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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

PMTNet	0.09 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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
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-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

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

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

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

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

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_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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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)
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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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	0.21 291	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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	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

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

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

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

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

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-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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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
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

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

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-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

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

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

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

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

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

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

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
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

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.
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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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
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-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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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