Low-res two-view results

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

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

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

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

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

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

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

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

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

IGEVStereo-DCA	0.09 7	0.07 51	0.11 62	0.16 60	0.10 213	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

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

rrr	0.09 7	0.07 51	0.13 108	0.16 60	0.10 213	0.11 77	0.15 120	0.16 35	0.15 66	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

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

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

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 107	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

ProNet	0.09 7	0.07 51	0.11 62	0.17 107	0.08 45	0.11 77	0.15 120	0.15 21	0.12 25	0.10 33	0.06 2	0.07 17	0.06 6	0.11 41	0.09 16	0.05 2	0.05 79	0.06 30	0.05 31	0.04 1	0.06 95

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

IGEV-Stereo	0.09 7	0.07 51	0.11 62	0.17 107	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 107	0.06 2	0.08 22	0.12 23	0.13 9	0.08 1	0.08 4	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 302	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
test-1	0.10 45	0.07 51	0.17 223	0.19 219	0.08 45	0.11 77	0.24 317	0.15 21	0.18 107	0.09 14	0.07 13	0.10 55	0.08 48	0.08 5	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.04 1	0.05 42

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

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

tt1	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.15 21	0.19 121	0.09 14	0.08 17	0.06 3	0.06 6	0.10 15	0.08 9	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

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

iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 120	0.12 102	0.15 120	0.19 109	0.11 15	0.11 58	0.08 17	0.08 23	0.05 2	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

test-3	0.09 7	0.06 17	0.10 38	0.18 174	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_1	0.09 7	0.06 17	0.10 38	0.18 174	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.24 181	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

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

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

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

MSKI-zero shot	0.09 7	0.05 5	0.09 24	0.16 60	0.07 14	0.10 56	0.13 45	0.15 21	0.14 54	0.09 14	0.09 23	0.09 37	0.06 6	0.12 90	0.11 69	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

AEACV	0.09 7	0.05 5	0.08 6	0.14 11	0.13 299	0.14 150	0.13 45	0.15 21	0.09 2	0.07 2	0.09 23	0.07 17	0.08 48	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 120	0.12 3	0.11 15	0.08 4	0.09 23	0.06 3	0.09 64	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

LoS	0.09 7	0.05 5	0.11 62	0.13 6	0.07 14	0.14 150	0.11 10	0.15 21	0.15 66	0.09 14	0.09 23	0.12 88	0.09 64	0.15 158	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	0.05 42

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 75	0.11 1	0.09 2	0.08 4	0.09 23	0.11 69	0.07 28	0.12 90	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 279	0.10 56	0.13 45	0.18 86	0.19 121	0.09 14	0.09 23	0.09 37	0.07 28	0.10 15	0.08 9	0.07 140	0.05 79	0.07 98	0.07 157	0.04 1	0.04 4

raftrobust	0.09 7	0.06 17	0.11 62	0.17 107	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 88	0.08 48	0.12 90	0.10 43	0.08 188	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

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

DLNR_Zeroshot_test	10.48 420	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

CASnet	0.09 7	0.09 179	0.09 24	0.19 219	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 58	0.10 35	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 265	0.08 209	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
RAFT-Test	0.09 7	0.06 17	0.10 38	0.16 60	0.07 14	0.11 77	0.15 120	0.16 35	0.13 40	0.09 14	0.10 35	0.11 69	0.09 64	0.12 90	0.09 16	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

HH	0.09 7	0.06 17	0.13 108	0.17 107	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 35	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

HanStereo	0.09 7	0.06 17	0.13 108	0.17 107	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 35	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

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

Selective-RAFT	0.11 69	0.11 251	0.12 85	0.21 286	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

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

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

test_3	0.11 69	0.09 179	0.10 38	0.21 286	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

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

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

RAFT + AFF	0.13 154	0.08 133	0.21 279	0.20 260	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

