Low-res two-view results

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

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

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

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

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

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

CAS	0.08 2	0.04 1	0.07 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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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	0.40 326	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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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	0.38 303	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

tt	4.65 412	0.07 51	3.54 411	2.01 414	1.55 413	10.25 418	16.66 418	8.90 421	5.03 415	1.33 408	0.96 394	4.71 414	4.74 414	3.33 414	5.86 416	6.06 421	10.30 425	1.87 415	2.09 416	2.61 414	1.19 414

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

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
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

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

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

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	0.14 324

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

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

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

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

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 260	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	0.14 324

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

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	0.15 339

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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	0.44 378	0.10 261	0.05 79	0.07 98	0.06 81	0.08 193	0.08 209

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

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	0.29 339	0.09 230	0.05 79	0.07 98	0.07 157	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	0.28 332	0.09 230	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

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

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

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

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

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

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

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

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

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

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

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

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	1.71 410	4.68 414	0.67 375	0.46 363	0.47 373	0.21 268	0.30 345	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

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

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

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

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

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

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

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	0.36 293	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	0.20 260	0.08 45	0.18 227	0.29 358	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

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

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

SA-5K	0.13 154	0.08 133	0.08 6	0.20 260	0.08 45	0.18 227	0.29 358	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

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

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

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

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

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

AASNet	0.16 234	0.08 133	0.13 108	0.19 219	0.09 120	0.19 242	0.15 120	0.38 338	0.37 297	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

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

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

GwcNet-ADL	0.13 154	0.08 133	0.14 143	0.20 260	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

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

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

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

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 302	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
LMCR-Stereo	0.15 211	0.08 133	0.14 143	0.21 286	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

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

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

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

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

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

RAFT + AFF	0.13 154	0.08 133	0.21 279	0.20 260	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

UPFNet	0.16 234	0.08 133	0.12 85	0.20 260	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

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
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	0.36 293	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

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
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

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	0.36 293	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

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

1111x	0.16 234	0.09 179	0.13 108	0.18 174	0.08 45	0.18 227	0.25 332	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

whm_eth	0.14 179	0.09 179	0.21 279	0.21 286	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

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

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

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

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)
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

SDNR	0.20 281	0.09 179	0.19 270	0.16 60	0.12 279	0.79 394	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	0.18 361	0.14 332	0.11 301	0.08 193	0.12 302

CroCo-Stereo Lap2	0.09 7	0.09 179	0.08 6	0.22 302	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

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

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	0.40 311	0.26 296	0.43 345	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

BUS	0.15 211	0.09 179	0.14 143	0.22 302	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

RAFT_CTSACE	0.12 130	0.09 179	0.10 38	0.22 302	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

BSDual-CNN	0.15 211	0.09 179	0.14 143	0.22 302	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

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

iRaft-Stereo_5w	0.12 130	0.09 179	0.12 85	0.20 260	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

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

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

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

GMOStereo	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 348	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	0.28 348	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	0.28 348	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_3	0.11 69	0.09 179	0.10 38	0.21 286	0.08 45	0.13 121	0.25 332	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

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	0.39 307	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

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
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

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

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

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

test-2	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 348	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

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	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

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

ICVP	0.16 234	0.09 179	0.12 85	0.22 302	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)
sCroCo_RVC	0.12 130	0.09 179	0.24 298	0.24 327	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

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	0.38 303	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

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

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

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

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

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

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

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

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

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	0.37 332	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

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	0.45 332	0.23 268	0.32 281	0.34 323	0.26 311	0.29 328	0.29 339	0.08 188	0.06 185	0.07 98	0.07 157	0.09 245	0.10 263

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

LL-Strereo	0.13 154	0.10 233	0.12 85	0.20 260	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

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

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

NINENet	0.16 234	0.10 233	0.16 204	0.17 107	0.11 251	0.20 259	0.14 75	0.41 351	0.37 297	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

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

Anonymous	0.14 179	0.10 233	0.24 298	0.23 319	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

MMNet	0.17 252	0.10 233	0.17 223	0.20 260	0.11 251	0.27 325	0.20 275	0.26 206	0.42 320	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

psm_up	0.19 274	0.10 233	0.18 249	0.21 286	0.11 251	0.17 211	0.19 261	0.38 338	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

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	0.32 313	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

DMCA-RVC	0.17 252	0.10 233	0.16 204	0.24 327	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

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	0.51 349	0.27 303	0.39 323	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

ADCP+	0.20 281	0.10 233	0.35 342	0.21 286	0.12 279	0.22 282	0.27 342	0.31 276	0.35 288	0.26 296	0.37 309	0.22 230	0.22 285	0.27 313	0.28 332	0.09 230	0.06 185	0.08 158	0.08 209	0.10 270	0.10 263

NLCA_NET_v2_RVC	0.17 252	0.10 233	0.23 292	0.20 260	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.
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	0.35 302	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

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

MDST_ROB	0.22 299	0.10 233	0.18 249	0.18 174	0.11 251	0.40 365	0.19 261	0.44 364	0.42 320	0.40 354	0.40 326	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

DLCB_ROB	0.18 265	0.10 233	0.16 204	0.23 319	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

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

ToySt	0.17 252	0.11 251	0.19 270	0.17 107	0.11 251	0.16 191	0.26 338	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

Selective-RAFT	0.11 69	0.11 251	0.12 85	0.21 286	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

RAFT+CT+SA	0.13 154	0.11 251	0.09 24	0.19 219	0.09 120	0.15 170	0.28 348	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

hknet	0.15 211	0.11 251	0.14 143	0.22 302	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

pcwnet_v2	0.19 274	0.11 251	0.26 308	0.18 174	0.14 314	0.18 227	0.15 120	0.37 331	0.46 340	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	0.13 311

stereogan	0.22 299	0.11 251	0.21 279	0.20 260	0.12 279	0.32 342	0.19 261	0.36 324	0.45 332	0.23 268	0.39 323	0.35 328	0.27 316	0.33 342	0.23 291	0.10 261	0.12 326	0.10 265	0.10 278	0.14 329	0.14 324

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

CVANet_RVC	0.18 265	0.11 251	0.14 143	0.21 286	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

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.
NVstereo2D	0.19 274	0.11 251	0.16 204	0.17 107	0.16 336	0.28 333	0.23 309	0.44 364	0.42 320	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

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

DRN-Test	0.20 281	0.11 251	0.21 279	0.22 302	0.10 213	0.22 282	0.22 298	0.40 346	0.38 303	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

StereoDRNet	0.19 274	0.11 251	0.18 249	0.22 302	0.11 251	0.22 282	0.22 298	0.37 331	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

