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	deliv. area 1l	deliv. area 1s	deliv. area 2l	deliv. area 2s	deliv. area 3l	deliv. area 3s	elect. 1l	elect. 1s	elect. 2l	elect. 2s	elect. 3l	elect. 3s	facade 1s	forest 1s	forest 2s	playg. 1l	playg. 1s	playg. 2l	playg. 2s	playg. 3l	playg. 3s	terra. 1s	terra. 2s	terra. 1l	terra. 1s	terra. 2l	terra. 2s

ProNet	0.02 1	0.02 2	0.02 1	0.02 3	0.02 4	0.02 2	0.02 2	0.01 1	0.01 1	0.02 2	0.02 2	0.01 1	0.01 1	0.01 2	0.04 1	0.04 1	0.03 1	0.03 1	0.03 1	0.02 1	0.03 1	0.02 1	0.01 2	0.02 2	0.03 1	0.03 1	0.02 1	0.02 1

CroCo-Stereo	0.02 1	0.01 1	0.02 1	0.01 1	0.01 2	0.01 1	0.01 1	0.01 1	0.01 1	0.01 1	0.01 1	0.01 1	0.01 1	0.00 1	0.04 1	0.05 2	0.04 2	0.03 1	0.03 1	0.02 1	0.03 1	0.02 1	0.00 1	0.01 1	0.04 2	0.03 1	0.02 1	0.02 1
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 croco	0.06 10	0.04 9	0.04 9	0.04 11	0.04 11	0.05 21	0.03 10	0.08 24	0.04 5	0.09 23	0.05 11	0.06 14	0.02 3	0.02 6	0.07 9	0.08 17	0.12 35	0.08 18	0.08 16	0.06 18	0.08 15	0.04 3	0.02 7	0.05 19	0.09 22	0.10 25	0.08 22	0.09 23

AEACV	0.04 4	0.03 4	0.02 1	0.04 11	0.03 7	0.02 2	0.02 2	0.03 4	0.03 4	0.03 4	0.04 4	0.03 4	0.02 3	0.02 6	0.06 5	0.06 4	0.05 4	0.05 3	0.07 8	0.04 3	0.06 6	0.04 3	0.01 2	0.02 2	0.06 5	0.07 9	0.04 3	0.03 3

anonymousdsp	0.05 5	0.04 9	0.04 9	0.03 4	0.04 11	0.04 10	0.04 21	0.06 10	0.05 12	0.06 13	0.04 4	0.03 4	0.02 3	0.03 13	0.07 9	0.08 17	0.08 11	0.06 8	0.08 16	0.05 9	0.09 18	0.05 8	0.03 20	0.03 5	0.05 3	0.05 3	0.05 4	0.05 6

RAFT + AFF	0.05 5	0.04 9	0.03 5	0.05 20	0.04 11	0.04 10	0.03 10	0.06 10	0.08 58	0.09 23	0.05 11	0.09 23	0.02 3	0.02 6	0.05 3	0.06 4	0.09 15	0.06 8	0.06 5	0.04 3	0.07 10	0.05 8	0.02 7	0.04 7	0.07 9	0.05 3	0.05 4	0.06 12

MIM_Stereo	0.06 10	0.04 9	0.03 5	0.05 20	0.05 22	0.05 21	0.03 10	0.06 10	0.04 5	0.14 39	0.07 29	0.04 7	0.03 7	0.03 13	0.07 9	0.08 17	0.13 37	0.07 13	0.09 28	0.06 18	0.11 29	0.06 18	0.02 7	0.04 7	0.08 14	0.07 9	0.07 16	0.05 6

CroCo-Stereo Lap2	0.03 3	0.02 2	0.02 1	0.01 1	0.01 2	0.02 2	0.02 2	0.02 3	0.02 3	0.03 4	0.02 2	0.02 3	0.03 7	0.01 2	0.05 3	0.05 2	0.04 2	0.05 3	0.04 3	0.04 3	0.04 3	0.04 3	0.01 2	0.02 2	0.06 5	0.06 5	0.05 4	0.03 3

SA	0.10 51	0.07 50	0.07 71	0.06 31	0.05 22	0.08 57	0.04 21	0.12 39	0.05 12	0.16 52	0.07 29	0.16 83	0.03 7	0.04 26	0.10 63	0.10 45	0.13 37	0.11 66	0.12 49	0.09 65	0.14 70	0.10 86	0.03 20	0.06 35	0.16 97	0.15 100	0.13 64	0.21 149

AnonymousM	0.08 28	0.05 19	0.04 9	0.06 31	0.05 22	0.04 10	0.04 21	0.13 51	0.05 12	0.20 94	0.06 17	0.11 36	0.03 7	0.06 53	0.10 63	0.10 45	0.19 114	0.09 42	0.12 49	0.07 29	0.16 89	0.06 18	0.04 34	0.04 7	0.08 14	0.11 38	0.10 32	0.10 28

iRaftStereo_RVC	0.05 5	0.03 4	0.03 5	0.03 4	0.03 7	0.03 5	0.02 2	0.05 7	0.04 5	0.06 13	0.05 11	0.05 10	0.03 7	0.02 6	0.06 5	0.06 4	0.10 21	0.07 13	0.07 8	0.05 9	0.09 18	0.05 8	0.02 7	0.03 5	0.07 9	0.06 5	0.05 4	0.05 6

XX-Stereo	0.14 116	0.05 19	0.05 23	0.10 88	0.07 54	0.17 151	0.07 76	0.18 109	0.10 98	0.27 185	0.09 63	0.21 140	0.03 7	0.10 120	0.11 94	0.12 117	0.22 152	0.11 66	0.21 145	0.11 101	0.20 148	0.09 62	0.08 110	0.07 67	0.23 181	0.17 134	0.17 109	0.35 191

ARAFT	0.07 19	0.04 9	0.04 9	0.05 20	0.05 22	0.05 21	0.02 2	0.09 28	0.06 25	0.12 32	0.06 17	0.12 42	0.03 7	0.03 13	0.07 9	0.07 12	0.12 35	0.09 42	0.09 28	0.05 9	0.11 29	0.08 37	0.03 20	0.04 7	0.10 25	0.09 21	0.09 27	0.09 23

AFF-stereo	0.06 10	0.05 19	0.05 23	0.05 20	0.04 11	0.04 10	0.03 10	0.11 37	0.06 25	0.16 52	0.05 11	0.08 21	0.03 7	0.02 6	0.07 9	0.08 17	0.08 11	0.05 3	0.09 28	0.04 3	0.09 18	0.05 8	0.02 7	0.04 7	0.10 25	0.08 15	0.07 16	0.07 15

RYNet	0.06 10	0.04 9	0.04 9	0.04 11	0.04 11	0.04 10	0.03 10	0.05 7	0.11 110	0.05 9	0.04 4	0.04 7	0.03 7	0.03 13	0.07 9	0.06 4	0.07 8	0.08 18	0.07 8	0.05 9	0.05 4	0.05 8	0.11 148	0.04 7	0.06 5	0.15 100	0.06 11	0.05 6

TDLM	0.05 5	0.04 9	0.04 9	0.04 11	0.04 11	0.04 10	0.03 10	0.04 5	0.04 5	0.04 6	0.06 17	0.04 7	0.03 7	0.03 13	0.06 5	0.06 4	0.06 5	0.06 8	0.06 5	0.04 3	0.05 4	0.04 3	0.03 20	0.04 7	0.05 3	0.06 5	0.05 4	0.05 6

DLNR_Zeroshot_test	10.02 263	31.66 273	0.05 23	54.25 273	0.10 98	0.18 159	50.40 273	0.19 128	0.08 58	0.27 185	0.07 29	0.20 129	0.04 17	0.14 167	60.23 272	70.55 273	0.34 219	0.18 187	0.26 179	0.11 101	0.20 148	0.08 37	0.07 87	0.09 106	0.19 139	0.15 100	0.20 148	0.25 166

anonymousdsp2	0.08 28	0.07 50	0.05 23	0.06 31	0.05 22	0.06 33	0.05 30	0.12 39	0.06 25	0.17 61	0.06 17	0.09 23	0.04 17	0.05 42	0.07 9	0.08 17	0.13 37	0.08 18	0.11 38	0.07 29	0.13 55	0.07 32	0.05 50	0.06 35	0.09 22	0.08 15	0.08 22	0.07 15

CES	0.12 81	0.06 29	0.06 47	0.06 31	0.08 64	0.07 49	0.05 30	0.35 209	0.05 12	0.15 45	0.23 195	0.13 53	0.04 17	0.08 92	0.09 38	0.11 80	0.19 114	0.08 18	0.14 68	0.08 45	0.28 215	0.08 37	0.07 87	0.04 7	0.14 73	0.11 38	0.14 75	0.16 86

iRaft-Stereo_20w	0.13 92	0.07 50	0.05 23	0.12 115	0.12 127	0.12 108	0.09 102	0.15 66	0.10 98	0.28 197	0.10 71	0.19 114	0.04 17	0.10 120	0.10 63	0.11 80	0.23 161	0.11 66	0.15 83	0.13 137	0.20 148	0.08 37	0.09 125	0.06 35	0.18 126	0.15 100	0.20 148	0.26 169

AASNet	0.07 19	0.06 29	0.04 9	0.09 71	0.07 54	0.08 57	0.05 30	0.08 24	0.05 12	0.07 20	0.07 29	0.07 17	0.04 17	0.04 26	0.07 9	0.07 12	0.10 21	0.08 18	0.08 16	0.06 18	0.07 10	0.06 18	0.04 34	0.06 35	0.08 14	0.08 15	0.06 11	0.06 12

raft+_RVC	0.08 28	0.06 29	0.05 23	0.06 31	0.06 38	0.07 49	0.04 21	0.10 34	0.08 58	0.17 61	0.08 46	0.09 23	0.04 17	0.04 26	0.08 21	0.08 17	0.13 37	0.09 42	0.11 38	0.06 18	0.13 55	0.06 18	0.04 34	0.05 19	0.11 41	0.09 21	0.09 27	0.09 23

RAFT-Stereo + iAFF	0.08 28	0.06 29	0.05 23	0.05 20	0.04 11	0.04 10	0.04 21	0.14 60	0.07 40	0.21 102	0.04 4	0.12 42	0.04 17	0.03 13	0.08 21	0.09 30	0.09 15	0.06 8	0.11 38	0.05 9	0.11 29	0.06 18	0.03 20	0.05 19	0.13 55	0.09 21	0.09 27	0.09 23

MMNet	0.06 10	0.06 29	0.05 23	0.08 57	0.06 38	0.06 33	0.05 30	0.07 20	0.06 25	0.05 9	0.06 17	0.09 23	0.04 17	0.04 26	0.07 9	0.07 12	0.09 15	0.08 18	0.07 8	0.06 18	0.07 10	0.05 8	0.04 34	0.05 19	0.07 9	0.08 15	0.07 16	0.10 28

PMTNet	0.11 59	0.10 101	0.06 47	0.12 115	0.09 82	0.07 49	0.06 60	0.18 109	0.06 25	0.28 197	0.06 17	0.18 103	0.04 17	0.07 75	0.10 63	0.11 80	0.18 100	0.08 18	0.14 68	0.08 45	0.18 120	0.10 86	0.07 87	0.05 19	0.13 55	0.12 53	0.17 109	0.16 86

GANet	0.07 19	0.07 50	0.06 47	0.06 31	0.06 38	0.07 49	0.06 60	0.08 24	0.05 12	0.06 13	0.07 29	0.06 14	0.04 17	0.04 26	0.07 9	0.08 17	0.09 15	0.10 55	0.07 8	0.05 9	0.07 10	0.05 8	0.05 50	0.05 19	0.08 14	0.07 9	0.07 16	0.06 12

CVANet_RVC	0.07 19	0.07 50	0.07 71	0.08 57	0.06 38	0.07 49	0.05 30	0.06 10	0.05 12	0.06 13	0.09 63	0.05 10	0.04 17	0.04 26	0.08 21	0.08 17	0.08 11	0.08 18	0.08 16	0.06 18	0.08 15	0.06 18	0.04 34	0.05 19	0.08 14	0.07 9	0.07 16	0.10 28

AANet_RVC	0.06 10	0.05 19	0.06 47	0.05 20	0.06 38	0.04 10	0.05 30	0.05 7	0.06 25	0.05 9	0.06 17	0.05 10	0.04 17	0.04 26	0.08 21	0.07 12	0.08 11	0.08 18	0.07 8	0.07 29	0.07 10	0.07 32	0.05 50	0.05 19	0.07 9	0.08 15	0.06 11	0.08 17

StereoIM	0.07 19	0.04 9	0.05 23	0.03 4	0.02 4	0.03 5	0.03 10	0.06 10	0.06 25	0.04 6	0.06 17	0.10 29	0.05 29	0.02 6	0.07 9	0.08 17	0.10 21	0.09 42	0.07 8	0.05 9	0.10 24	0.10 86	0.01 2	0.05 19	0.12 47	0.18 149	0.13 64	0.16 86

IGEV_Zeroshot_test	0.14 116	0.07 50	0.06 47	0.13 124	0.13 139	0.10 90	0.11 125	0.17 83	0.09 78	0.28 197	0.10 71	0.23 157	0.05 29	0.12 151	0.10 63	0.11 80	0.23 161	0.11 66	0.17 102	0.12 122	0.20 148	0.10 86	0.09 125	0.06 35	0.20 149	0.15 100	0.23 165	0.27 172

RAFT-Test	0.13 92	0.07 50	0.06 47	0.09 71	0.11 115	0.13 117	0.08 84	0.17 83	0.11 110	0.27 185	0.11 85	0.20 129	0.05 29	0.12 151	0.10 63	0.11 80	0.23 161	0.12 89	0.21 145	0.14 147	0.21 163	0.11 114	0.07 87	0.08 84	0.17 107	0.16 116	0.17 109	0.17 98

LL-Strereo2	0.07 19	0.03 4	0.03 5	0.04 11	0.05 22	0.04 10	0.03 10	0.06 10	0.07 40	0.15 45	0.07 29	0.08 21	0.05 29	0.04 26	0.08 21	0.09 30	0.13 37	0.07 13	0.10 34	0.06 18	0.10 24	0.06 18	0.03 20	0.04 7	0.08 14	0.10 25	0.08 22	0.05 6

CAS	0.09 33	0.07 50	0.05 23	0.06 31	0.05 22	0.05 21	0.04 21	0.14 60	0.06 25	0.11 30	0.11 85	0.11 36	0.05 29	0.07 75	0.09 38	0.09 30	0.11 26	0.10 55	0.14 68	0.07 29	0.12 35	0.08 37	0.05 50	0.05 19	0.13 55	0.11 38	0.09 27	0.14 63

