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

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	0.20 261	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

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

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

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

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

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

RAFT_CTSACE	0.12 130	0.09 179	0.10 38	0.22 303	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

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

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

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

GMOStereo	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	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	0.28 349	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	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

test-3	0.09 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

test_3	0.11 69	0.09 179	0.10 38	0.21 287	0.08 45	0.13 121	0.25 333	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

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

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

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

test-2	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

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

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

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

XX-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

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

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

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

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

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

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

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

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

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

DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 251	0.11 77	0.17 188	0.18 86	0.17 97	0.11 58	0.18 136	0.11 69	0.10 77	0.15 158	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

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

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

TestStereo1	0.13 154	0.08 133	0.08 6	0.20 261	0.08 45	0.18 227	0.29 359	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

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

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

SA-5K	0.13 154	0.08 133	0.08 6	0.20 261	0.08 45	0.18 227	0.29 359	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

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_5w	0.12 130	0.09 179	0.12 85	0.20 261	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

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

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

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

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

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

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

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

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

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

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	0.40 327	0.11 69	0.10 77	0.13 127	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

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

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 303	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
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

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

sCroCo_RVC	0.12 130	0.09 179	0.24 298	0.24 328	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

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

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

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

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
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
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

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

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

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

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

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

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

MyStereo04	0.13 154	0.07 51	0.10 38	0.17 107	0.09 120	0.14 150	0.17 188	0.29 253	0.38 304	0.17 179	0.14 77	0.16 161	0.11 101	0.15 158	0.13 145	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

CoDeX	0.12 130	0.07 51	0.13 108	0.17 107	0.08 45	0.12 102	0.16 169	0.23 164	0.27 226	0.13 100	0.17 116	0.15 147	0.12 129	0.14 144	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

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

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

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

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

StereoVision	0.14 179	0.13 285	0.10 38	0.24 328	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 (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

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

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

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

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

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

Selective-RAFT	0.11 69	0.11 251	0.12 85	0.21 287	0.08 45	0.16 191	0.13 45	0.21 131	0.23 178	0.10 33	0.10 35	0.11 69	0.10 77	0.15 158	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

CroCo-Stereo Lap2	0.09 7	0.09 179	0.08 6	0.22 303	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

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

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

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	0.14 325

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

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

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 261	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	0.14 325

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

KYRaft	0.12 130	0.07 51	0.10 38	0.19 219	0.09 120	0.08 22	0.15 120	0.23 164	0.12 25	0.13 100	0.16 100	0.20 208	0.10 77	0.12 90	0.11 69	0.06 50	0.04 2	0.08 158	0.08 209	0.06 92	0.15 340

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

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

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

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

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

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

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

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

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

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

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

RAFT + AFF	0.13 154	0.08 133	0.21 279	0.20 261	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

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	0.38 304	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

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
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

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

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

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
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

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

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

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

1111x	0.16 234	0.09 179	0.13 108	0.18 174	0.08 45	0.18 227	0.25 333	0.32 280	0.25 204	0.17 179	0.24 191	0.27 273	0.15 205	0.14 144	0.24 302	0.07 140	0.07 239	0.08 158	0.09 247	0.07 147	0.07 146

whm_eth	0.14 179	0.09 179	0.21 279	0.21 287	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

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	0.36 294	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

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

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

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

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

BUS	0.15 211	0.09 179	0.14 143	0.22 303	0.10 213	0.20 259	0.14 75	0.34 304	0.20 138	0.17 179	0.23 182	0.16 161	0.14 187	0.16 183	0.14 169	0.08 188	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

RAFT+CT+SA	0.13 154	0.11 251	0.09 24	0.19 219	0.09 120	0.15 170	0.28 349	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

BSDual-CNN	0.15 211	0.09 179	0.14 143	0.22 303	0.10 213	0.15 170	0.15 120	0.34 304	0.20 138	0.17 179	0.23 182	0.25 259	0.16 216	0.16 183	0.14 169	0.08 188	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

hknet	0.15 211	0.11 251	0.14 143	0.22 303	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

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

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

GwcNet-ADL	0.13 154	0.08 133	0.14 143	0.20 261	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

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

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

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

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

ICVP	0.16 234	0.09 179	0.12 85	0.22 303	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)
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

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

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	0.28 333	0.09 230	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

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
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

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

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

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

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	0.36 294	0.14 121	0.20 156	0.21 214	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

HSM-Net_RVC	0.14 179	0.08 133	0.12 85	0.15 35	0.08 45	0.16 191	0.15 120	0.27 218	0.29 245	0.20 237	0.21 172	0.29 288	0.14 187	0.18 221	0.13 145	0.06 50	0.06 185	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
NLCA_NET_v2_RVC	0.17 252	0.10 233	0.23 292	0.20 261	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.
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

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	0.35 303	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

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	0.37 333	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

StereoDRNet-Refined	0.17 252	0.12 266	0.16 204	0.20 261	0.10 213	0.18 227	0.18 226	0.27 218	0.24 188	0.26 296	0.41 337	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
DLCB_ROB	0.18 265	0.10 233	0.16 204	0.23 320	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

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

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

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

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

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

SDNR	0.20 281	0.09 179	0.19 270	0.16 60	0.12 279	0.79 396	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	0.18 362	0.14 332	0.11 301	0.08 193	0.12 302

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

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

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

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

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

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

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

test_5	0.14 179	0.12 266	0.08 6	0.20 261	0.10 213	0.14 150	0.28 349	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

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

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

PSMNet-ADL	0.15 211	0.12 266	0.13 108	0.22 303	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

Patchmatch Stereo++	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

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

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

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

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

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

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

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

Anonymous3	0.16 234	0.14 300	0.34 336	0.26 344	0.14 314	0.27 325	0.18 226	0.28 239	0.28 239	0.15 142	0.17 116	0.14 126	0.11 101	0.16 183	0.12 119	0.08 188	0.08 265	0.08 158	0.08 209	0.08 193	0.11 284

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

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

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

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	0.44 379	0.10 261	0.05 79	0.07 98	0.06 81	0.08 193	0.08 209

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	0.29 340	0.09 230	0.05 79	0.07 98	0.07 157	0.08 193	0.08 209

MMNet	0.17 252	0.10 233	0.17 223	0.20 261	0.11 251	0.27 325	0.20 275	0.26 206	0.42 321	0.22 255	0.30 269	0.22 230	0.20 274	0.18 221	0.20 257	0.06 50	0.06 185	0.07 98	0.07 157	0.08 193	0.07 146

psm_up	0.19 274	0.10 233	0.18 249	0.21 287	0.11 251	0.17 211	0.19 261	0.38 339	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

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

UPFNet	0.16 234	0.08 133	0.12 85	0.20 261	0.12 279	0.20 259	0.23 309	0.28 239	0.26 216	0.18 207	0.24 191	0.22 230	0.20 274	0.19 240	0.22 281	0.09 230	0.07 239	0.08 158	0.09 247	0.08 193	0.06 95

FENet	0.13 154	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 164	0.23 178	0.17 179	0.24 191	0.16 161	0.13 158	0.14 144	0.15 199	0.08 188	0.05 79	0.08 158	0.08 209	0.08 193	0.08 209

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

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

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

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

ADCRef	0.20 281	0.12 266	0.43 354	0.20 261	0.12 279	0.23 293	0.18 226	0.32 280	0.37 298	0.26 296	0.33 288	0.18 189	0.23 291	0.25 307	0.26 321	0.07 140	0.06 185	0.09 224	0.09 247	0.08 193	0.09 241