WCMA_ROB	0.24 322	0.11 251	0.24 298	0.17 107	0.14 314	0.34 348	0.16 169	0.33 290	0.33 267	0.39 351	0.54 362	0.40 349	0.35 352	0.35 350	0.26 320	0.12 309	0.12 326	0.12 308	0.11 301	0.14 329	0.14 324

CASS	0.14 179	0.12 266	0.12 85	0.23 319	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.
test_5	0.14 179	0.12 266	0.08 6	0.20 260	0.10 213	0.14 150	0.28 348	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

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	0.14 324

PSMNet-ADL	0.15 211	0.12 266	0.13 108	0.22 302	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

GEStereo_RVC	0.17 252	0.12 266	0.16 204	0.22 302	0.11 251	0.19 242	0.18 226	0.32 280	0.49 344	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

sAnonymous2	0.13 154	0.12 266	0.25 302	0.20 260	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	0.20 260	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

APVNet	0.23 312	0.12 266	0.20 273	0.18 174	0.14 314	0.32 342	0.31 365	0.40 346	0.33 267	0.27 303	0.40 326	0.30 295	0.29 328	0.27 313	0.25 309	0.11 286	0.12 326	0.11 291	0.14 335	0.12 299	0.13 311

FADNet-RVC-Resample	0.17 252	0.12 266	0.32 332	0.22 302	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

S-Stereo	0.21 291	0.12 266	0.25 302	0.21 286	0.13 299	0.21 269	0.19 261	0.33 290	0.45 332	0.23 268	0.36 306	0.28 281	0.29 328	0.20 253	0.23 291	0.09 230	0.12 326	0.10 265	0.10 278	0.13 314	0.14 324

ADCL	0.25 329	0.12 266	0.49 360	0.22 302	0.12 279	0.36 356	0.29 358	0.30 263	0.57 362	0.24 279	0.47 353	0.30 295	0.31 344	0.30 334	0.30 345	0.09 230	0.07 239	0.09 224	0.09 247	0.10 270	0.10 263

ADCRef	0.20 281	0.12 266	0.43 353	0.20 260	0.12 279	0.23 293	0.18 226	0.32 280	0.37 297	0.26 296	0.33 288	0.18 189	0.23 291	0.25 307	0.26 320	0.07 140	0.06 185	0.09 224	0.09 247	0.08 193	0.09 241

RYNet	0.23 312	0.12 266	0.22 286	0.19 219	0.17 346	0.47 370	0.26 338	0.39 343	0.49 344	0.24 279	0.29 263	0.34 323	0.24 298	0.20 253	0.31 349	0.10 261	0.06 185	0.09 224	0.09 247	0.14 329	0.15 339

TDLM	0.18 265	0.12 266	0.14 143	0.24 327	0.10 213	0.18 227	0.18 226	0.37 331	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

SGM-ForestM	0.33 359	0.12 266	0.17 223	0.16 60	0.11 251	0.42 367	0.20 275	0.43 360	0.53 358	0.53 373	0.57 368	1.41 404	0.44 372	0.42 372	0.29 339	0.14 341	0.16 355	0.16 346	0.16 347	0.12 299	0.13 311

StereoDRNet-Refined	0.17 252	0.12 266	0.16 204	0.20 260	0.10 213	0.18 227	0.18 226	0.27 218	0.24 188	0.26 296	0.41 336	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
XPNet_ROB	0.22 299	0.12 266	0.20 273	0.22 302	0.13 299	0.22 282	0.19 261	0.35 319	0.40 311	0.30 325	0.40 326	0.38 338	0.27 316	0.26 311	0.29 339	0.15 343	0.10 307	0.10 265	0.10 278	0.13 314	0.12 302

PSMNet_ROB	0.22 299	0.12 266	0.15 169	0.27 350	0.15 324	0.25 307	0.36 376	0.43 360	0.37 297	0.27 303	0.33 288	0.32 313	0.23 291	0.21 268	0.27 325	0.12 309	0.08 265	0.13 321	0.11 301	0.10 270	0.09 241

SGM_RVC	0.24 322	0.12 266	0.16 204	0.15 35	0.09 120	0.34 348	0.19 261	0.35 319	0.32 262	0.44 365	0.38 316	0.53 372	0.36 355	0.36 354	0.26 320	0.13 323	0.13 338	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
GMStereo_Zeroshot	0.16 234	0.13 285	0.25 302	0.20 260	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

StereoVision	0.14 179	0.13 285	0.10 38	0.24 327	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

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	0.17 359	0.21 361	0.17 354	0.10 270	0.09 241

Wz-Net-MNSev	0.23 312	0.13 285	0.33 333	0.20 260	0.15 324	0.36 356	0.25 332	0.34 304	0.45 332	0.29 320	0.41 336	0.39 343	0.19 261	0.25 307	0.27 325	0.09 230	0.07 239	0.09 224	0.09 247	0.12 299	0.10 263

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

FAT-Stereo	0.21 291	0.13 285	0.22 286	0.21 286	0.12 279	0.18 227	0.18 226	0.35 319	0.40 311	0.28 315	0.37 309	0.33 319	0.33 348	0.21 268	0.20 257	0.09 230	0.11 318	0.10 265	0.09 247	0.11 286	0.14 324

STTStereo	0.18 265	0.13 285	0.28 312	0.20 260	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	0.11 318	0.11 291	0.14 335	0.09 245	0.08 209

RP	0.22 299	0.13 285	0.22 286	0.23 319	0.12 279	0.21 269	0.20 275	0.26 206	0.45 332	0.22 255	0.38 316	0.37 332	0.25 304	0.28 321	0.25 309	0.11 286	0.12 326	0.13 321	0.12 319	0.13 314	0.14 324

RTSC	0.23 312	0.13 285	0.30 325	0.21 286	0.13 299	0.29 335	0.17 188	0.36 324	0.68 377	0.27 303	0.34 298	0.30 295	0.22 285	0.32 339	0.31 349	0.10 261	0.08 265	0.09 224	0.10 278	0.13 314	0.14 324

GANet	0.22 299	0.13 285	0.21 279	0.25 333	0.14 314	0.23 293	0.22 298	0.42 355	0.27 226	0.31 330	0.43 345	0.37 332	0.29 328	0.23 292	0.23 291	0.10 261	0.12 326	0.10 265	0.09 247	0.10 270	0.08 209

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	0.18 361	0.22 365	0.20 360	0.10 270	0.12 302

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	0.18 361	0.23 366	0.21 362	0.13 314	0.13 311

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

PWCDC_ROB	0.21 291	0.13 285	0.23 292	0.25 333	0.12 279	0.20 259	0.15 120	0.34 304	0.55 359	0.29 320	0.49 355	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

