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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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-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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

PSM-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

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

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

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

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

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

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

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-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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

DIP-Stereo	0.11 69	0.08 133	0.15 169	0.17 107	0.09 120	0.13 121	0.09 3	0.16 35	0.16 82	0.12 76	0.16 100	0.14 126	0.12 129	0.16 183	0.14 169	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 146
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 293	0.14 121	0.20 156	0.21 214	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

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

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
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_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

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

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

SDNR	0.20 281	0.09 179	0.19 270	0.16 60	0.12 279	0.79 394	0.13 45	0.26 206	0.33 267	0.19 217	0.25 217	0.19 193	0.12 129	0.19 240	0.15 199	0.16 355	0.18 361	0.14 332	0.11 301	0.08 193	0.12 302

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

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

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)
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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

CBMV	0.20 281	0.15 306	0.18 249	0.18 174	0.10 213	0.20 259	0.11 10	0.30 263	0.31 257	0.29 320	0.31 272	0.31 307	0.23 291	0.28 321	0.19 249	0.13 323	0.15 350	0.17 348	0.16 347	0.10 270	0.10 263
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev-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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

hitnet-ft	0.18 265	0.10 233	0.17 223	0.14 11	0.09 120	0.27 325	0.20 275	0.25 198	0.26 216	0.24 279	0.32 281	0.32 313	0.23 291	0.24 302	0.21 268	0.12 309	0.07 239	0.10 265	0.08 209	0.12 299	0.11 284

DMCA-RVC	0.17 252	0.10 233	0.16 204	0.24 327	0.11 251	0.19 242	0.18 226	0.26 206	0.24 188	0.21 246	0.27 244	0.25 259	0.27 316	0.18 221	0.21 268	0.12 309	0.08 265	0.13 321	0.10 278	0.10 270	0.08 209

SuperB	0.20 281	0.10 233	0.57 368	0.16 60	0.09 120	0.19 242	0.18 226	0.25 198	0.51 349	0.27 303	0.39 323	0.17 177	0.22 285	0.22 285	0.21 268	0.08 188	0.06 185	0.06 30	0.06 81	0.12 299	0.11 284

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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
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

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

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
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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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