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

LoS_RVC	0.28 6	0.17 8	0.29 9	0.33 8	0.32 245	0.43 121	0.34 117	0.42 4	0.34 5	0.33 11	0.51 37	0.29 4	0.38 90	0.37 5	0.28 29	0.11 1	0.10 8	0.11 1	0.08 1	0.11 1	0.26 263

CAS	0.37 61	0.13 1	0.27 7	1.34 386	0.31 228	0.46 131	0.38 171	0.50 11	0.48 56	0.35 15	0.52 40	0.24 1	0.19 3	0.30 1	0.28 29	1.03 388	0.08 1	0.12 2	0.08 1	0.12 2	0.28 280

LoS	0.30 12	0.16 4	0.32 12	0.30 3	0.19 8	0.32 60	0.29 57	0.54 18	0.73 127	0.35 15	0.52 40	0.42 46	0.29 41	0.48 41	0.29 37	0.15 67	0.11 39	0.13 8	0.09 4	0.12 2	0.12 10

MC-Stereo	0.29 9	0.18 14	0.35 19	0.40 87	0.21 25	0.26 18	0.26 40	0.53 16	0.40 29	0.38 18	0.61 62	0.41 44	0.31 54	0.57 70	0.27 23	0.14 18	0.10 8	0.14 13	0.12 26	0.12 2	0.12 10

RCA-Stereo	0.36 43	0.18 14	0.37 27	0.38 45	0.23 56	0.31 51	0.33 109	0.70 93	1.25 326	0.45 40	0.65 70	0.46 65	0.43 120	0.40 14	0.29 37	0.14 18	0.10 8	0.14 13	0.12 26	0.12 2	0.12 10

DCANet-4	0.38 77	0.22 97	0.58 194	0.35 12	0.19 8	0.30 39	0.30 69	0.69 83	0.97 245	0.70 124	0.79 114	0.40 40	0.46 138	0.46 29	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

fff	0.39 89	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 123	1.08 289	0.70 124	0.79 114	0.44 55	0.62 200	0.47 34	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

RAFT-RH_RVC	0.57 240	0.18 14	0.44 79	0.38 45	0.23 56	0.56 170	0.24 23	0.61 35	0.73 127	1.18 328	3.90 397	0.55 91	0.40 108	0.67 156	0.38 120	0.14 18	0.11 39	0.20 177	0.15 90	0.12 2	0.14 49

AnonymousM	0.42 124	0.86 368	0.31 10	0.35 12	0.23 56	0.30 39	0.37 158	0.56 24	0.44 43	0.72 134	0.50 32	0.47 69	0.29 41	0.42 18	0.35 90	0.16 99	0.12 86	1.51 386	0.32 331	0.12 2	0.11 3

raftrobust	0.35 37	0.20 54	0.39 36	0.43 167	0.29 199	0.31 51	0.25 30	0.73 123	0.66 96	0.59 70	0.56 52	0.44 55	0.45 132	0.55 62	0.31 58	0.16 99	0.12 86	0.14 13	0.12 26	0.12 2	0.14 49

csc	0.39 89	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 123	1.08 289	0.70 124	0.79 114	0.44 55	0.62 200	0.47 34	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

cscssc	0.39 89	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 123	1.08 289	0.70 124	0.79 114	0.44 55	0.62 200	0.47 34	0.37 107	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

CREStereo	0.28 6	0.16 4	0.25 1	0.28 1	0.17 2	0.38 91	0.25 30	0.52 13	0.76 137	0.43 37	0.51 37	0.32 14	0.28 27	0.39 8	0.27 23	0.16 99	0.11 39	0.12 2	0.09 4	0.12 2	0.12 10
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
MSKI-zero shot	0.33 30	0.19 33	0.36 25	0.41 105	0.22 30	0.32 60	0.22 11	0.65 54	0.45 47	0.52 54	0.64 68	0.60 127	0.19 3	0.78 216	0.27 23	0.14 18	0.11 39	0.14 13	0.10 10	0.13 14	0.13 31

AEACV	0.28 6	0.18 14	0.34 13	0.36 27	0.45 324	0.27 25	0.27 42	0.41 2	0.39 21	0.31 7	0.46 23	0.31 7	0.36 79	0.38 7	0.25 3	0.14 18	0.11 39	0.15 41	0.13 49	0.13 14	0.13 31

Any-RAFT	0.36 43	0.17 8	0.31 10	0.35 12	0.21 25	0.51 144	0.21 5	0.93 189	0.75 134	0.56 64	0.73 86	0.66 162	0.29 41	0.48 41	0.25 3	0.15 67	0.10 8	0.13 8	0.10 10	0.13 14	0.13 31

RAFT-Test	0.35 37	0.19 33	0.42 58	0.39 61	0.24 77	0.50 139	0.23 20	0.74 129	0.44 43	0.62 78	0.85 146	0.64 146	0.28 27	0.48 41	0.30 48	0.14 18	0.11 39	0.14 13	0.11 15	0.13 14	0.13 31

CES	0.29 9	0.15 2	0.25 1	0.31 4	0.71 369	0.36 78	0.27 42	0.51 12	0.47 54	0.34 13	0.48 28	0.27 2	0.23 7	0.40 14	0.24 2	0.13 9	0.11 39	0.12 2	0.08 1	0.13 14	0.32 299

Selective-IGEV	0.25 1	0.18 14	0.37 27	0.37 35	0.20 18	0.27 25	0.25 30	0.59 29	0.25 1	0.27 2	0.26 1	0.34 22	0.18 1	0.62 117	0.23 1	0.12 4	0.10 8	0.14 13	0.11 15	0.13 14	0.11 3

