.16 348	0.10 270	0.10 263
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
whm_eth	0.14 179	0.09 179	0.21 279	0.21 287	0.12 279	0.12 102	0.16 169	0.18 86	0.29 245	0.17 179	0.32 281	0.09 37	0.13 158	0.18 221	0.14 169	0.07 140	0.07 239	0.08 158	0.07 157	0.07 147	0.07 146

GMStereo_Zeroshot	0.16 234	0.13 285	0.25 302	0.20 261	0.10 213	0.17 211	0.13 45	0.30 263	0.25 204	0.23 268	0.32 281	0.25 259	0.11 101	0.19 240	0.14 169	0.09 230	0.06 185	0.11 291	0.06 81	0.12 299	0.08 209

DGSMNet	0.25 329	0.19 339	0.34 336	0.21 287	0.24 369	0.24 299	0.21 288	0.36 325	0.42 321	0.25 292	0.32 281	0.38 339	0.21 278	0.29 329	0.24 302	0.13 323	0.11 319	0.14 332	0.16 348	0.23 366	0.23 372

hitnet-ft	0.18 265	0.10 233	0.17 223	0.14 11	0.09 120	0.27 325	0.20 275	0.25 198	0.26 216	0.24 279	0.32 281	0.32 314	0.23 291	0.24 302	0.21 268	0.12 309	0.07 239	0.10 265	0.08 209	0.12 299	0.11 284

FADNet-RVC	0.21 291	0.20 344	0.40 348	0.21 287	0.16 336	0.21 269	0.15 120	0.27 218	0.27 226	0.26 296	0.32 281	0.26 268	0.21 278	0.22 285	0.19 249	0.12 309	0.13 339	0.12 308	0.14 335	0.13 314	0.18 359

DANet	0.21 291	0.16 314	0.29 320	0.25 334	0.13 299	0.23 293	0.19 261	0.28 239	0.27 226	0.28 315	0.32 281	0.35 329	0.32 347	0.31 336	0.24 302	0.11 286	0.09 286	0.11 291	0.10 278	0.13 314	0.11 284
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DISCO	0.20 281	0.09 179	0.22 286	0.17 107	0.10 213	0.25 307	0.18 226	0.28 239	0.45 333	0.23 268	0.32 281	0.34 324	0.26 311	0.29 329	0.29 340	0.08 188	0.06 185	0.07 98	0.07 157	0.09 245	0.10 263

HBP-ISP	0.18 265	0.13 285	0.17 223	0.15 35	0.11 251	0.08 22	0.13 45	0.28 239	0.30 250	0.22 255	0.33 288	0.21 214	0.25 304	0.23 292	0.18 239	0.15 343	0.17 360	0.21 362	0.17 355	0.10 270	0.09 241

FINET	0.22 299	0.18 336	0.28 312	0.19 219	0.16 336	0.24 299	0.24 317	0.33 290	0.49 345	0.26 296	0.33 288	0.22 230	0.23 291	0.23 292	0.18 239	0.18 360	0.16 356	0.11 291	0.10 278	0.15 340	0.14 325

GwcNet	0.20 281	0.14 300	0.20 273	0.18 174	0.12 279	0.25 307	0.20 275	0.36 325	0.45 333	0.20 237	0.33 288	0.33 320	0.21 278	0.22 285	0.25 309	0.11 286	0.09 286	0.09 224	0.09 247	0.09 245	0.10 263

HGLStereo	0.17 252	0.09 179	0.19 270	0.17 107	0.12 279	0.18 227	0.18 226	0.31 276	0.33 267	0.22 255	0.33 288	0.24 250	0.18 247	0.20 253	0.21 268	0.10 261	0.09 286	0.07 98	0.07 157	0.09 245	0.10 263

AF-Net	0.23 312	0.17 323	0.17 223	0.27 351	0.13 299	0.26 317	0.24 317	0.33 290	0.51 350	0.25 292	0.33 288	0.39 344	0.27 316	0.28 321	0.26 321	0.11 286	0.10 307	0.16 346	0.12 319	0.11 286	0.11 284

ADCRef	0.20 281	0.12 266	0.43 353	0.20 261	0.12 279	0.23 293	0.18 226	0.32 280	0.37 298	0.26 296	0.33 288	0.18 189	0.23 291	0.25 307	0.26 321	0.07 140	0.06 185	0.09 224	0.09 247	0.08 193	0.09 241

PA-Net	0.24 322	0.18 336	0.34 336	0.28 357	0.22 366	0.22 282	0.39 382	0.29 253	0.39 308	0.22 255	0.33 288	0.25 259	0.26 311	0.21 268	0.25 309	0.10 261	0.23 378	0.15 339	0.22 366	0.09 245	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	0.20 281	0.11 251	0.21 279	0.22 303	0.10 213	0.22 282	0.22 298	0.40 347	0.38 304	0.24 279	0.33 288	0.26 268	0.22 285	0.22 285	0.25 309	0.11 286	0.07 239	0.11 291	0.10 278	0.09 245	0.08 209