TDLM	0.18 265	0.12 266	0.14 143	0.24 328	0.10 213	0.18 227	0.18 226	0.37 332	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

NaN_ROB	0.23 312	0.20 344	0.25 302	0.25 334	0.13 299	0.31 341	0.27 343	0.34 304	0.41 319	0.31 330	0.31 272	0.32 314	0.23 291	0.31 336	0.22 281	0.11 286	0.17 360	0.10 265	0.11 301	0.08 193	0.09 241

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

LE_ROB	0.50 382	0.07 51	0.14 143	0.15 35	0.08 45	0.26 317	0.17 188	0.23 164	1.71 412	4.68 417	0.67 377	0.46 365	0.47 374	0.21 268	0.30 346	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

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

iinet-f	0.17 252	0.07 51	0.46 356	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

CASS	0.14 179	0.12 266	0.12 85	0.23 320	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.
ToySt	0.17 252	0.11 251	0.19 270	0.17 107	0.11 251	0.16 191	0.26 339	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

AASNet	0.16 234	0.08 133	0.13 108	0.19 219	0.09 120	0.19 242	0.15 120	0.38 339	0.37 298	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

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	0.39 308	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

GEStereo_RVC	0.17 252	0.12 266	0.16 204	0.22 303	0.11 251	0.19 242	0.18 226	0.32 280	0.49 345	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	0.23 320	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

HCRNet	0.16 234	0.23 355	0.12 85	0.35 375	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

Syn2CoEx	0.22 299	0.16 314	0.29 320	0.29 364	0.15 324	0.26 317	0.21 288	0.34 304	0.32 262	0.29 320	0.36 307	0.28 281	0.25 304	0.20 253	0.25 309	0.16 355	0.12 327	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	0.36 325	0.45 333	0.20 237	0.33 288	0.33 320	0.21 278	0.22 285	0.25 309	0.11 286	0.09 286	0.09 224	0.09 247	0.09 245	0.10 263

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

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

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-Resample	0.17 252	0.12 266	0.32 332	0.22 303	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

STTStereo	0.18 265	0.13 285	0.28 312	0.20 261	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	0.11 319	0.11 291	0.14 335	0.09 245	0.08 209

PA-Net	0.24 322	0.18 336	0.34 336	0.28 357	0.22 366	0.22 282	0.39 383	0.29 253	0.39 308	0.22 255	0.33 288	0.25 259	0.26 311	0.21 268	0.25 309	0.10 261	0.23 379	0.15 339	0.22 366	0.09 245	0.13 312
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
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

CVANet_RVC	0.18 265	0.11 251	0.14 143	0.21 287	0.11 251	0.19 242	0.18 226	0.34 304	0.34 277	0.22 255	0.31 272	0.28 281	0.18 247	0.24 302	0.18 239	0.12 309	0.08 265	0.12 308	0.12 319	0.09 245	0.08 209

AdaStereo	0.15 211	0.11 251	0.16 204	0.19 219	0.09 120	0.21 269	0.11 10	0.33 290	0.28 239	0.21 246	0.23 182	0.21 214	0.13 158	0.19 240	0.15 199	0.13 323	0.05 79	0.10 265	0.07 157	0.09 245	0.07 146
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
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	0.36 294	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

DRN-Test	0.20 281	0.11 251	0.21 279	0.22 303	0.10 213	0.22 282	0.22 298	0.40 347	0.38 304	0.24 279	0.33 288	0.26 268	0.22 285	0.22 285	0.25 309	0.11 286	0.07 239	0.11 291	0.10 278	0.09 245	0.08 209

StereoDRNet	0.19 274	0.11 251	0.18 249	0.22 303	0.11 251	0.22 282	0.22 298	0.37 332	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

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	0.45 333	0.23 268	0.32 281	0.34 324	0.26 311	0.29 329	0.29 340	0.08 188	0.06 185	0.07 98	0.07 157	0.09 245	0.10 263

HBP-ISP	0.18 265	0.13 285	0.17 223	0.15 35	0.11 251	0.08 22	0.13 45	0.28 239	0.30 250	0.22 255	0.33 288	0.21 214	0.25 304	0.23 292	0.18 239	0.15 343	0.17 360	0.21 362	0.17 355	0.10 270	0.09 241

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	0.40 312	0.26 296	0.43 347	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

NINENet	0.16 234	0.10 233	0.16 204	0.17 107	0.11 251	0.20 259	0.14 75	0.41 352	0.37 298	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

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	0.21 287	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

aanetorigin	0.22 299	0.17 323	0.57 369	0.18 174	0.10 213	0.16 191	0.19 261	0.20 120	0.33 267	0.49 372	0.48 356	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

DMCA-RVC	0.17 252	0.10 233	0.16 204	0.24 328	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

Nwc_Net	0.23 312	0.17 323	0.22 286	0.25 334	0.15 324	0.25 307	0.27 343	0.38 339	0.39 308	0.22 255	0.41 337	0.30 295	0.29 328	0.28 321	0.25 309	0.11 286	0.10 307	0.17 349	0.20 361	0.10 270	0.11 284

ADCL	0.25 329	0.12 266	0.49 361	0.22 303	0.12 279	0.36 358	0.29 359	0.30 263	0.57 363	0.24 279	0.47 355	0.30 295	0.31 344	0.30 335	0.30 346	0.09 230	0.07 239	0.09 224	0.09 247	0.10 270	0.10 263

ADCP+	0.20 281	0.10 233	0.35 342	0.21 287	0.12 279	0.22 282	0.27 343	0.31 276	0.35 288	0.26 296	0.37 310	0.22 230	0.22 285	0.27 313	0.28 333	0.09 230	0.06 185	0.08 158	0.08 209	0.10 270	0.10 263

GANet	0.22 299	0.13 285	0.21 279	0.25 334	0.14 314	0.23 293	0.22 298	0.42 356	0.27 226	0.31 330	0.43 347	0.37 333	0.29 328	0.23 292	0.23 291	0.10 261	0.12 327	0.10 265	0.09 247	0.10 270	0.08 209

PS-NSSS	0.20 281	0.21 349	0.23 292	0.20 261	0.10 213	0.19 242	0.17 188	0.36 325	0.26 216	0.27 303	0.34 298	0.27 273	0.24 298	0.20 253	0.20 257	0.15 343	0.12 327	0.17 349	0.14 335	0.10 270	0.09 241

MDST_ROB	0.22 299	0.10 233	0.18 249	0.18 174	0.11 251	0.40 367	0.19 261	0.44 365	0.42 321	0.40 355	0.40 327	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_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	0.18 362	0.22 366	0.20 361	0.10 270	0.12 302

PSMNet_ROB	0.22 299	0.12 266	0.15 169	0.27 351	0.15 324	0.25 307	0.36 378	0.43 361	0.37 298	0.27 303	0.33 288	0.32 314	0.23 291	0.21 268	0.27 326	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	0.15 351	0.17 349	0.16 348	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-SNSev	0.26 340	0.17 323	0.46 356	0.25 334	0.14 314	0.26 317	0.24 317	0.38 339	0.57 363	0.30 325	0.56 366	0.39 344	0.26 311	0.24 302	0.32 355	0.10 261	0.09 286	0.10 265	0.11 301	0.11 286	0.11 284