MeshStereo	0.27 344	0.13 285	0.18 249	0.15 35	0.11 251	0.33 344	0.24 317	0.41 351	0.36 293	0.53 373	0.58 370	0.67 382	0.41 364	0.36 354	0.27 325	0.14 341	0.13 338	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
Anonymous3	0.16 234	0.14 300	0.34 336	0.26 343	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

GwcNet	0.20 281	0.14 300	0.20 273	0.18 174	0.12 279	0.25 307	0.20 275	0.36 324	0.45 332	0.20 237	0.33 288	0.33 319	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

FADNet_RVC	0.17 252	0.14 300	0.41 350	0.20 260	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

edge stereo	0.23 312	0.14 300	0.21 279	0.21 286	0.13 299	0.24 299	0.16 169	0.32 280	0.42 320	0.32 337	0.40 326	0.39 343	0.35 352	0.25 307	0.25 309	0.13 323	0.11 318	0.14 332	0.11 301	0.12 299	0.14 324

SANet	0.25 329	0.14 300	0.29 320	0.21 286	0.11 251	0.29 335	0.25 332	0.40 346	0.65 376	0.36 344	0.40 326	0.42 353	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

SGM-Forest	0.20 281	0.14 300	0.18 249	0.20 260	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	0.16 355	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
TestStereo	0.14 179	0.15 306	0.11 62	0.23 319	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

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
NCC-stereo	0.25 329	0.15 306	0.31 328	0.26 343	0.17 346	0.21 269	0.31 365	0.41 351	0.40 311	0.24 279	0.38 316	0.33 319	0.29 328	0.37 358	0.28 332	0.13 323	0.11 318	0.15 339	0.22 365	0.13 314	0.13 311

Abc-Net	0.25 329	0.15 306	0.31 328	0.26 343	0.17 346	0.21 269	0.31 365	0.41 351	0.40 311	0.24 279	0.38 316	0.33 319	0.29 328	0.37 358	0.28 332	0.13 323	0.11 318	0.15 339	0.22 365	0.13 314	0.13 311
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 339	0.15 306	0.31 328	0.24 327	0.18 355	0.23 293	0.15 120	0.39 343	0.72 382	0.32 337	0.42 342	0.36 330	0.29 328	0.33 342	0.30 345	0.13 323	0.11 318	0.14 332	0.13 329	0.16 348	0.20 366

ADCMid	0.26 339	0.15 306	0.42 352	0.20 260	0.14 314	0.25 307	0.26 338	0.35 319	0.40 311	0.37 348	0.45 349	0.34 323	0.42 367	0.36 354	0.36 361	0.10 261	0.09 286	0.11 291	0.11 301	0.13 314	0.13 311

NCCL2	0.24 322	0.15 306	0.18 249	0.34 371	0.18 355	0.24 299	0.24 317	0.34 304	0.29 245	0.31 330	0.38 316	0.38 338	0.29 328	0.23 292	0.25 309	0.15 343	0.12 326	0.18 356	0.21 362	0.13 314	0.13 311

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	0.15 350	0.17 348	0.16 347	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
Wz-Net-LNSev	0.22 299	0.16 314	0.41 350	0.22 302	0.13 299	0.25 307	0.24 317	0.33 290	0.44 329	0.30 325	0.42 342	0.32 313	0.19 261	0.23 292	0.27 325	0.10 261	0.09 286	0.08 158	0.08 209	0.12 299	0.11 284

Syn2CoEx	0.22 299	0.16 314	0.29 320	0.29 363	0.15 324	0.26 317	0.21 288	0.34 304	0.32 262	0.29 320	0.36 306	0.28 281	0.25 304	0.20 253	0.25 309	0.16 355	0.12 326	0.14 332	0.11 301	0.09 245	0.08 209

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	0.41 358	0.55 363	0.41 351	0.38 358	0.35 350	0.28 332	0.11 286	0.15 350	0.11 291	0.11 301	0.12 299	0.17 356

AnyNet_C32	0.26 339	0.16 314	0.39 347	0.20 260	0.17 346	0.26 317	0.31 365	0.32 280	0.45 332	0.31 330	0.50 357	0.30 295	0.34 349	0.41 371	0.36 361	0.12 309	0.12 326	0.12 308	0.14 335	0.14 329	0.15 339

DANet	0.21 291	0.16 314	0.29 320	0.25 333	0.13 299	0.23 293	0.19 261	0.28 239	0.27 226	0.28 315	0.32 281	0.35 328	0.32 346	0.31 335	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
DPSNet	0.28 346	0.16 314	0.33 333	0.18 174	0.13 299	0.55 376	0.42 384	0.52 376	0.68 377	0.29 320	0.38 316	0.39 343	0.30 339	0.32 339	0.23 291	0.11 286	0.10 307	0.11 291	0.08 209	0.20 362	0.16 348

PDISCO_ROB	0.28 346	0.16 314	0.28 312	0.28 356	0.20 362	0.33 344	0.27 342	0.45 366	0.58 365	0.28 315	0.41 336	0.45 359	0.30 339	0.34 345	0.35 360	0.12 309	0.09 286	0.17 348	0.16 347	0.17 355	0.13 311

LALA_ROB	0.25 329	0.16 314	0.23 292	0.27 350	0.17 346	0.27 325	0.27 342	0.42 355	0.38 303	0.33 341	0.39 323	0.51 369	0.26 311	0.29 328	0.28 332	0.16 355	0.09 286	0.13 321	0.12 319	0.13 314	0.13 311

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	0.49 344	0.30 325	0.40 326	0.32 313	0.25 304	0.31 335	0.23 291	0.10 261	0.07 239	0.11 291	0.08 209	0.11 286	0.10 263

Anonymous_2	0.22 299	0.17 323	0.28 312	0.15 35	0.16 336	0.33 344	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	0.22 371	0.26 379	0.17 348	0.17 354	0.16 348	0.18 358

Wz-Net-SNSev	0.26 339	0.17 323	0.46 355	0.25 333	0.14 314	0.26 317	0.24 317	0.38 338	0.57 362	0.30 325	0.56 364	0.39 343	0.26 311	0.24 302	0.32 354	0.10 261	0.09 286	0.10 265	0.11 301	0.11 286	0.11 284

WZ-Net	0.29 349	0.17 323	0.82 392	0.23 319	0.16 336	0.35 352	0.29 358	0.40 346	0.59 367	0.24 279	0.57 368	0.37 332	0.25 304	0.34 345	0.37 365	0.09 230	0.08 265	0.09 224	0.10 278	0.14 329	0.16 348

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

UDG	0.21 291	0.17 323	0.20 273	0.23 319	0.15 324	0.31 340	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	0.12 326	0.13 321	0.09 247	0.14 329	0.15 339

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	0.49 370	0.48 354	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