Sa-1000	0.11 59	0.07 50	0.07 71	0.06 31	0.05 22	0.09 70	0.03 10	0.12 39	0.07 40	0.18 74	0.08 46	0.19 114	0.05 29	0.06 53	0.10 63	0.10 45	0.16 66	0.12 89	0.14 68	0.09 65	0.17 102	0.10 86	0.04 34	0.05 19	0.19 139	0.16 116	0.13 64	0.20 134

UDGNet	0.15 134	0.13 140	0.10 115	0.18 160	0.17 166	0.16 142	0.20 177	0.16 74	0.11 110	0.16 52	0.14 120	0.16 83	0.05 29	0.44 221	0.10 63	0.10 45	0.17 81	0.12 89	0.14 68	0.09 65	0.17 102	0.10 86	0.29 225	0.07 67	0.17 107	0.16 116	0.12 54	0.13 54

IPLG	0.10 51	0.07 50	0.07 71	0.07 52	0.07 54	0.06 33	0.05 30	0.15 66	0.06 25	0.22 107	0.06 17	0.15 73	0.05 29	0.04 26	0.09 38	0.10 45	0.16 66	0.10 55	0.14 68	0.09 65	0.13 55	0.08 37	0.04 34	0.07 67	0.13 55	0.12 53	0.11 46	0.09 23

TRStereo	0.13 92	0.07 50	0.05 23	0.09 71	0.08 64	0.17 151	0.12 137	0.18 109	0.07 40	0.25 158	0.09 63	0.20 129	0.05 29	0.10 120	0.10 63	0.11 80	0.21 142	0.11 66	0.22 158	0.14 147	0.19 135	0.09 62	0.09 125	0.07 67	0.17 107	0.17 134	0.24 172	0.19 126

cross-raft	0.14 116	0.08 77	0.07 71	0.08 57	0.10 98	0.12 108	0.08 84	0.17 83	0.13 133	0.27 185	0.12 97	0.21 140	0.05 29	0.11 133	0.13 134	0.14 161	0.22 152	0.11 66	0.23 165	0.13 137	0.23 187	0.10 86	0.06 67	0.08 84	0.22 172	0.18 149	0.14 75	0.16 86

RAFT	0.06 10	0.03 4	0.05 23	0.03 4	0.02 4	0.03 5	0.02 2	0.07 20	0.04 5	0.04 6	0.06 17	0.07 17	0.05 29	0.01 2	0.06 5	0.06 4	0.06 5	0.05 3	0.05 4	0.04 3	0.06 6	0.07 32	0.01 2	0.04 7	0.13 55	0.14 79	0.13 64	0.15 75

rafts_anoy	0.09 33	0.08 77	0.07 71	0.07 52	0.07 54	0.06 33	0.05 30	0.13 51	0.05 12	0.17 61	0.10 71	0.12 42	0.05 29	0.03 13	0.10 63	0.10 45	0.15 58	0.12 89	0.14 68	0.07 29	0.15 74	0.08 37	0.04 34	0.06 35	0.11 41	0.10 25	0.09 27	0.11 36

raftrobust	0.10 51	0.08 77	0.06 47	0.08 57	0.07 54	0.05 21	0.04 21	0.14 60	0.06 25	0.25 158	0.08 46	0.13 53	0.05 29	0.05 42	0.09 38	0.09 30	0.17 81	0.12 89	0.12 49	0.09 65	0.17 102	0.08 37	0.05 50	0.06 35	0.13 55	0.12 53	0.10 32	0.11 36

RALCasStereoNet	0.09 33	0.08 77	0.06 47	0.09 71	0.07 54	0.06 33	0.05 30	0.12 39	0.05 12	0.18 74	0.07 29	0.12 42	0.05 29	0.04 26	0.10 63	0.10 45	0.18 100	0.12 89	0.14 68	0.08 45	0.15 74	0.08 37	0.05 50	0.06 35	0.12 47	0.10 25	0.10 32	0.08 17

EAI-Stereo	0.13 92	0.07 50	0.04 9	0.10 88	0.10 98	0.10 90	0.09 102	0.18 109	0.10 98	0.26 172	0.11 85	0.20 129	0.05 29	0.10 120	0.10 63	0.12 117	0.22 152	0.12 89	0.19 126	0.12 122	0.19 135	0.09 62	0.08 110	0.08 84	0.16 97	0.15 100	0.16 96	0.20 134

delet	0.05 5	0.05 19	0.04 9	0.06 31	0.05 22	0.05 21	0.05 30	0.04 5	0.04 5	0.06 13	0.05 11	0.10 29	0.05 29	0.03 13	0.07 9	0.06 4	0.07 8	0.06 8	0.06 5	0.06 18	0.06 6	0.04 3	0.03 20	0.05 19	0.07 9	0.07 9	0.05 4	0.04 5

PDISCO_ROB	0.12 81	0.13 140	0.13 156	0.10 88	0.08 64	0.09 70	0.09 102	0.09 28	0.08 58	0.11 30	0.10 71	0.06 14	0.05 29	0.05 42	0.10 63	0.12 117	0.14 49	0.16 163	0.09 28	0.10 84	0.14 70	0.13 148	0.04 34	0.08 84	0.17 107	0.21 176	0.32 194	0.20 134

MSKI-zero shot	0.13 92	0.08 77	0.05 23	0.09 71	0.11 115	0.09 70	0.07 76	0.19 128	0.09 78	0.28 197	0.10 71	0.19 114	0.06 46	0.11 133	0.11 94	0.12 117	0.23 161	0.11 66	0.17 102	0.11 101	0.22 176	0.10 86	0.07 87	0.08 84	0.14 73	0.17 134	0.18 127	0.18 117

StereoVision	0.06 10	0.03 4	0.04 9	0.03 4	0.03 7	0.03 5	0.02 2	0.06 10	0.11 110	0.02 2	0.05 11	0.03 4	0.06 46	0.01 2	0.09 38	0.10 45	0.06 5	0.05 3	0.08 16	0.07 29	0.06 6	0.05 8	0.02 7	0.04 7	0.10 25	0.07 9	0.10 32	0.12 48

MIF-Stereo (partial)	0.06 10	0.05 19	0.06 47	0.05 20	0.04 11	0.05 21	0.03 10	0.08 24	0.07 40	0.07 20	0.04 4	0.05 10	0.06 46	0.04 26	0.08 21	0.08 17	0.11 26	0.08 18	0.08 16	0.05 9	0.09 18	0.05 8	0.02 7	0.06 35	0.10 25	0.08 15	0.07 16	0.08 17

CASnet	0.10 51	0.06 29	0.05 23	0.08 57	0.09 82	0.11 97	0.05 30	0.18 109	0.10 98	0.23 120	0.11 85	0.13 53	0.06 46	0.08 92	0.10 63	0.10 45	0.16 66	0.08 18	0.19 126	0.08 45	0.14 70	0.06 18	0.06 67	0.06 35	0.12 47	0.10 25	0.14 75	0.10 28
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.13 92	0.06 29	0.05 23	0.11 103	0.12 127	0.16 142	0.08 84	0.19 128	0.08 58	0.28 197	0.08 46	0.18 103	0.06 46	0.12 151	0.11 94	0.11 80	0.23 161	0.12 89	0.16 93	0.11 101	0.20 148	0.08 37	0.07 87	0.08 84	0.13 55	0.15 100	0.19 135	0.24 158

HanStereo	0.13 92	0.06 29	0.05 23	0.11 103	0.12 127	0.16 142	0.08 84	0.19 128	0.08 58	0.28 197	0.08 46	0.18 103	0.06 46	0.12 151	0.11 94	0.11 80	0.23 161	0.12 89	0.16 93	0.11 101	0.20 148	0.08 37	0.07 87	0.08 84	0.13 55	0.15 100	0.19 135	0.24 158

4D-IteraStereo	0.09 33	0.06 29	0.05 23	0.06 31	0.06 38	0.06 33	0.04 21	0.15 66	0.10 98	0.22 107	0.08 46	0.14 67	0.06 46	0.03 13	0.09 38	0.10 45	0.17 81	0.09 42	0.11 38	0.08 45	0.15 74	0.06 18	0.03 20	0.05 19	0.10 25	0.10 25	0.08 22	0.08 17

LoS_RVC	0.09 33	0.07 50	0.05 23	0.05 20	0.06 38	0.06 33	0.05 30	0.13 51	0.08 58	0.18 74	0.11 85	0.12 42	0.06 46	0.07 75	0.09 38	0.09 30	0.10 21	0.08 18	0.12 49	0.08 45	0.17 102	0.09 62	0.05 50	0.06 35	0.15 81	0.11 38	0.10 32	0.13 54

tt_ll	0.09 33	0.07 50	0.05 23	0.05 20	0.06 38	0.06 33	0.05 30	0.13 51	0.08 58	0.18 74	0.11 85	0.12 42	0.06 46	0.07 75	0.09 38	0.09 30	0.10 21	0.08 18	0.12 49	0.08 45	0.17 102	0.09 62	0.05 50	0.06 35	0.15 81	0.11 38	0.10 32	0.13 54

LoS	0.16 149	0.10 101	0.08 92	0.10 88	0.11 115	0.09 70	0.07 76	0.50 231	0.05 12	0.32 214	0.36 226	0.36 185	0.06 46	0.09 108	0.09 38	0.10 45	0.19 114	0.09 42	0.15 83	0.11 101	0.21 163	0.09 62	0.07 87	0.07 67	0.18 126	0.12 53	0.20 148	0.21 149

EGLCR-Stereo	0.11 59	0.06 29	0.04 9	0.08 57	0.08 64	0.07 49	0.05 30	0.17 83	0.09 78	0.27 185	0.06 17	0.19 114	0.06 46	0.08 92	0.08 21	0.10 45	0.20 129	0.10 55	0.16 93	0.07 29	0.17 102	0.08 37	0.04 34	0.06 35	0.10 25	0.13 62	0.18 127	0.17 98

anonymity	0.13 92	0.06 29	0.05 23	0.09 71	0.10 98	0.09 70	0.07 76	0.18 109	0.08 58	0.28 197	0.13 107	0.19 114	0.06 46	0.09 108	0.10 63	0.13 142	0.23 161	0.12 89	0.17 102	0.15 163	0.20 148	0.10 86	0.09 125	0.07 67	0.20 149	0.19 166	0.19 135	0.19 126

test_4	0.09 33	0.05 19	0.07 71	0.05 20	0.06 38	0.03 5	0.02 2	0.12 39	0.09 78	0.17 61	0.06 17	0.09 23	0.06 46	0.03 13	0.09 38	0.10 45	0.15 58	0.08 18	0.10 34	0.07 29	0.17 102	0.09 62	0.02 7	0.07 67	0.10 25	0.14 79	0.12 54	0.19 126

RALAANet	0.09 33	0.08 77	0.06 47	0.07 52	0.06 38	0.08 57	0.05 30	0.10 34	0.07 40	0.12 32	0.10 71	0.10 29	0.06 46	0.03 13	0.09 38	0.09 30	0.13 37	0.11 66	0.16 93	0.09 65	0.12 35	0.08 37	0.04 34	0.06 35	0.12 47	0.10 25	0.11 46	0.11 36

UPFNet	0.09 33	0.08 77	0.08 92	0.09 71	0.08 64	0.09 70	0.06 60	0.12 39	0.09 78	0.14 39	0.10 71	0.12 42	0.06 46	0.07 75	0.08 21	0.10 45	0.13 37	0.11 66	0.10 34	0.07 29	0.10 24	0.07 32	0.06 67	0.07 67	0.09 22	0.11 38	0.10 32	0.11 36

CREStereo	0.11 59	0.08 77	0.06 47	0.08 57	0.08 64	0.07 49	0.05 30	0.18 109	0.05 12	0.26 172	0.08 46	0.18 103	0.06 46	0.08 92	0.09 38	0.10 45	0.22 152	0.08 18	0.13 61	0.08 45	0.20 148	0.09 62	0.06 67	0.06 35	0.12 47	0.13 62	0.17 109	0.16 86
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
HGLStereo	0.11 59	0.10 101	0.08 92	0.09 71	0.10 98	0.09 70	0.06 60	0.14 60	0.08 58	0.18 74	0.15 135	0.09 23	0.06 46	0.08 92	0.10 63	0.10 45	0.17 81	0.13 116	0.14 68	0.10 84	0.12 35	0.10 86	0.08 110	0.09 106	0.13 55	0.13 62	0.10 32	0.11 36

DMCA	0.07 19	0.05 19	0.07 71	0.06 31	0.06 38	0.05 21	0.07 76	0.09 28	0.07 40	0.06 13	0.09 63	0.07 17	0.06 46	0.06 53	0.08 21	0.08 17	0.11 26	0.10 55	0.08 16	0.07 29	0.09 18	0.06 18	0.06 67	0.06 35	0.08 14	0.10 25	0.06 11	0.08 17

MSMDNet	0.13 92	0.08 77	0.06 47	0.09 71	0.12 127	0.10 90	0.08 84	0.17 83	0.11 110	0.27 185	0.10 71	0.20 129	0.06 46	0.12 151	0.10 63	0.11 80	0.23 161	0.12 89	0.19 126	0.16 175	0.21 163	0.12 131	0.07 87	0.08 84	0.17 107	0.15 100	0.17 109	0.18 117

EKT-Stereo	0.15 134	0.10 101	0.07 71	0.13 124	0.13 139	0.16 142	0.17 166	0.17 83	0.11 110	0.26 172	0.17 156	0.17 88	0.07 65	0.11 133	0.11 94	0.11 80	0.24 179	0.15 151	0.24 171	0.12 122	0.25 204	0.10 86	0.07 87	0.08 84	0.20 149	0.16 116	0.17 109	0.17 98

IER	0.09 33	0.07 50	0.07 71	0.09 71	0.07 54	0.09 70	0.06 60	0.12 39	0.07 40	0.14 39	0.11 85	0.11 36	0.07 65	0.06 53	0.09 38	0.09 30	0.14 49	0.11 66	0.11 38	0.07 29	0.12 35	0.08 37	0.06 67	0.06 35	0.10 25	0.11 38	0.11 46	0.14 63

CIPLG	0.09 33	0.06 29	0.05 23	0.06 31	0.06 38	0.09 70	0.06 60	0.18 109	0.06 25	0.20 94	0.08 46	0.13 53	0.07 65	0.06 53	0.08 21	0.10 45	0.17 81	0.11 66	0.11 38	0.09 65	0.13 55	0.06 18	0.04 34	0.06 35	0.10 25	0.10 25	0.10 32	0.10 28