PSMNet_ROB	0.22 299	0.12 266	0.15 169	0.27 351	0.15 324	0.25 307	0.36 377	0.43 361	0.37 298	0.27 303	0.33 288	0.32 314	0.23 291	0.21 268	0.27 326	0.12 309	0.08 265	0.13 321	0.11 301	0.10 270	0.09 241

pmcnn	0.15 211	0.07 51	0.20 273	0.15 35	0.07 14	0.21 269	0.16 169	0.25 198	0.26 216	0.21 246	0.33 288	0.29 288	0.19 261	0.18 221	0.17 227	0.07 140	0.05 79	0.05 2	0.04 7	0.07 147	0.06 95

fast-acv-ft	0.18 265	0.11 251	0.20 273	0.19 219	0.12 279	0.26 317	0.21 288	0.26 206	0.35 288	0.22 255	0.34 298	0.27 273	0.21 278	0.21 268	0.23 291	0.09 230	0.09 286	0.08 158	0.10 278	0.08 193	0.07 146

RAFT-345	0.11 69	0.07 51	0.16 204	0.17 107	0.08 45	0.08 22	0.12 23	0.16 35	0.10 6	0.11 58	0.34 298	0.09 37	0.10 77	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.06 81	0.04 1	0.05 42

RTSC	0.23 312	0.13 285	0.30 325	0.21 287	0.13 299	0.29 335	0.17 188	0.36 325	0.68 378	0.27 303	0.34 298	0.30 295	0.22 285	0.32 340	0.31 350	0.10 261	0.08 265	0.09 224	0.10 278	0.13 314	0.14 325

STTRV1_RVC		0.26 364		0.19 219	0.26 376	0.30 338	0.24 317	0.35 319	0.35 288	0.36 344	0.34 298	0.31 307	0.31 344	0.28 321	0.25 309	0.18 360	0.10 307	0.16 346	0.14 335	0.18 357	0.12 302

PS-NSSS	0.20 281	0.21 349	0.23 292	0.20 261	0.10 213	0.19 242	0.17 188	0.36 325	0.26 216	0.27 303	0.34 298	0.27 273	0.24 298	0.20 253	0.20 257	0.15 343	0.12 327	0.17 349	0.14 335	0.10 270	0.09 241

SAMSARA	0.41 369	0.28 367	0.34 336	0.55 390	0.39 384	0.85 398	1.25 413	0.49 373	0.52 356	0.36 344	0.35 303	0.56 375	0.39 360	0.39 364	0.41 373	0.15 343	0.20 368	0.15 339	0.14 335	0.23 366	0.21 368

GANetREF_RVC	0.31 357	0.34 377	0.29 320	0.35 375	0.16 336	0.33 345	0.42 385	0.48 372	0.52 356	0.35 342	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
AANet_RVC	0.16 234	0.10 233	0.11 62	0.18 174	0.09 120	0.19 242	0.18 226	0.27 218	0.32 262	0.22 255	0.35 303	0.21 214	0.22 285	0.22 285	0.17 227	0.06 50	0.05 79	0.06 30	0.06 81	0.07 147	0.06 95

Anonymous Stereo	0.24 322	0.19 339	0.52 362	0.25 334	0.18 355	0.21 269	0.22 298	0.34 304	0.45 333	0.25 292	0.35 303	0.26 268	0.19 261	0.31 336	0.29 340	0.13 323	0.12 327	0.12 308	0.13 329	0.12 299	0.14 325

Syn2CoEx	0.22 299	0.16 314	0.29 320	0.29 364	0.15 324	0.26 317	0.21 288	0.34 304	0.32 262	0.29 320	0.36 307	0.28 281	0.25 304	0.20 253	0.25 309	0.16 355	0.12 327	0.14 332	0.11 301	0.09 245	0.08 209

S-Stereo	0.21 291	0.12 266	0.25 302	0.21 287	0.13 299	0.21 269	0.19 261	0.33 290	0.45 333	0.23 268	0.36 307	0.28 281	0.29 328	0.20 253	0.23 291	0.09 230	0.12 327	0.10 265	0.10 278	0.13 314	0.14 325

MaskLacGwcNet_RVC	0.22 299	0.21 349	0.25 302	0.26 344	0.11 251	0.24 299	0.14 75	0.39 344	0.24 188	0.32 337	0.36 307	0.30 295	0.21 278	0.19 240	0.22 281	0.17 359	0.14 347	0.21 362	0.16 348	0.13 314	0.12 302

SQANet	0.24 322	0.24 358	0.31 328	0.31 368	0.19 359	0.27 325	0.13 45	0.30 263	0.33 267	0.25 292	0.37 310	0.31 307	0.22 285	0.27 313	0.23 291	0.15 343	0.10 307	0.21 362	0.16 348	0.22 364	0.16 349

DDUNet	0.23 312	0.18 336	0.22 286	0.22 303	0.15 324	0.25 307	0.24 317	0.30 263	0.31 257	0.31 330	0.37 310	0.34 324	0.26 311	0.25 307	0.21 268	0.18 360	0.13 339	0.17 349	0.11 301	0.16 348	0.17 357

FAT-Stereo	0.21 291	0.13 285	0.22 286	0.21 287	0.12 279	0.18 227	0.18 226	0.35 319	0.40 312	0.28 315	0.37 310	0.33 320	0.33 349	0.21 268	0.20 257	0.09 230	0.11 319	0.10 265	0.09 247	0.11 286	0.14 325

ADCP+	0.20 281	0.10 233	0.35 342	0.21 287	0.12 279	0.22 282	0.27 343	0.31 276	0.35 288	0.26 296	0.37 310	0.22 230	0.22 285	0.27 313	0.28 333	0.09 230	0.06 185	0.08 158	0.08 209	0.10 270	0.10 263

CC-Net-ROB	0.28 346	0.31 375	0.36 344	0.30 366	0.15 324	0.25 307	0.19 261	0.45 367	0.34 277	0.39 352	0.37 310	0.39 344	0.31 344	0.27 313	0.27 326	0.24 379	0.18 362	0.30 380	0.23 370	0.19 361	0.15 340