AF-Net	0.23 312	0.17 323	0.17 223	0.27 350	0.13 299	0.26 317	0.24 317	0.33 290	0.51 349	0.25 292	0.33 288	0.39 343	0.27 316	0.28 321	0.26 320	0.11 286	0.10 307	0.16 346	0.12 319	0.11 286	0.11 284

G-Net	0.25 329	0.17 323	0.38 346	0.23 319	0.16 336	0.51 373	0.23 309	0.29 253	0.35 288	0.36 344	0.38 316	0.31 307	0.29 328	0.28 321	0.27 325	0.11 286	0.09 286	0.12 308	0.10 278	0.16 348	0.14 324

Nwc_Net	0.23 312	0.17 323	0.22 286	0.25 333	0.15 324	0.25 307	0.27 342	0.38 338	0.39 307	0.22 255	0.41 336	0.30 295	0.29 328	0.28 321	0.25 309	0.11 286	0.10 307	0.17 348	0.20 360	0.10 270	0.11 284

DeepPrunerF	0.24 322	0.17 323	0.45 354	0.26 343	0.16 336	0.23 293	0.29 358	0.37 331	0.51 349	0.27 303	0.31 272	0.24 250	0.28 325	0.22 285	0.23 291	0.15 343	0.11 318	0.20 360	0.18 358	0.12 299	0.14 324

ADCPNet	0.26 339	0.17 323	0.62 373	0.21 286	0.15 324	0.36 356	0.25 332	0.33 290	0.37 297	0.31 330	0.41 336	0.36 330	0.29 328	0.29 328	0.34 359	0.12 309	0.10 307	0.11 291	0.12 319	0.14 329	0.13 311

FBW_ROB	0.25 329	0.17 323	0.23 292	0.27 350	0.14 314	0.26 317	0.22 298	0.42 355	0.43 327	0.42 360	0.41 336	0.43 355	0.27 316	0.32 339	0.24 302	0.09 230	0.15 350	0.15 339	0.12 319	0.12 299	0.10 263

ETE_ROB	0.23 312	0.17 323	0.23 292	0.25 333	0.14 314	0.26 317	0.29 358	0.32 280	0.37 297	0.28 315	0.37 309	0.45 359	0.27 316	0.28 321	0.27 325	0.11 286	0.09 286	0.12 308	0.10 278	0.14 329	0.13 311

DDUNet	0.23 312	0.18 336	0.22 286	0.22 302	0.15 324	0.25 307	0.24 317	0.30 263	0.31 257	0.31 330	0.37 309	0.34 323	0.26 311	0.25 307	0.21 268	0.18 360	0.13 338	0.17 348	0.11 301	0.16 348	0.17 356

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	0.49 344	0.26 296	0.33 288	0.22 230	0.23 291	0.23 292	0.18 239	0.18 360	0.16 355	0.11 291	0.10 278	0.15 340	0.14 324

PA-Net	0.24 322	0.18 336	0.34 336	0.28 356	0.22 366	0.22 282	0.39 381	0.29 253	0.39 307	0.22 255	0.33 288	0.25 259	0.26 311	0.21 268	0.25 309	0.10 261	0.23 377	0.15 339	0.22 365	0.09 245	0.13 311
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.25 329	0.19 339	0.34 336	0.21 286	0.24 369	0.24 299	0.21 288	0.36 324	0.42 320	0.25 292	0.32 281	0.38 338	0.21 278	0.29 328	0.24 302	0.13 323	0.11 318	0.14 332	0.16 347	0.23 365	0.23 371

RTS	0.46 376	0.19 339	3.33 409	0.25 333	0.15 324	0.72 389	0.21 288	0.37 331	0.78 388	0.42 360	0.44 347	0.31 307	0.43 370	0.55 382	0.37 365	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 339

RTSA	0.46 376	0.19 339	3.33 409	0.25 333	0.15 324	0.72 389	0.21 288	0.37 331	0.78 388	0.42 360	0.44 347	0.31 307	0.43 370	0.55 382	0.37 365	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 339

ADCS	0.30 352	0.19 339	0.48 359	0.21 286	0.18 355	0.29 335	0.24 317	0.42 355	0.64 374	0.40 354	0.50 357	0.40 349	0.37 356	0.40 366	0.43 375	0.13 323	0.13 338	0.13 321	0.14 335	0.16 348	0.16 348

Anonymous Stereo	0.24 322	0.19 339	0.52 362	0.25 333	0.18 355	0.21 269	0.22 298	0.34 304	0.45 332	0.25 292	0.35 302	0.26 268	0.19 261	0.31 335	0.29 339	0.13 323	0.12 326	0.12 308	0.13 329	0.12 299	0.14 324

Wz-Net-TNSev	0.29 349	0.20 344	0.69 384	0.19 219	0.15 324	0.38 362	0.27 342	0.36 324	0.56 361	0.35 342	0.42 342	0.45 359	0.39 359	0.33 342	0.31 349	0.13 323	0.13 338	0.10 265	0.12 319	0.15 340	0.15 339

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

FADNet-RVC	0.21 291	0.20 344	0.40 348	0.21 286	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	0.13 338	0.12 308	0.14 335	0.13 314	0.18 358

RGC	0.25 329	0.20 344	0.29 320	0.28 356	0.16 336	0.22 282	0.23 309	0.33 290	0.44 329	0.27 303	0.40 326	0.38 338	0.28 325	0.37 358	0.23 291	0.11 286	0.13 338	0.17 348	0.17 354	0.15 340	0.16 348

NaN_ROB	0.23 312	0.20 344	0.25 302	0.25 333	0.13 299	0.31 340	0.27 342	0.34 304	0.41 318	0.31 330	0.31 272	0.32 313	0.23 291	0.31 335	0.22 281	0.11 286	0.17 359	0.10 265	0.11 301	0.08 193	0.09 241

MaskLacGwcNet_RVC	0.22 299	0.21 349	0.25 302	0.26 343	0.11 251	0.24 299	0.14 75	0.39 343	0.24 188	0.32 337	0.36 306	0.30 295	0.21 278	0.19 240	0.22 281	0.17 359	0.14 346	0.21 361	0.16 347	0.13 314	0.12 302

PVD	0.40 368	0.21 349	0.40 348	0.32 370	0.23 367	0.30 338	0.45 388	0.53 378	0.97 395	0.55 375	0.80 388	0.54 373	0.60 385	0.53 380	0.40 371	0.19 363	0.14 346	0.17 348	0.14 335	0.24 371	0.32 383

LSM	0.34 364	0.21 349	0.62 373	0.27 350	0.62 398	0.35 352	0.26 338	0.43 360	0.49 344	0.45 367	0.60 373	0.42 353	0.37 356	0.35 350	0.26 320	0.13 323	0.21 374	0.14 332	0.16 347	0.18 357	0.34 385