GLC_STEREO	0.13 92	0.11 113	0.12 145	0.12 115	0.11 115	0.11 97	0.10 116	0.19 128	0.07 40	0.25 158	0.13 107	0.13 53	0.07 65	0.07 75	0.09 38	0.12 117	0.24 179	0.11 66	0.17 102	0.09 65	0.27 213	0.16 176	0.07 87	0.07 67	0.16 97	0.10 25	0.20 148	0.12 48

IPLGR_C	0.09 33	0.06 29	0.05 23	0.06 31	0.06 38	0.09 70	0.06 60	0.18 109	0.06 25	0.20 94	0.08 46	0.13 53	0.07 65	0.06 53	0.08 21	0.11 80	0.17 81	0.11 66	0.11 38	0.09 65	0.13 55	0.06 18	0.04 34	0.06 35	0.10 25	0.09 21	0.10 32	0.10 28

IPLGR	0.12 81	0.09 89	0.09 102	0.09 71	0.10 98	0.09 70	0.07 76	0.18 109	0.09 78	0.22 107	0.10 71	0.16 83	0.07 65	0.06 53	0.10 63	0.11 80	0.17 81	0.11 66	0.21 145	0.12 122	0.16 89	0.09 62	0.04 34	0.08 84	0.16 97	0.14 79	0.14 75	0.16 86

ACRE	0.09 33	0.06 29	0.05 23	0.06 31	0.06 38	0.09 70	0.06 60	0.18 109	0.06 25	0.20 94	0.08 46	0.13 53	0.07 65	0.06 53	0.08 21	0.10 45	0.17 81	0.11 66	0.11 38	0.09 65	0.13 55	0.06 18	0.04 34	0.06 35	0.10 25	0.10 25	0.10 32	0.10 28

SACVNet	0.16 149	0.14 153	0.13 156	0.16 147	0.13 139	0.14 124	0.12 137	0.19 128	0.17 160	0.19 86	0.17 156	0.14 67	0.07 65	0.14 167	0.15 164	0.14 161	0.19 114	0.16 163	0.20 139	0.13 137	0.17 102	0.14 157	0.12 159	0.13 161	0.21 161	0.19 166	0.19 135	0.17 98

HCRNet	0.12 81	0.17 173	0.06 47	0.22 177	0.08 64	0.15 134	0.08 84	0.13 51	0.04 5	0.46 235	0.12 97	0.24 163	0.07 65	0.07 75	0.08 21	0.06 4	0.14 49	0.08 18	0.20 139	0.08 45	0.10 24	0.05 8	0.11 148	0.06 35	0.06 5	0.06 5	0.05 4	0.08 17

DMCA-RVC	0.10 51	0.08 77	0.11 131	0.08 57	0.09 82	0.08 57	0.08 84	0.12 39	0.09 78	0.13 36	0.13 107	0.13 53	0.07 65	0.06 53	0.14 152	0.12 117	0.14 49	0.13 116	0.11 38	0.10 84	0.12 35	0.10 86	0.07 87	0.09 106	0.10 25	0.10 25	0.10 32	0.11 36

HITNet	0.09 33	0.07 50	0.06 47	0.08 57	0.08 64	0.08 57	0.05 30	0.11 37	0.07 40	0.19 86	0.08 46	0.12 42	0.07 65	0.07 75	0.09 38	0.08 17	0.13 37	0.10 55	0.10 34	0.07 29	0.11 29	0.09 62	0.06 67	0.06 35	0.12 47	0.11 38	0.16 96	0.14 63
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
DISCO	0.11 59	0.10 101	0.08 92	0.10 88	0.09 82	0.11 97	0.09 102	0.10 34	0.08 58	0.15 45	0.11 85	0.12 42	0.07 65	0.06 53	0.09 38	0.11 80	0.15 58	0.10 55	0.14 68	0.10 84	0.12 35	0.10 86	0.06 67	0.09 106	0.14 73	0.12 53	0.13 64	0.11 36

Any-RAFT	0.13 92	0.07 50	0.06 47	0.11 103	0.09 82	0.12 108	0.08 84	0.17 83	0.10 98	0.26 172	0.09 63	0.20 129	0.08 77	0.11 133	0.11 94	0.11 80	0.22 152	0.11 66	0.21 145	0.10 84	0.22 176	0.10 86	0.08 110	0.06 35	0.16 97	0.16 116	0.17 109	0.17 98

dd	0.14 116	0.12 125	0.07 71	0.25 187	0.11 115	0.19 168	0.09 102	0.17 83	0.08 58	0.17 61	0.08 46	0.33 180	0.08 77	0.06 53	0.11 94	0.11 80	0.24 179	0.11 66	0.25 175	0.09 65	0.15 74	0.09 62	0.06 67	0.09 106	0.17 107	0.13 62	0.18 127	0.14 63

DDUNet	0.26 193	0.21 188	0.12 145	0.38 204	0.31 211	0.41 215	0.48 221	0.20 145	0.16 153	0.16 52	0.25 203	0.17 88	0.08 77	1.61 239	0.15 164	0.14 161	0.21 142	0.15 151	0.25 175	0.14 147	0.18 120	0.13 148	0.25 203	0.16 179	0.17 107	0.19 166	0.18 127	0.22 153

MIPNet	0.11 59	0.09 89	0.06 47	0.07 52	0.08 64	0.07 49	0.05 30	0.17 83	0.06 25	0.23 120	0.07 29	0.16 83	0.08 77	0.05 42	0.10 63	0.11 80	0.17 81	0.11 66	0.20 139	0.12 122	0.13 55	0.11 114	0.05 50	0.07 67	0.16 97	0.15 100	0.11 46	0.13 54

test-3	0.10 51	0.06 29	0.04 9	0.06 31	0.08 64	0.06 33	0.05 30	0.17 83	0.07 40	0.24 136	0.08 46	0.19 114	0.08 77	0.06 53	0.11 94	0.11 80	0.20 129	0.10 55	0.15 83	0.10 84	0.16 89	0.10 86	0.05 50	0.06 35	0.10 25	0.11 38	0.12 54	0.11 36

test_1	0.10 51	0.06 29	0.04 9	0.06 31	0.08 64	0.06 33	0.05 30	0.17 83	0.07 40	0.24 136	0.08 46	0.19 114	0.08 77	0.06 53	0.11 94	0.11 80	0.20 129	0.10 55	0.15 83	0.10 84	0.16 89	0.10 86	0.05 50	0.06 35	0.10 25	0.11 38	0.12 54	0.11 36

TestStereo	0.13 92	0.12 125	0.10 115	0.11 103	0.08 64	0.11 97	0.10 116	0.19 128	0.11 110	0.24 136	0.14 120	0.20 129	0.08 77	0.06 53	0.12 121	0.10 45	0.20 129	0.11 66	0.20 139	0.10 84	0.21 163	0.11 114	0.06 67	0.12 150	0.19 139	0.11 38	0.12 54	0.13 54

TANstereo	0.11 59	0.06 29	0.06 47	0.10 88	0.09 82	0.08 57	0.06 60	0.12 39	0.08 58	0.22 107	0.08 46	0.13 53	0.08 77	0.08 92	0.10 63	0.13 142	0.19 114	0.13 116	0.18 116	0.08 45	0.18 120	0.10 86	0.06 67	0.06 35	0.11 41	0.11 38	0.15 88	0.14 63

XX-TBD	0.11 59	0.06 29	0.06 47	0.10 88	0.09 82	0.08 57	0.06 60	0.12 39	0.08 58	0.22 107	0.08 46	0.13 53	0.08 77	0.08 92	0.10 63	0.13 142	0.19 114	0.13 116	0.18 116	0.08 45	0.18 120	0.10 86	0.06 67	0.06 35	0.11 41	0.11 38	0.15 88	0.14 63

DSFCA	0.11 59	0.12 125	0.09 102	0.10 88	0.08 64	0.11 97	0.11 125	0.12 39	0.09 78	0.12 32	0.14 120	0.14 67	0.08 77	0.05 42	0.10 63	0.11 80	0.15 58	0.12 89	0.16 93	0.10 84	0.13 55	0.12 131	0.07 87	0.09 106	0.13 55	0.14 79	0.10 32	0.13 54

R-Stereo Train	0.13 92	0.07 50	0.07 71	0.09 71	0.10 98	0.15 134	0.05 30	0.16 74	0.12 125	0.28 197	0.13 107	0.21 140	0.08 77	0.11 133	0.10 63	0.11 80	0.23 161	0.12 89	0.16 93	0.11 101	0.21 163	0.11 114	0.08 110	0.07 67	0.15 81	0.14 79	0.16 96	0.15 75

ADCP+	0.11 59	0.10 101	0.08 92	0.09 71	0.07 54	0.09 70	0.08 84	0.14 60	0.11 110	0.16 52	0.12 97	0.18 103	0.08 77	0.07 75	0.11 94	0.10 45	0.16 66	0.11 66	0.14 68	0.09 65	0.12 35	0.09 62	0.08 110	0.08 84	0.11 41	0.16 116	0.11 46	0.11 36

RAFT-Stereo	0.13 92	0.07 50	0.07 71	0.09 71	0.10 98	0.15 134	0.05 30	0.16 74	0.12 125	0.28 197	0.13 107	0.21 140	0.08 77	0.11 133	0.10 63	0.11 80	0.23 161	0.12 89	0.16 93	0.11 101	0.21 163	0.11 114	0.08 110	0.07 67	0.15 81	0.14 79	0.16 96	0.15 75
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
NVstereo2D	0.15 134	0.11 113	0.11 131	0.19 166	0.14 149	0.21 182	0.24 196	0.13 51	0.11 110	0.16 52	0.14 120	0.10 29	0.08 77	0.40 220	0.12 121	0.12 117	0.21 142	0.14 138	0.16 93	0.10 84	0.12 35	0.09 62	0.25 203	0.08 84	0.15 81	0.13 62	0.14 75	0.13 54

PS-NSSS	0.17 155	0.19 182	0.18 192	0.23 179	0.18 172	0.18 159	0.16 158	0.22 165	0.12 125	0.23 120	0.21 184	0.44 193	0.08 77	0.11 133	0.14 152	0.10 45	0.13 37	0.13 116	0.26 179	0.11 101	0.11 29	0.07 32	0.18 185	0.15 171	0.17 107	0.21 176	0.14 75	0.20 134

RAFT_CTSACE	0.07 19	0.04 9	0.06 47	0.03 4	0.04 11	0.05 21	0.05 30	0.06 10	0.06 25	0.09 23	0.04 4	0.10 29	0.09 92	0.03 13	0.08 21	0.08 17	0.11 26	0.07 13	0.07 8	0.05 9	0.12 35	0.08 37	0.03 20	0.06 35	0.12 47	0.12 53	0.12 54	0.16 86

UDG	0.26 193	0.21 188	0.13 156	0.39 208	0.32 212	0.39 213	0.53 226	0.20 145	0.16 153	0.19 86	0.23 195	0.17 88	0.09 92	1.45 235	0.16 172	0.13 142	0.27 203	0.16 163	0.27 185	0.14 147	0.22 176	0.14 157	0.25 203	0.12 150	0.21 161	0.21 176	0.21 159	0.19 126

GMOStereo	0.11 59	0.07 50	0.09 102	0.06 31	0.05 22	0.06 33	0.05 30	0.17 83	0.09 78	0.24 136	0.07 29	0.17 88	0.09 92	0.05 42	0.11 94	0.12 117	0.17 81	0.08 18	0.12 49	0.08 45	0.19 135	0.08 37	0.03 20	0.07 67	0.18 126	0.18 149	0.14 75	0.17 98

error version	0.11 59	0.07 50	0.09 102	0.06 31	0.05 22	0.06 33	0.05 30	0.17 83	0.09 78	0.24 136	0.07 29	0.17 88	0.09 92	0.05 42	0.11 94	0.12 117	0.17 81	0.08 18	0.12 49	0.08 45	0.19 135	0.08 37	0.03 20	0.07 67	0.18 126	0.18 149	0.14 75	0.17 98

test-v	0.11 59	0.07 50	0.09 102	0.06 31	0.05 22	0.06 33	0.05 30	0.17 83	0.09 78	0.24 136	0.07 29	0.17 88	0.09 92	0.05 42	0.11 94	0.12 117	0.17 81	0.08 18	0.12 49	0.08 45	0.19 135	0.08 37	0.03 20	0.07 67	0.18 126	0.18 149	0.14 75	0.17 98

test-2	0.11 59	0.07 50	0.09 102	0.06 31	0.05 22	0.06 33	0.05 30	0.17 83	0.09 78	0.24 136	0.07 29	0.17 88	0.09 92	0.05 42	0.11 94	0.12 117	0.17 81	0.08 18	0.12 49	0.08 45	0.19 135	0.08 37	0.03 20	0.07 67	0.18 126	0.18 149	0.14 75	0.17 98

s12784h	0.12 81	0.09 89	0.06 47	0.11 103	0.09 82	0.08 57	0.06 60	0.18 109	0.07 40	0.26 172	0.12 97	0.19 114	0.09 92	0.07 75	0.09 38	0.10 45	0.20 129	0.08 18	0.15 83	0.07 29	0.20 148	0.08 37	0.05 50	0.07 67	0.16 97	0.15 100	0.18 127	0.21 149

APVNet	0.15 134	0.13 140	0.11 131	0.13 124	0.17 166	0.15 134	0.13 142	0.19 128	0.11 110	0.14 39	0.13 107	0.17 88	0.09 92	0.16 178	0.17 179	0.16 184	0.21 142	0.14 138	0.22 158	0.15 163	0.15 74	0.12 131	0.07 87	0.12 150	0.17 107	0.15 100	0.19 135	0.17 98

UNet	0.11 59	0.09 89	0.09 102	0.10 88	0.08 64	0.10 90	0.08 84	0.15 66	0.08 58	0.17 61	0.10 71	0.13 53	0.09 92	0.07 75	0.09 38	0.10 45	0.16 66	0.13 116	0.12 49	0.08 45	0.12 35	0.09 62	0.08 110	0.09 106	0.12 47	0.14 79	0.10 32	0.11 36

BEATNet_4x	0.11 59	0.10 101	0.08 92	0.09 71	0.09 82	0.09 70	0.08 84	0.12 39	0.08 58	0.21 102	0.09 63	0.15 73	0.09 92	0.08 92	0.11 94	0.10 45	0.13 37	0.13 116	0.11 38	0.08 45	0.13 55	0.12 131	0.08 110	0.08 84	0.13 55	0.13 62	0.18 127	0.18 117

DeepPrunerF	0.12 81	0.10 101	0.11 131	0.13 124	0.14 149	0.09 70	0.09 102	0.15 66	0.11 110	0.12 32	0.14 120	0.10 29	0.09 92	0.07 75	0.13 134	0.11 80	0.11 26	0.13 116	0.13 61	0.11 101	0.13 55	0.09 62	0.08 110	0.08 84	0.17 107	0.15 100	0.11 46	0.14 63