EGLCR-Stereo	0.27 2	0.17 8	0.36 25	0.35 12	0.21 25	0.37 86	0.20 1	0.58 27	0.37 14	0.29 4	0.28 4	0.42 46	0.18 1	0.47 34	0.27 23	0.14 18	0.10 8	0.16 57	0.14 69	0.13 14	0.12 10

ProNet	0.30 12	0.22 97	0.41 50	0.36 27	0.25 101	0.33 66	0.42 219	0.62 37	0.41 34	0.33 11	0.31 6	0.32 14	0.28 27	0.60 89	0.28 29	0.13 9	0.11 39	0.16 57	0.13 49	0.13 14	0.14 49

ADStereo(finetuned)	0.39 89	0.18 14	0.58 194	0.35 12	0.19 8	0.30 39	0.30 69	0.72 110	0.96 240	0.72 134	0.77 102	0.45 62	0.68 237	0.46 29	0.36 99	0.14 18	0.10 8	0.14 13	0.11 15	0.13 14	0.15 78

CIPLG	0.42 124	0.23 120	0.71 252	0.45 200	0.33 256	0.51 144	0.33 109	0.68 72	0.68 103	0.84 195	0.96 189	0.47 69	0.33 65	0.56 66	0.52 201	0.17 125	0.12 86	0.16 57	0.14 69	0.13 14	0.16 98

IPLGR_C	0.42 124	0.23 120	0.71 252	0.46 223	0.33 256	0.51 144	0.34 117	0.69 83	0.69 108	0.84 195	0.92 176	0.46 65	0.33 65	0.53 54	0.53 210	0.17 125	0.12 86	0.16 57	0.14 69	0.13 14	0.16 98

test-3	0.35 37	0.17 8	0.48 115	0.40 87	0.22 30	0.42 117	0.22 11	0.66 56	0.80 153	0.72 134	0.45 21	0.63 139	0.29 41	0.45 25	0.32 64	0.13 9	0.09 2	0.17 85	0.13 49	0.13 14	0.11 3

test_1	0.35 37	0.17 8	0.48 115	0.40 87	0.22 30	0.42 117	0.22 11	0.66 56	0.80 153	0.70 124	0.45 21	0.63 139	0.29 41	0.45 25	0.32 64	0.13 9	0.09 2	0.17 85	0.13 49	0.13 14	0.11 3

ACRE	0.42 124	0.23 120	0.73 262	0.45 200	0.33 256	0.50 139	0.33 109	0.68 72	0.70 110	0.82 184	0.92 176	0.46 65	0.32 60	0.53 54	0.52 201	0.17 125	0.12 86	0.15 41	0.14 69	0.13 14	0.16 98

TRStereo	0.39 89	0.32 253	0.64 221	0.49 258	0.41 300	0.30 39	0.30 69	0.97 203	0.63 84	0.53 60	0.43 19	0.52 83	0.26 17	0.77 208	0.29 37	0.18 157	0.12 86	0.19 148	0.19 208	0.13 14	0.13 31

XX-TBD	0.32 26	0.53 325	0.26 4	0.53 302	0.21 25	0.38 91	0.24 23	0.41 2	0.77 139	0.55 62	0.70 82	0.31 7	0.26 17	0.33 3	0.28 29	0.16 99	0.10 8	0.12 2	0.09 4	0.13 14	0.11 3

DCANet	0.38 77	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.72 110	0.96 240	0.72 134	0.77 102	0.45 62	0.56 175	0.47 34	0.36 99	0.14 18	0.10 8	0.14 13	0.11 15	0.13 14	0.15 78

111	0.42 124	0.18 14	0.46 91	0.35 12	0.19 8	0.52 151	0.28 50	0.76 136	1.16 311	0.52 54	0.92 176	0.65 150	0.51 156	0.65 139	0.37 107	0.15 67	0.10 8	0.14 13	0.12 26	0.13 14	0.16 98

RAFT-Stereo + iAFF	0.37 61	0.18 14	0.45 84	0.36 27	0.19 8	0.33 66	0.28 50	0.67 67	0.77 139	0.72 134	0.99 208	0.56 97	0.39 103	0.44 22	0.31 58	0.11 1	0.09 2	0.15 41	0.14 69	0.13 14	0.11 3

CFNet-RSSM	0.35 37	0.18 14	0.47 102	0.39 61	0.22 30	0.35 74	0.23 20	0.78 144	0.86 186	0.67 110	0.54 45	0.56 97	0.28 27	0.49 47	0.28 29	0.14 18	0.10 8	0.14 13	0.12 26	0.13 14	0.12 10

Gwc-CoAtRS	0.35 37	0.18 14	0.46 91	0.39 61	0.23 56	0.34 72	0.22 11	0.74 129	0.77 139	0.62 78	0.60 59	0.58 115	0.29 41	0.47 34	0.29 37	0.14 18	0.11 39	0.14 13	0.12 26	0.13 14	0.13 31

PMTNet	0.33 30	0.17 8	0.26 4	0.29 2	0.18 5	0.44 127	0.22 11	0.57 26	0.66 96	0.46 44	0.54 45	0.38 36	0.34 71	0.50 49	0.25 3	0.75 377	0.10 8	0.12 2	0.09 4	0.13 14	0.12 10