PS-NSSS	0.20 281	0.21 349	0.23 292	0.20 260	0.10 213	0.19 242	0.17 188	0.36 324	0.26 216	0.27 303	0.34 298	0.27 273	0.24 298	0.20 253	0.20 257	0.15 343	0.12 326	0.17 348	0.14 335	0.10 270	0.09 241

MFN_U_SF_RVC	0.33 359	0.22 353	0.58 371	0.31 367	0.15 324	0.36 356	0.17 188	0.54 379	0.46 340	0.47 369	0.56 364	0.58 375	0.39 359	0.36 354	0.38 368	0.15 343	0.15 350	0.18 356	0.21 362	0.16 348	0.16 348

DispFullNet	0.27 344	0.22 353	0.66 376	0.28 356	0.17 346	0.27 325	0.17 188	0.34 304	0.57 362	0.27 303	0.37 309	0.43 355	0.24 298	0.39 363	0.25 309	0.12 309	0.06 185	0.19 358	0.11 301	0.23 365	0.16 348

HCRNet	0.16 234	0.23 355	0.12 85	0.35 373	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

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	0.15 350	0.12 308	0.15 345	0.17 355	0.18 358

XQC	0.29 349	0.23 355	0.53 363	0.29 363	0.19 359	0.36 356	0.28 348	0.37 331	0.58 365	0.31 330	0.31 272	0.37 332	0.30 339	0.39 363	0.39 369	0.13 323	0.09 286	0.15 339	0.12 319	0.18 357	0.18 358

SQANet	0.24 322	0.24 358	0.31 328	0.31 367	0.19 359	0.27 325	0.13 45	0.30 263	0.33 267	0.25 292	0.37 309	0.31 307	0.22 285	0.27 313	0.23 291	0.15 343	0.10 307	0.21 361	0.16 347	0.22 363	0.16 348

GASNet	0.22 299	0.24 358	0.34 336	0.26 343	0.17 346	0.27 325	0.16 169	0.45 366	0.42 320	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

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	0.61 369	0.74 387	0.56 364	0.30 295	0.40 363	0.23 292	0.32 354	0.09 230	0.07 239	0.08 158	0.07 157	0.11 286	0.10 263

MFN_U_SF_DS_RVC	0.30 352	0.24 358	0.30 325	0.36 375	0.16 336	0.36 356	0.31 365	0.34 304	0.43 327	0.41 358	0.46 351	0.38 338	0.30 339	0.35 350	0.29 339	0.19 363	0.20 367	0.26 368	0.29 377	0.18 357	0.19 363

CSAN	0.30 352	0.24 358	0.28 312	0.34 371	0.19 359	0.34 348	0.42 384	0.38 338	0.51 349	0.38 350	0.40 326	0.44 358	0.34 349	0.29 328	0.31 349	0.19 363	0.16 355	0.19 358	0.19 359	0.14 329	0.15 339

PASM	0.33 359	0.25 363	0.51 361	0.28 356	0.27 375	0.30 338	0.31 365	0.35 319	0.51 349	0.36 344	0.40 326	0.47 366	0.35 352	0.34 345	0.36 361	0.23 376	0.26 379	0.26 368	0.28 376	0.23 365	0.21 367

AnyNet_C01	0.37 365	0.26 364	1.41 403	0.22 302	0.17 346	0.51 373	0.28 348	0.36 324	0.40 311	0.39 351	0.75 384	0.46 363	0.39 359	0.46 374	0.50 385	0.13 323	0.13 338	0.13 321	0.14 335	0.14 329	0.16 348

MSMD_ROB	0.31 357	0.26 364	0.26 308	0.24 327	0.21 364	0.34 348	0.25 332	0.34 304	0.39 307	0.40 354	0.69 378	0.45 359	0.41 364	0.34 345	0.28 332	0.20 367	0.20 367	0.26 368	0.25 371	0.23 365	0.22 370

ccnet	0.30 352	0.28 366	0.24 298	0.20 260	0.28 376	0.41 366	0.22 298	0.46 369	0.33 267	0.37 348	0.46 351	0.37 332	0.30 339	0.40 366	0.43 375	0.23 376	0.14 346	0.21 361	0.17 354	0.23 365	0.19 363

FCDSN-DC	0.33 359	0.28 366	0.28 312	0.30 365	0.24 369	0.39 364	0.28 348	0.43 360	0.42 320	0.44 365	0.53 361	0.51 369	0.42 367	0.37 358	0.30 345	0.21 369	0.20 367	0.27 371	0.26 372	0.25 373	0.25 373
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
BEATNet-Init1	0.54 382	0.28 366	0.68 383	0.31 367	0.21 364	0.85 397	0.31 365	0.57 381	0.69 380	0.89 394	1.00 396	2.17 411	0.66 388	0.58 386	0.44 378	0.19 363	0.18 361	0.23 366	0.22 365	0.22 363	0.21 367

SAMSARA	0.41 369	0.28 366	0.34 336	0.55 388	0.39 382	0.85 397	1.25 412	0.49 372	0.52 355	0.36 344	0.35 302	0.56 374	0.39 359	0.39 363	0.41 372	0.15 343	0.20 367	0.15 339	0.14 335	0.23 365	0.21 367

MANE	0.47 378	0.28 366	0.28 312	0.27 350	0.24 369	0.50 371	0.32 373	0.57 381	0.62 372	0.74 387	1.20 406	1.21 397	0.64 387	0.54 381	0.39 369	0.22 371	0.20 367	0.27 371	0.31 380	0.26 375	0.25 373

FC-DCNN	0.33 359	0.28 366	0.28 312	0.26 343	0.23 367	0.38 362	0.29 358	0.40 346	0.44 329	0.46 368	0.56 364	0.51 369	0.41 364	0.38 362	0.31 349	0.21 369	0.20 367	0.27 371	0.26 372	0.25 373	0.24 372

ELAS_RVC	0.42 371	0.29 372	0.33 333	0.28 356	0.24 369	0.56 377	0.38 379	0.50 373	0.61 369	0.74 387	0.76 385	0.67 382	0.56 381	0.55 382	0.42 374	0.22 371	0.21 374	0.27 371	0.26 372	0.27 377	0.26 376
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 371	0.29 372	0.34 336	0.28 356	0.24 369	0.63 381	0.37 377	0.52 376	0.52 355	0.72 384	0.82 389	0.68 384	0.56 381	0.52 378	0.45 381	0.22 371	0.21 374	0.27 371	0.26 372	0.26 375	0.26 376
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.28 346	0.31 374	0.36 344	0.30 365	0.15 324	0.25 307	0.19 261	0.45 366	0.34 277	0.39 351	0.37 309	0.39 343	0.31 344	0.27 313	0.27 325	0.24 378	0.18 361	0.30 379	0.23 369	0.19 360	0.15 339