ETE_ROB	0.23 312	0.17 323	0.23 292	0.25 334	0.14 314	0.26 317	0.29 359	0.32 280	0.37 298	0.28 315	0.37 310	0.45 360	0.27 316	0.28 321	0.27 326	0.11 286	0.09 286	0.12 308	0.10 278	0.14 329	0.13 312

DispFullNet	0.27 344	0.22 353	0.66 376	0.28 357	0.17 346	0.27 325	0.17 188	0.34 304	0.57 363	0.27 303	0.37 310	0.43 356	0.24 298	0.39 364	0.25 309	0.12 309	0.06 185	0.19 359	0.11 301	0.23 366	0.16 349

RP	0.22 299	0.13 285	0.22 286	0.23 320	0.12 279	0.21 269	0.20 275	0.26 206	0.45 333	0.22 255	0.38 317	0.37 333	0.25 304	0.28 321	0.25 309	0.11 286	0.12 327	0.13 321	0.12 319	0.13 314	0.14 325

G-Net	0.25 329	0.17 323	0.38 346	0.23 320	0.16 336	0.51 374	0.23 309	0.29 253	0.35 288	0.36 344	0.38 317	0.31 307	0.29 328	0.28 321	0.27 326	0.11 286	0.09 286	0.12 308	0.10 278	0.16 348	0.14 325

NCC-stereo	0.25 329	0.15 306	0.31 328	0.26 344	0.17 346	0.21 269	0.31 366	0.41 352	0.40 312	0.24 279	0.38 317	0.33 320	0.29 328	0.37 359	0.28 333	0.13 323	0.11 319	0.15 339	0.22 366	0.13 314	0.13 312

Abc-Net	0.25 329	0.15 306	0.31 328	0.26 344	0.17 346	0.21 269	0.31 366	0.41 352	0.40 312	0.24 279	0.38 317	0.33 320	0.29 328	0.37 359	0.28 333	0.13 323	0.11 319	0.15 339	0.22 366	0.13 314	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
DPSNet	0.28 346	0.16 314	0.33 333	0.18 174	0.13 299	0.55 377	0.42 385	0.52 377	0.68 378	0.29 320	0.38 317	0.39 344	0.30 339	0.32 340	0.23 291	0.11 286	0.10 307	0.11 291	0.08 209	0.20 363	0.16 349

NCCL2	0.24 322	0.15 306	0.18 249	0.34 373	0.18 355	0.24 299	0.24 317	0.34 304	0.29 245	0.31 330	0.38 317	0.38 339	0.29 328	0.23 292	0.25 309	0.15 343	0.12 327	0.18 357	0.21 363	0.13 314	0.13 312

SGM_RVC	0.24 322	0.12 266	0.16 204	0.15 35	0.09 120	0.34 349	0.19 261	0.35 319	0.32 262	0.44 366	0.38 317	0.53 373	0.36 356	0.36 355	0.26 321	0.13 323	0.13 339	0.13 321	0.13 329	0.11 286	0.11 284
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SuperB	0.20 281	0.10 233	0.57 368	0.16 60	0.09 120	0.19 242	0.18 226	0.25 198	0.51 350	0.27 303	0.39 324	0.17 177	0.22 285	0.22 285	0.21 268	0.08 188	0.06 185	0.06 30	0.06 81	0.12 299	0.11 284

stereogan	0.22 299	0.11 251	0.21 279	0.20 261	0.12 279	0.32 343	0.19 261	0.36 325	0.45 333	0.23 268	0.39 324	0.35 329	0.27 316	0.33 343	0.23 291	0.10 261	0.12 327	0.10 265	0.10 278	0.14 329	0.14 325

LALA_ROB	0.25 329	0.16 314	0.23 292	0.27 351	0.17 346	0.27 325	0.27 343	0.42 356	0.38 304	0.33 341	0.39 324	0.51 370	0.26 311	0.29 329	0.28 333	0.16 355	0.09 286	0.13 321	0.12 319	0.13 314	0.13 312

RAFT-RH_RVC	0.12 130	0.06 17	0.14 143	0.16 60	0.09 120	0.12 102	0.12 23	0.17 62	0.12 25	0.13 100	0.40 327	0.11 69	0.10 77	0.13 127	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

APVNet	0.23 312	0.12 266	0.20 273	0.18 174	0.14 314	0.32 343	0.31 366	0.40 347	0.33 267	0.27 303	0.40 327	0.30 295	0.29 328	0.27 313	0.25 309	0.11 286	0.12 327	0.11 291	0.14 335	0.12 299	0.13 312

RGC	0.25 329	0.20 344	0.29 320	0.28 357	0.16 336	0.22 282	0.23 309	0.33 290	0.44 330	0.27 303	0.40 327	0.38 339	0.28 325	0.37 359	0.23 291	0.11 286	0.13 339	0.17 349	0.17 355	0.15 340	0.16 349

edge stereo	0.23 312	0.14 300	0.21 279	0.21 287	0.13 299	0.24 299	0.16 169	0.32 280	0.42 321	0.32 337	0.40 327	0.39 344	0.35 353	0.25 307	0.25 309	0.13 323	0.11 319	0.14 332	0.11 301	0.12 299	0.14 325

PASM	0.33 359	0.25 363	0.51 361	0.28 357	0.27 377	0.30 338	0.31 366	0.35 319	0.51 350	0.36 344	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