IGEVStereo-DCA	0.30 12	0.24 139	0.42 58	0.36 27	0.27 159	0.38 91	0.34 117	0.66 56	0.35 6	0.39 21	0.31 6	0.35 26	0.27 22	0.62 117	0.25 3	0.16 99	0.12 86	0.16 57	0.12 26	0.14 36	0.16 98

rrr	0.31 23	0.24 139	0.56 185	0.36 27	0.27 159	0.38 91	0.31 88	0.56 24	0.44 43	0.39 21	0.31 6	0.35 26	0.27 22	0.62 117	0.25 3	0.16 99	0.12 86	0.16 57	0.13 49	0.14 36	0.14 49

IGEV_Zeroshot_test	0.36 43	0.19 33	0.71 252	0.41 105	0.29 199	0.30 39	0.25 30	0.86 166	0.40 29	0.64 95	0.57 53	0.56 97	0.25 12	0.56 66	0.29 37	0.15 67	0.11 39	0.16 57	0.14 69	0.14 36	0.14 49

MIF-Stereo	0.27 2	0.18 14	0.40 45	0.40 87	0.28 180	0.30 39	0.28 50	0.40 1	0.33 4	0.30 6	0.46 23	0.27 2	0.25 12	0.48 41	0.35 90	0.17 125	0.13 141	0.14 13	0.12 26	0.14 36	0.13 31

MIM_Stereo	0.39 89	0.18 14	0.59 202	0.38 45	0.25 101	0.27 25	0.24 23	0.72 110	0.56 67	0.72 134	1.00 212	0.62 135	0.29 41	0.67 156	0.39 128	0.13 9	0.14 172	0.17 85	0.16 116	0.14 36	0.12 10

HH	0.37 61	0.22 97	0.49 123	0.41 105	0.26 130	0.36 78	0.30 69	0.87 167	0.41 34	0.45 40	0.59 57	0.78 214	0.43 120	0.77 208	0.26 8	0.15 67	0.11 39	0.15 41	0.14 69	0.14 36	0.14 49

HanStereo	0.37 61	0.22 97	0.49 123	0.41 105	0.26 130	0.36 78	0.30 69	0.87 167	0.41 34	0.45 40	0.59 57	0.78 214	0.43 120	0.77 208	0.26 8	0.15 67	0.11 39	0.15 41	0.14 69	0.14 36	0.14 49

DCRE	0.38 77	0.19 33	0.47 102	0.45 200	0.33 256	0.45 130	0.40 194	0.66 56	0.53 65	0.49 49	0.95 185	0.57 100	0.39 103	0.53 54	0.32 64	0.14 18	0.13 141	0.15 41	0.14 69	0.14 36	0.15 78

IPLG	0.40 103	0.21 74	0.64 221	0.41 105	0.25 101	0.54 160	0.27 42	0.77 141	0.68 103	0.85 205	0.82 132	0.33 19	0.32 60	0.64 133	0.49 193	0.13 9	0.11 39	0.16 57	0.14 69	0.14 36	0.14 49

MIPNet	0.39 89	0.22 97	0.66 228	0.40 87	0.25 101	0.53 154	0.29 57	0.78 144	0.74 132	0.68 117	0.60 59	0.40 40	0.48 145	0.45 25	0.39 128	0.14 18	0.11 39	0.16 57	0.13 49	0.14 36	0.14 49

CrosDoStereo	0.51 201	0.19 33	0.46 91	0.39 61	0.24 77	0.39 96	1.14 368	0.69 83	0.87 190	0.94 254	1.36 309	0.62 135	0.75 265	0.68 164	0.46 174	0.15 67	0.12 86	0.17 85	0.18 184	0.14 36	0.16 98

STrans-v2	0.47 162	0.21 74	0.49 123	0.41 105	0.25 101	0.54 160	0.49 259	1.16 263	0.82 170	0.67 110	1.05 235	0.71 174	0.67 229	0.74 188	0.34 83	0.15 67	0.11 39	0.17 85	0.15 90	0.14 36	0.14 49

TransformOpticalFlow	0.46 153	0.21 74	0.49 123	0.42 130	0.24 77	0.36 78	0.46 239	1.04 223	0.84 176	0.67 110	1.14 265	0.73 193	0.56 175	0.78 216	0.33 74	0.15 67	0.10 8	0.17 85	0.15 90	0.14 36	0.15 78

ASMatch	0.48 171	0.20 54	0.47 102	0.39 61	0.28 180	0.37 86	0.26 40	0.76 136	0.72 118	0.77 164	2.29 366	0.61 129	0.51 156	0.64 133	0.39 128	0.15 67	0.12 86	0.17 85	0.15 90	0.14 36	0.22 224

DeepStereo_LL	0.51 201	0.19 33	0.46 91	0.39 61	0.24 77	0.39 96	1.14 368	0.69 83	0.87 190	0.94 254	1.36 309	0.62 135	0.75 265	0.68 164	0.46 174	0.15 67	0.12 86	0.17 85	0.18 184	0.14 36	0.16 98

DEmStereo	0.49 180	0.18 14	0.53 166	0.39 61	0.26 130	0.57 180	0.33 109	0.65 54	0.75 134	0.90 239	1.65 342	0.57 100	1.02 327	0.63 126	0.44 165	0.14 18	0.12 86	0.16 57	0.16 116	0.14 36	0.17 135

DRaft	0.49 180	0.18 14	0.50 132	0.38 45	0.25 101	0.57 180	0.39 184	0.67 67	0.86 186	1.02 288	1.75 350	0.50 77	0.79 280	0.65 139	0.42 156	0.14 18	0.11 39	0.16 57	0.16 116	0.14 36	0.17 135