RASNet	0.11 59	0.10 101	0.10 115	0.09 71	0.07 54	0.08 57	0.08 84	0.19 128	0.09 78	0.17 61	0.10 71	0.13 53	0.09 92	0.06 53	0.09 38	0.10 45	0.14 49	0.09 42	0.12 49	0.06 18	0.15 74	0.09 62	0.05 50	0.10 122	0.13 55	0.12 53	0.17 109	0.17 98

CFNet_RVC	0.13 92	0.12 125	0.10 115	0.14 133	0.11 115	0.14 124	0.09 102	0.17 83	0.09 78	0.19 86	0.13 107	0.21 140	0.09 92	0.10 120	0.12 121	0.13 142	0.18 100	0.13 116	0.15 83	0.11 101	0.16 89	0.09 62	0.06 67	0.09 106	0.16 97	0.13 62	0.16 96	0.17 98

AE-Stereo	0.13 92	0.09 89	0.08 92	0.11 103	0.09 82	0.08 57	0.05 30	0.17 83	0.14 140	0.24 136	0.10 71	0.19 114	0.10 105	0.07 75	0.11 94	0.12 117	0.24 179	0.13 116	0.17 102	0.11 101	0.19 135	0.10 86	0.05 50	0.09 106	0.14 73	0.14 79	0.15 88	0.14 63

iinet-f	0.10 51	0.09 89	0.06 47	0.08 57	0.06 38	0.09 70	0.06 60	0.09 28	0.07 40	0.18 74	0.11 85	0.11 36	0.10 105	0.06 53	0.09 38	0.10 45	0.14 49	0.09 42	0.19 126	0.09 65	0.12 35	0.06 18	0.05 50	0.06 35	0.11 41	0.10 25	0.15 88	0.12 48

AACVNet	0.14 116	0.13 140	0.10 115	0.13 124	0.13 139	0.14 124	0.10 116	0.19 128	0.11 110	0.22 107	0.18 166	0.14 67	0.10 105	0.09 108	0.12 121	0.11 80	0.21 142	0.13 116	0.17 102	0.12 122	0.16 89	0.11 114	0.11 148	0.11 135	0.18 126	0.14 79	0.14 75	0.16 86

GEStereo_RVC	0.14 116	0.13 140	0.10 115	0.11 103	0.12 127	0.12 108	0.11 125	0.18 109	0.13 133	0.24 136	0.16 146	0.18 103	0.10 105	0.06 53	0.13 134	0.12 117	0.20 129	0.16 163	0.23 165	0.13 137	0.16 89	0.14 157	0.07 87	0.11 135	0.21 161	0.15 100	0.13 64	0.20 134

sAnonymous2	0.14 116	0.09 89	0.10 115	0.10 88	0.09 82	0.09 70	0.11 125	0.22 165	0.11 110	0.23 120	0.17 156	0.15 73	0.10 105	0.06 53	0.13 134	0.14 161	0.18 100	0.15 151	0.21 145	0.14 147	0.17 102	0.15 167	0.05 50	0.10 122	0.17 107	0.17 134	0.17 109	0.16 86

CroCo_RVC	0.14 116	0.09 89	0.10 115	0.10 88	0.09 82	0.09 70	0.11 125	0.22 165	0.11 110	0.23 120	0.17 156	0.15 73	0.10 105	0.06 53	0.13 134	0.14 161	0.18 100	0.15 151	0.21 145	0.14 147	0.17 102	0.15 167	0.05 50	0.10 122	0.17 107	0.17 134	0.17 109	0.16 86

FINET	0.12 81	0.12 125	0.12 145	0.12 115	0.10 98	0.11 97	0.13 142	0.15 66	0.12 125	0.13 36	0.12 97	0.13 53	0.10 105	0.09 108	0.18 187	0.13 142	0.16 66	0.11 66	0.17 102	0.10 84	0.13 55	0.10 86	0.10 139	0.10 122	0.13 55	0.11 38	0.13 64	0.13 54

STTStereo	0.13 92	0.14 153	0.17 187	0.13 124	0.15 158	0.13 117	0.21 183	0.13 51	0.14 140	0.15 45	0.15 135	0.17 88	0.10 105	0.11 133	0.14 152	0.12 117	0.15 58	0.15 151	0.13 61	0.11 101	0.12 35	0.10 86	0.07 87	0.09 106	0.15 81	0.14 79	0.12 54	0.16 86

CC-Net-ROB	0.28 200	0.40 220	0.29 217	0.57 221	0.44 221	0.42 217	0.38 212	0.32 203	0.19 173	0.33 218	0.28 214	0.69 216	0.10 105	0.32 216	0.21 201	0.13 142	0.14 49	0.16 163	0.40 207	0.18 185	0.15 74	0.09 62	0.23 198	0.24 205	0.22 172	0.21 176	0.19 135	0.28 176

CFNet	0.12 81	0.11 113	0.08 92	0.14 133	0.12 127	0.11 97	0.09 102	0.20 145	0.10 98	0.18 74	0.12 97	0.25 166	0.10 105	0.08 92	0.09 38	0.09 30	0.17 81	0.12 89	0.12 49	0.09 65	0.12 35	0.08 37	0.06 67	0.10 122	0.15 81	0.13 62	0.13 64	0.13 54

NLCA_NET_v2_RVC	0.13 92	0.13 140	0.14 166	0.14 133	0.16 160	0.13 117	0.21 183	0.13 51	0.15 150	0.16 52	0.16 146	0.21 140	0.10 105	0.15 175	0.12 121	0.12 117	0.16 66	0.12 89	0.11 38	0.09 65	0.12 35	0.10 86	0.08 110	0.09 106	0.13 55	0.13 62	0.11 46	0.16 86
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
MyStereo04	0.14 116	0.12 125	0.11 131	0.08 57	0.09 82	0.11 97	0.08 84	0.23 172	0.19 173	0.24 136	0.16 146	0.23 157	0.11 116	0.04 26	0.11 94	0.11 80	0.17 81	0.12 89	0.21 145	0.12 122	0.17 102	0.12 131	0.06 67	0.12 150	0.21 161	0.14 79	0.16 96	0.15 75

raft_robust	0.12 81	0.09 89	0.09 102	0.11 103	0.06 38	0.09 70	0.06 60	0.15 66	0.08 58	0.23 120	0.07 29	0.20 129	0.11 116	0.09 108	0.11 94	0.12 117	0.16 66	0.12 89	0.14 68	0.10 84	0.15 74	0.11 114	0.03 20	0.08 84	0.18 126	0.17 134	0.15 88	0.14 63

test-1	0.15 134	0.06 29	0.07 71	0.11 103	0.10 98	0.18 159	0.14 148	0.19 128	0.13 133	0.28 197	0.10 71	0.19 114	0.11 116	0.12 151	0.13 134	0.14 161	0.22 152	0.12 89	0.23 165	0.10 84	0.24 198	0.09 62	0.09 125	0.08 84	0.21 161	0.18 149	0.15 88	0.18 117

ADLNet	0.13 92	0.11 113	0.08 92	0.13 124	0.10 98	0.16 142	0.13 142	0.14 60	0.07 40	0.13 36	0.10 71	0.25 166	0.11 116	0.29 209	0.10 63	0.10 45	0.17 81	0.09 42	0.13 61	0.09 65	0.11 29	0.09 62	0.13 163	0.06 35	0.13 55	0.13 62	0.12 54	0.14 63

GES	0.14 116	0.11 113	0.07 71	0.09 71	0.11 115	0.15 134	0.09 102	0.20 145	0.09 78	0.23 120	0.12 97	0.17 88	0.11 116	0.14 167	0.12 121	0.11 80	0.23 161	0.14 138	0.24 171	0.14 147	0.18 120	0.18 185	0.11 148	0.09 106	0.15 81	0.13 62	0.21 159	0.20 134

GMStereo	0.12 81	0.12 125	0.07 71	0.11 103	0.11 115	0.13 117	0.09 102	0.17 83	0.10 98	0.17 61	0.14 120	0.22 153	0.11 116	0.07 75	0.10 63	0.09 30	0.17 81	0.10 55	0.17 102	0.12 122	0.15 74	0.09 62	0.07 87	0.09 106	0.14 73	0.13 62	0.15 88	0.12 48
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MIF-Stereo	0.07 19	0.04 9	0.04 9	0.03 4	0.03 7	0.05 21	0.03 10	0.06 10	0.05 12	0.06 13	0.04 4	0.07 17	0.12 122	0.07 75	0.08 21	0.07 12	0.11 26	0.08 18	0.08 16	0.07 29	0.09 18	0.08 37	0.07 87	0.04 7	0.10 25	0.16 116	0.06 11	0.10 28

CASS	0.15 134	0.12 125	0.10 115	0.14 133	0.12 127	0.16 142	0.10 116	0.19 128	0.15 150	0.26 172	0.12 97	0.20 129	0.12 122	0.09 108	0.13 134	0.12 117	0.23 161	0.12 89	0.24 171	0.10 84	0.20 148	0.11 114	0.07 87	0.09 106	0.23 181	0.14 79	0.19 135	0.22 153
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
HBP-ISP	0.21 177	0.16 165	0.13 156	0.26 189	0.23 192	0.22 186	0.18 168	0.29 196	0.18 166	0.28 197	0.19 175	0.22 153	0.12 122	0.28 208	0.11 94	0.14 161	0.26 196	0.19 192	0.20 139	0.13 137	0.23 187	0.23 213	0.26 209	0.24 205	0.25 187	0.24 191	0.23 165	0.26 169

test_5	0.08 28	0.05 19	0.07 71	0.04 11	0.04 11	0.04 10	0.04 21	0.09 28	0.05 12	0.05 9	0.07 29	0.12 42	0.12 122	0.02 6	0.08 21	0.09 30	0.07 8	0.07 13	0.08 16	0.06 18	0.10 24	0.10 86	0.02 7	0.08 84	0.10 25	0.14 79	0.13 64	0.18 117

dad	0.18 158	0.16 165	0.12 145	0.36 200	0.16 160	0.24 192	0.21 183	0.24 177	0.09 78	0.22 107	0.11 85	0.38 188	0.12 122	0.08 92	0.13 134	0.11 80	0.27 203	0.13 116	0.30 189	0.11 101	0.19 135	0.12 131	0.09 125	0.13 161	0.19 139	0.14 79	0.31 192	0.24 158

test_3	0.11 59	0.07 50	0.07 71	0.06 31	0.08 64	0.05 21	0.05 30	0.17 83	0.10 98	0.24 136	0.09 63	0.22 153	0.12 122	0.06 53	0.13 134	0.13 142	0.20 129	0.09 42	0.14 68	0.10 84	0.18 120	0.09 62	0.04 34	0.08 84	0.13 55	0.14 79	0.13 64	0.14 63

GANet-ADL	0.15 134	0.12 125	0.09 102	0.14 133	0.12 127	0.16 142	0.12 137	0.20 145	0.10 98	0.25 158	0.15 135	0.22 153	0.12 122	0.21 194	0.11 94	0.11 80	0.25 187	0.14 138	0.21 145	0.14 147	0.19 135	0.10 86	0.08 110	0.10 122	0.17 107	0.16 116	0.20 148	0.17 98

ICVP	0.15 134	0.13 140	0.14 166	0.12 115	0.12 127	0.13 117	0.10 116	0.17 83	0.12 125	0.17 61	0.14 120	0.18 103	0.12 122	0.09 108	0.13 134	0.14 161	0.18 100	0.15 151	0.16 93	0.14 147	0.17 102	0.14 157	0.20 189	0.11 135	0.19 139	0.19 166	0.17 109	0.17 98
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous3	0.18 158	0.15 161	0.11 131	0.15 143	0.10 98	0.14 124	0.11 125	0.22 165	0.19 173	0.27 185	0.15 135	0.27 169	0.12 122	0.12 151	0.27 215	0.18 202	0.22 152	0.18 187	0.26 179	0.17 179	0.25 204	0.21 206	0.09 125	0.10 122	0.21 161	0.21 176	0.22 164	0.20 134

FCDSN-DC	0.25 189	0.25 202	0.26 214	0.28 196	0.26 200	0.26 195	0.35 207	0.28 189	0.18 166	0.20 94	0.18 166	0.21 140	0.12 122	0.29 209	0.25 211	0.26 219	0.29 212	0.28 221	0.28 186	0.21 198	0.25 204	0.25 217	0.26 209	0.32 222	0.27 194	0.24 191	0.26 181	0.27 172
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FADNet-RVC-Resample	0.13 92	0.10 101	0.12 145	0.12 115	0.10 98	0.13 117	0.10 116	0.16 74	0.13 133	0.18 74	0.13 107	0.17 88	0.12 122	0.10 120	0.11 94	0.09 30	0.13 37	0.15 151	0.15 83	0.18 185	0.15 74	0.13 148	0.10 139	0.14 168	0.17 107	0.13 62	0.12 54	0.12 48

FADNet-RVC	0.15 134	0.13 140	0.11 131	0.18 160	0.12 127	0.14 124	0.10 116	0.21 156	0.09 78	0.19 86	0.17 156	0.18 103	0.12 122	0.11 133	0.17 179	0.15 179	0.18 100	0.13 116	0.18 116	0.15 163	0.12 35	0.13 148	0.12 159	0.11 135	0.21 161	0.16 116	0.14 75	0.15 75

AF-Net	0.15 134	0.13 140	0.13 156	0.14 133	0.18 172	0.15 134	0.14 148	0.17 83	0.16 153	0.17 61	0.21 184	0.18 103	0.12 122	0.10 120	0.18 187	0.16 184	0.14 49	0.14 138	0.15 83	0.11 101	0.12 35	0.11 114	0.13 163	0.10 122	0.15 81	0.16 116	0.20 148	0.15 75

Nwc_Net	0.15 134	0.13 140	0.13 156	0.14 133	0.18 172	0.15 134	0.14 148	0.17 83	0.16 153	0.17 61	0.21 184	0.18 103	0.12 122	0.10 120	0.18 187	0.16 184	0.14 49	0.14 138	0.15 83	0.11 101	0.12 35	0.11 114	0.13 163	0.10 122	0.15 81	0.16 116	0.20 148	0.15 75

UCFNet_RVC	0.15 134	0.17 173	0.12 145	0.16 147	0.14 149	0.17 151	0.11 125	0.17 83	0.13 133	0.21 102	0.13 107	0.28 170	0.12 122	0.10 120	0.12 121	0.13 142	0.18 100	0.13 116	0.17 102	0.12 122	0.17 102	0.09 62	0.10 139	0.11 135	0.19 139	0.16 116	0.17 109	0.20 134