MDST_ROB	0.22 299	0.10 233	0.18 249	0.18 174	0.11 251	0.40 366	0.19 261	0.44 365	0.42 321	0.40 355	0.40 327	0.29 288	0.21 278	0.27 313	0.19 249	0.11 286	0.10 307	0.14 332	0.11 301	0.10 270	0.08 209

CSAN	0.30 352	0.24 358	0.28 312	0.34 373	0.19 359	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	0.14 329	0.15 340

SANet	0.25 329	0.14 300	0.29 320	0.21 287	0.11 251	0.29 335	0.25 333	0.40 347	0.65 377	0.36 344	0.40 327	0.42 354	0.27 316	0.27 313	0.25 309	0.12 309	0.09 286	0.10 265	0.09 247	0.13 314	0.12 302

XPNet_ROB	0.22 299	0.12 266	0.20 273	0.22 303	0.13 299	0.22 282	0.19 261	0.35 319	0.40 312	0.30 325	0.40 327	0.38 339	0.27 316	0.26 311	0.29 340	0.15 343	0.10 307	0.10 265	0.10 278	0.13 314	0.12 302

PWC_ROB	0.21 291	0.16 314	0.27 310	0.18 174	0.11 251	0.22 282	0.13 45	0.33 290	0.49 345	0.30 325	0.40 327	0.32 314	0.25 304	0.31 336	0.23 291	0.10 261	0.07 239	0.11 291	0.08 209	0.11 286	0.10 263

Wz-Net-MNSev	0.23 312	0.13 285	0.33 333	0.20 261	0.15 324	0.36 357	0.25 333	0.34 304	0.45 333	0.29 320	0.41 337	0.39 344	0.19 261	0.25 307	0.27 326	0.09 230	0.07 239	0.09 224	0.09 247	0.12 299	0.10 263

Nwc_Net	0.23 312	0.17 323	0.22 286	0.25 334	0.15 324	0.25 307	0.27 343	0.38 339	0.39 308	0.22 255	0.41 337	0.30 295	0.29 328	0.28 321	0.25 309	0.11 286	0.10 307	0.17 349	0.20 361	0.10 270	0.11 284

ADCPNet	0.26 339	0.17 323	0.62 373	0.21 287	0.15 324	0.36 357	0.25 333	0.33 290	0.37 298	0.31 330	0.41 337	0.36 331	0.29 328	0.29 329	0.34 360	0.12 309	0.10 307	0.11 291	0.12 319	0.14 329	0.13 312

StereoDRNet-Refined	0.17 252	0.12 266	0.16 204	0.20 261	0.10 213	0.18 227	0.18 226	0.27 218	0.24 188	0.26 296	0.41 337	0.23 241	0.18 247	0.21 268	0.21 268	0.09 230	0.05 79	0.09 224	0.10 278	0.07 147	0.07 146
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
FBW_ROB	0.25 329	0.17 323	0.23 292	0.27 351	0.14 314	0.26 317	0.22 298	0.42 356	0.43 328	0.42 361	0.41 337	0.43 356	0.27 316	0.32 340	0.24 302	0.09 230	0.15 351	0.15 339	0.12 319	0.12 299	0.10 263

PDISCO_ROB	0.28 346	0.16 314	0.28 312	0.28 357	0.20 362	0.33 345	0.27 343	0.45 367	0.58 366	0.28 315	0.41 337	0.45 360	0.30 339	0.34 346	0.35 361	0.12 309	0.09 286	0.17 349	0.16 348	0.17 355	0.13 312

Wz-Net-TNSev	0.29 349	0.20 344	0.69 384	0.19 219	0.15 324	0.38 363	0.27 343	0.36 325	0.56 362	0.35 342	0.42 343	0.45 360	0.39 360	0.33 343	0.31 350	0.13 323	0.13 339	0.10 265	0.12 319	0.15 340	0.15 340

Wz-Net-LNSev	0.22 299	0.16 314	0.41 350	0.22 303	0.13 299	0.25 307	0.24 317	0.33 290	0.44 330	0.30 325	0.42 343	0.32 314	0.19 261	0.23 292	0.27 326	0.10 261	0.09 286	0.08 158	0.08 209	0.12 299	0.11 284

SHD	0.26 339	0.15 306	0.31 328	0.24 328	0.18 355	0.23 293	0.15 120	0.39 344	0.72 383	0.32 337	0.42 343	0.36 331	0.29 328	0.33 343	0.30 346	0.13 323	0.11 319	0.14 332	0.13 329	0.16 348	0.20 367

Wz-Net-LNSev-Ref	0.18 265	0.09 179	0.30 325	0.15 35	0.11 251	0.23 293	0.20 275	0.27 218	0.40 312	0.26 296	0.43 346	0.25 259	0.15 205	0.21 268	0.20 257	0.07 140	0.05 79	0.06 30	0.05 31	0.10 270	0.09 241

GANet	0.22 299	0.13 285	0.21 279	0.25 334	0.14 314	0.23 293	0.22 298	0.42 356	0.27 226	0.31 330	0.43 346	0.37 333	0.29 328	0.23 292	0.23 291	0.10 261	0.12 327	0.10 265	0.09 247	0.10 270	0.08 209

RTS	0.46 376	0.19 339	3.33 410	0.25 334	0.15 324	0.72 390	0.21 288	0.37 332	0.78 389	0.42 361	0.44 348	0.31 307	0.43 371	0.55 383	0.37 366	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 340