RAFT-345	0.41 117	0.19 33	0.42 58	0.39 61	0.23 56	0.32 60	0.25 30	0.62 37	0.56 67	0.74 148	1.77 351	0.44 55	0.35 74	0.67 156	0.37 107	0.14 18	0.11 39	0.18 116	0.14 69	0.14 36	0.13 31

CREStereo++_RVC	0.32 26	0.16 4	0.25 1	0.32 6	0.24 77	0.27 25	0.22 11	0.48 8	0.89 204	0.47 46	0.80 124	0.29 4	0.25 12	0.37 5	0.34 83	0.14 18	0.09 2	0.13 8	0.52 374	0.14 36	0.10 1
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	0.37 61	0.15 2	0.26 4	0.34 9	0.15 1	0.80 264	0.29 57	0.83 159	0.87 190	0.58 69	0.58 55	0.43 52	0.41 112	0.59 79	0.35 90	0.12 4	0.10 8	0.14 13	0.09 4	0.14 36	0.10 1

raft+_RVC	0.38 77	0.20 54	0.38 33	0.39 61	0.27 159	0.44 127	0.35 139	0.81 153	0.90 208	0.52 54	0.78 110	0.50 77	0.29 41	0.56 66	0.41 153	0.15 67	0.12 86	0.17 85	0.15 90	0.14 36	0.13 31

TANstereo	0.31 23	0.16 4	0.34 13	0.31 4	0.17 2	0.55 165	0.23 20	0.46 6	0.56 67	0.60 72	0.69 80	0.37 33	0.26 17	0.36 4	0.28 29	0.16 99	0.16 212	0.13 8	0.10 10	0.14 36	0.15 78

XX-Stereo	0.38 77	0.18 14	0.52 159	0.58 328	0.38 283	0.39 96	0.20 1	0.62 37	0.31 2	0.47 46	1.29 300	0.72 189	0.25 12	0.59 79	0.28 29	0.16 99	0.11 39	0.17 85	0.16 116	0.14 36	0.11 3

test_xeample3	0.31 23	0.23 120	0.56 185	0.36 27	0.26 130	0.35 74	0.32 100	0.60 31	0.38 17	0.44 39	0.32 9	0.33 19	0.28 27	0.66 147	0.27 23	0.14 18	0.12 86	0.16 57	0.12 26	0.14 36	0.14 49

ARAFT	0.48 171	0.25 167	0.82 282	0.42 130	0.25 101	0.56 170	0.54 280	0.82 157	0.82 170	0.92 247	0.75 99	0.75 201	0.48 145	0.89 248	0.37 107	0.15 67	0.12 86	0.23 244	0.22 262	0.14 36	0.14 49

AFF-stereo	0.39 89	0.20 54	0.42 58	0.37 35	0.22 30	0.27 25	0.31 88	0.67 67	0.72 118	0.66 103	1.12 257	0.75 201	0.38 90	0.57 70	0.35 90	0.11 1	0.09 2	0.16 57	0.16 116	0.14 36	0.12 10

EAI-Stereo	0.36 43	0.21 74	0.46 91	0.40 87	0.22 30	0.33 66	0.36 146	1.22 286	0.32 3	0.52 54	0.75 99	0.35 26	0.28 27	0.65 139	0.30 48	0.14 18	0.11 39	0.14 13	0.14 69	0.14 36	0.13 31

R-Stereo Train	0.40 103	0.19 33	0.47 102	0.43 167	0.27 159	0.41 110	0.31 88	0.74 129	0.38 17	0.90 239	1.28 296	0.58 115	0.35 74	0.43 20	0.35 90	0.15 67	0.13 141	0.14 13	0.12 26	0.14 36	0.14 49

RAFT-Stereo	0.40 103	0.19 33	0.47 102	0.43 167	0.27 159	0.41 110	0.31 88	0.74 129	0.38 17	0.90 239	1.28 296	0.58 115	0.35 74	0.43 20	0.35 90	0.15 67	0.13 141	0.14 13	0.12 26	0.14 36	0.14 49
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MLCV	0.49 180	0.26 195	0.73 262	0.38 45	0.18 5	0.64 209	0.33 109	0.84 163	0.89 204	0.96 271	1.12 257	0.72 189	0.45 132	1.00 289	0.59 228	0.14 18	0.10 8	0.14 13	0.11 15	0.14 36	0.14 49

tta	0.53 217	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.60 229	0.19 192	0.16 212	0.18 116	0.17 158	0.15 66	0.16 98

qqq1	0.51 201	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.36 99	0.19 192	0.16 212	0.14 13	0.12 26	0.15 66	0.16 98

fff1	0.51 201	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.36 99	0.19 192	0.16 212	0.14 13	0.12 26	0.15 66	0.16 98

AE-Stereo	0.36 43	0.21 74	0.47 102	0.49 258	0.31 228	0.50 139	0.34 117	0.72 110	0.73 127	0.34 13	0.55 50	0.52 83	0.28 27	0.48 41	0.31 58	0.13 9	0.13 141	0.18 116	0.16 116	0.15 66	0.14 49

ff7	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

ffff	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

11t	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

StereoIM	0.27 2	0.19 33	0.39 36	0.37 35	0.26 130	0.28 31	0.28 50	0.45 5	0.37 14	0.27 2	0.27 2	0.40 40	0.27 22	0.40 14	0.30 48	0.16 99	0.14 172	0.16 57	0.13 49	0.15 66	0.12 10

anonymousdsp	0.30 12	0.22 97	0.41 50	0.38 45	0.26 130	0.31 51	0.35 139	0.68 72	0.36 11	0.40 29	0.33 10	0.32 14	0.28 27	0.62 117	0.26 8	0.14 18	0.10 8	0.17 85	0.12 26	0.15 66	0.16 98