MyStereo	0.14 116	0.13 140	0.11 131	0.10 88	0.10 98	0.11 97	0.08 84	0.23 172	0.20 186	0.24 136	0.16 146	0.23 157	0.13 137	0.04 26	0.11 94	0.11 80	0.18 100	0.12 89	0.21 145	0.13 137	0.17 102	0.12 131	0.06 67	0.11 135	0.22 172	0.14 79	0.17 109	0.17 98

TESTraft	0.09 33	0.06 29	0.06 47	0.04 11	0.04 11	0.05 21	0.06 60	0.09 28	0.08 58	0.09 23	0.08 46	0.12 42	0.13 137	0.03 13	0.09 38	0.10 45	0.11 26	0.09 42	0.08 16	0.07 29	0.13 55	0.12 131	0.02 7	0.05 19	0.14 73	0.13 62	0.14 75	0.20 134

RAFT+CT+SA	0.09 33	0.05 19	0.07 71	0.05 20	0.05 22	0.04 10	0.05 30	0.13 51	0.07 40	0.08 22	0.07 29	0.15 73	0.13 137	0.04 26	0.11 94	0.10 45	0.09 15	0.08 18	0.08 16	0.06 18	0.12 35	0.11 114	0.02 7	0.06 35	0.13 55	0.13 62	0.11 46	0.17 98

CREStereo++_RVC	0.11 59	0.07 50	0.05 23	0.08 57	0.09 82	0.08 57	0.07 76	0.16 74	0.09 78	0.26 172	0.09 63	0.17 88	0.13 137	0.08 92	0.09 38	0.10 45	0.19 114	0.08 18	0.13 61	0.07 29	0.20 148	0.08 37	0.06 67	0.06 35	0.14 73	0.12 53	0.16 96	0.15 75
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
ADCL	0.14 116	0.12 125	0.11 131	0.13 124	0.11 115	0.14 124	0.11 125	0.18 109	0.16 153	0.22 107	0.16 146	0.21 140	0.13 137	0.09 108	0.12 121	0.12 117	0.17 81	0.13 116	0.18 116	0.13 137	0.19 135	0.14 157	0.11 148	0.11 135	0.17 107	0.16 116	0.16 96	0.17 98

ADCRef	0.13 92	0.10 101	0.10 115	0.10 88	0.08 64	0.09 70	0.09 102	0.17 83	0.14 140	0.20 94	0.15 135	0.15 73	0.13 137	0.05 42	0.11 94	0.11 80	0.16 66	0.14 138	0.19 126	0.12 122	0.16 89	0.12 131	0.09 125	0.11 135	0.14 73	0.18 149	0.13 64	0.19 126

FC-DCNN	0.27 198	0.28 211	0.27 215	0.36 200	0.28 205	0.32 202	0.38 212	0.33 206	0.19 173	0.22 107	0.19 175	0.23 157	0.13 137	0.29 209	0.26 213	0.27 222	0.29 212	0.27 218	0.29 188	0.22 203	0.26 212	0.25 217	0.26 209	0.31 220	0.31 207	0.26 201	0.30 189	0.30 180

DeepPruner_ROB	0.14 116	0.13 140	0.11 131	0.12 115	0.11 115	0.11 97	0.09 102	0.17 83	0.12 125	0.21 102	0.18 166	0.15 73	0.13 137	0.08 92	0.14 152	0.11 80	0.18 100	0.15 151	0.19 126	0.11 101	0.18 120	0.14 157	0.10 139	0.11 135	0.17 107	0.17 134	0.17 109	0.19 126

AMNet	0.49 221	0.50 225	0.48 232	0.49 217	0.47 226	0.61 226	0.51 224	0.32 203	0.28 211	0.30 210	0.68 242	0.72 218	0.13 137	0.53 225	0.44 228	0.55 242	0.57 240	0.58 249	0.48 215	0.48 232	0.58 250	0.50 246	0.26 209	0.48 233	0.45 226	0.52 240	0.58 227	0.65 229

NCCL2	0.18 158	0.17 173	0.16 177	0.13 124	0.13 139	0.13 117	0.12 137	0.21 156	0.18 166	0.22 107	0.15 135	0.23 157	0.13 137	0.10 120	0.17 179	0.16 184	0.19 114	0.17 176	0.19 126	0.17 179	0.22 176	0.18 185	0.11 148	0.16 179	0.26 191	0.26 201	0.20 148	0.24 158

DLCB_ROB	0.14 116	0.12 125	0.12 145	0.10 88	0.10 98	0.10 90	0.09 102	0.16 74	0.12 125	0.18 74	0.17 156	0.19 114	0.13 137	0.11 133	0.12 121	0.11 80	0.16 66	0.13 116	0.14 68	0.10 84	0.18 120	0.11 114	0.09 125	0.12 150	0.27 194	0.16 116	0.16 96	0.14 63

NOSS_ROB	0.21 177	0.14 153	0.16 177	0.21 175	0.19 179	0.20 174	0.22 189	0.30 198	0.18 166	0.25 158	0.16 146	0.21 140	0.13 137	0.27 207	0.15 164	0.14 161	0.26 196	0.21 200	0.22 158	0.17 179	0.23 187	0.22 210	0.26 209	0.24 205	0.26 191	0.23 189	0.24 172	0.27 172

XPNet_ROB	0.18 158	0.21 188	0.14 166	0.15 143	0.16 160	0.15 134	0.15 153	0.16 74	0.14 140	0.19 86	0.19 175	0.49 200	0.13 137	0.11 133	0.16 172	0.14 161	0.25 187	0.16 163	0.18 116	0.14 147	0.17 102	0.19 194	0.13 163	0.14 168	0.18 126	0.17 134	0.32 194	0.29 179

CBMV	0.22 180	0.18 179	0.18 192	0.23 179	0.22 188	0.20 174	0.18 168	0.27 187	0.19 173	0.28 197	0.11 85	0.30 177	0.13 137	0.24 197	0.16 172	0.14 161	0.25 187	0.18 187	0.20 139	0.16 175	0.22 176	0.19 194	0.24 202	0.23 197	0.27 194	0.24 191	0.36 205	0.42 202
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
TestStereo1	0.09 33	0.07 50	0.06 47	0.04 11	0.05 22	0.06 33	0.06 60	0.07 20	0.07 40	0.09 23	0.07 29	0.11 36	0.14 151	0.04 26	0.10 63	0.10 45	0.11 26	0.09 42	0.09 28	0.08 45	0.13 55	0.12 131	0.02 7	0.05 19	0.15 81	0.14 79	0.16 96	0.20 134

SA-5K	0.09 33	0.07 50	0.06 47	0.04 11	0.05 22	0.06 33	0.06 60	0.07 20	0.07 40	0.09 23	0.07 29	0.11 36	0.14 151	0.04 26	0.10 63	0.10 45	0.11 26	0.09 42	0.09 28	0.08 45	0.13 55	0.12 131	0.02 7	0.05 19	0.15 81	0.14 79	0.16 96	0.20 134

LMCR-Stereo	0.13 92	0.09 89	0.07 71	0.11 103	0.08 64	0.11 97	0.09 102	0.18 109	0.09 78	0.19 86	0.14 120	0.19 114	0.14 151	0.10 120	0.10 63	0.11 80	0.20 129	0.13 116	0.19 126	0.11 101	0.18 120	0.10 86	0.08 110	0.08 84	0.15 81	0.13 62	0.19 135	0.17 98

sCroCo_RVC	0.14 116	0.09 89	0.09 102	0.08 57	0.07 54	0.10 90	0.07 76	0.20 145	0.14 140	0.18 74	0.12 97	0.13 53	0.14 151	0.06 53	0.14 152	0.16 184	0.22 152	0.15 151	0.22 158	0.13 137	0.21 163	0.16 176	0.06 67	0.12 150	0.18 126	0.15 100	0.17 109	0.17 98

FADNet	0.16 149	0.15 161	0.10 115	0.20 171	0.10 98	0.19 168	0.13 142	0.21 156	0.13 133	0.22 107	0.26 208	0.17 88	0.14 151	0.12 151	0.20 199	0.16 184	0.16 66	0.14 138	0.23 165	0.20 196	0.16 89	0.13 148	0.11 148	0.11 135	0.21 161	0.17 134	0.16 96	0.15 75

RTSC	0.14 116	0.11 113	0.11 131	0.12 115	0.11 115	0.12 108	0.10 116	0.16 74	0.14 140	0.18 74	0.13 107	0.15 73	0.14 151	0.08 92	0.13 134	0.13 142	0.20 129	0.13 116	0.21 145	0.12 122	0.16 89	0.12 131	0.07 87	0.10 122	0.16 97	0.17 134	0.21 159	0.33 185

HSM	0.14 116	0.12 125	0.09 102	0.14 133	0.13 139	0.12 108	0.11 125	0.18 109	0.11 110	0.23 120	0.15 135	0.18 103	0.14 151	0.08 92	0.12 121	0.11 80	0.21 142	0.12 89	0.17 102	0.12 122	0.18 120	0.11 114	0.07 87	0.08 84	0.17 107	0.16 116	0.17 109	0.18 117

DN-CSS_ROB	0.11 59	0.09 89	0.12 145	0.08 57	0.09 82	0.08 57	0.08 84	0.16 74	0.10 98	0.23 120	0.17 156	0.19 114	0.14 151	0.05 42	0.09 38	0.09 30	0.13 37	0.10 55	0.18 116	0.09 65	0.12 35	0.08 37	0.07 87	0.08 84	0.13 55	0.11 38	0.12 54	0.11 36

CFNet_pseudo	0.13 92	0.11 113	0.11 131	0.14 133	0.11 115	0.12 108	0.11 125	0.19 128	0.12 125	0.24 136	0.14 120	0.17 88	0.15 159	0.09 108	0.10 63	0.10 45	0.16 66	0.13 116	0.13 61	0.08 45	0.15 74	0.08 37	0.08 110	0.09 106	0.15 81	0.14 79	0.19 135	0.21 149

RP	0.15 134	0.14 153	0.16 177	0.17 155	0.14 149	0.17 151	0.16 158	0.19 128	0.17 160	0.14 39	0.16 146	0.16 83	0.15 159	0.11 133	0.14 152	0.12 117	0.15 58	0.12 89	0.15 83	0.12 122	0.12 35	0.13 148	0.10 139	0.12 150	0.17 107	0.17 134	0.20 148	0.18 117

MLCV	0.14 116	0.11 113	0.09 102	0.16 147	0.12 127	0.14 124	0.11 125	0.21 156	0.10 98	0.24 136	0.13 107	0.21 140	0.15 159	0.08 92	0.10 63	0.10 45	0.19 114	0.11 66	0.19 126	0.09 65	0.18 120	0.09 62	0.10 139	0.09 106	0.17 107	0.14 79	0.16 96	0.20 134

iResNet_ROB	0.11 59	0.08 77	0.07 71	0.11 103	0.08 64	0.12 108	0.08 84	0.15 66	0.08 58	0.23 120	0.11 85	0.15 73	0.15 159	0.06 53	0.08 21	0.09 30	0.16 66	0.12 89	0.14 68	0.09 65	0.15 74	0.10 86	0.07 87	0.08 84	0.15 81	0.12 53	0.15 88	0.15 75

LALA_ROB	0.22 180	0.25 202	0.16 177	0.19 166	0.17 166	0.22 186	0.16 158	0.18 109	0.19 173	0.24 136	0.21 184	0.63 210	0.15 159	0.13 164	0.26 213	0.17 196	0.27 203	0.22 204	0.23 165	0.19 189	0.20 148	0.21 206	0.14 169	0.15 171	0.20 149	0.22 184	0.35 202	0.26 169

GwcNet-ADL	0.17 155	0.12 125	0.11 131	0.19 166	0.14 149	0.17 151	0.14 148	0.21 156	0.14 140	0.24 136	0.17 156	0.32 179	0.16 164	0.20 189	0.13 134	0.14 161	0.23 161	0.15 151	0.23 165	0.13 137	0.18 120	0.12 131	0.06 67	0.10 122	0.19 139	0.16 116	0.19 135	0.22 153

iResNetv2_ROB	0.12 81	0.08 77	0.08 92	0.12 115	0.09 82	0.12 108	0.08 84	0.17 83	0.08 58	0.22 107	0.12 97	0.20 129	0.16 164	0.07 75	0.09 38	0.09 30	0.16 66	0.11 66	0.17 102	0.10 84	0.15 74	0.10 86	0.09 125	0.10 122	0.15 81	0.13 62	0.19 135	0.12 48

ETE_ROB	0.22 180	0.23 198	0.15 173	0.20 171	0.16 160	0.19 168	0.17 166	0.18 109	0.19 173	0.21 102	0.22 193	0.64 211	0.16 164	0.14 167	0.17 179	0.14 161	0.30 214	0.19 192	0.25 175	0.19 189	0.22 176	0.18 185	0.16 174	0.15 171	0.22 172	0.28 215	0.41 216	0.27 172

Anonymous	0.15 134	0.10 101	0.10 115	0.10 88	0.10 98	0.10 90	0.08 84	0.19 128	0.09 78	0.20 94	0.13 107	0.19 114	0.17 167	0.07 75	0.14 152	0.15 179	0.20 129	0.17 176	0.18 116	0.15 163	0.23 187	0.16 176	0.06 67	0.10 122	0.23 181	0.18 149	0.19 135	0.15 75

psm_up	0.15 134	0.11 113	0.13 156	0.15 143	0.12 127	0.14 124	0.11 125	0.20 145	0.17 160	0.19 86	0.13 107	0.15 73	0.17 167	0.10 120	0.14 152	0.12 117	0.19 114	0.13 116	0.17 102	0.11 101	0.15 74	0.10 86	0.10 139	0.16 179	0.18 126	0.17 134	0.17 109	0.19 126

HSM-Net_RVC	0.16 149	0.12 125	0.10 115	0.17 155	0.13 139	0.14 124	0.10 116	0.18 109	0.14 140	0.25 158	0.18 166	0.28 170	0.17 167	0.11 133	0.12 121	0.11 80	0.19 114	0.13 116	0.17 102	0.11 101	0.18 120	0.12 131	0.08 110	0.11 135	0.19 139	0.17 134	0.23 165	0.24 158
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
NaN_ROB	0.19 166	0.20 186	0.19 198	0.19 166	0.20 183	0.16 142	0.15 153	0.28 189	0.19 173	0.23 120	0.18 166	0.46 197	0.17 167	0.11 133	0.14 152	0.13 142	0.15 58	0.14 138	0.21 145	0.19 189	0.13 55	0.11 114	0.09 125	0.21 191	0.25 187	0.23 189	0.26 181	0.28 176

pcwnet_v2	0.16 149	0.12 125	0.12 145	0.16 147	0.14 149	0.17 151	0.14 148	0.20 145	0.13 133	0.22 107	0.14 120	0.19 114	0.18 171	0.12 151	0.11 94	0.12 117	0.18 100	0.14 138	0.17 102	0.12 122	0.16 89	0.11 114	0.09 125	0.11 135	0.20 149	0.19 166	0.19 135	0.28 176

stereogan	0.16 149	0.15 161	0.15 173	0.16 147	0.18 172	0.18 159	0.16 158	0.20 145	0.19 173	0.14 39	0.16 146	0.20 129	0.18 171	0.13 164	0.16 172	0.13 142	0.16 66	0.14 138	0.18 116	0.14 147	0.15 74	0.13 148	0.13 163	0.13 161	0.16 97	0.17 134	0.23 165	0.18 117