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

pcwnet_v2	0.19 274	0.11 251	0.26 308	0.18 174	0.14 314	0.18 227	0.15 120	0.37 332	0.46 341	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	0.13 312

EDNetEfficient	0.30 353	0.24 358	1.18 402	0.18 174	0.10 213	0.20 259	0.20 275	0.21 131	0.61 370	0.74 389	0.56 366	0.30 295	0.40 364	0.23 292	0.32 355	0.09 230	0.07 239	0.08 158	0.07 157	0.11 286	0.10 263

FAT-Stereo	0.21 291	0.13 285	0.22 286	0.21 287	0.12 279	0.18 227	0.18 226	0.35 319	0.40 312	0.28 315	0.37 310	0.33 320	0.33 349	0.21 268	0.20 257	0.09 230	0.11 319	0.10 265	0.09 247	0.11 286	0.14 325

FADNet_RVC	0.17 252	0.14 300	0.41 351	0.20 261	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

AF-Net	0.23 312	0.17 323	0.17 223	0.27 351	0.13 299	0.26 317	0.24 317	0.33 290	0.51 350	0.25 292	0.33 288	0.39 344	0.27 316	0.28 321	0.26 321	0.11 286	0.10 307	0.16 346	0.12 319	0.11 286	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

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

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	0.49 345	0.30 325	0.40 327	0.32 314	0.25 304	0.31 336	0.23 291	0.10 261	0.07 239	0.11 291	0.08 209	0.11 286	0.10 263

PWCDC_ROB	0.21 291	0.13 285	0.23 292	0.25 334	0.12 279	0.20 259	0.15 120	0.34 304	0.55 360	0.29 320	0.49 357	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

SGM_RVC	0.24 322	0.12 266	0.16 204	0.15 35	0.09 120	0.34 349	0.19 261	0.35 319	0.32 262	0.44 367	0.38 317	0.53 374	0.36 356	0.36 355	0.26 321	0.13 323	0.13 339	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
MeshStereo	0.27 345	0.13 285	0.18 249	0.15 35	0.11 251	0.33 345	0.24 317	0.41 352	0.36 294	0.53 375	0.58 372	0.67 384	0.41 365	0.36 355	0.27 326	0.14 341	0.13 339	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
GMStereo_Zeroshot	0.16 234	0.13 285	0.25 302	0.20 261	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

Wz-Net-LNSev	0.22 299	0.16 314	0.41 351	0.22 303	0.13 299	0.25 307	0.24 317	0.33 290	0.44 330	0.30 325	0.42 344	0.32 314	0.19 261	0.23 292	0.27 326	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	0.20 261	0.15 324	0.36 358	0.25 333	0.34 304	0.45 333	0.29 320	0.41 337	0.39 344	0.19 261	0.25 307	0.27 326	0.09 230	0.07 239	0.09 224	0.09 247	0.12 299	0.10 263

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	0.14 325

Anonymous	0.14 179	0.10 233	0.24 298	0.23 320	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

APVNet	0.23 312	0.12 266	0.20 273	0.18 174	0.14 314	0.32 343	0.31 367	0.40 347	0.33 267	0.27 303	0.40 327	0.30 295	0.29 328	0.27 313	0.25 309	0.11 286	0.12 327	0.11 291	0.14 335	0.12 299	0.13 312

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	0.41 359	0.55 365	0.41 352	0.38 359	0.35 351	0.28 333	0.11 286	0.15 351	0.11 291	0.11 301	0.12 299	0.17 357

EDNetEfficientorigin	7.92 419	0.32 376	152.98 438	0.20 261	0.10 213	0.22 282	0.17 188	0.23 164	0.60 369	0.73 387	0.67 377	0.41 352	0.51 379	0.24 302	0.41 373	0.08 188	0.07 239	0.09 224	0.07 157	0.12 299	0.11 284

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	0.32 314	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

SuperB	0.20 281	0.10 233	0.57 369	0.16 60	0.09 120	0.19 242	0.18 226	0.25 198	0.51 350	0.27 303	0.39 324	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

edge stereo	0.23 312	0.14 300	0.21 279	0.21 287	0.13 299	0.24 299	0.16 169	0.32 280	0.42 321	0.32 337	0.40 327	0.39 344	0.35 353	0.25 307	0.25 309	0.13 323	0.11 319	0.14 332	0.11 301	0.12 299	0.14 325

DeepPrunerF	0.24 322	0.17 323	0.45 355	0.26 344	0.16 336	0.23 293	0.29 359	0.37 332	0.51 350	0.27 303	0.31 272	0.24 250	0.28 325	0.22 285	0.23 291	0.15 343	0.11 319	0.20 361	0.18 359	0.12 299	0.14 325

Anonymous Stereo	0.24 322	0.19 339	0.52 363	0.25 334	0.18 355	0.21 269	0.22 298	0.34 304	0.45 333	0.25 292	0.35 303	0.26 268	0.19 261	0.31 336	0.29 340	0.13 323	0.12 327	0.12 308	0.13 329	0.12 299	0.14 325

SGM-ForestM	0.33 360	0.12 266	0.17 223	0.16 60	0.11 251	0.42 369	0.20 275	0.43 361	0.53 359	0.53 375	0.57 370	1.41 406	0.44 373	0.42 373	0.29 340	0.14 341	0.16 356	0.16 346	0.16 348	0.12 299	0.13 312

FBW_ROB	0.25 329	0.17 323	0.23 292	0.27 351	0.14 314	0.26 317	0.22 298	0.42 356	0.43 328	0.42 361	0.41 337	0.43 357	0.27 316	0.32 340	0.24 302	0.09 230	0.15 351	0.15 339	0.12 319	0.12 299	0.10 263

FADNet-RVC	0.21 291	0.20 344	0.40 349	0.21 287	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	0.13 339	0.12 308	0.14 335	0.13 314	0.18 359

S-Stereo	0.21 291	0.12 266	0.25 302	0.21 287	0.13 299	0.21 269	0.19 261	0.33 290	0.45 333	0.23 268	0.36 307	0.28 281	0.29 328	0.20 253	0.23 291	0.09 230	0.12 327	0.10 265	0.10 278	0.13 314	0.14 325

MaskLacGwcNet_RVC	0.22 299	0.21 349	0.25 302	0.26 344	0.11 251	0.24 299	0.14 75	0.39 344	0.24 188	0.32 337	0.36 307	0.30 295	0.21 278	0.19 240	0.22 281	0.17 359	0.14 347	0.21 362	0.16 348	0.13 314	0.12 302

RP	0.22 299	0.13 285	0.22 286	0.23 320	0.12 279	0.21 269	0.20 275	0.26 206	0.45 333	0.22 255	0.38 317	0.37 333	0.25 304	0.28 321	0.25 309	0.11 286	0.12 327	0.13 321	0.12 319	0.13 314	0.14 325

NCC-stereo	0.25 329	0.15 306	0.31 328	0.26 344	0.17 346	0.21 269	0.31 367	0.41 352	0.40 312	0.24 279	0.38 317	0.33 320	0.29 328	0.37 359	0.28 333	0.13 323	0.11 319	0.15 339	0.22 366	0.13 314	0.13 312