TestStereo1	0.44 142	0.24 139	0.45 84	0.52 295	0.25 101	0.35 74	0.40 194	0.81 153	0.94 229	0.70 124	0.96 189	0.48 72	0.45 132	0.94 263	0.33 74	0.16 99	0.13 141	0.18 116	0.16 116	0.15 66	0.14 49

ccc-4	0.30 12	0.22 97	0.42 58	0.37 35	0.26 130	0.31 51	0.34 117	0.66 56	0.35 6	0.39 21	0.33 10	0.31 7	0.28 27	0.61 95	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

raft_robust	0.41 117	0.24 139	0.39 36	0.43 167	0.22 30	0.40 101	0.33 109	0.80 151	0.98 249	0.80 179	0.88 159	0.41 44	0.32 60	0.89 248	0.30 48	0.14 18	0.12 86	0.16 57	0.18 184	0.15 66	0.13 31

RAFT+CT+SA	0.40 103	0.24 139	0.40 45	0.53 302	0.27 159	0.28 31	0.45 236	0.79 149	0.81 162	0.51 52	0.90 164	0.42 46	0.39 103	0.81 224	0.33 74	0.15 67	0.11 39	0.18 116	0.18 184	0.15 66	0.15 78

SA-5K	0.44 142	0.24 139	0.45 84	0.52 295	0.25 101	0.35 74	0.40 194	0.81 153	0.94 229	0.70 124	0.96 189	0.48 72	0.45 132	0.94 263	0.33 74	0.16 99	0.13 141	0.18 116	0.16 116	0.15 66	0.14 49

Sa-1000	0.49 180	0.25 167	0.45 84	0.46 223	0.25 101	0.64 209	0.34 117	0.85 164	0.95 233	0.85 205	1.51 334	0.55 91	0.44 125	0.94 263	0.31 58	0.16 99	0.12 86	0.21 218	0.20 227	0.15 66	0.14 49

SA	0.45 148	0.26 195	0.50 132	0.47 241	0.24 77	0.46 131	0.36 146	0.79 149	1.00 256	0.61 76	1.04 232	0.50 77	0.50 151	0.98 280	0.33 74	0.16 99	0.13 141	0.21 218	0.19 208	0.15 66	0.14 49

test_4	0.37 61	0.19 33	0.34 13	0.45 200	0.26 130	0.20 2	0.34 117	0.58 27	0.42 38	0.60 72	1.45 327	0.43 52	0.26 17	0.67 156	0.29 37	0.12 4	0.10 8	0.17 85	0.19 208	0.15 66	0.12 10

IGEV-Stereo	0.30 12	0.22 97	0.41 50	0.38 45	0.26 130	0.30 39	0.35 139	0.68 72	0.36 11	0.40 29	0.33 10	0.32 14	0.28 27	0.62 117	0.26 8	0.14 18	0.10 8	0.17 85	0.12 26	0.15 66	0.16 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.46 153	0.22 97	0.53 166	0.43 167	0.30 218	0.30 39	0.53 274	0.66 56	0.71 116	0.62 78	0.89 162	1.01 276	0.67 229	0.76 201	0.67 246	0.13 9	0.12 86	0.17 85	0.15 90	0.15 66	0.17 135

iRaft-Stereo_20w	0.42 124	0.20 54	0.63 217	0.39 61	0.27 159	0.33 66	0.25 30	1.76 376	0.37 14	0.73 141	0.53 42	0.63 139	0.42 117	0.86 239	0.29 37	0.14 18	0.11 39	0.14 13	0.13 49	0.15 66	0.15 78

GMOStereo	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

error version	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

test-v	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

test_3	0.37 61	0.19 33	0.50 132	0.45 200	0.24 77	0.47 133	0.36 146	0.69 83	0.84 176	0.66 103	0.46 23	0.68 169	0.25 12	0.45 25	0.32 64	0.12 4	0.10 8	0.18 116	0.16 116	0.15 66	0.12 10

HHNet	0.42 124	0.19 33	0.43 74	0.35 12	0.38 283	0.33 66	0.33 109	0.71 100	0.78 142	0.87 217	1.30 302	0.52 83	0.36 79	0.53 54	0.37 107	0.16 99	0.11 39	0.19 148	0.15 90	0.15 66	0.25 258

IIG-Stereo	0.45 148	0.22 97	0.48 115	0.51 281	0.26 130	0.43 121	0.21 5	0.73 123	0.80 153	0.84 195	0.95 185	0.82 228	0.46 138	0.95 268	0.37 107	0.16 99	0.12 86	0.19 148	0.15 90	0.15 66	0.12 10

FTStereo	0.56 236	0.21 74	0.39 36	0.42 130	0.25 101	0.39 96	0.73 329	0.69 83	0.45 47	1.09 316	3.23 386	0.69 171	0.71 249	0.55 62	0.34 83	0.15 67	0.13 141	0.19 148	0.17 158	0.15 66	0.32 299

THIR-Stereo	0.51 201	0.19 33	0.47 102	0.39 61	0.23 56	0.74 246	0.64 310	0.68 72	0.88 200	1.03 291	1.40 315	0.71 174	0.75 265	0.64 133	0.43 158	0.16 99	0.11 39	0.17 85	0.18 184	0.15 66	0.17 135