RTSA	0.46 376	0.19 339	3.33 410	0.25 334	0.15 324	0.72 390	0.21 288	0.37 332	0.78 389	0.42 361	0.44 348	0.31 307	0.43 371	0.55 383	0.37 366	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 340

ACVNet-4b	0.39 366	0.53 387	0.56 366	0.45 384	0.24 369	0.46 370	0.18 226	0.50 374	0.64 375	0.42 361	0.45 350	0.60 377	0.27 316	0.34 346	0.24 302	0.33 384	0.14 347	0.48 388	0.42 387	0.31 383	0.27 379

ADCMid	0.26 339	0.15 306	0.42 352	0.20 261	0.14 314	0.25 307	0.26 339	0.35 319	0.40 312	0.37 349	0.45 350	0.34 324	0.42 368	0.36 355	0.36 362	0.10 261	0.09 286	0.11 291	0.11 301	0.13 314	0.13 312

ccnet	0.30 352	0.28 367	0.24 298	0.20 261	0.28 378	0.41 367	0.22 298	0.46 370	0.33 267	0.37 349	0.46 352	0.37 333	0.30 339	0.40 367	0.43 376	0.23 377	0.14 347	0.21 362	0.17 355	0.23 366	0.19 364

MFN_U_SF_DS_RVC	0.30 352	0.24 358	0.30 325	0.36 377	0.16 336	0.36 357	0.31 366	0.34 304	0.43 328	0.41 359	0.46 352	0.38 339	0.30 339	0.35 351	0.29 340	0.19 364	0.20 368	0.26 369	0.29 378	0.18 357	0.19 364

ADCL	0.25 329	0.12 266	0.49 360	0.22 303	0.12 279	0.36 357	0.29 359	0.30 263	0.57 363	0.24 279	0.47 354	0.30 295	0.31 344	0.30 335	0.30 346	0.09 230	0.07 239	0.09 224	0.09 247	0.10 270	0.10 263

aanetorigin	0.22 299	0.17 323	0.57 368	0.18 174	0.10 213	0.16 191	0.19 261	0.20 120	0.33 267	0.49 371	0.48 355	0.30 295	0.28 325	0.21 268	0.24 302	0.08 188	0.07 239	0.08 158	0.07 157	0.10 270	0.09 241

Ntro	0.41 369	0.40 383	0.54 365	0.46 387	0.30 382	0.64 383	0.24 317	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	0.33 385	0.29 380

PWCDC_ROB	0.21 291	0.13 285	0.23 292	0.25 334	0.12 279	0.20 259	0.15 120	0.34 304	0.55 360	0.29 320	0.49 356	0.21 214	0.15 205	0.28 321	0.20 257	0.11 286	0.09 286	0.10 265	0.08 209	0.11 286	0.09 241

otaku	0.39 366	0.38 381	0.53 363	0.44 383	0.28 378	0.57 379	0.24 317	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	0.30 380	0.29 380

anonymity	0.53 381	0.58 388	0.66 376	0.41 380	0.61 399	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	0.51 390	0.51 394	0.52 389	0.58 395

ADCS	0.30 352	0.19 339	0.48 359	0.21 287	0.18 355	0.29 335	0.24 317	0.42 356	0.64 375	0.40 355	0.50 358	0.40 350	0.37 357	0.40 367	0.43 376	0.13 323	0.13 339	0.13 321	0.14 335	0.16 348	0.16 349

AnyNet_C32	0.26 339	0.16 314	0.39 347	0.20 261	0.17 346	0.26 317	0.31 366	0.32 280	0.45 333	0.31 330	0.50 358	0.30 295	0.34 350	0.41 372	0.36 362	0.12 309	0.12 327	0.12 308	0.14 335	0.14 329	0.15 340

FCDSN-DC	0.33 359	0.28 367	0.28 312	0.30 366	0.24 369	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	0.25 375	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.
WCMA_ROB	0.24 322	0.11 251	0.24 298	0.17 107	0.14 314	0.34 349	0.16 169	0.33 290	0.33 267	0.39 352	0.54 363	0.40 350	0.35 353	0.35 351	0.26 321	0.12 309	0.12 327	0.12 308	0.11 301	0.14 329	0.14 325

psmorigin	0.25 329	0.16 314	0.35 342	0.17 107	0.13 299	0.24 299	0.14 75	0.34 304	0.34 277	0.41 359	0.55 364	0.41 352	0.38 359	0.35 351	0.28 333	0.11 286	0.15 351	0.11 291	0.11 301	0.12 299	0.17 357

Wz-Net-SNSev	0.26 339	0.17 323	0.46 355	0.25 334	0.14 314	0.26 317	0.24 317	0.38 339	0.57 363	0.30 325	0.56 365	0.39 344	0.26 311	0.24 302	0.32 355	0.10 261	0.09 286	0.10 265	0.11 301	0.11 286	0.11 284

EDNetEfficient	0.30 352	0.24 358	1.18 400	0.18 174	0.10 213	0.20 259	0.20 275	0.21 131	0.61 370	0.74 388	0.56 365	0.30 295	0.40 364	0.23 292	0.32 355	0.09 230	0.07 239	0.08 158	0.07 157	0.11 286	0.10 263

MFN_U_SF_RVC	0.33 359	0.22 353	0.58 371	0.31 368	0.15 324	0.36 357	0.17 188	0.54 380	0.46 341	0.47 370	0.56 365	0.58 376	0.39 360	0.36 355	0.38 369	0.15 343	0.15 351	0.18 357	0.21 363	0.16 348	0.16 349