Abc-Net	0.25 329	0.15 306	0.31 328	0.26 344	0.17 346	0.21 269	0.31 367	0.41 352	0.40 312	0.24 279	0.38 317	0.33 320	0.29 328	0.37 359	0.28 333	0.13 323	0.11 319	0.15 339	0.22 366	0.13 314	0.13 312
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 312	0.13 285	0.30 325	0.21 287	0.13 299	0.29 335	0.17 188	0.36 325	0.68 378	0.27 303	0.34 298	0.30 295	0.22 285	0.32 340	0.31 350	0.10 261	0.08 265	0.09 224	0.10 278	0.13 314	0.14 325

ADCMid	0.26 340	0.15 306	0.42 353	0.20 261	0.14 314	0.25 307	0.26 339	0.35 319	0.40 312	0.37 349	0.45 351	0.34 324	0.42 368	0.36 355	0.36 362	0.10 261	0.09 286	0.11 291	0.11 301	0.13 314	0.13 312

DANet	0.21 291	0.16 314	0.29 320	0.25 334	0.13 299	0.23 293	0.19 261	0.28 239	0.27 226	0.28 315	0.32 281	0.35 329	0.32 347	0.31 336	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
NCCL2	0.24 322	0.15 306	0.18 249	0.34 373	0.18 355	0.24 299	0.24 317	0.34 304	0.29 245	0.31 330	0.38 317	0.38 339	0.29 328	0.23 292	0.25 309	0.15 343	0.12 327	0.18 357	0.21 363	0.13 314	0.13 312

SANet	0.25 329	0.14 300	0.29 320	0.21 287	0.11 251	0.29 335	0.25 333	0.40 347	0.65 377	0.36 344	0.40 327	0.42 354	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

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	0.18 362	0.23 367	0.21 363	0.13 314	0.13 312

XPNet_ROB	0.22 299	0.12 266	0.20 273	0.22 303	0.13 299	0.22 282	0.19 261	0.35 319	0.40 312	0.30 325	0.40 327	0.38 339	0.27 316	0.26 311	0.29 340	0.15 343	0.10 307	0.10 265	0.10 278	0.13 314	0.12 302

LALA_ROB	0.25 329	0.16 314	0.23 292	0.27 351	0.17 346	0.27 325	0.27 343	0.42 356	0.38 304	0.33 341	0.39 324	0.51 371	0.26 311	0.29 329	0.28 333	0.16 355	0.09 286	0.13 321	0.12 319	0.13 314	0.13 312

SGM-Forest	0.20 281	0.14 300	0.18 249	0.20 261	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	0.16 356	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
coex-ft	3.24 413	0.35 379	57.83 437	0.18 174	0.13 299	0.27 325	0.23 309	0.28 239	0.72 383	1.89 414	0.70 381	0.43 357	0.47 374	0.29 329	0.43 376	0.09 230	0.09 286	0.12 308	0.09 247	0.14 329	0.14 325

WZ-Net	0.29 350	0.17 323	0.82 393	0.23 320	0.16 336	0.35 353	0.29 359	0.40 347	0.59 368	0.24 279	0.57 370	0.37 333	0.25 304	0.34 346	0.37 366	0.09 230	0.08 265	0.09 224	0.10 278	0.14 329	0.16 349

UDG	0.21 291	0.17 323	0.20 273	0.23 320	0.15 324	0.31 341	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	0.12 327	0.13 321	0.09 247	0.14 329	0.15 340

stereogan	0.22 299	0.11 251	0.21 279	0.20 261	0.12 279	0.32 343	0.19 261	0.36 325	0.45 333	0.23 268	0.39 324	0.35 329	0.27 316	0.33 343	0.23 291	0.10 261	0.12 327	0.10 265	0.10 278	0.14 329	0.14 325

AnyNet_C01	0.37 366	0.26 364	1.41 405	0.22 303	0.17 346	0.51 375	0.28 349	0.36 325	0.40 312	0.39 352	0.75 386	0.46 365	0.39 360	0.46 375	0.50 386	0.13 323	0.13 339	0.13 321	0.14 335	0.14 329	0.16 349

AnyNet_C32	0.26 340	0.16 314	0.39 347	0.20 261	0.17 346	0.26 317	0.31 367	0.32 280	0.45 333	0.31 330	0.50 359	0.30 295	0.34 350	0.41 372	0.36 362	0.12 309	0.12 327	0.12 308	0.14 335	0.14 329	0.15 340

ADCPNet	0.26 340	0.17 323	0.62 374	0.21 287	0.15 324	0.36 358	0.25 333	0.33 290	0.37 298	0.31 330	0.41 337	0.36 331	0.29 328	0.29 329	0.34 360	0.12 309	0.10 307	0.11 291	0.12 319	0.14 329	0.13 312

RYNet	0.23 312	0.12 266	0.22 286	0.19 219	0.17 346	0.47 372	0.26 339	0.39 344	0.49 345	0.24 279	0.29 263	0.34 324	0.24 298	0.20 253	0.31 350	0.10 261	0.06 185	0.09 224	0.09 247	0.14 329	0.15 340

CSAN	0.30 353	0.24 358	0.28 312	0.34 373	0.19 359	0.34 349	0.42 386	0.38 339	0.51 350	0.38 351	0.40 327	0.44 360	0.34 350	0.29 329	0.31 350	0.19 364	0.16 356	0.19 359	0.19 360	0.14 329	0.15 340

ETE_ROB	0.23 312	0.17 323	0.23 292	0.25 334	0.14 314	0.26 317	0.29 359	0.32 280	0.37 298	0.28 315	0.37 310	0.45 361	0.27 316	0.28 321	0.27 326	0.11 286	0.09 286	0.12 308	0.10 278	0.14 329	0.13 312

WCMA_ROB	0.24 322	0.11 251	0.24 298	0.17 107	0.14 314	0.34 349	0.16 169	0.33 290	0.33 267	0.39 352	0.54 364	0.40 350	0.35 353	0.35 351	0.26 321	0.12 309	0.12 327	0.12 308	0.11 301	0.14 329	0.14 325

Wz-Net-TNSev	0.29 350	0.20 344	0.69 385	0.19 219	0.15 324	0.38 364	0.27 343	0.36 325	0.56 362	0.35 342	0.42 344	0.45 361	0.39 360	0.33 343	0.31 350	0.13 323	0.13 339	0.10 265	0.12 319	0.15 340	0.15 340

sAnonymous2	0.13 154	0.12 266	0.25 302	0.20 261	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	0.20 261	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

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	0.49 345	0.26 296	0.33 288	0.22 230	0.23 291	0.23 292	0.18 239	0.18 360	0.16 356	0.11 291	0.10 278	0.15 340	0.14 325

RGC	0.25 329	0.20 344	0.29 320	0.28 357	0.16 336	0.22 282	0.23 309	0.33 290	0.44 330	0.27 303	0.40 327	0.38 339	0.28 325	0.37 359	0.23 291	0.11 286	0.13 339	0.17 349	0.17 355	0.15 340	0.16 349

RTS	0.46 377	0.19 339	3.33 412	0.25 334	0.15 324	0.72 391	0.21 288	0.37 332	0.78 389	0.42 361	0.44 349	0.31 307	0.43 371	0.55 383	0.37 366	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 340

RTSA	0.46 377	0.19 339	3.33 412	0.25 334	0.15 324	0.72 391	0.21 288	0.37 332	0.78 389	0.42 361	0.44 349	0.31 307	0.43 371	0.55 383	0.37 366	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 340