GrayStereo	0.49 180	0.20 54	0.44 79	0.47 241	0.29 199	0.51 144	0.62 305	0.71 100	0.66 96	1.04 297	1.46 328	0.77 212	0.73 260	0.58 74	0.35 90	0.15 67	0.12 86	0.17 85	0.17 158	0.15 66	0.30 289

test-2	0.38 77	0.19 33	0.42 58	0.43 167	0.24 77	0.40 101	0.39 184	0.55 19	0.64 88	0.89 232	0.84 139	0.65 150	0.37 83	0.39 8	0.29 37	0.14 18	0.12 86	0.20 177	0.18 184	0.15 66	0.12 10

cross-raft	0.34 35	0.20 54	0.38 33	0.45 200	0.24 77	0.32 60	0.35 139	0.77 141	0.42 38	0.62 78	0.77 102	0.58 115	0.27 22	0.46 29	0.31 58	0.12 4	0.10 8	0.15 41	0.13 49	0.15 66	0.12 10

test-1	0.37 61	0.20 54	0.76 269	0.47 241	0.27 159	0.44 127	0.36 146	0.63 43	0.65 93	0.49 49	0.67 78	0.54 89	0.35 74	0.42 18	0.30 48	0.14 18	0.12 86	0.16 57	0.14 69	0.15 66	0.18 157

cf-r	0.49 180	0.24 139	0.49 123	0.40 87	0.23 56	0.58 184	0.38 171	0.92 187	0.87 190	0.77 164	1.06 241	0.98 267	0.67 229	0.59 79	0.61 233	0.21 226	0.14 172	0.17 85	0.19 208	0.15 66	0.16 98

DIP-Stereo	0.40 103	0.22 97	0.58 194	0.42 130	0.29 199	0.62 196	0.27 42	0.87 167	0.42 38	0.65 99	0.86 150	0.52 83	0.35 74	0.67 156	0.43 158	0.15 67	0.13 141	0.17 85	0.14 69	0.15 66	0.17 135
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.57 240	0.24 139	0.61 208	0.39 61	0.23 56	0.71 238	0.40 194	1.02 217	0.93 222	0.77 164	1.05 235	1.05 287	0.98 325	0.99 284	1.03 315	0.16 99	0.14 172	0.14 13	0.17 158	0.15 66	0.14 49

iResNet_ROB	0.55 227	0.24 139	0.61 208	0.38 45	0.22 30	0.66 220	0.30 69	1.59 364	1.33 340	0.94 254	1.05 235	0.81 226	0.69 239	0.84 235	0.46 174	0.17 125	0.12 86	0.14 13	0.09 4	0.15 66	0.20 193

pmcnn	1.27 360	0.31 251	1.14 329	0.41 105	0.23 56	0.97 300	0.71 320	1.23 289	1.32 338	1.83 368	2.34 368	11.25 413	0.89 310	1.04 296	0.96 303	0.15 67	0.12 86	0.12 2	0.10 10	0.15 66	0.16 98

CoDeX	0.48 171	0.21 74	0.53 166	0.43 167	0.25 101	0.74 246	0.38 171	1.36 330	0.82 170	0.84 195	0.96 189	0.63 139	0.57 184	0.63 126	0.40 148	0.17 125	0.13 141	0.17 85	0.15 90	0.16 103	0.15 78

cc1	0.38 77	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.71 100	1.17 314	0.42 32	0.50 32	0.34 22	0.47 142	0.61 95	0.26 8	0.17 125	0.11 39	0.19 148	0.13 49	0.16 103	0.17 135

DualNet	0.53 217	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	0.72 110	1.13 302	0.76 156	0.98 199	0.71 174	0.55 167	0.61 95	1.46 349	0.17 125	0.11 39	0.25 268	0.21 244	0.16 103	0.17 135

ffm	0.47 162	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	0.72 110	1.13 302	0.76 156	0.98 199	0.71 174	0.55 167	0.61 95	0.26 8	0.17 125	0.11 39	0.25 268	0.21 244	0.16 103	0.17 135

ff1	0.56 236	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	0.72 110	1.13 302	0.76 156	0.98 199	0.71 174	0.55 167	1.25 321	1.46 349	0.17 125	0.11 39	0.25 268	0.21 244	0.16 103	0.17 135

tt1	0.37 61	0.25 167	0.35 19	0.43 167	0.23 56	0.52 151	0.37 158	0.72 110	1.13 302	0.42 32	0.46 23	0.35 26	0.44 125	0.61 95	0.26 8	0.17 125	0.11 39	0.19 148	0.13 49	0.16 103	0.17 135

EKT-Stereo	0.36 43	0.24 139	0.44 79	0.44 188	0.30 218	0.37 86	0.30 69	0.72 110	0.68 103	0.47 46	0.63 65	0.49 76	0.28 27	0.59 79	0.34 83	0.19 192	0.14 172	0.18 116	0.15 90	0.16 103	0.18 157

4D-IteraStereo	0.33 30	0.19 33	0.43 74	0.40 87	0.24 77	0.32 60	0.27 42	0.59 29	0.72 118	0.66 103	0.53 42	0.42 46	0.22 6	0.46 29	0.30 48	0.14 18	0.09 2	0.20 177	0.16 116	0.16 103	0.12 10

anonymousdsp2	0.37 61	0.21 74	0.49 123	0.38 45	0.24 77	0.48 138	0.31 88	0.91 179	0.68 103	0.57 66	0.51 37	0.51 80	0.34 71	0.59 79	0.33 74	0.14 18	0.11 39	0.14 13	0.10 10	0.16 103	0.16 98

anonymousa	0.51 201	0.21 74	0.47 102	0.39 61	0.25 101	0.89 289	0.36 146	0.78 144	0.63 84	0.88 225	1.54 335	1.09 301	0.67 229	0.53 54	0.46 174	0.17 125	0.14 172	0.19 148	0.21 244	0.16 103	0.16 98