FC-DCNN	0.33 359	0.28 367	0.28 312	0.26 344	0.23 367	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	0.25 375	0.24 373

WZ-Net	0.29 349	0.17 323	0.82 392	0.23 320	0.16 336	0.35 353	0.29 359	0.40 347	0.59 368	0.24 279	0.57 369	0.37 333	0.25 304	0.34 346	0.37 366	0.09 230	0.08 265	0.09 224	0.10 278	0.14 329	0.16 349

SGM-ForestM	0.33 359	0.12 266	0.17 223	0.16 60	0.11 251	0.42 368	0.20 275	0.43 361	0.53 359	0.53 374	0.57 369	1.41 405	0.44 373	0.42 373	0.29 340	0.14 341	0.16 356	0.16 346	0.16 348	0.12 299	0.13 312

MADNet+	0.76 393	0.72 397	3.76 413	0.67 393	0.41 385	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	0.38 386	0.33 385

MeshStereo	0.27 344	0.13 285	0.18 249	0.15 35	0.11 251	0.33 345	0.24 317	0.41 352	0.36 294	0.53 374	0.58 371	0.67 383	0.41 365	0.36 355	0.27 326	0.14 341	0.13 339	0.13 321	0.11 301	0.11 286	0.11 284
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
ACVNet_1	0.45 375	0.51 386	0.61 372	0.45 384	0.28 378	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	0.32 384	0.25 374

LSM	0.34 364	0.21 349	0.62 373	0.27 351	0.62 400	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	0.13 323	0.21 375	0.14 332	0.16 348	0.18 357	0.34 386

SPS-STEREO	0.58 385	0.59 390	0.66 376	0.45 384	0.55 393	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	0.51 390	0.49 391	0.55 392	0.58 395
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 382	0.61 391	0.71 389	0.57 391	0.43 387	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	0.53 392	0.41 386	0.53 391	0.41 391

EDNetEfficientorigin	7.92 417	0.32 376	152.98 436	0.20 261	0.10 213	0.22 282	0.17 188	0.23 164	0.60 369	0.73 386	0.67 376	0.41 352	0.51 379	0.24 302	0.41 373	0.08 188	0.07 239	0.09 224	0.07 157	0.12 299	0.11 284

LE_ROB	0.50 380	0.07 51	0.14 143	0.15 35	0.08 45	0.26 317	0.17 188	0.23 164	1.71 411	4.68 416	0.67 376	0.46 364	0.47 374	0.21 268	0.30 346	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

MSMD_ROB	0.31 357	0.26 364	0.26 308	0.24 328	0.21 364	0.34 349	0.25 333	0.34 304	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

coex-ft	3.24 411	0.35 379	57.83 435	0.18 174	0.13 299	0.27 325	0.23 309	0.28 239	0.72 383	1.89 413	0.70 380	0.43 356	0.47 374	0.29 329	0.43 376	0.09 230	0.09 286	0.12 308	0.09 247	0.14 329	0.14 325

SGM+DAISY	0.57 384	0.58 388	0.67 380	0.41 380	0.55 393	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	0.50 389	0.50 393	0.52 389	0.59 398

MSC_U_SF_DS_RVC	0.44 373	0.39 382	0.56 366	0.40 379	0.20 362	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	0.24 373	0.19 364

Consistency-Raft	0.44 373	0.40 383	0.46 355	0.37 378	0.43 387	0.42 368	0.41 383	0.57 382	0.55 360	0.32 337	0.73 383	0.32 314	0.50 377	0.42 373	0.49 385	0.39 386	0.36 386	0.45 387	0.52 396	0.42 387	0.30 382

MFMNet_re	0.65 386	0.66 395	0.66 376	0.51 388	0.69 404	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	0.63 394	0.59 397	0.68 399	0.69 405

AnyNet_C01	0.37 365	0.26 364	1.41 403	0.22 303	0.17 346	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	0.13 323	0.13 339	0.13 321	0.14 335	0.14 329	0.16 349

PWCK	0.72 390	0.95 406	0.99 398	0.77 396	0.32 383	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	0.76 400	0.49 391	0.71 402	0.44 393

ELAS_RVC	0.42 371	0.29 373	0.33 333	0.28 357	0.24 369	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	0.27 379	0.26 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetBlue	0.73 392	0.46 385	1.21 401	0.52 389	0.47 389	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	0.30 380	0.34 386

PVD	0.40 368	0.21 349	0.40 348	0.32 371	0.23 367	0.30 338	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	0.14 335	0.24 373	0.32 384

ELAS	0.42 371	0.29 373	0.34 336	0.28 357	0.24 369	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	0.26 377	0.26 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
UNDER WATER-64	0.97 402	0.96 408	1.48 405	0.88 404	0.57 396	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	1.04 409	0.88 408	0.81 407	0.75 406

TorneroNet-64	0.76 393	0.73 398	0.77 390	0.78 398	0.58 398	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	0.73 398	0.59 397	0.68 399	0.54 394

UNDER WATER	0.99 404	1.00 409	1.47 404	1.00 408	0.71 407	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	1.02 408	0.88 408	0.83 408	0.75 406

NVStereoNet_ROB	0.47 378	0.37 380	0.47 358	0.42 382	0.29 381	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	0.30 380	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
tt	4.65 413	0.07 51	3.54 412	2.01 417	1.55 415	10.25 420	16.66 419	8.90 423	5.03 416	1.33 409	0.96 395	4.71 416	4.74 416	3.33 416	5.86 418	6.06 423	10.30 427	1.87 418	2.09 418	2.61 417	1.19 415