Gwc-CoAtRS	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.10 56	0.15 120	0.18 86	0.17 97	0.08 4	0.10 35	0.12 88	0.09 64	0.12 90	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

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

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

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 174	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 49	0.10 55	0.07 28	0.12 90	0.09 16	0.05 2	0.03 1	0.08 158	0.07 157	0.06 92	0.05 42

RCA-Stereo	0.09 7	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 86	0.14 54	0.10 33	0.11 49	0.08 23	0.07 28	0.12 90	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

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

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

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

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

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

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

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 174	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 59	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 185	0.05 2	0.05 31	0.06 92	0.05 42

Any-RAFT	0.10 45	0.05 5	0.10 38	0.15 35	0.07 14	0.13 121	0.14 75	0.21 131	0.15 66	0.11 58	0.12 59	0.13 110	0.10 77	0.13 127	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 107	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 59	0.09 37	0.06 6	0.11 41	0.10 43	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

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

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

XX-TBD	0.09 7	0.06 17	0.07 1	0.14 11	0.07 14	0.13 121	0.16 169	0.14 15	0.14 54	0.11 58	0.12 59	0.09 37	0.08 48	0.10 15	0.10 43	0.06 50	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

sAnonymous2	0.13 154	0.12 266	0.25 302	0.20 260	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

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

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

CFNet-RSSM	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.09 36	0.15 120	0.17 62	0.18 107	0.08 4	0.12 59	0.11 69	0.09 64	0.12 90	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

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

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

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

sCroCo_RVC	0.12 130	0.09 179	0.24 298	0.24 327	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

ARAFT	0.12 130	0.08 133	0.18 249	0.19 219	0.09 120	0.15 170	0.17 188	0.20 120	0.13 40	0.12 76	0.13 70	0.14 126	0.12 129	0.15 158	0.13 145	0.06 50	0.05 79	0.10 265	0.09 247	0.06 92	0.04 4

CREStereo	0.09 7	0.05 5	0.08 6	0.11 1	0.06 2	0.14 150	0.14 75	0.14 15	0.10 6	0.09 14	0.13 70	0.09 37	0.08 48	0.12 90	0.10 43	0.08 188	0.04 2	0.05 2	0.03 1	0.06 92	0.06 95
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 70	0.10 55	0.07 28	0.14 144	0.10 43	0.15 343	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

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

MyStereo04	0.13 154	0.07 51	0.10 38	0.17 107	0.09 120	0.14 150	0.17 188	0.29 253	0.38 303	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

MIM_Stereo	0.10 45	0.07 51	0.11 62	0.15 35	0.07 14	0.07 15	0.12 23	0.20 120	0.14 54	0.13 100	0.14 77	0.09 37	0.05 2	0.12 90	0.08 9	0.05 2	0.06 185	0.07 98	0.06 81	0.06 92	0.05 42

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

iRaft-Stereo_5w	0.12 130	0.09 179	0.12 85	0.20 260	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

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

OMP-Stereo	0.11 69	0.07 51	0.14 143	0.18 174	0.08 45	0.09 36	0.12 23	0.21 131	0.21 151	0.13 100	0.14 77	0.11 69	0.12 129	0.11 41	0.13 145	0.06 50	0.05 79	0.07 98	0.06 81	0.05 36	0.04 4

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 260	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

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

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 15	0.14 54	0.10 33	0.14 77	0.08 23	0.07 28	0.10 15	0.11 69	0.06 50	0.04 2	0.05 2	0.05 31	0.04 1	0.04 4
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-Stereo	0.09 7	0.05 5	0.09 24	0.17 107	0.09 120	0.15 170	0.12 23	0.21 131	0.10 6	0.10 33	0.14 77	0.07 17	0.06 6	0.13 127	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

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

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

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

riskmin	0.11 69	0.06 17	0.13 108	0.14 11	0.08 45	0.14 150	0.14 75	0.18 86	0.15 66	0.12 76	0.15 88	0.17 177	0.11 101	0.14 144	0.12 119	0.09 230	0.05 79	0.07 98	0.05 31	0.08 193	0.08 209