Selective-RAFT	0.36 43	0.23 120	0.54 178	0.45 200	0.22 30	0.64 209	0.27 42	0.62 37	0.65 93	0.41 31	0.38 18	0.55 91	0.39 103	0.59 79	0.36 99	0.14 18	0.12 86	0.14 13	0.12 26	0.16 103	0.14 49

DisPM	0.40 103	0.20 54	0.50 132	0.42 130	0.27 159	0.24 7	0.30 69	0.68 72	0.61 83	0.88 225	0.87 156	0.59 124	0.32 60	0.80 220	0.34 83	0.19 192	0.12 86	0.19 148	0.17 158	0.16 103	0.21 209

RAFT_CTSACE	0.46 153	0.20 54	0.48 115	0.46 223	0.27 159	0.34 72	0.39 184	0.62 37	0.74 132	0.78 175	1.44 324	0.86 235	0.38 90	1.09 302	0.27 23	0.13 9	0.13 141	0.18 116	0.16 116	0.16 103	0.12 10

GLC_STEREO	0.30 12	0.20 54	0.28 8	0.44 188	0.19 8	0.31 51	0.25 30	0.49 9	0.43 41	0.37 17	0.47 27	0.40 40	0.23 7	0.51 51	0.37 107	0.15 67	0.18 247	0.19 148	0.16 116	0.16 103	0.14 49

IPLGR	0.40 103	0.22 97	0.70 249	0.40 87	0.22 30	0.51 144	0.29 57	0.78 144	0.78 142	0.80 179	0.77 102	0.44 55	0.41 112	0.48 41	0.40 148	0.14 18	0.12 86	0.16 57	0.14 69	0.16 103	0.14 49

OMP-Stereo	0.43 136	0.23 120	0.50 132	0.53 302	0.25 101	0.36 78	0.24 23	0.73 123	0.81 162	0.78 175	0.64 68	0.88 242	0.41 112	0.95 268	0.36 99	0.15 67	0.12 86	0.20 177	0.15 90	0.16 103	0.13 31

NF-Stereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.57 100	0.31 54	0.69 170	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

OCTAStereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.58 115	0.31 54	0.69 170	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

PFNet	0.43 136	0.19 33	0.61 208	0.44 188	0.24 77	0.42 117	0.31 88	0.76 136	0.81 162	1.01 284	0.74 97	0.67 166	0.41 112	0.75 193	0.39 128	0.16 99	0.10 8	0.20 177	0.15 90	0.16 103	0.14 49

RE-Stereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.57 100	0.31 54	0.70 177	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

TVStereo	0.39 89	0.21 74	0.51 140	0.42 130	0.25 101	0.26 18	0.30 69	0.71 100	0.72 118	0.66 103	0.77 102	0.57 100	0.31 54	0.70 177	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.16 103	0.27 271

CroCo-Stereo	0.27 2	0.23 120	0.40 45	0.49 258	0.22 30	0.20 2	0.29 57	0.55 19	0.45 47	0.29 4	0.27 2	0.42 46	0.26 17	0.30 1	0.26 8	0.15 67	0.13 141	0.13 8	0.12 26	0.16 103	0.13 31
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	0.46 153	0.23 120	0.52 159	0.48 249	0.27 159	0.55 165	0.47 244	0.68 72	0.60 81	0.83 189	0.82 132	1.00 272	0.56 175	0.76 201	0.37 107	0.18 157	0.16 212	0.22 230	0.20 227	0.16 103	0.14 49

iRaftStereo_RVC	0.33 30	0.20 54	0.40 45	0.40 87	0.23 56	0.31 51	0.29 57	0.70 93	0.55 66	0.49 49	0.66 73	0.37 33	0.23 7	0.47 34	0.33 74	0.14 18	0.11 39	0.19 148	0.17 158	0.16 103	0.13 31

MyStereo06	0.40 103	0.22 97	0.65 226	0.42 130	0.29 199	0.43 121	0.48 249	1.05 229	0.43 41	0.64 95	0.54 45	0.78 214	0.27 22	0.53 54	0.31 58	0.14 18	0.13 141	0.18 116	0.17 158	0.17 127	0.17 135

MyStereo05	0.46 153	0.22 97	0.51 140	0.42 130	0.29 199	0.43 121	0.48 249	0.96 201	1.12 297	0.77 164	0.62 64	0.51 80	0.57 184	0.79 218	0.43 158	0.14 18	0.13 141	0.18 116	0.17 158	0.17 127	0.17 135

11t1	0.38 77	0.23 120	0.49 123	0.36 27	0.23 56	0.61 192	0.31 88	0.74 129	0.47 54	0.62 78	0.55 50	0.55 91	0.49 149	0.58 74	0.45 170	0.18 157	0.15 191	0.16 57	0.13 49	0.17 127	0.19 166

LL-Strereo	0.58 251	0.29 230	0.83 286	0.48 249	0.35 271	0.39 96	0.48 249	1.04 223	0.99 252	0.87 217	0.79 114	1.08 296	1.15 344	1.35 338	0.51 197	0.18 157	0.15 191	0.22 230	0.19 208	0.17 127	0.21 209

CBFPSM	0.61 265	0.25 167	1.41 352	0.39 61	0.27 159	1.10 322	0.67 312	0.83 159	0.84 176	0.82 184	0.81 130	1.33 329	0.85 297	0.72 186	0.86 280	0.16 99	0.15 191	0.15 41	0.17 158	0.17 127	0.23 243