NVstereo2D	0.19 274	0.11 251	0.16 204	0.17 107	0.16 336	0.28 333	0.23 309	0.44 365	0.42 321	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

GASNet	0.22 299	0.24 358	0.34 336	0.26 344	0.17 346	0.27 325	0.16 169	0.45 367	0.42 321	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

Anonymous_2	0.22 299	0.17 323	0.28 312	0.15 35	0.16 336	0.33 345	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	0.22 372	0.26 381	0.17 349	0.17 355	0.16 348	0.18 359

DDUNet	0.23 312	0.18 336	0.22 286	0.22 303	0.15 324	0.25 307	0.24 317	0.30 263	0.31 257	0.31 330	0.37 310	0.34 324	0.26 311	0.25 307	0.21 268	0.18 360	0.13 339	0.17 349	0.11 301	0.16 348	0.17 357

MFN_U_SF_RVC	0.33 360	0.22 353	0.58 372	0.31 368	0.15 324	0.36 358	0.17 188	0.54 380	0.46 341	0.47 371	0.56 366	0.58 377	0.39 360	0.36 355	0.38 369	0.15 343	0.15 351	0.18 357	0.21 363	0.16 348	0.16 349

G-Net	0.25 329	0.17 323	0.38 346	0.23 320	0.16 336	0.51 375	0.23 309	0.29 253	0.35 288	0.36 344	0.38 317	0.31 307	0.29 328	0.28 321	0.27 326	0.11 286	0.09 286	0.12 308	0.10 278	0.16 348	0.14 325

SHD	0.26 340	0.15 306	0.31 328	0.24 328	0.18 355	0.23 293	0.15 120	0.39 344	0.72 383	0.32 337	0.42 344	0.36 331	0.29 328	0.33 343	0.30 346	0.13 323	0.11 319	0.14 332	0.13 329	0.16 348	0.20 367

ADCS	0.30 353	0.19 339	0.48 360	0.21 287	0.18 355	0.29 335	0.24 317	0.42 356	0.64 375	0.40 355	0.50 359	0.40 350	0.37 357	0.40 367	0.43 376	0.13 323	0.13 339	0.13 321	0.14 335	0.16 348	0.16 349

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	0.15 351	0.12 308	0.15 346	0.17 355	0.18 359

PDISCO_ROB	0.28 347	0.16 314	0.28 312	0.28 357	0.20 362	0.33 345	0.27 343	0.45 367	0.58 366	0.28 315	0.41 337	0.45 361	0.30 339	0.34 346	0.35 361	0.12 309	0.09 286	0.17 349	0.16 348	0.17 355	0.13 312

MFN_U_SF_DS_RVC	0.30 353	0.24 358	0.30 325	0.36 377	0.16 336	0.36 358	0.31 367	0.34 304	0.43 328	0.41 359	0.46 353	0.38 339	0.30 339	0.35 351	0.29 340	0.19 364	0.20 368	0.26 369	0.29 378	0.18 357	0.19 364

XQC	0.29 350	0.23 355	0.53 364	0.29 364	0.19 359	0.36 358	0.28 349	0.37 332	0.58 366	0.31 330	0.31 272	0.37 333	0.30 339	0.39 364	0.39 370	0.13 323	0.09 286	0.15 339	0.12 319	0.18 357	0.18 359

STTRV1_RVC	0.25 329	0.26 364	0.39 347	0.19 219	0.26 376	0.30 338	0.24 317	0.35 319	0.35 288	0.36 344	0.34 298	0.31 307	0.31 344	0.28 321	0.25 309	0.18 360	0.10 307	0.16 346	0.14 335	0.18 357	0.12 302

LSM	0.34 365	0.21 349	0.62 374	0.27 351	0.62 400	0.35 353	0.26 339	0.43 361	0.49 345	0.45 369	0.60 375	0.42 354	0.37 357	0.35 351	0.26 321	0.13 323	0.21 375	0.14 332	0.16 348	0.18 357	0.34 387

CC-Net-ROB	0.28 347	0.31 375	0.36 344	0.30 366	0.15 324	0.25 307	0.19 261	0.45 367	0.34 277	0.39 352	0.37 310	0.39 344	0.31 344	0.27 313	0.27 326	0.24 379	0.18 362	0.30 380	0.23 370	0.19 361	0.15 340

GANetREF_RVC	0.31 358	0.34 377	0.29 320	0.35 375	0.16 336	0.33 345	0.42 386	0.48 372	0.52 356	0.35 342	0.35 303	0.34 324	0.32 347	0.40 367	0.33 358	0.27 381	0.20 368	0.29 378	0.15 346	0.19 361	0.18 359
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
DPSNet	0.28 347	0.16 314	0.33 333	0.18 174	0.13 299	0.55 378	0.42 386	0.52 377	0.68 378	0.29 320	0.38 317	0.39 344	0.30 339	0.32 340	0.23 291	0.11 286	0.10 307	0.11 291	0.08 209	0.20 363	0.16 349

SQANet	0.24 322	0.24 358	0.31 328	0.31 368	0.19 359	0.27 325	0.13 45	0.30 263	0.33 267	0.25 292	0.37 310	0.31 307	0.22 285	0.27 313	0.23 291	0.15 343	0.10 307	0.21 362	0.16 348	0.22 364	0.16 349

BEATNet-Init1	0.54 384	0.28 367	0.68 384	0.31 368	0.21 364	0.85 399	0.31 367	0.57 382	0.69 381	0.89 396	1.00 398	2.17 414	0.66 390	0.58 387	0.44 379	0.19 364	0.18 362	0.23 367	0.22 366	0.22 364	0.21 368

DGSMNet	0.25 329	0.19 339	0.34 336	0.21 287	0.24 369	0.24 299	0.21 288	0.36 325	0.42 321	0.25 292	0.32 281	0.38 339	0.21 278	0.29 329	0.24 302	0.13 323	0.11 319	0.14 332	0.16 348	0.23 366	0.23 373

ccnet	0.30 353	0.28 367	0.24 298	0.20 261	0.28 378	0.41 368	0.22 298	0.46 370	0.33 267	0.37 349	0.46 353	0.37 333	0.30 339	0.40 367	0.43 376	0.23 377	0.14 347	0.21 362	0.17 355	0.23 366	0.19 364

SAMSARA	0.41 370	0.28 367	0.34 336	0.55 390	0.39 384	0.85 399	1.25 414	0.49 373	0.52 356	0.36 344	0.35 303	0.56 376	0.39 360	0.39 364	0.41 373	0.15 343	0.20 368	0.15 339	0.14 335	0.23 366	0.21 368

PASM	0.33 360	0.25 363	0.51 362	0.28 357	0.27 377	0.30 338	0.31 367	0.35 319	0.51 350	0.36 344	0.40 327	0.47 368	0.35 353	0.34 346	0.36 362	0.23 377	0.26 381	0.26 369	0.28 377	0.23 366	0.21 368

DispFullNet	0.27 345	0.22 353	0.66 377	0.28 357	0.17 346	0.27 325	0.17 188	0.34 304	0.57 363	0.27 303	0.37 310	0.43 357	0.24 298	0.39 364	0.25 309	0.12 309	0.06 185	0.19 359	0.11 301	0.23 366	0.16 349