AnyNet_C32	0.21 177	0.16 165	0.15 173	0.17 155	0.17 166	0.19 168	0.16 158	0.26 184	0.22 191	0.25 158	0.24 198	0.24 163	0.18 171	0.14 167	0.22 203	0.18 202	0.28 210	0.22 204	0.30 189	0.19 189	0.28 215	0.23 213	0.16 174	0.18 188	0.22 172	0.22 184	0.21 159	0.24 158

CBMV_ROB	0.22 180	0.14 153	0.16 177	0.26 189	0.23 192	0.21 182	0.22 189	0.28 189	0.17 160	0.26 172	0.17 156	0.28 170	0.18 171	0.26 200	0.13 134	0.12 117	0.26 196	0.17 176	0.19 126	0.17 179	0.21 163	0.19 194	0.26 209	0.21 191	0.25 187	0.27 211	0.25 178	0.34 189

SGM-Forest	0.20 172	0.18 179	0.16 177	0.23 179	0.18 172	0.21 182	0.18 168	0.23 172	0.17 160	0.20 94	0.16 146	0.23 157	0.18 171	0.22 195	0.18 187	0.18 202	0.19 114	0.17 176	0.18 116	0.15 163	0.18 120	0.19 194	0.25 203	0.19 190	0.22 172	0.18 149	0.26 181	0.24 158
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SQANet	0.46 220	0.56 227	0.14 166	1.44 235	0.52 228	1.25 235	0.85 232	0.30 198	0.23 193	0.34 222	0.25 203	0.66 213	0.19 176	1.15 233	0.19 195	0.14 161	0.25 187	0.20 197	0.42 208	0.22 203	0.17 102	0.14 157	1.56 239	0.17 184	0.21 161	0.17 134	0.27 184	0.41 200

RTS	0.20 172	0.16 165	0.14 166	0.17 155	0.14 149	0.20 174	0.15 153	0.24 177	0.25 201	0.15 45	0.14 120	0.14 67	0.20 177	0.11 133	0.15 164	0.16 184	0.24 179	0.17 176	0.35 200	0.24 206	0.23 187	0.16 176	0.09 125	0.15 171	0.29 202	0.26 201	0.28 187	0.55 221

RTSA	0.20 172	0.16 165	0.14 166	0.17 155	0.14 149	0.20 174	0.15 153	0.24 177	0.25 201	0.15 45	0.14 120	0.14 67	0.20 177	0.11 133	0.15 164	0.16 184	0.24 179	0.17 176	0.35 200	0.24 206	0.23 187	0.16 176	0.09 125	0.15 171	0.29 202	0.26 201	0.28 187	0.55 221

DAS	0.19 166	0.11 113	0.10 115	0.24 184	0.19 179	0.18 159	0.21 183	0.23 172	0.18 166	0.24 136	0.14 120	0.38 188	0.21 179	0.09 108	0.13 134	0.12 117	0.25 187	0.16 163	0.22 158	0.15 163	0.21 163	0.14 157	0.17 179	0.13 161	0.20 149	0.18 149	0.23 165	0.30 180

SepStereo	0.19 166	0.11 113	0.10 115	0.24 184	0.19 179	0.18 159	0.21 183	0.23 172	0.18 166	0.24 136	0.14 120	0.38 188	0.21 179	0.09 108	0.13 134	0.12 117	0.25 187	0.16 163	0.22 158	0.15 163	0.21 163	0.14 157	0.17 179	0.13 161	0.20 149	0.18 149	0.23 165	0.30 180

NCC-stereo	0.18 158	0.16 165	0.16 177	0.16 147	0.18 172	0.18 159	0.18 168	0.19 128	0.20 186	0.16 52	0.19 175	0.21 140	0.21 179	0.12 151	0.22 203	0.18 202	0.18 100	0.19 192	0.19 126	0.15 163	0.16 89	0.15 167	0.15 171	0.12 150	0.19 139	0.18 149	0.24 172	0.20 134

Abc-Net	0.18 158	0.16 165	0.16 177	0.16 147	0.18 172	0.18 159	0.18 168	0.19 128	0.20 186	0.16 52	0.19 175	0.21 140	0.21 179	0.12 151	0.22 203	0.18 202	0.18 100	0.19 192	0.19 126	0.15 163	0.16 89	0.15 167	0.15 171	0.12 150	0.19 139	0.18 149	0.24 172	0.20 134
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCMid	0.22 180	0.18 179	0.17 187	0.18 160	0.19 179	0.20 174	0.16 158	0.30 198	0.25 201	0.24 136	0.19 175	0.36 185	0.21 179	0.12 151	0.18 187	0.16 184	0.25 187	0.18 187	0.37 204	0.19 189	0.24 198	0.20 203	0.17 179	0.15 171	0.24 185	0.22 184	0.25 178	0.30 180

PA-Net	0.19 166	0.21 188	0.25 212	0.14 133	0.20 183	0.18 159	0.21 183	0.21 156	0.19 173	0.17 61	0.15 135	0.17 88	0.21 179	0.26 200	0.17 179	0.18 202	0.15 58	0.19 192	0.13 61	0.17 179	0.14 70	0.16 176	0.10 139	0.16 179	0.18 126	0.27 211	0.17 109	0.35 191
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
FADNet_RVC	0.18 158	0.14 153	0.13 156	0.20 171	0.15 158	0.14 124	0.13 142	0.24 177	0.14 140	0.24 136	0.18 166	0.28 170	0.22 185	0.14 167	0.15 164	0.12 117	0.20 129	0.17 176	0.32 193	0.15 163	0.20 148	0.15 167	0.11 148	0.15 171	0.20 149	0.21 176	0.18 127	0.23 156

MaskLacGwcNet_RVC	0.36 212	0.16 165	0.13 156	0.26 189	0.22 188	0.23 190	0.27 203	0.24 177	0.15 150	0.24 136	0.16 146	4.16 262	0.22 185	0.19 186	0.14 152	0.13 142	0.33 217	0.22 204	0.32 193	0.20 196	0.24 198	0.19 194	0.22 195	0.14 168	0.20 149	0.20 175	0.21 159	0.24 158

RGC	0.19 166	0.17 173	0.17 187	0.19 166	0.20 183	0.20 174	0.15 153	0.22 165	0.26 205	0.17 61	0.21 184	0.21 140	0.24 187	0.15 175	0.24 210	0.19 210	0.18 100	0.16 163	0.19 126	0.16 175	0.17 102	0.14 157	0.13 163	0.16 179	0.21 161	0.21 176	0.24 172	0.25 166

G-Net	0.29 201	0.24 200	0.19 198	0.24 184	0.21 187	0.36 208	0.23 192	0.30 198	0.27 208	0.33 218	0.33 224	0.89 234	0.25 188	0.19 186	0.21 201	0.18 202	0.26 196	0.22 204	0.44 210	0.31 222	0.27 213	0.18 185	0.18 185	0.18 188	0.28 198	0.24 191	0.40 214	0.41 200

ccs_rob	0.20 172	0.15 161	0.12 145	0.26 189	0.16 160	0.26 195	0.20 177	0.22 165	0.16 153	0.25 158	0.24 198	0.58 208	0.25 188	0.18 180	0.13 134	0.13 142	0.23 161	0.15 151	0.21 145	0.16 175	0.21 163	0.12 131	0.12 159	0.11 135	0.20 149	0.16 116	0.18 127	0.23 156

otaku	0.59 226	0.73 232	0.30 219	1.73 246	0.85 236	1.52 240	1.01 233	0.40 220	0.33 223	0.38 228	0.32 223	0.68 214	0.26 190	1.38 234	0.35 222	0.25 216	0.21 142	0.23 209	0.71 224	0.30 220	0.23 187	0.18 185	2.19 242	0.28 215	0.29 202	0.18 149	0.31 192	0.42 202

PSMNet-ADL	0.18 158	0.13 140	0.13 156	0.16 147	0.14 149	0.17 151	0.16 158	0.20 145	0.22 191	0.27 185	0.20 182	0.29 176	0.26 190	0.18 180	0.16 172	0.14 161	0.23 161	0.14 138	0.22 158	0.14 147	0.19 135	0.11 114	0.10 139	0.11 135	0.20 149	0.16 116	0.23 165	0.20 134

SGM-ForestM	0.25 189	0.22 193	0.16 177	0.37 202	0.24 197	0.32 202	0.24 196	0.29 196	0.21 190	0.23 120	0.18 166	0.50 202	0.26 190	0.20 189	0.15 164	0.13 142	0.23 161	0.16 163	0.25 175	0.15 163	0.20 148	0.17 183	0.21 193	0.17 184	0.37 219	0.26 201	0.52 221	0.37 193

pmcnn	0.19 166	0.14 153	0.11 131	0.18 160	0.13 139	0.19 168	0.16 158	0.20 145	0.19 173	0.26 172	0.15 135	0.35 183	0.26 190	0.09 108	0.11 94	0.11 80	0.25 187	0.14 138	0.24 171	0.14 147	0.23 187	0.15 167	0.11 148	0.11 135	0.21 161	0.19 166	0.40 214	0.46 212

Ntro	0.64 229	0.74 233	0.31 222	1.81 248	0.85 236	1.57 241	1.10 235	0.48 230	0.36 227	0.38 228	0.39 227	0.74 220	0.27 194	1.54 237	0.37 225	0.28 224	0.23 161	0.24 212	0.71 224	0.31 222	0.23 187	0.18 185	2.45 245	0.30 219	0.31 207	0.24 191	0.38 209	0.44 208

MDST_ROB	0.23 187	0.26 205	0.15 173	0.46 214	0.24 197	0.36 208	0.20 177	0.24 177	0.16 153	0.26 172	0.15 135	0.28 170	0.27 194	0.11 133	0.13 134	0.13 142	0.21 142	0.12 89	0.18 116	0.12 122	0.20 148	0.11 114	0.11 148	0.12 150	0.36 218	0.25 200	0.57 226	0.33 185

CSAN	0.26 193	0.30 214	0.30 219	0.26 189	0.23 192	0.21 182	0.19 175	0.28 189	0.37 228	0.35 225	0.24 198	0.51 205	0.27 194	0.14 167	0.22 203	0.17 196	0.19 114	0.20 197	0.26 179	0.25 210	0.22 176	0.20 203	0.17 179	0.27 212	0.31 207	0.26 201	0.39 210	0.38 195

XQC	0.29 201	0.30 214	0.27 215	0.37 202	0.28 205	0.37 211	0.37 208	0.40 220	0.30 217	0.32 214	0.20 182	0.45 194	0.28 197	0.31 213	0.16 172	0.15 179	0.21 142	0.22 204	0.34 199	0.24 206	0.22 176	0.21 206	0.23 198	0.25 209	0.33 212	0.27 211	0.44 218	0.33 185

ACVNet-4b	0.70 232	0.78 236	0.34 225	1.74 247	0.95 242	1.64 245	1.43 240	0.33 206	0.31 219	0.38 228	0.26 208	1.23 244	0.29 198	2.19 248	0.42 227	0.37 229	0.34 219	0.24 212	0.59 220	0.38 230	0.17 102	0.15 167	2.71 247	0.23 197	0.30 206	0.32 222	0.39 210	0.42 202

ADCPNet	0.22 180	0.17 173	0.16 177	0.20 171	0.20 183	0.20 174	0.18 168	0.28 189	0.23 193	0.26 172	0.23 195	0.26 168	0.29 198	0.15 175	0.19 195	0.17 196	0.24 179	0.17 176	0.32 193	0.23 205	0.25 204	0.20 203	0.17 179	0.22 194	0.25 187	0.24 191	0.27 184	0.34 189

MANE	0.42 216	0.36 216	0.33 224	0.61 223	0.45 224	0.44 219	0.47 220	0.43 227	0.26 205	0.23 120	0.24 198	0.64 211	0.29 198	0.31 213	0.32 219	0.30 227	0.33 217	0.42 237	0.38 206	0.24 206	0.31 221	0.27 220	0.26 209	0.35 226	0.57 234	0.44 234	1.10 253	0.98 248

ELAS_RVC	0.44 219	0.43 222	0.36 226	0.63 224	0.44 221	0.62 227	0.50 222	0.40 220	0.26 205	0.25 158	0.31 221	1.20 241	0.31 201	0.32 216	0.31 217	0.28 224	0.37 225	0.30 223	0.44 210	0.27 213	0.35 224	0.33 229	0.26 209	0.38 228	0.52 229	0.41 230	0.78 241	0.74 236
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM_RVC	0.25 189	0.24 200	0.18 192	0.39 208	0.27 203	0.34 207	0.26 201	0.28 189	0.19 173	0.25 158	0.18 166	0.42 191	0.31 201	0.18 180	0.14 152	0.13 142	0.23 161	0.15 151	0.26 179	0.14 147	0.19 135	0.15 167	0.19 187	0.17 184	0.34 214	0.24 191	0.56 225	0.45 210
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.34 210	0.27 210	0.24 211	0.41 211	0.33 213	0.37 211	0.37 208	0.28 189	0.25 201	0.25 158	0.52 235	0.45 194	0.32 203	0.26 200	0.25 211	0.20 213	0.52 237	0.32 225	0.75 229	0.35 228	0.38 228	0.39 239	0.28 223	0.31 220	0.27 194	0.24 191	0.33 196	0.37 193

MFN_U_SF_DS_RVC	0.25 189	0.25 202	0.20 200	0.29 197	0.22 188	0.22 186	0.23 192	0.37 214	0.28 211	0.35 225	0.22 193	0.46 197	0.32 203	0.20 189	0.19 195	0.17 196	0.17 81	0.16 163	0.30 189	0.14 147	0.21 163	0.19 194	0.27 221	0.23 197	0.29 202	0.26 201	0.33 196	0.31 184