EDNetEfficientorigin	7.92 416	0.32 375	152.98 435	0.20 260	0.10 213	0.22 282	0.17 188	0.23 164	0.60 368	0.73 385	0.67 375	0.41 351	0.51 378	0.24 302	0.41 372	0.08 188	0.07 239	0.09 224	0.07 157	0.12 299	0.11 284

GANetREF_RVC	0.31 357	0.34 376	0.29 320	0.35 373	0.16 336	0.33 344	0.42 384	0.48 371	0.52 355	0.35 342	0.35 302	0.34 323	0.32 346	0.40 366	0.33 357	0.27 380	0.20 367	0.29 377	0.15 345	0.19 360	0.18 358
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
coex-ft	3.24 411	0.35 377	57.83 434	0.18 174	0.13 299	0.27 325	0.23 309	0.28 239	0.72 382	1.89 412	0.70 379	0.43 355	0.47 373	0.29 328	0.43 375	0.09 230	0.09 286	0.12 308	0.09 247	0.14 329	0.14 324

NVStereoNet_ROB	0.47 378	0.37 378	0.47 358	0.42 380	0.29 379	0.35 352	0.35 375	0.50 373	0.61 369	0.73 385	0.94 393	0.70 386	0.68 389	0.48 375	0.62 392	0.22 371	0.33 384	0.34 381	0.34 384	0.30 378	0.31 382
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 366	0.38 379	0.53 363	0.44 381	0.28 376	0.57 378	0.24 317	0.42 355	0.62 372	0.40 354	0.50 357	0.46 363	0.34 349	0.40 366	0.33 357	0.30 381	0.30 383	0.39 383	0.33 382	0.30 378	0.29 379

MSC_U_SF_DS_RVC	0.44 373	0.39 380	0.56 366	0.40 377	0.20 362	0.66 384	0.33 374	0.54 379	0.72 382	0.71 383	0.72 381	0.62 377	0.55 379	0.52 378	0.47 382	0.20 367	0.19 366	0.29 377	0.30 379	0.24 371	0.19 363

Ntro	0.41 369	0.40 381	0.54 365	0.46 385	0.30 380	0.64 382	0.24 317	0.47 370	0.68 377	0.42 360	0.49 355	0.47 366	0.42 367	0.40 366	0.32 354	0.32 382	0.28 381	0.37 382	0.31 380	0.33 383	0.29 379

Consistency-Raft	0.44 373	0.40 381	0.46 355	0.37 376	0.43 385	0.42 367	0.41 382	0.57 381	0.55 359	0.32 337	0.73 382	0.32 313	0.50 376	0.42 372	0.49 384	0.39 385	0.36 385	0.45 385	0.52 395	0.42 385	0.30 381

JetBlue	0.73 392	0.46 383	1.21 401	0.52 387	0.47 387	2.16 412	0.67 400	0.78 391	0.72 382	0.70 382	0.79 387	1.21 397	0.84 396	1.06 408	1.04 408	0.40 386	0.28 381	0.33 380	0.33 382	0.30 378	0.34 385

ACVNet_1	0.45 375	0.51 384	0.61 372	0.45 382	0.28 376	0.50 371	0.28 348	0.58 386	0.71 381	0.63 378	0.59 372	0.74 387	0.50 376	0.50 376	0.36 361	0.26 379	0.25 378	0.39 383	0.29 377	0.32 382	0.25 373

ACVNet-4b	0.39 366	0.53 385	0.56 366	0.45 382	0.24 369	0.46 369	0.18 226	0.50 373	0.64 374	0.42 360	0.45 349	0.60 376	0.27 316	0.34 345	0.24 302	0.33 383	0.14 346	0.48 386	0.42 386	0.31 381	0.27 378

anonymity	0.53 381	0.58 386	0.66 376	0.41 378	0.61 397	0.54 375	0.41 382	0.57 381	0.41 318	0.56 376	0.50 357	0.50 368	0.55 379	0.59 387	0.50 385	0.58 396	0.50 397	0.51 388	0.51 393	0.52 387	0.58 394

SGM+DAISY	0.57 384	0.58 386	0.67 380	0.41 378	0.55 391	0.68 386	0.51 390	0.57 381	0.46 340	0.67 379	0.70 379	0.69 385	0.57 383	0.64 389	0.58 390	0.59 397	0.49 394	0.50 387	0.50 392	0.52 387	0.59 397

SPS-STEREO	0.58 385	0.59 388	0.66 376	0.45 382	0.55 391	0.65 383	0.44 387	0.63 388	0.51 349	0.69 381	0.65 374	0.66 381	0.58 384	0.62 388	0.62 392	0.62 399	0.47 392	0.51 388	0.49 390	0.55 390	0.58 394
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 382	0.61 389	0.71 389	0.57 389	0.43 385	0.66 384	0.37 377	0.60 387	0.87 392	0.51 371	0.67 375	0.63 378	0.47 373	0.50 376	0.44 378	0.47 391	0.48 393	0.53 390	0.41 385	0.53 389	0.41 390

IMH-64-1	0.66 387	0.62 390	0.69 384	0.72 392	0.51 388	0.60 379	0.51 390	0.92 395	0.84 390	0.75 390	1.02 397	0.81 388	0.78 394	0.80 393	0.50 385	0.43 387	0.46 388	0.72 394	0.48 388	0.55 390	0.40 388

IMH-64	0.66 387	0.62 390	0.69 384	0.72 392	0.51 388	0.60 379	0.51 390	0.92 395	0.84 390	0.75 390	1.02 397	0.81 388	0.78 394	0.80 393	0.50 385	0.43 387	0.46 388	0.72 394	0.48 388	0.55 390	0.40 388

IMH	0.72 390	0.65 392	0.70 387	0.77 394	0.54 390	0.71 388	0.56 393	0.99 403	1.08 396	0.82 393	1.09 400	0.89 390	0.88 398	0.88 401	0.53 389	0.44 390	0.50 397	0.75 397	0.51 393	0.58 393	0.42 391

MFMNet_re	0.65 386	0.66 393	0.66 376	0.51 386	0.69 402	0.70 387	0.58 394	0.65 389	0.75 386	0.61 377	0.73 382	0.63 378	0.68 389	0.65 390	0.60 391	0.66 400	0.58 406	0.63 392	0.59 396	0.68 397	0.69 404

ACVNet_2	0.67 389	0.68 394	0.70 387	0.64 390	0.41 383	0.75 392	0.50 389	0.98 401	1.38 405	0.90 395	1.09 400	1.04 392	0.74 392	0.55 382	0.48 383	0.43 387	0.40 387	0.53 390	0.45 387	0.48 386	0.36 387