MSMD_ROB	0.31 358	0.26 364	0.26 308	0.24 328	0.21 364	0.34 349	0.25 333	0.34 304	0.39 308	0.40 355	0.69 380	0.45 361	0.41 365	0.34 346	0.28 333	0.20 368	0.20 368	0.26 369	0.25 372	0.23 366	0.22 371

FADE	0.46 377	0.34 377	1.12 401	0.33 372	0.25 375	0.35 353	0.29 359	0.64 390	1.07 397	0.43 366	0.41 337	0.42 354	0.53 380	0.72 393	0.54 391	0.30 382	0.21 375	0.41 386	0.38 386	0.23 366	0.22 371

MSC_U_SF_DS_RVC	0.44 374	0.39 382	0.56 367	0.40 379	0.20 362	0.66 386	0.33 376	0.54 380	0.72 383	0.71 385	0.72 383	0.62 379	0.55 381	0.52 379	0.47 383	0.20 368	0.19 367	0.29 378	0.30 380	0.24 373	0.19 364

PVD	0.40 369	0.21 349	0.40 349	0.32 371	0.23 367	0.30 338	0.45 390	0.53 379	0.97 396	0.55 377	0.80 390	0.54 375	0.60 387	0.53 381	0.40 372	0.19 364	0.14 347	0.17 349	0.14 335	0.24 373	0.32 385

FCDSN-DC	0.33 360	0.28 367	0.28 312	0.30 366	0.24 369	0.39 366	0.28 349	0.43 361	0.42 321	0.44 367	0.53 363	0.51 371	0.42 368	0.37 359	0.30 346	0.21 370	0.20 368	0.27 372	0.26 373	0.25 375	0.25 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 360	0.28 367	0.28 312	0.26 344	0.23 367	0.38 364	0.29 359	0.40 347	0.44 330	0.46 370	0.56 366	0.51 371	0.41 365	0.38 363	0.31 350	0.21 370	0.20 368	0.27 372	0.26 373	0.25 375	0.24 374

MANE	0.47 380	0.28 367	0.28 312	0.27 351	0.24 369	0.50 373	0.32 375	0.57 382	0.62 373	0.74 389	1.20 408	1.21 399	0.64 389	0.54 382	0.39 370	0.22 372	0.20 368	0.27 372	0.31 381	0.26 377	0.25 375

ELAS	0.42 372	0.29 373	0.34 336	0.28 357	0.24 369	0.63 383	0.37 379	0.52 377	0.52 356	0.72 386	0.82 391	0.68 386	0.56 383	0.52 379	0.45 382	0.22 372	0.21 375	0.27 372	0.26 373	0.26 377	0.26 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_RVC	0.42 372	0.29 373	0.33 333	0.28 357	0.24 369	0.56 379	0.38 381	0.50 374	0.61 370	0.74 389	0.76 387	0.67 384	0.56 383	0.55 383	0.42 375	0.22 372	0.21 375	0.27 372	0.26 373	0.27 379	0.26 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetBlue	0.73 394	0.46 385	1.21 403	0.52 389	0.47 389	2.16 414	0.67 402	0.78 393	0.72 383	0.70 384	0.79 389	1.21 399	0.84 398	1.06 410	1.04 410	0.40 388	0.28 383	0.33 381	0.33 383	0.30 380	0.34 387

otaku	0.39 367	0.38 381	0.53 364	0.44 383	0.28 378	0.57 380	0.24 317	0.42 356	0.62 373	0.40 355	0.50 359	0.46 365	0.34 350	0.40 367	0.33 358	0.30 382	0.30 385	0.39 384	0.33 383	0.30 380	0.29 381

NVStereoNet_ROB	0.47 380	0.37 380	0.47 359	0.42 382	0.29 381	0.35 353	0.35 377	0.50 374	0.61 370	0.73 387	0.94 395	0.70 388	0.68 391	0.48 376	0.62 394	0.22 372	0.33 386	0.34 382	0.34 385	0.30 380	0.31 384
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-4b	0.39 367	0.53 387	0.56 367	0.45 384	0.24 369	0.46 371	0.18 226	0.50 374	0.64 375	0.42 361	0.45 351	0.60 378	0.27 316	0.34 346	0.24 302	0.33 385	0.14 347	0.48 388	0.42 388	0.31 383	0.27 380

ACVNet_1	0.45 376	0.51 386	0.61 373	0.45 384	0.28 378	0.50 373	0.28 349	0.58 387	0.71 382	0.63 380	0.59 374	0.74 389	0.50 377	0.50 377	0.36 362	0.26 380	0.25 380	0.39 384	0.29 378	0.32 384	0.25 375

Ntro	0.41 370	0.40 383	0.54 366	0.46 387	0.30 382	0.64 384	0.24 317	0.47 371	0.68 378	0.42 361	0.49 357	0.47 368	0.42 368	0.40 367	0.32 355	0.32 384	0.28 383	0.37 383	0.31 381	0.33 385	0.29 381

MADNet+	0.76 395	0.72 397	3.76 415	0.67 393	0.41 385	0.99 405	0.97 412	0.72 392	0.75 387	0.52 374	0.58 372	0.64 382	0.68 391	0.89 404	1.04 410	0.35 386	0.36 387	0.28 377	0.23 370	0.38 386	0.33 386

Consistency-Raft	0.44 374	0.40 383	0.46 356	0.37 378	0.43 387	0.42 369	0.41 384	0.57 382	0.55 360	0.32 337	0.73 384	0.32 314	0.50 377	0.42 373	0.49 385	0.39 387	0.36 387	0.45 387	0.52 397	0.42 387	0.30 383

ACVNet_2	0.67 391	0.68 396	0.70 388	0.64 392	0.41 385	0.75 394	0.50 391	0.98 403	1.38 407	0.90 397	1.09 402	1.04 394	0.74 394	0.55 383	0.48 384	0.43 389	0.40 389	0.53 392	0.45 389	0.48 388	0.36 389

anonymity	0.53 383	0.58 388	0.66 377	0.41 380	0.61 399	0.54 377	0.41 384	0.57 382	0.41 319	0.56 378	0.50 359	0.50 370	0.55 381	0.59 388	0.50 386	0.58 398	0.50 399	0.51 390	0.51 395	0.52 389	0.58 396

SGM+DAISY	0.57 386	0.58 388	0.67 381	0.41 380	0.55 393	0.68 388	0.51 392	0.57 382	0.46 341	0.67 381	0.70 381	0.69 387	0.57 385	0.64 390	0.58 392	0.59 399	0.49 396	0.50 389	0.50 394	0.52 389	0.59 399

RainbowNet	0.54 384	0.61 391	0.71 390	0.57 391	0.43 387	0.66 386	0.37 379	0.60 388	0.87 393	0.51 373	0.67 377	0.63 380	0.47 374	0.50 377	0.44 379	0.47 393	0.48 395	0.53 392	0.41 387	0.53 391	0.41 392

IMH-64-1	0.66 389	0.62 392	0.69 385	0.72 394	0.51 390	0.60 381	0.51 392	0.92 397	0.84 391	0.75 392	1.02 399	0.81 390	0.78 396	0.80 395	0.50 386	0.43 389	0.46 390	0.72 396	0.48 390	0.55 392	0.40 390

IMH-64	0.66 389	0.62 392	0.69 385	0.72 394	0.51 390	0.60 381	0.51 392	0.92 397	0.84 391	0.75 392	1.02 399	0.81 390	0.78 396	0.80 395	0.50 386	0.43 389	0.46 390	0.72 396	0.48 390	0.55 392	0.40 390