LCNet	0.11 69	0.07 51	0.09 24	0.19 219	0.09 120	0.08 22	0.14 75	0.21 131	0.15 66	0.12 76	0.15 88	0.16 161	0.11 101	0.12 90	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.06 92	0.14 324

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

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

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

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

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

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

TANstereo	0.09 7	0.04 1	0.08 6	0.13 6	0.06 2	0.11 77	0.13 45	0.15 21	0.19 121	0.11 58	0.15 88	0.10 55	0.07 28	0.12 90	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

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

LL-Strereo	0.13 154	0.10 233	0.12 85	0.20 260	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

Patchmatch Stereo++	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
TransformOpticalFlow	0.10 45	0.08 133	0.13 108	0.18 174	0.07 14	0.09 36	0.15 120	0.19 109	0.16 82	0.12 76	0.16 100	0.11 69	0.11 101	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

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

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

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

KYRaft	0.12 130	0.07 51	0.10 38	0.19 219	0.09 120	0.08 22	0.15 120	0.23 164	0.12 25	0.13 100	0.16 100	0.20 208	0.10 77	0.12 90	0.11 69	0.06 50	0.04 2	0.08 158	0.08 209	0.06 92	0.15 339

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

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

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

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

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

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

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

DIP-Stereo	0.11 69	0.08 133	0.15 169	0.17 107	0.09 120	0.13 121	0.09 3	0.16 35	0.16 82	0.12 76	0.16 100	0.14 126	0.12 129	0.16 183	0.14 169	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 146
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
CoDeX	0.12 130	0.07 51	0.13 108	0.17 107	0.08 45	0.12 102	0.16 169	0.23 164	0.27 226	0.13 100	0.17 116	0.15 147	0.12 129	0.14 144	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

knoymous	0.11 69	0.06 17	0.12 85	0.14 11	0.07 14	0.15 170	0.13 45	0.20 120	0.14 54	0.11 58	0.17 116	0.13 110	0.09 64	0.14 144	0.11 69	0.09 230	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

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

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

GMOStereo	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 348	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

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

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

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

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

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

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

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

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

RALCasStereoNet	0.11 69	0.07 51	0.09 24	0.16 60	0.08 45	0.13 121	0.14 75	0.17 62	0.11 15	0.12 76	0.17 116	0.14 126	0.10 77	0.12 90	0.11 69	0.07 140	0.06 185	0.06 30	0.05 31	0.08 193	0.07 146

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

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

GMStereo	0.13 154	0.15 306	0.14 143	0.18 174	0.09 120	0.16 191	0.16 169	0.20 120	0.25 204	0.17 179	0.17 116	0.11 69	0.11 101	0.16 183	0.13 145	0.07 140	0.06 185	0.06 30	0.06 81	0.07 147	0.06 95
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HITNet	0.11 69	0.06 17	0.12 85	0.14 11	0.06 2	0.12 102	0.10 5	0.18 86	0.18 107	0.13 100	0.17 116	0.15 147	0.11 101	0.15 158	0.14 169	0.06 50	0.04 2	0.04 1	0.04 7	0.06 92	0.05 42
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MyStereo8	0.12 130	0.07 51	0.15 169	0.15 35	0.09 120	0.18 227	0.14 75	0.19 109	0.22 169	0.12 76	0.18 136	0.11 69	0.10 77	0.16 183	0.18 239	0.07 140	0.05 79	0.07 98	0.05 31	0.08 193	0.09 241

CASS	0.14 179	0.12 266	0.12 85	0.23 319	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.
DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 251	0.11 77	0.17 188	0.18 86	0.17 97	0.11 58	0.18 136	0.11 69	0.10 77	0.15 158	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 107	0.08 45	0.11 77	0.14 75	0.24 181	0.11 15	0.12 76	0.19 147	0.11 69	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42