MADNet+	0.76 393	0.72 395	3.76 412	0.67 391	0.41 383	0.99 403	0.97 410	0.72 390	0.75 386	0.52 372	0.58 370	0.64 380	0.68 389	0.89 402	1.04 408	0.35 384	0.36 385	0.28 376	0.23 369	0.38 384	0.33 384

TorneroNet-64	0.76 393	0.73 396	0.77 390	0.78 396	0.58 396	0.94 402	0.58 394	0.85 394	1.26 400	0.67 379	0.88 391	1.41 404	0.76 393	0.87 399	0.68 395	0.49 392	0.46 388	0.73 396	0.59 396	0.68 397	0.54 393

TorneroNet	0.83 397	0.75 397	0.83 394	0.85 399	0.63 399	1.03 406	0.65 398	0.96 399	1.14 398	0.80 392	1.10 402	1.36 402	0.88 398	0.95 404	0.82 403	0.57 394	0.49 394	0.79 401	0.66 400	0.74 403	0.64 403

WAO-7	0.80 395	0.78 398	0.57 368	0.85 399	0.67 401	0.76 393	0.69 403	1.07 405	1.30 402	0.90 395	1.20 406	1.05 393	0.93 400	0.71 391	0.68 395	0.60 398	0.62 407	0.67 393	0.68 401	0.64 394	0.59 397

WAO-6	0.82 396	0.81 399	0.63 375	0.87 401	0.63 399	0.79 394	0.60 396	0.98 401	1.52 409	0.91 397	0.97 395	1.08 394	1.04 404	0.72 392	0.70 398	0.72 401	0.49 394	0.91 404	0.71 402	0.70 399	0.59 397

WAO-8	0.92 400	0.83 400	0.67 380	0.94 404	0.70 403	0.92 400	0.68 401	1.08 407	1.80 412	1.06 403	1.42 410	1.29 399	1.08 406	0.86 397	0.80 401	0.74 403	0.54 400	0.86 402	0.75 403	0.71 400	0.63 401

Venus	0.92 400	0.83 400	0.67 380	0.94 404	0.70 403	0.92 400	0.68 401	1.08 407	1.80 412	1.06 403	1.42 410	1.29 399	1.08 406	0.86 397	0.80 401	0.74 403	0.54 400	0.86 402	0.75 403	0.71 400	0.63 401

LVE	0.84 398	0.87 402	0.86 395	0.81 397	0.56 393	1.09 408	0.66 399	1.07 405	1.45 407	0.97 399	1.23 408	1.11 395	0.86 397	0.84 396	0.72 399	0.49 392	0.56 403	0.76 398	0.60 398	0.66 395	0.60 400

Dean	0.88 399	0.88 403	0.81 391	0.82 398	0.57 394	0.91 399	0.62 397	1.17 410	1.71 410	1.15 405	1.16 404	1.31 401	1.00 403	0.82 395	0.83 404	0.57 394	0.56 403	0.78 400	0.65 399	0.67 396	0.58 394

SPstereo	13.84 425	0.95 404	1.53 406	1.24 410	0.90 409	29.09 428	47.98 428	26.78 435	29.57 434	22.38 433	22.47 432	23.18 433	24.63 433	24.46 433	15.07 425	0.91 408	0.71 409	1.85 414	1.62 414	0.74 403	0.79 408

PWCK	0.72 390	0.95 404	0.99 398	0.77 394	0.32 381	0.79 394	0.38 379	0.92 395	0.90 393	0.96 398	0.76 385	0.97 391	0.62 386	0.87 399	0.68 395	0.73 402	0.46 388	0.76 398	0.49 390	0.71 400	0.44 392

UNDER WATER-64	0.97 402	0.96 406	1.48 405	0.88 402	0.57 394	1.24 411	0.90 408	0.78 391	0.96 394	1.05 401	0.85 390	1.56 409	1.26 410	0.97 406	0.99 406	0.88 407	0.57 405	1.04 407	0.88 407	0.81 405	0.75 405

UNDER WATER	0.99 404	1.00 407	1.47 404	1.00 406	0.71 405	1.18 410	0.86 406	0.81 393	1.09 397	1.02 400	0.90 392	1.53 408	1.26 410	1.06 408	1.02 407	0.79 405	0.54 400	1.02 406	0.88 407	0.83 406	0.75 405

notaker	0.98 403	1.13 408	1.02 399	1.14 408	0.81 406	0.73 391	0.69 403	0.94 398	1.15 399	1.19 407	1.19 405	1.41 404	1.17 409	1.10 410	0.74 400	0.82 406	0.64 408	1.18 408	0.79 405	1.02 408	0.82 409

KSHMR	1.10 406	1.19 409	0.90 397	1.26 412	1.00 411	0.99 403	0.96 409	1.13 409	1.35 403	1.16 406	1.28 409	1.40 403	0.97 402	1.03 407	0.93 405	1.03 410	1.08 412	1.20 409	1.03 411	1.03 409	0.98 411

ktn	1.02 405	1.23 410	0.82 392	1.24 410	0.86 408	1.00 405	0.86 406	0.96 399	1.37 404	1.05 401	1.12 403	1.16 396	1.06 405	0.95 404	0.62 392	1.28 412	0.71 409	1.39 412	0.83 406	1.06 410	0.77 407

DPSimNet_ROB	1.14 407	1.25 411	0.87 396	1.15 409	0.90 409	1.15 409	1.18 411	1.20 411	1.26 400	1.45 409	1.05 399	1.44 407	1.13 408	0.92 403	1.70 411	1.47 413	0.52 399	1.22 410	1.04 412	0.92 407	1.03 412

HanzoNet	1.31 408	1.29 412	1.22 402	1.13 407	0.85 407	1.05 407	0.84 405	1.06 404	1.47 408	1.66 410	1.63 412	2.48 413	1.78 412	1.63 412	1.69 410	1.27 411	0.80 411	1.32 411	1.02 410	1.07 411	0.90 410

JetRed	1.66 409	1.51 413	3.09 408	0.93 403	1.21 412	5.28 414	1.61 414	1.29 412	1.42 406	1.84 411	1.77 413	1.59 410	0.95 401	1.43 411	2.51 414	0.91 408	1.61 413	0.93 405	0.91 409	1.36 412	1.03 412

MADNet++	1.97 410	1.75 414	1.66 407	1.83 413	1.69 414	2.38 413	1.45 413	2.36 413	2.11 414	2.58 413	2.37 414	2.25 412	2.21 413	2.28 413	2.36 413	1.87 414	1.67 414	1.53 413	1.34 413	1.87 413	1.78 415

DLNR_Zeroshot_test	10.48 420	2.27 415	19.78 430	120.28 435	13.29 425	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	52.68 434	0.04 4