SPS-STEREO	0.58 387	0.59 390	0.66 377	0.45 384	0.55 393	0.65 385	0.44 389	0.63 389	0.51 350	0.69 383	0.65 376	0.66 383	0.58 386	0.62 389	0.62 394	0.62 401	0.47 394	0.51 390	0.49 392	0.55 392	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH	0.72 392	0.65 394	0.70 388	0.77 396	0.54 392	0.71 390	0.56 395	0.99 405	1.08 398	0.82 395	1.09 402	0.89 392	0.88 400	0.88 403	0.53 390	0.44 392	0.50 399	0.75 399	0.51 395	0.58 395	0.42 393

WAO-7	0.80 397	0.78 400	0.57 369	0.85 401	0.67 403	0.76 395	0.69 405	1.07 407	1.30 404	0.90 397	1.20 408	1.05 395	0.93 402	0.71 392	0.68 397	0.60 400	0.62 409	0.67 395	0.68 403	0.64 396	0.59 399

LVE	0.84 400	0.87 404	0.86 396	0.81 399	0.56 395	1.09 410	0.66 401	1.07 407	1.45 409	0.97 401	1.23 410	1.11 397	0.86 399	0.84 398	0.72 401	0.49 394	0.56 405	0.76 400	0.60 400	0.66 397	0.60 402

Dean	0.88 401	0.88 405	0.81 392	0.82 400	0.57 396	0.91 401	0.62 399	1.17 412	1.71 412	1.15 407	1.16 406	1.31 403	1.00 405	0.82 397	0.83 406	0.57 396	0.56 405	0.78 402	0.65 401	0.67 398	0.58 396

TorneroNet-64	0.76 395	0.73 398	0.77 391	0.78 398	0.58 398	0.94 404	0.58 396	0.85 396	1.26 402	0.67 381	0.88 393	1.41 406	0.76 395	0.87 401	0.68 397	0.49 394	0.46 390	0.73 398	0.59 398	0.68 399	0.54 395

MFMNet_re	0.65 388	0.66 395	0.66 377	0.51 388	0.69 404	0.70 389	0.58 396	0.65 391	0.75 387	0.61 379	0.73 384	0.63 380	0.68 391	0.65 391	0.60 393	0.66 402	0.58 408	0.63 394	0.59 398	0.68 399	0.69 406

WAO-6	0.82 398	0.81 401	0.63 376	0.87 403	0.63 401	0.79 396	0.60 398	0.98 403	1.52 411	0.91 399	0.97 397	1.08 396	1.04 406	0.72 393	0.70 400	0.72 403	0.49 396	0.91 406	0.71 404	0.70 401	0.59 399

WAO-8	0.92 402	0.83 402	0.67 381	0.94 406	0.70 405	0.92 402	0.68 403	1.08 409	1.80 414	1.06 405	1.42 412	1.29 401	1.08 408	0.86 399	0.80 403	0.74 405	0.54 402	0.86 404	0.75 405	0.71 402	0.63 403

Venus	0.92 402	0.83 402	0.67 381	0.94 406	0.70 405	0.92 402	0.68 403	1.08 409	1.80 414	1.06 405	1.42 412	1.29 401	1.08 408	0.86 399	0.80 403	0.74 405	0.54 402	0.86 404	0.75 405	0.71 402	0.63 403

PWCK	0.72 392	0.95 406	0.99 399	0.77 396	0.32 383	0.79 396	0.38 381	0.92 397	0.90 394	0.96 400	0.76 387	0.97 393	0.62 388	0.87 401	0.68 397	0.73 404	0.46 390	0.76 400	0.49 392	0.71 402	0.44 394

TorneroNet	0.83 399	0.75 399	0.83 395	0.85 401	0.63 401	1.03 408	0.65 400	0.96 401	1.14 400	0.80 394	1.10 404	1.36 404	0.88 400	0.95 406	0.82 405	0.57 396	0.49 396	0.79 403	0.66 402	0.74 405	0.64 405

SPstereo	13.84 428	0.95 406	1.53 408	1.24 412	0.90 411	29.09 431	47.98 431	26.78 438	29.57 437	22.38 436	22.47 435	23.18 436	24.63 436	24.46 436	15.07 428	0.91 410	0.71 411	1.85 417	1.62 417	0.74 405	0.79 410

UNDER WATER-64	0.97 404	0.96 408	1.48 407	0.88 404	0.57 396	1.24 413	0.90 410	0.78 393	0.96 395	1.05 403	0.85 392	1.56 411	1.26 412	0.97 408	0.99 408	0.88 409	0.57 407	1.04 409	0.88 409	0.81 407	0.75 407

UNDER WATER	0.99 406	1.00 409	1.47 406	1.00 408	0.71 407	1.18 412	0.86 408	0.81 395	1.09 399	1.02 402	0.90 394	1.53 410	1.26 412	1.06 410	1.02 409	0.79 407	0.54 402	1.02 408	0.88 409	0.83 408	0.75 407

DPSimNet_ROB	1.14 409	1.25 413	0.87 397	1.15 411	0.90 411	1.15 411	1.18 413	1.20 413	1.26 402	1.45 411	1.05 401	1.44 409	1.13 410	0.92 405	1.70 413	1.47 416	0.52 401	1.22 413	1.04 414	0.92 409	1.03 414

notaker	0.98 405	1.13 410	1.02 400	1.14 410	0.81 408	0.73 393	0.69 405	0.94 400	1.15 401	1.19 409	1.19 407	1.41 406	1.17 411	1.10 412	0.74 402	0.82 408	0.64 410	1.18 411	0.79 407	1.02 410	0.82 411

KSHMR	1.10 408	1.19 411	0.90 398	1.26 414	1.00 413	0.99 405	0.96 411	1.13 411	1.35 405	1.16 408	1.28 411	1.40 405	0.97 404	1.03 409	0.93 407	1.03 412	1.08 414	1.20 412	1.03 413	1.03 411	0.98 413

ktn	1.02 407	1.23 412	0.82 393	1.24 412	0.86 410	1.00 407	0.86 408	0.96 401	1.37 406	1.05 403	1.12 405	1.16 398	1.06 407	0.95 406	0.62 394	1.28 415	0.71 411	1.39 415	0.83 408	1.06 412	0.77 409

HanzoNet	1.31 410	1.29 414	1.22 404	1.13 409	0.85 409	1.05 409	0.84 407	1.06 406	1.47 410	1.66 412	1.63 414	2.48 416	1.78 414	1.63 414	1.69 412	1.27 414	0.80 413	1.32 414	1.02 412	1.07 413	0.90 412

JetRed	1.66 411	1.51 415	3.09 411	0.93 405	1.21 414	5.28 416	1.61 416	1.29 414	1.42 408	1.84 413	1.77 415	1.59 412	0.95 403	1.43 413	2.51 416	0.91 410	1.61 416	0.93 407	0.91 411	1.36 414	1.03 414

ASD4	3.59 414	3.47 418	2.05 410	1.75 415	2.54 418	9.22 420	17.86 421	2.29 415	5.54 418	2.49 415	2.86 417	2.05 413	3.46 416	2.77 416	5.29 417	1.23 413	1.36 415	1.13 410	1.33 415	1.71 415	1.50 417