SHD	0.22 180	0.17 173	0.21 206	0.18 160	0.17 166	0.19 168	0.20 177	0.27 187	0.17 160	0.27 185	0.19 175	0.24 163	0.32 203	0.17 179	0.16 172	0.15 179	0.19 114	0.17 176	0.33 197	0.18 185	0.21 163	0.18 185	0.16 174	0.17 184	0.24 185	0.28 215	0.25 178	0.43 205

iResNet	0.17 155	0.11 113	0.10 115	0.15 143	0.13 139	0.17 151	0.12 137	0.21 156	0.14 140	0.25 158	0.14 120	0.35 183	0.32 203	0.08 92	0.12 121	0.11 80	0.20 129	0.12 89	0.26 179	0.15 163	0.18 120	0.12 131	0.11 148	0.13 161	0.18 126	0.15 100	0.20 148	0.19 126

FBW_ROB	0.27 198	0.26 205	0.25 212	0.38 204	0.26 200	0.32 202	0.20 177	0.21 156	0.19 173	0.27 185	0.21 184	0.45 194	0.32 203	0.26 200	0.22 203	0.20 213	0.27 203	0.17 176	0.52 218	0.14 147	0.22 176	0.15 167	0.17 179	0.28 215	0.22 172	0.19 166	0.33 196	0.57 224

ELAS	0.43 218	0.43 222	0.36 226	0.64 225	0.45 224	0.58 222	0.50 222	0.40 220	0.27 208	0.25 158	0.30 219	0.92 235	0.32 203	0.32 216	0.31 217	0.28 224	0.36 224	0.30 223	0.45 212	0.26 211	0.34 223	0.33 229	0.26 209	0.37 227	0.56 233	0.43 233	0.78 241	0.76 237
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
AnyNet_C01	0.32 209	0.22 193	0.20 200	0.22 177	0.27 203	0.25 193	0.24 196	0.37 214	0.37 228	0.26 172	0.29 216	0.49 200	0.33 209	0.18 180	0.32 219	0.22 215	0.39 227	0.32 225	0.65 222	0.33 226	0.41 233	0.33 229	0.26 209	0.26 211	0.34 214	0.34 223	0.34 200	0.45 210

SFCPSM	0.20 172	0.14 153	0.12 145	0.21 175	0.16 160	0.20 174	0.18 168	0.22 165	0.20 186	0.25 158	0.24 198	0.34 182	0.34 210	0.14 167	0.13 134	0.13 142	0.24 179	0.16 163	0.32 193	0.19 189	0.19 135	0.13 148	0.14 169	0.12 150	0.22 172	0.18 149	0.20 148	0.25 166

MFN_U_SF_RVC	0.31 206	0.28 211	0.21 206	0.33 198	0.29 209	0.31 198	0.29 205	0.38 217	0.24 196	0.46 235	0.31 221	0.50 202	0.34 210	0.25 199	0.30 216	0.25 216	0.19 114	0.23 209	0.58 219	0.29 217	0.25 204	0.28 222	0.21 193	0.27 212	0.31 207	0.26 201	0.37 207	0.51 216

edge stereo	0.31 206	0.22 193	0.20 200	0.42 212	0.36 214	0.42 217	0.39 214	0.39 219	0.23 193	0.23 120	0.39 227	0.68 214	0.34 210	0.30 212	0.17 179	0.17 196	0.31 215	0.21 200	0.42 208	0.21 198	0.24 198	0.18 185	0.25 203	0.23 197	0.28 198	0.24 191	0.39 210	0.55 221

FAT-Stereo	0.26 193	0.19 182	0.17 187	0.38 204	0.37 216	0.31 198	0.25 200	0.26 184	0.18 166	0.28 197	0.25 203	0.33 180	0.36 213	0.26 200	0.18 187	0.16 184	0.27 203	0.23 209	0.33 197	0.21 198	0.22 176	0.19 194	0.22 195	0.22 194	0.22 172	0.22 184	0.33 196	0.43 205

MSC_U_SF_DS_RVC	0.35 211	0.36 216	0.38 228	0.46 214	0.28 205	0.31 198	0.28 204	0.51 232	0.46 234	0.39 232	0.29 216	0.37 187	0.36 213	0.31 213	0.38 226	0.26 219	0.22 152	0.27 218	0.72 226	0.37 229	0.28 215	0.31 224	0.30 226	0.38 228	0.33 212	0.26 201	0.30 189	0.38 195

S-Stereo	0.30 204	0.22 193	0.18 192	0.42 212	0.39 218	0.41 215	0.37 208	0.25 183	0.24 196	0.26 172	0.44 230	0.55 207	0.36 213	0.24 197	0.18 187	0.14 161	0.27 203	0.27 218	0.35 200	0.28 215	0.23 187	0.23 213	0.53 231	0.23 197	0.23 181	0.19 166	0.27 184	0.38 195

ADCS	0.29 201	0.22 193	0.21 206	0.26 189	0.25 199	0.25 193	0.23 192	0.37 214	0.30 217	0.23 120	0.27 210	0.47 199	0.36 213	0.20 189	0.22 203	0.19 210	0.32 216	0.24 212	0.49 216	0.28 215	0.37 227	0.30 223	0.20 189	0.23 197	0.31 207	0.28 215	0.30 189	0.43 205

JetBlue	0.71 233	0.56 227	0.71 249	0.74 228	0.62 232	0.79 231	0.69 229	0.53 235	0.93 249	0.46 235	0.30 219	3.22 259	0.38 217	0.52 224	0.46 229	0.44 234	0.73 252	0.53 244	0.68 223	0.52 233	0.57 248	0.60 251	0.74 233	0.57 241	0.57 234	0.46 235	0.97 250	0.96 246

GANetREF_RVC	0.26 193	0.26 205	0.30 219	0.23 179	0.23 192	0.23 190	0.24 196	0.35 209	0.33 223	0.32 214	0.18 166	0.50 202	0.38 217	0.12 151	0.22 203	0.18 202	0.20 129	0.21 200	0.35 200	0.21 198	0.24 198	0.16 176	0.22 195	0.29 218	0.28 198	0.21 176	0.36 205	0.33 185
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
SANet	0.31 206	0.21 188	0.21 206	0.25 187	0.22 188	0.31 198	0.22 189	0.31 202	0.32 221	0.27 185	0.27 210	1.36 246	0.39 219	0.22 195	0.17 179	0.14 161	0.26 196	0.21 200	0.30 189	0.21 198	0.25 204	0.21 206	0.30 226	0.23 197	0.34 214	0.26 201	0.35 202	0.49 214

STTRV1_RVC		0.26 205	0.22 210	0.35 199	0.28 205	0.32 202	0.29 205	0.36 213	0.33 223	0.27 185	0.27 210	0.42 191	0.41 220	0.48 222		0.19 210	0.59 242	0.20 197		0.30 220	0.59 252			0.43 231	0.26 191	0.56 242	0.34 200	0.67 231

JetRed	1.64 255	1.79 260	1.70 261	1.59 238	1.52 256	2.02 254	2.26 256	1.52 261	1.47 257	0.82 253	0.78 246	2.67 258	0.43 221	1.78 240	1.47 259	1.56 260	1.74 259	2.93 263	1.44 253	1.10 259	2.36 261	2.20 260	1.98 241	0.98 258	1.19 259	1.77 261	1.58 260	1.56 259

DPSNet	0.40 215	0.19 182	0.18 192	0.27 195	0.26 200	0.29 197	0.19 175	0.26 184	0.24 196	0.18 74	0.17 156	2.15 256	0.44 222	0.10 120	0.20 199	0.16 184	0.35 222	0.28 221	2.00 257	0.27 213	0.25 204	0.17 183	0.28 223	0.25 209	0.40 223	0.27 211	0.39 210	0.53 218

PWCDC_ROB	0.13 92	0.06 29	0.09 102	0.07 52	0.13 139	0.08 57	0.13 142	0.06 10	0.24 196	0.09 23	0.15 135	0.10 29	0.45 223	0.26 200	0.12 121	0.10 45	0.09 15	0.12 89	0.08 16	0.11 101	0.08 15	0.12 131	0.19 187	0.13 161	0.08 14	0.14 79	0.08 22	0.18 117

SAMSARA	0.49 221	0.23 198	0.39 229	0.23 179	0.23 192	0.22 186	0.23 192	0.44 229	0.39 231	0.31 213	0.21 184	0.30 177	0.47 224	0.18 180	0.35 222	0.34 228	0.26 196	0.32 225	0.47 214	0.32 225	0.48 243	0.54 249	0.15 171	0.33 224	1.40 261	1.58 260	1.42 258	1.48 258

MeshStereo	0.30 204	0.26 205	0.20 200	0.49 217	0.37 216	0.36 208	0.26 201	0.32 203	0.28 211	0.30 210	0.28 214	0.60 209	0.48 225	0.18 180	0.15 164	0.14 161	0.26 196	0.17 176	0.28 186	0.18 185	0.28 215	0.22 210	0.25 203	0.21 191	0.37 219	0.30 220	0.55 224	0.51 216
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
DispFullNet	0.49 221	0.53 226	0.20 200	1.14 232	0.43 220	0.79 231	1.26 237	0.33 206	0.24 196	0.24 136	0.27 210	0.85 229	0.50 226	1.59 238	0.18 187	0.15 179	0.51 235	0.34 231	1.12 243	0.26 211	0.25 204	0.19 194	0.20 189	0.22 194	0.28 198	0.18 149	0.35 202	0.61 227

PVD	0.39 214	0.38 219	0.20 200	0.47 216	0.36 214	0.50 221	0.40 216	0.38 217	0.34 226	0.23 120	0.29 216	0.52 206	0.51 227	0.50 223	0.19 195	0.17 196	0.40 228	0.26 216	0.50 217	0.29 217	0.40 229	0.41 241	0.23 198	0.27 212	0.45 226	0.59 245	0.46 220	0.73 235

MFMNet_re	0.66 230	0.72 231	0.65 247	0.77 230	0.62 232	0.82 233	0.70 231	0.52 234	0.53 237	0.54 241	0.65 241	0.79 225	0.51 227	0.59 229	0.68 244	0.67 249	0.81 254	0.69 256	0.74 228	0.62 243	0.71 254	0.64 253	0.45 228	0.57 241	0.59 237	0.62 248	0.74 236	0.88 243

STStereo	0.38 213	0.43 222	0.31 222	0.74 228	0.50 227	0.58 222	0.43 217	0.35 209	0.31 219	0.34 222	0.25 203	0.83 228	0.55 229	0.20 189	0.17 179	0.16 184	0.25 187	0.16 163	0.46 213	0.17 179	0.24 198	0.19 194	0.20 189	0.23 197	0.52 229	0.41 230	0.76 238	0.59 226

LSM0	3.23 258	0.28 211	0.18 192	0.38 204	0.30 210	0.39 213	0.37 208	0.51 232	0.32 221	0.45 234	0.47 231	0.71 217	0.59 230	0.19 186	16.94 265	59.67 272	0.37 225	0.26 216	1.34 251	0.34 227	0.45 238	0.34 233	0.23 198	0.28 215	0.38 221	0.31 221	0.53 222	0.53 218

RainbowNet	0.78 235	0.90 238	0.47 231	1.86 249	0.92 239	1.63 244	1.48 241	0.42 226	0.37 228	0.47 238	0.34 225	0.92 235	0.62 231	2.02 243	0.65 241	0.48 237	0.35 222	0.33 229	0.92 234	0.58 238	0.33 222	0.24 216	2.80 251	0.39 230	0.40 223	0.35 224	0.44 218	0.50 215

ACVNet_1	0.75 234	0.82 237	0.41 230	2.07 254	0.98 243	1.94 252	1.52 242	0.59 237	0.28 211	0.43 233	0.50 234	0.73 219	0.63 232	2.24 250	0.36 224	0.25 216	0.34 219	0.32 225	0.62 221	0.31 222	0.30 220	0.22 210	2.71 247	0.33 224	0.41 225	0.28 215	0.37 207	0.39 199

PWC_ROB	0.23 187	0.20 186	0.14 166	0.18 160	0.17 166	0.16 142	0.20 177	0.21 156	0.27 208	0.15 45	0.21 184	0.28 170	0.63 232	0.13 164	0.14 152	0.13 142	0.27 203	0.18 187	0.37 204	0.19 189	0.22 176	0.18 185	0.16 174	0.24 205	0.20 149	0.19 166	0.24 172	0.44 208

SPS-STEREO	0.60 228	0.57 229	0.53 233	0.55 219	0.54 230	0.65 228	0.52 225	0.40 220	0.68 239	0.37 227	0.78 246	0.78 224	0.64 234	0.53 225	0.59 238	0.57 245	0.67 247	0.63 255	0.75 229	0.72 250	0.77 257	0.68 255	0.26 209	0.54 240	0.54 231	0.60 246	0.70 234	0.66 230
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.59 226	0.58 230	0.54 236	0.58 222	0.55 231	0.69 229	0.57 227	0.43 227	0.39 231	0.38 228	0.78 246	0.75 222	0.65 235	0.54 227	0.62 240	0.56 243	0.67 247	0.61 252	0.72 226	0.64 245	0.71 254	0.65 254	0.27 221	0.51 235	0.54 231	0.57 243	0.75 237	0.71 234

MADNet+	0.56 225	0.37 218	0.63 244	0.56 220	0.53 229	0.45 220	0.39 214	0.64 239	0.51 236	0.53 239	0.40 229	0.81 227	0.67 236	0.34 219	0.61 239	0.50 239	0.58 241	0.50 241	0.84 232	0.53 234	0.49 246	0.44 242	0.51 230	0.47 232	0.82 244	0.71 250	0.58 227	0.70 232

ACVNet_2	0.84 238	0.95 239	0.58 239	2.04 252	1.03 248	1.88 251	1.56 245	0.68 241	0.39 231	0.53 239	0.49 232	1.05 239	0.68 237	1.97 242	0.53 232	0.44 234	0.40 228	0.33 229	1.06 240	0.42 231	0.35 224	0.25 217	2.54 246	0.53 238	0.61 238	0.28 215	0.53 222	0.58 225

DPSimNet_ROB		1.23 251	1.31 260	1.49 236	1.60 257	1.34 238	1.37 238	0.68 241	1.70 259	1.68 260	1.03 254	1.48 247	0.82 238	2.08 244	1.45 258	0.92 256		0.81 257	1.64 255	1.41 260	1.08 260	1.28 259	0.79 234	0.87 255		1.26 259	1.18 255	1.16 252

WAO-7	0.67 231	0.75 234	0.64 246	0.72 227	0.78 234	0.58 222	0.66 228	0.97 253	0.97 252	0.62 243	0.81 250	0.79 225	0.84 239	0.55 228	0.86 250	0.71 253	0.44 230	0.36 232	0.96 235	0.67 248	0.44 236	0.35 234	0.16 174	0.83 254	0.57 234	0.67 249	0.58 227	0.70 232