WAO-6	0.82 396	0.81 401	0.63 375	0.87 403	0.63 401	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	0.91 406	0.71 403	0.70 401	0.59 398

BEATNet-Init1	0.54 382	0.28 367	0.68 383	0.31 368	0.21 364	0.85 398	0.31 366	0.57 382	0.69 381	0.89 395	1.00 397	2.17 413	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

IMH-64-1	0.66 387	0.62 392	0.69 384	0.72 394	0.51 390	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	0.72 396	0.48 389	0.55 392	0.40 389

IMH-64	0.66 387	0.62 392	0.69 384	0.72 394	0.51 390	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	0.72 396	0.48 389	0.55 392	0.40 389

DPSimNet_ROB	1.14 407	1.25 413	0.87 396	1.15 411	0.90 411	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	1.47 415	0.52 400	1.22 413	1.04 413	0.92 409	1.03 413

IMH	0.72 390	0.65 394	0.70 387	0.77 396	0.54 392	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	0.75 399	0.51 394	0.58 395	0.42 392

ACVNet_2	0.67 389	0.68 396	0.70 387	0.64 392	0.41 385	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	0.53 392	0.45 388	0.48 388	0.36 388

TorneroNet	0.83 397	0.75 399	0.83 394	0.85 401	0.63 401	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	0.79 403	0.66 401	0.74 405	0.64 404

ktn	1.02 405	1.23 412	0.82 392	1.24 412	0.86 410	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	1.28 414	0.71 410	1.39 415	0.83 407	1.06 412	0.77 408

Dean	0.88 399	0.88 405	0.81 391	0.82 400	0.57 396	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	0.78 402	0.65 400	0.67 398	0.58 395

notaker	0.98 403	1.13 410	1.02 399	1.14 410	0.81 408	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	1.18 411	0.79 406	1.02 410	0.82 410

WAO-7	0.80 395	0.78 400	0.57 368	0.85 401	0.67 403	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	0.67 395	0.68 402	0.64 396	0.59 398

MANE	0.47 378	0.28 367	0.28 312	0.27 351	0.24 369	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	0.26 377	0.25 374

LVE	0.84 398	0.87 404	0.86 395	0.81 399	0.56 395	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	0.76 400	0.60 399	0.66 397	0.60 401

KSHMR	1.10 406	1.19 411	0.90 397	1.26 414	1.00 413	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	1.20 412	1.03 412	1.03 411	0.98 412

WAO-8	0.92 400	0.83 402	0.67 380	0.94 406	0.70 405	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	0.86 404	0.75 404	0.71 402	0.63 402

Venus	0.92 400	0.83 402	0.67 380	0.94 406	0.70 405	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	0.86 404	0.75 404	0.71 402	0.63 402

HanzoNet	1.31 408	1.29 414	1.22 402	1.13 409	0.85 409	1.05 408	0.84 406	1.06 405	1.47 409	1.66 411	1.63 413	2.48 415	1.78 413	1.63 413	1.69 411	1.27 413	0.80 412	1.32 414	1.02 411	1.07 413	0.90 411

JetRed	1.66 409	1.51 415	3.09 409	0.93 405	1.21 414	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	1.61 415	0.93 407	0.91 410	1.36 414	1.03 413

MADNet++	1.97 410	1.75 416	1.66 407	1.83 416	1.69 416	2.38 414	1.45 414	2.36 415	2.11 415	2.58 415	2.37 415	2.25 414	2.21 414	2.28 414	2.36 414	1.87 416	1.67 416	1.53 416	1.34 415	1.87 416	1.78 417

ASD4	3.59 412	3.47 418	2.05 408	1.75 415	2.54 418	9.22 419	17.86 420	2.29 414	5.54 417	2.49 414	2.86 416	2.05 412	3.46 415	2.77 415	5.29 416	1.23 412	1.36 414	1.13 410	1.33 414	1.71 415	1.50 416

xxxxx1	7.75 414	5.06 421	7.26 415	3.15 418	3.91 419	16.37 423	22.88 424	5.87 420	8.68 419	7.99 419	8.55 417	9.13 421	8.46 419	10.05 421	10.47 419	2.43 417	2.48 418	3.56 421	12.26 424	3.48 418	3.02 419

tt_ll	7.75 414	5.06 421	7.26 415	3.15 418	3.91 419	16.37 423	22.88 424	5.87 420	8.68 419	7.99 419	8.55 417	9.13 421	8.46 419	10.05 421	10.47 419	2.43 417	2.48 418	3.56 421	12.26 424	3.48 418	3.02 419

ff	7.75 414	5.06 421	7.26 415	3.15 418	3.91 419	16.37 423	22.88 424	5.87 420	8.68 419	7.99 419	8.55 417	9.13 421	8.46 419	10.05 421	10.47 419	2.43 417	2.48 418	3.56 421	12.26 424	3.48 418	3.02 419

DPSMNet_ROB	8.06 418	4.50 419	8.69 422	5.36 423	10.74 425	8.32 417	22.71 422	5.47 418	13.38 423	5.13 417	9.98 420	5.10 417	10.47 422	5.53 418	12.77 423	3.80 421	8.00 422	3.49 419	6.95 421	3.75 422	7.09 423

DGTPSM_ROB	8.06 418	4.50 419	8.69 422	5.34 421	10.73 424	8.32 417	22.71 422	5.47 418	13.38 423	5.13 417	9.98 420	5.10 417	10.47 422	5.53 418	12.77 423	3.79 420	8.00 422	3.49 419	6.95 421	3.74 421	7.09 423