MADNet++	1.97 412	1.75 416	1.66 409	1.83 416	1.69 416	2.38 415	1.45 415	2.36 416	2.11 416	2.58 416	2.37 416	2.25 415	2.21 415	2.28 415	2.36 415	1.87 417	1.67 417	1.53 416	1.34 416	1.87 416	1.78 418

tt	4.65 415	0.07 51	3.54 414	2.01 417	1.55 415	10.25 421	16.66 420	8.90 424	5.03 417	1.33 410	0.96 396	4.71 417	4.74 417	3.33 417	5.86 419	6.06 424	10.30 428	1.87 418	2.09 419	2.61 417	1.19 416

xxxxx1	7.75 416	5.06 421	7.26 417	3.15 418	3.91 419	16.37 424	22.88 425	5.87 421	8.68 420	7.99 420	8.55 418	9.13 422	8.46 420	10.05 422	10.47 420	2.43 418	2.48 419	3.56 421	12.26 425	3.48 418	3.02 420

tt_ll	7.75 416	5.06 421	7.26 417	3.15 418	3.91 419	16.37 424	22.88 425	5.87 421	8.68 420	7.99 420	8.55 418	9.13 422	8.46 420	10.05 422	10.47 420	2.43 418	2.48 419	3.56 421	12.26 425	3.48 418	3.02 420

ff	7.75 416	5.06 421	7.26 417	3.15 418	3.91 419	16.37 424	22.88 425	5.87 421	8.68 420	7.99 420	8.55 418	9.13 422	8.46 420	10.05 422	10.47 420	2.43 418	2.48 419	3.56 421	12.26 425	3.48 418	3.02 420

DGTPSM_ROB	8.06 420	4.50 419	8.69 424	5.34 421	10.73 424	8.32 418	22.71 423	5.47 419	13.38 424	5.13 418	9.98 421	5.10 418	10.47 423	5.53 419	12.77 424	3.79 421	8.00 423	3.49 419	6.95 422	3.74 421	7.09 424

DPSMNet_ROB	8.06 420	4.50 419	8.69 424	5.36 423	10.74 425	8.32 418	22.71 423	5.47 419	13.38 424	5.13 418	9.98 421	5.10 418	10.47 423	5.53 419	12.77 424	3.80 422	8.00 423	3.49 419	6.95 422	3.75 422	7.09 424

DPSM_ROB	11.10 426	8.47 425	7.95 421	10.84 425	11.58 426	19.10 429	26.50 429	12.02 426	14.09 427	10.38 424	10.91 424	10.39 426	11.92 426	11.67 426	13.39 426	6.99 426	8.79 426	5.82 425	6.92 420	6.97 423	7.31 426

DPSM	11.10 426	8.47 425	7.95 421	10.84 425	11.58 426	19.10 429	26.50 429	12.02 426	14.09 427	10.38 424	10.91 424	10.39 426	11.92 426	11.67 426	13.39 426	6.99 426	8.79 426	5.82 425	6.92 420	6.97 423	7.31 426

PML	8.57 422	9.39 427	6.24 416	5.34 421	6.36 422	13.21 423	20.99 422	5.35 418	6.68 419	17.75 428	26.46 437	7.58 420	6.08 419	7.89 421	5.76 418	5.33 423	1.83 418	5.95 427	1.93 418	8.75 425	2.53 419

Anonymous_1	10.87 425	7.82 424	7.41 420	10.29 424	10.08 423	18.64 428	26.11 428	11.02 425	13.45 426	9.43 423	10.10 423	9.73 425	11.31 425	10.69 425	12.47 423	6.42 425	8.38 425	5.70 424	10.22 424	11.41 426	6.65 423

MyStereo03	22.37 432	17.11 429	16.16 428	21.87 430	23.27 431	38.30 432	53.36 433	24.10 432	28.51 433	20.93 433	21.96 432	20.94 430	24.00 430	23.43 432	27.22 434	14.07 429	17.72 433	11.70 428	13.96 430	14.00 427	14.72 429

MyStereo02	22.37 432	17.11 429	16.16 428	21.87 430	23.27 431	38.30 432	53.36 433	24.10 432	28.51 433	20.93 433	21.96 432	20.94 430	24.00 430	23.43 432	27.22 434	14.07 429	17.72 433	11.70 428	13.96 430	14.00 427	14.72 429

MyStereo	22.37 432	17.11 429	16.16 428	21.87 430	23.27 431	38.30 432	53.36 433	24.10 432	28.51 433	20.93 433	21.96 432	20.94 430	24.00 430	23.43 432	27.22 434	14.07 429	17.72 433	11.70 428	13.96 430	14.00 427	14.72 429

CasAABBNet	22.33 431	17.11 429	15.84 426	21.94 433	23.28 434	38.30 432	53.40 437	24.05 431	28.44 432	20.66 430	21.86 430	21.03 434	24.04 434	23.35 430	27.03 433	14.06 428	17.69 431	11.70 428	13.94 429	14.04 430	14.76 432

Selective-RAFT-Error	22.39 435	17.14 433	16.01 427	22.00 434	23.34 435	38.37 436	53.36 433	24.24 436	28.53 436	20.80 431	21.94 431	20.94 430	24.02 433	23.48 435	27.33 437	14.07 429	17.70 432	11.70 428	13.93 428	14.05 431	14.83 433

LSM0	22.80 436	17.22 434	19.17 431	22.12 435	28.90 437	38.38 437	53.27 432	24.21 435	28.36 431	20.84 432	21.11 429	21.63 435	24.25 435	23.42 431	26.98 432	14.08 433	17.39 430	11.72 433	13.98 433	14.22 432	14.66 428

LRCNet_RVC	10.76 424	13.97 428	7.97 423	19.07 428	2.04 417	0.35 353	0.31 367	5.29 417	0.48 344	13.02 426	17.65 427	8.69 421	5.73 418	4.78 418	2.22 414	23.53 435	2.69 422	27.60 436	25.75 436	17.60 433	16.54 434

HaxPig	15.73 429	18.55 435	19.19 432	16.92 427	15.89 429	7.80 417	7.57 417	13.37 428	10.80 423	15.40 427	14.87 426	15.95 428	14.81 428	15.67 428	15.97 429	18.96 434	16.72 429	19.47 434	18.10 434	19.45 434	19.06 435

MEDIAN_ROB	20.38 430	24.05 436	23.36 434	21.18 429	21.62 430	10.51 422	8.17 418	17.68 429	15.46 429	20.04 429	19.65 428	20.30 429	20.16 429	21.17 429	21.03 430	23.81 436	21.77 436	24.98 435	23.75 435	25.01 435	23.94 436

AVERAGE_ROB	24.89 437	29.12 437	27.98 435	24.83 436	24.59 436	17.82 427	11.61 419	21.45 430	19.91 430	25.04 437	24.38 436	25.06 437	25.31 437	24.69 437	22.86 431	29.74 437	27.09 437	28.97 437	27.94 437	30.07 436	29.35 437

DLNR_Zeroshot_test	10.48 423	2.27 417	19.78 433	120.28 438	13.29 428	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	52.68 437	0.04 4

test_example2	97.69 438	92.93 438	45.57 436	96.02 437	109.84 438	88.44 438	93.70 438	25.54 437	94.63 438	130.46 438	126.87 438	58.93 438	75.48 438	87.99 438	77.94 438	150.16 438	221.11 438	76.29 438	98.21 438	108.42 438	95.33 438

Low-res two-view benchmark