RAFT-Stereo	0.10 45	0.06 17	0.11 62	0.17 107	0.08 45	0.11 77	0.14 75	0.24 181	0.11 15	0.12 76	0.19 147	0.11 69	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
SMFormer	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.17 227	0.08 188	0.05 79	0.07 98	0.06 81	0.08 193	0.07 146

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

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

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

PCWNet_CMD	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 293	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

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

SA-5K	0.13 154	0.08 133	0.08 6	0.20 260	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

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

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

PSMNet-ADL	0.15 211	0.12 266	0.13 108	0.22 302	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

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

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

MSMDNet	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 293	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

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

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

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

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

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

HSM-Net_RVC	0.14 179	0.08 133	0.12 85	0.15 35	0.08 45	0.16 191	0.15 120	0.27 218	0.29 245	0.20 237	0.21 172	0.29 288	0.14 187	0.18 221	0.13 145	0.06 50	0.06 185	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 179	0.09 179	0.16 204	0.16 60	0.09 120	0.13 121	0.14 75	0.27 218	0.34 277	0.15 142	0.21 172	0.22 230	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.07 146

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

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

NOSS_ROB	0.19 274	0.13 285	0.18 249	0.16 60	0.12 279	0.16 191	0.12 23	0.30 263	0.33 267	0.20 237	0.22 181	0.27 273	0.24 298	0.21 268	0.16 216	0.16 355	0.18 361	0.23 366	0.21 362	0.13 314	0.13 311

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

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

BUS	0.15 211	0.09 179	0.14 143	0.22 302	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

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

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

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

FADNet_RVC	0.17 252	0.14 300	0.41 350	0.20 260	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

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

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

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

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

GASNet	0.22 299	0.24 358	0.34 336	0.26 343	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

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

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

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

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

Anonymous_2	0.22 299	0.17 323	0.28 312	0.15 35	0.16 336	0.33 344	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

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

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

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

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

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

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

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

LMCR-Stereo	0.15 211	0.08 133	0.14 143	0.21 286	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

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

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

HCRNet	0.16 234	0.23 355	0.12 85	0.35 373	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

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

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

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

HSM	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.16 191	0.14 75	0.28 239	0.25 204	0.20 237	0.24 191	0.37 332	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

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

StereoVision	0.14 179	0.13 285	0.10 38	0.24 327	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

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

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

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

GEStereo_RVC	0.17 252	0.12 266	0.16 204	0.22 302	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

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

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

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

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

FADNet	0.21 291	0.23 355	0.37 345	0.18 174	0.17 346	0.25 307	0.13 45	0.32 280	0.32 262	0.23 268	0.25 217	0.27 273	0.21 278	0.19 240	0.16 216	0.13 323	0.15 350	0.12 308	0.15 345	0.17 355	0.18 358

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RAFT_CTSACE	0.12 130	0.09 179	0.10 38	0.22 302	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

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

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

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

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

delet	0.17 252	0.09 179	0.18 249	0.19 219	0.11 251	0.21 269	0.22 298	0.30 263	0.38 303	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

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

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

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

test_5	0.14 179	0.12 266	0.08 6	0.20 260	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

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

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

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

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

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

TDLM	0.18 265	0.12 266	0.14 143	0.24 327	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

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

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

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_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

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

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

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

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
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)
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

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

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

SACVNet	0.19 274	0.12 266	0.15 169	0.17 107	0.13 299	0.22 282	0.18 226	0.31 276	0.31 257	0.24 279	0.31 272	0.30 295	0.23 291	0.23 292	0.17 227	0.11 286	0.08 265	0.10 265	0.10 278	0.12 299	0.14 324

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

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

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

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.
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

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

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
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

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

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

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

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

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
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

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

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

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

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

AF-Net	0.23 312	0.17 323	0.17 223	0.27 350	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

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

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.
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

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

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

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

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

RTSC	0.23 312	0.13 285	0.30 325	0.21 286	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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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_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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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
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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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