Anonymous_1	10.87 423	7.82 424	7.41 418	10.29 424	10.08 423	18.64 427	26.11 427	11.02 424	13.45 425	9.43 422	10.10 422	9.73 424	11.31 424	10.69 424	12.47 422	6.42 424	8.38 424	5.70 424	10.22 423	11.41 426	6.65 422

DPSM_ROB	11.10 424	8.47 425	7.95 419	10.84 425	11.58 426	19.10 428	26.50 428	12.02 425	14.09 426	10.38 423	10.91 423	10.39 425	11.92 425	11.67 425	13.39 425	6.99 425	8.79 425	5.82 425	6.92 419	6.97 423	7.31 425

DPSM	11.10 424	8.47 425	7.95 419	10.84 425	11.58 426	19.10 428	26.50 428	12.02 425	14.09 426	10.38 423	10.91 423	10.39 425	11.92 425	11.67 425	13.39 425	6.99 425	8.79 425	5.82 425	6.92 419	6.97 423	7.31 425

HaxPig	15.73 427	18.55 435	19.19 430	16.92 427	15.89 429	7.80 416	7.57 416	13.37 427	10.80 422	15.40 426	14.87 425	15.95 427	14.81 427	15.67 427	15.97 428	18.96 433	16.72 428	19.47 434	18.10 433	19.45 434	19.06 434

LRCNet_RVC	10.76 422	13.97 428	7.97 421	19.07 428	2.04 417	0.35 353	0.31 366	5.29 416	0.48 344	13.02 425	17.65 426	8.69 420	5.73 417	4.78 417	2.22 413	23.53 434	2.69 421	27.60 436	25.75 435	17.60 433	16.54 433

MEDIAN_ROB	20.38 428	24.05 436	23.36 432	21.18 429	21.62 430	10.51 421	8.17 417	17.68 428	15.46 428	20.04 428	19.65 427	20.30 428	20.16 428	21.17 428	21.03 429	23.81 435	21.77 435	24.98 435	23.75 434	25.01 435	23.94 435

LSM0	22.80 434	17.22 434	19.17 429	22.12 435	28.90 437	38.38 436	53.27 431	24.21 434	28.36 430	20.84 431	21.11 428	21.63 434	24.25 434	23.42 430	26.98 431	14.08 432	17.39 429	11.72 433	13.98 432	14.22 432	14.66 427

CasAABBNet	22.33 429	17.11 429	15.84 424	21.94 433	23.28 434	38.30 431	53.40 436	24.05 430	28.44 431	20.66 429	21.86 429	21.03 433	24.04 433	23.35 429	27.03 432	14.06 427	17.69 430	11.70 428	13.94 428	14.04 430	14.76 431

Selective-RAFT-Error	22.39 433	17.14 433	16.01 425	22.00 434	23.34 435	38.37 435	53.36 432	24.24 435	28.53 435	20.80 430	21.94 430	20.94 429	24.02 432	23.48 434	27.33 436	14.07 428	17.70 431	11.70 428	13.93 427	14.05 431	14.83 432

MyStereo03	22.37 430	17.11 429	16.16 426	21.87 430	23.27 431	38.30 431	53.36 432	24.10 431	28.51 432	20.93 432	21.96 431	20.94 429	24.00 429	23.43 431	27.22 433	14.07 428	17.72 432	11.70 428	13.96 429	14.00 427	14.72 428

MyStereo02	22.37 430	17.11 429	16.16 426	21.87 430	23.27 431	38.30 431	53.36 432	24.10 431	28.51 432	20.93 432	21.96 431	20.94 429	24.00 429	23.43 431	27.22 433	14.07 428	17.72 432	11.70 428	13.96 429	14.00 427	14.72 428

MyStereo	22.37 430	17.11 429	16.16 426	21.87 430	23.27 431	38.30 431	53.36 432	24.10 431	28.51 432	20.93 432	21.96 431	20.94 429	24.00 429	23.43 431	27.22 433	14.07 428	17.72 432	11.70 428	13.96 429	14.00 427	14.72 428

SPstereo	13.84 426	0.95 406	1.53 406	1.24 412	0.90 411	29.09 430	47.98 430	26.78 437	29.57 436	22.38 435	22.47 434	23.18 435	24.63 435	24.46 435	15.07 427	0.91 409	0.71 410	1.85 417	1.62 416	0.74 405	0.79 409

AVERAGE_ROB	24.89 435	29.12 437	27.98 433	24.83 436	24.59 436	17.82 426	11.61 418	21.45 429	19.91 429	25.04 436	24.38 435	25.06 436	25.31 436	24.69 436	22.86 430	29.74 436	27.09 436	28.97 437	27.94 436	30.07 436	29.35 436

PML	8.57 420	9.39 427	6.24 414	5.34 421	6.36 422	13.21 422	20.99 421	5.35 417	6.68 418	17.75 427	26.46 436	7.58 419	6.08 418	7.89 420	5.76 417	5.33 422	1.83 417	5.95 427	1.93 417	8.75 425	2.53 418

test_example2	97.69 436	92.93 438	45.57 434	96.02 437	109.84 438	88.44 437	93.70 437	25.54 436	94.63 437	130.46 437	126.87 437	58.93 437	75.48 437	87.99 437	77.94 437	150.16 437	221.11 437	76.29 438	98.21 437	108.42 438	95.33 437

FADE		0.34 377		0.33 372	0.25 375													0.41 386		0.23 366

Low-res two-view benchmark