DPSMNet_ROB	8.06 417	4.50 416	8.69 421	5.36 420	10.74 422	8.32 416	22.71 420	5.47 416	13.38 421	5.13 415	9.98 418	5.10 415	10.47 420	5.53 416	12.77 421	3.80 419	8.00 420	3.49 416	6.95 419	3.75 419	7.09 421

DGTPSM_ROB	8.06 417	4.50 416	8.69 421	5.34 418	10.73 421	8.32 416	22.71 420	5.47 416	13.38 421	5.13 415	9.98 418	5.10 415	10.47 420	5.53 416	12.77 421	3.79 418	8.00 420	3.49 416	6.95 419	3.74 418	7.09 421

xxxxx1	7.75 413	5.06 418	7.26 414	3.15 415	3.91 416	16.37 421	22.88 422	5.87 418	8.68 417	7.99 417	8.55 415	9.13 419	8.46 417	10.05 419	10.47 417	2.43 415	2.48 416	3.56 418	12.26 422	3.48 415	3.02 417

tt_ll	7.75 413	5.06 418	7.26 414	3.15 415	3.91 416	16.37 421	22.88 422	5.87 418	8.68 417	7.99 417	8.55 415	9.13 419	8.46 417	10.05 419	10.47 417	2.43 415	2.48 416	3.56 418	12.26 422	3.48 415	3.02 417

ff	7.75 413	5.06 418	7.26 414	3.15 415	3.91 416	16.37 421	22.88 422	5.87 418	8.68 417	7.99 417	8.55 415	9.13 419	8.46 417	10.05 419	10.47 417	2.43 415	2.48 416	3.56 418	12.26 422	3.48 415	3.02 417

Anonymous_1	10.87 422	7.82 421	7.41 417	10.29 421	10.08 420	18.64 425	26.11 425	11.02 422	13.45 423	9.43 420	10.10 420	9.73 422	11.31 422	10.69 422	12.47 420	6.42 422	8.38 422	5.70 421	10.22 421	11.41 423	6.65 420

DPSM_ROB	11.10 423	8.47 422	7.95 418	10.84 422	11.58 423	19.10 426	26.50 426	12.02 423	14.09 424	10.38 421	10.91 421	10.39 423	11.92 423	11.67 423	13.39 423	6.99 423	8.79 423	5.82 422	6.92 417	6.97 420	7.31 423

DPSM	11.10 423	8.47 422	7.95 418	10.84 422	11.58 423	19.10 426	26.50 426	12.02 423	14.09 424	10.38 421	10.91 421	10.39 423	11.92 423	11.67 423	13.39 423	6.99 423	8.79 423	5.82 422	6.92 417	6.97 420	7.31 423

PML	8.57 419	9.39 424	6.24 413	5.34 418	6.36 419	13.21 420	20.99 419	5.35 415	6.68 416	17.75 425	26.46 434	7.58 417	6.08 416	7.89 418	5.76 415	5.33 420	1.83 415	5.95 424	1.93 415	8.75 422	2.53 416

LRCNet_RVC	10.76 421	13.97 425	7.97 420	19.07 425	2.04 415	0.35 352	0.31 365	5.29 414	0.48 343	13.02 423	17.65 424	8.69 418	5.73 415	4.78 415	2.22 412	23.53 432	2.69 419	27.60 433	25.75 433	17.60 430	16.54 431

MyStereo03	22.37 429	17.11 426	16.16 425	21.87 427	23.27 428	38.30 429	53.36 430	24.10 429	28.51 430	20.93 430	21.96 429	20.94 427	24.00 427	23.43 429	27.22 431	14.07 426	17.72 430	11.70 425	13.96 427	14.00 424	14.72 426

MyStereo02	22.37 429	17.11 426	16.16 425	21.87 427	23.27 428	38.30 429	53.36 430	24.10 429	28.51 430	20.93 430	21.96 429	20.94 427	24.00 427	23.43 429	27.22 431	14.07 426	17.72 430	11.70 425	13.96 427	14.00 424	14.72 426

MyStereo	22.37 429	17.11 426	16.16 425	21.87 427	23.27 428	38.30 429	53.36 430	24.10 429	28.51 430	20.93 430	21.96 429	20.94 427	24.00 427	23.43 429	27.22 431	14.07 426	17.72 430	11.70 425	13.96 427	14.00 424	14.72 426

CasAABBNet	22.33 428	17.11 426	15.84 423	21.94 430	23.28 431	38.30 429	53.40 434	24.05 428	28.44 429	20.66 427	21.86 427	21.03 431	24.04 431	23.35 427	27.03 430	14.06 425	17.69 428	11.70 425	13.94 426	14.04 427	14.76 429

Selective-RAFT-Error	22.39 432	17.14 430	16.01 424	22.00 431	23.34 432	38.37 433	53.36 430	24.24 433	28.53 433	20.80 428	21.94 428	20.94 427	24.02 430	23.48 432	27.33 434	14.07 426	17.70 429	11.70 425	13.93 425	14.05 428	14.83 430

LSM0	22.80 433	17.22 431	19.17 428	22.12 432	28.90 434	38.38 434	53.27 429	24.21 432	28.36 428	20.84 429	21.11 426	21.63 432	24.25 432	23.42 428	26.98 429	14.08 430	17.39 427	11.72 430	13.98 430	14.22 429	14.66 425

HaxPig	15.73 426	18.55 432	19.19 429	16.92 424	15.89 426	7.80 415	7.57 415	13.37 425	10.80 420	15.40 424	14.87 423	15.95 425	14.81 425	15.67 425	15.97 426	18.96 431	16.72 426	19.47 431	18.10 431	19.45 431	19.06 432

MEDIAN_ROB	20.38 427	24.05 433	23.36 431	21.18 426	21.62 427	10.51 419	8.17 416	17.68 426	15.46 426	20.04 426	19.65 425	20.30 426	20.16 426	21.17 426	21.03 427	23.81 433	21.77 433	24.98 432	23.75 432	25.01 432	23.94 433

AVERAGE_ROB	24.89 434	29.12 434	27.98 432	24.83 433	24.59 433	17.82 424	11.61 417	21.45 427	19.91 427	25.04 434	24.38 433	25.06 434	25.31 434	24.69 434	22.86 428	29.74 434	27.09 434	28.97 434	27.94 434	30.07 433	29.35 434

test_example2	97.69 435	92.93 435	45.57 433	96.02 434	109.84 435	88.44 435	93.70 435	25.54 434	94.63 435	130.46 435	126.87 435	58.93 435	75.48 435	87.99 435	77.94 435	150.16 435	221.11 435	76.29 435	98.21 435	108.42 435	95.33 435

Low-res two-view benchmark