PSMNet_ROB	0.80 236	0.99 243	0.62 243	1.64 239	0.93 241	1.51 239	1.20 236	0.57 236	0.73 240	0.74 246	0.63 240	0.86 230	0.84 239	1.52 236	0.58 235	0.42 231	0.54 238	0.41 236	0.87 233	0.62 243	0.42 235	0.31 224	1.83 240	0.48 233	0.69 242	0.37 226	0.76 238	0.47 213

BEATNet-Init1	0.51 224	0.41 221	0.29 217	0.78 231	0.41 219	0.60 225	0.46 219	0.41 225	0.28 211	0.30 210	0.25 203	0.87 231	0.91 241	0.26 200	0.33 221	0.26 219	0.28 210	0.25 215	0.98 238	0.29 217	0.29 219	0.27 220	0.26 209	0.32 222	0.51 228	0.38 229	2.12 262	0.96 246

PWCK	0.90 240	1.24 252	0.63 244	1.55 237	0.86 238	1.23 234	1.04 234	1.09 254	0.75 243	0.70 245	0.81 250	1.52 248	0.91 241	0.71 230	0.46 229	0.41 230	0.74 253	0.47 238	3.07 260	0.67 248	0.58 250	0.45 244	0.95 237	0.74 250	0.74 243	0.41 230	0.70 234	0.76 237

IMH-64-1	0.91 241	0.98 241	0.53 233	1.64 239	1.01 246	1.62 242	1.75 249	0.76 243	0.74 241	0.33 218	0.61 237	0.87 231	0.95 243	2.61 252	0.53 232	0.42 231	0.49 232	0.36 232	0.96 235	0.55 235	0.40 229	0.31 224	3.11 252	0.51 235	0.82 244	0.37 226	0.60 230	0.78 239

IMH-64	0.91 241	0.98 241	0.53 233	1.64 239	1.01 246	1.62 242	1.75 249	0.76 243	0.74 241	0.33 218	0.61 237	0.87 231	0.95 243	2.61 252	0.53 232	0.42 231	0.49 232	0.36 232	0.96 235	0.55 235	0.40 229	0.31 224	3.11 252	0.51 235	0.82 244	0.37 226	0.60 230	0.78 239

ktn	1.26 250	1.42 254	0.57 238	1.65 244	1.61 258	1.75 248	2.16 255	0.86 248	1.75 260	0.89 256	1.11 257	1.18 240	0.96 245	2.60 251	1.03 254	0.73 254	0.82 255	0.61 252	1.47 254	0.76 252	0.70 253	0.69 256	3.64 258	0.73 248	0.93 251	0.81 255	1.20 256	1.25 255

KSHMR	1.34 252	1.44 255	1.07 259	2.31 256	1.48 254	2.31 257	2.15 254	1.22 256	1.07 256	1.13 259	1.07 255	1.30 245	0.96 245	2.92 260	1.12 256	0.95 257	0.87 256	0.84 258	1.34 251	0.97 257	0.74 256	0.60 251	3.48 256	1.07 260	0.99 252	0.77 252	1.01 251	1.06 250

LVE	0.97 244	0.99 243	0.73 252	1.89 250	1.39 253	1.65 246	1.53 243	0.79 247	0.65 238	0.81 250	0.92 252	0.74 220	1.01 247	2.21 249	0.58 235	0.48 237	0.59 242	0.54 247	1.13 244	0.64 245	0.46 240	0.40 240	2.73 250	0.69 246	0.85 248	0.50 239	0.85 245	0.54 220

WAO-6	0.83 237	0.96 240	0.61 241	1.33 234	1.06 249	1.28 237	1.42 239	0.78 246	0.87 245	0.78 248	0.70 245	0.77 223	1.02 248	1.95 241	0.81 247	0.62 247	0.55 239	0.49 240	0.80 231	0.60 239	0.57 248	0.53 248	0.50 229	0.58 244	0.85 248	0.46 235	0.77 240	0.83 242

WAO-8	1.02 245	1.14 249	0.79 253	1.64 239	1.25 250	1.78 249	1.57 246	0.93 249	1.01 253	0.81 250	0.68 242	1.72 249	1.03 249	2.08 244	0.82 248	0.68 250	0.65 245	0.53 244	1.09 241	0.82 254	0.48 243	0.38 236	0.81 235	0.75 251	1.12 256	0.77 252	0.96 248	1.21 253

Venus	1.02 245	1.14 249	0.79 253	1.64 239	1.25 250	1.78 249	1.57 246	0.93 249	1.01 253	0.81 250	0.68 242	1.72 249	1.03 249	2.08 244	0.82 248	0.68 250	0.65 245	0.53 244	1.09 241	0.82 254	0.48 243	0.38 236	0.81 235	0.75 251	1.12 256	0.77 252	0.96 248	1.21 253

IMH	0.95 243	1.00 245	0.55 237	1.66 245	1.00 244	1.69 247	1.78 251	0.76 243	0.77 244	0.34 222	0.61 237	1.01 238	1.07 251	2.69 254	0.58 235	0.46 236	0.51 235	0.38 235	0.98 238	0.60 239	0.40 229	0.32 228	3.11 252	0.53 238	0.83 247	0.48 237	0.65 232	0.79 241

notaker	1.30 251	1.44 255	0.61 241	2.42 258	1.51 255	2.40 258	2.31 257	0.95 252	1.64 258	0.79 249	1.07 255	1.73 251	1.18 252	3.10 263	1.04 255	0.69 252	0.70 250	0.50 241	1.66 256	0.85 256	0.56 247	0.47 245	3.67 259	0.80 253	0.62 239	0.58 244	0.81 243	0.95 245

Dean	1.08 247	1.06 247	0.80 255	2.30 255	1.35 252	1.99 253	1.58 248	0.93 249	0.93 249	0.88 255	0.78 246	1.21 242	1.22 253	2.13 247	0.67 242	0.60 246	0.62 244	0.57 248	1.25 250	0.74 251	0.46 240	0.37 235	2.72 249	0.71 247	1.00 253	0.60 246	1.05 252	0.64 228

TorneroNet	1.11 249	1.11 248	0.67 248	2.05 253	1.00 244	2.29 256	2.05 252	0.65 240	0.89 247	0.68 244	0.57 236	1.74 252	1.26 254	2.97 261	0.71 245	0.52 241	0.50 234	0.51 243	1.18 246	0.65 247	0.41 233	0.44 242	3.48 256	0.58 244	0.67 241	0.49 238	0.85 245	1.02 249

UNDER WATER	1.42 253	1.45 257	0.89 257	2.87 259	1.98 262	2.78 259	2.64 259	1.29 257	1.04 255	0.87 254	0.98 253	1.95 254	1.30 255	3.12 264	0.87 251	0.63 248	0.68 249	0.58 249	1.23 248	0.61 241	0.44 236	0.50 246	3.95 261	0.99 259	1.09 255	1.04 256	0.88 247	1.67 262

UNDER WATER-64	1.42 253	1.40 253	0.92 258	2.88 260	1.97 261	2.82 260	2.72 260	1.37 259	0.94 251	1.04 258	1.15 258	1.96 255	1.33 256	3.07 262	0.80 246	0.56 243	0.70 250	0.58 249	1.17 245	0.55 235	0.45 238	0.54 249	3.98 262	0.92 257	1.03 254	1.13 258	0.81 243	1.60 260

SPstereo	0.89 239	0.77 235	0.71 249	0.66 226	0.80 235	0.69 229	0.69 229	1.10 255	0.91 248	0.74 246	1.22 259	0.97 237	1.44 257	0.93 232	0.89 252	1.06 258	0.96 257	0.62 254	1.20 247	0.81 253	0.87 258	0.79 257	0.64 232	0.91 256	0.89 250	0.74 251	1.16 254	0.90 244

LE_ROB	0.42 216	0.19 182	0.17 187	0.40 210	0.44 221	0.33 206	0.44 218	0.35 209	0.29 216	0.32 214	0.21 184	1.22 243	1.73 258	0.11 133	0.11 94	0.11 80	0.21 142	0.13 116	0.21 145	0.13 137	0.23 187	0.13 148	0.12 159	0.15 171	0.39 222	0.36 225	1.46 259	1.45 257

TorneroNet-64	1.09 248	1.03 246	0.60 240	1.99 251	0.92 239	2.06 255	2.05 252	0.63 238	0.87 245	0.58 242	0.49 232	1.90 253	1.89 259	2.91 259	0.67 242	0.51 240	0.48 231	0.47 238	1.23 248	0.61 241	0.35 224	0.38 236	3.33 255	0.57 241	0.64 240	0.52 240	0.69 233	1.15 251

MADNet++	1.87 257	1.58 258	1.74 262	1.28 233	1.74 259	1.25 235	1.55 244	1.63 262	2.10 262	1.84 261	2.24 261	2.56 257	2.74 260	0.75 231	1.43 257	1.55 259	2.00 260	1.47 261	2.11 258	2.11 261	3.28 262	3.23 261	1.22 238	2.22 262	1.23 260	2.58 262	1.77 261	1.36 256

LRCNet_RVC	9.94 262	17.32 269	0.72 251	25.08 270	21.25 271	23.72 271	20.86 269	1.45 260	0.48 235	21.28 271	13.07 267	22.69 271	3.57 261	28.32 272	0.47 231	0.27 222	8.45 264	1.25 260	23.54 270	4.04 262	0.47 242	0.33 229	26.91 270	1.58 261	0.35 217	0.22 184	0.43 217	0.38 195

HanzoNet	1.79 256	1.65 259	0.85 256	2.31 256	1.74 259	2.83 261	2.55 258	1.29 257	1.86 261	0.92 257	1.28 260	4.71 263	3.85 262	3.43 265	0.96 253	0.79 255	1.10 258	0.95 259	2.68 259	1.04 258	0.93 259	0.92 258	3.78 260	0.73 248	1.15 258	1.07 257	1.29 257	1.61 261

DGTPSM_ROB	8.61 260	3.65 261	8.39 264	2.97 261	5.68 264	3.37 262	4.40 263	3.70 263	9.03 263	3.00 262	6.91 263	3.52 260	10.03 263	2.69 254	10.46 261	10.76 262	3.81 261	12.88 265	4.73 261	10.21 264	5.93 264	13.78 265	4.46 264	8.55 264	10.09 266	27.91 267	11.05 266	30.64 267

DPSMNet_ROB	8.62 261	3.66 262	8.40 265	2.97 261	5.69 265	3.37 262	4.40 263	3.70 263	9.03 263	3.00 262	6.93 264	3.52 260	10.07 264	2.69 254	10.46 261	10.76 262	3.81 261	12.88 265	4.76 262	10.21 264	5.93 264	13.78 265	4.47 265	8.55 264	10.10 267	27.91 267	11.06 267	30.64 267

HaxPig	16.12 266	19.70 270	18.82 271	21.25 269	20.53 270	21.35 270	22.27 270	17.00 271	14.68 267	19.29 270	17.18 271	18.07 267	12.18 265	22.52 270	17.87 266	14.95 266	17.87 268	9.54 264	18.95 265	15.62 268	9.98 266	7.75 263	23.74 269	15.32 268	4.46 262	12.22 266	6.85 263	15.21 266

DPSM_ROB	12.93 264	6.06 263	9.07 266	4.34 263	6.33 266	4.24 264	3.55 261	8.20 266	10.79 265	6.62 265	7.89 265	9.68 264	12.99 266	2.78 257	12.36 263	13.66 264	8.95 265	16.55 268	9.69 263	12.30 266	16.52 268	17.76 268	2.26 243	10.59 266	28.41 268	36.73 269	31.10 269	39.69 269

DPSM	12.93 264	6.06 263	9.07 266	4.34 263	6.33 266	4.24 264	3.55 261	8.20 266	10.79 265	6.62 265	7.89 265	9.68 264	12.99 266	2.78 257	12.36 263	13.66 264	8.95 265	16.55 268	9.69 263	12.30 266	16.52 268	17.76 268	2.26 243	10.59 266	28.41 268	36.73 269	31.10 269	39.69 269

MEDIAN_ROB	20.51 267	25.88 271	24.09 272	26.47 271	25.52 272	25.87 272	26.98 271	21.19 272	19.61 269	28.55 272	22.12 272	24.85 272	16.74 268	26.52 271	23.53 267	18.59 267	22.10 271	14.86 267	26.41 271	23.30 269	15.47 267	11.96 264	27.64 271	18.47 269	7.32 264	9.55 265	8.34 265	11.88 265

AVERAGE_ROB	24.46 268	29.85 272	27.17 273	31.26 272	29.68 273	30.01 273	31.43 272	26.55 273	24.57 273	34.19 273	27.26 273	31.45 273	21.40 269	30.75 273	28.23 271	24.11 268	26.75 272	21.47 270	30.01 272	27.38 273	20.81 270	16.76 267	32.29 272	24.48 273	8.40 265	7.77 264	7.95 264	8.54 264

CasAABBNet	25.99 270	12.23 268	18.16 268	8.64 265	12.70 269	8.22 266	7.18 266	16.43 268	21.85 272	13.64 269	15.80 268	19.61 270	26.12 270	5.47 266	25.18 270	27.55 271	17.67 267	33.30 271	19.65 268	24.62 270	33.10 271	35.23 270	4.49 266	21.39 272	57.22 272	74.08 273	62.47 271	79.73 271

MyStereo03	26.03 271	12.17 266	18.23 269	8.74 266	12.69 268	8.44 267	7.21 267	16.48 269	21.77 270	13.32 267	15.90 269	19.49 268	26.17 271	5.59 268	24.91 268	27.50 269	17.88 269	33.36 272	19.50 266	24.77 271	33.22 272	36.10 271	4.56 267	21.35 270	57.13 270	73.97 271	62.60 272	79.92 272

MyStereo02	25.56 269	12.17 266	18.23 269	8.74 266	0.00 1	8.44 267	7.21 267	16.48 269	21.77 270	13.32 267	15.90 269	19.49 268	26.17 271	5.59 268	24.91 268	27.50 269	17.88 269	33.36 272	19.50 266	24.77 271	33.22 272	36.10 271	4.56 267	21.35 270	57.13 270	73.97 271	62.60 272	79.92 272

PML	8.17 259	7.65 265	3.51 263	9.56 268	5.16 263	9.57 269	5.23 265	6.49 265	17.89 268	6.44 264	3.24 262	16.63 266	29.28 273	5.47 266	6.12 260	3.95 261	7.38 263	2.69 262	20.47 269	4.69 263	3.59 263	3.96 262	3.98 262	4.20 263	5.71 263	4.30 263	16.67 268	6.70 263

Low-res two-view benchmark