CroCo-Stereo Lap2	0.29 9	0.25 167	0.44 79	0.50 269	0.30 218	0.19 1	0.31 88	0.52 13	0.41 34	0.25 1	0.28 4	0.46 65	0.31 54	0.39 8	0.30 48	0.15 67	0.15 191	0.16 57	0.13 49	0.17 127	0.16 98

x	0.41 117	0.25 167	0.46 91	0.36 27	0.24 77	0.54 160	0.31 88	0.94 194	0.58 73	0.60 72	0.72 84	0.61 129	0.53 160	0.52 52	0.50 195	0.18 157	0.16 212	0.17 85	0.16 116	0.17 127	0.18 157

IER	0.48 171	0.25 167	0.60 207	0.38 45	0.28 180	0.67 229	0.38 171	0.82 157	0.68 103	0.88 225	0.95 185	0.74 197	0.79 280	0.62 117	0.46 174	0.17 125	0.14 172	0.17 85	0.17 158	0.17 127	0.16 98

PFNet+	0.41 117	0.20 54	0.53 166	0.40 87	0.25 101	0.28 31	0.22 11	0.66 56	0.76 137	0.85 205	0.79 114	0.63 139	0.34 71	0.75 193	0.37 107	0.20 211	0.14 172	0.23 244	0.20 227	0.17 127	0.21 209

PSM-softLoss	0.40 103	0.21 74	0.53 166	0.42 130	0.26 130	0.29 35	0.34 117	0.70 93	0.49 57	0.63 85	0.82 132	0.59 124	0.33 65	0.75 193	0.43 158	0.20 211	0.12 86	0.20 177	0.18 184	0.17 127	0.22 224

KMStereo	0.40 103	0.21 74	0.53 166	0.42 130	0.26 130	0.29 35	0.34 117	0.70 93	0.49 57	0.63 85	0.82 132	0.59 124	0.33 65	0.75 193	0.43 158	0.20 211	0.12 86	0.20 177	0.18 184	0.17 127	0.22 224

NRIStereo	0.37 61	0.21 74	0.49 123	0.42 130	0.23 56	0.33 66	0.25 30	0.68 72	0.59 74	0.65 99	0.63 65	0.55 91	0.37 83	0.67 156	0.40 148	0.16 99	0.12 86	0.18 116	0.15 90	0.17 127	0.15 78

KYRaft	0.48 171	0.21 74	0.41 50	0.45 200	0.23 56	0.43 121	0.36 146	0.68 72	0.45 47	0.94 254	1.72 348	0.78 214	0.40 108	0.65 139	0.32 64	0.16 99	0.11 39	0.18 116	0.22 262	0.17 127	0.76 376

Pruner-Stereo	0.39 89	0.21 74	0.51 140	0.41 105	0.25 101	0.22 4	0.24 23	0.71 100	0.59 74	0.90 239	0.75 99	0.67 166	0.30 51	0.64 133	0.39 128	0.19 192	0.12 86	0.20 177	0.17 158	0.17 127	0.19 166

IRAFT_RVC	0.43 136	0.20 54	0.52 159	0.45 200	0.24 77	0.26 18	0.51 265	0.76 136	0.78 142	0.77 164	0.80 124	0.73 193	0.50 151	0.74 188	0.39 128	0.18 157	0.10 8	0.21 218	0.17 158	0.17 127	0.15 78

GMM-Stereo	0.44 142	0.20 54	0.39 36	0.42 130	0.25 101	0.50 139	0.44 232	0.72 110	0.57 71	0.77 164	1.37 312	0.76 207	0.38 90	0.62 117	0.34 83	0.15 67	0.10 8	0.20 177	0.19 208	0.17 127	0.28 280

Prome-Stereo	0.46 153	0.20 54	0.37 27	0.45 200	0.26 130	0.40 101	0.42 219	0.69 83	0.49 57	0.96 271	1.84 354	0.58 115	0.64 212	0.63 126	0.32 64	0.15 67	0.11 39	0.16 57	0.14 69	0.17 127	0.30 289

RALCasStereoNet	0.37 61	0.23 120	0.41 50	0.44 188	0.28 180	0.36 78	0.38 171	0.66 56	0.67 102	0.51 52	0.74 97	0.51 80	0.29 41	0.64 133	0.38 120	0.17 125	0.14 172	0.15 41	0.13 49	0.17 127	0.17 135

SFCPSM	0.48 171	0.22 97	0.59 202	0.41 105	0.27 159	0.85 281	0.36 146	1.39 332	0.79 148	0.81 183	0.85 146	0.54 89	0.50 151	0.60 89	0.39 128	0.18 157	0.14 172	0.18 116	0.20 227	0.17 127	0.16 98

delet	0.57 240	0.25 167	0.63 217	0.46 223	0.34 266	1.05 319	0.51 265	1.04 223	0.94 229	0.90 239	0.99 208	0.90 249	0.68 237	0.87 241	0.78 264	0.18 157	0.18 247	0.20 177	0.21 244	0.17 127	0.17 135

GwcNet-RSSM	0.51 201	0.25 167	0.51 140	0.41 105	0.24 77	0.56 170	0.41 214	0.97 203	0.96 240	0.75 151	1.17 275	0.89 247	0.66 220	0.66 147	0.74 258	0.22 242	0.15 191	0.19 148	0.21 244	0.17 127	0.16 98

HSM-Net_RVC	0.55 227	0.23 120	0.37 27	0.38 45	0.22 30	0.86 283	0.40 194	1.31 315	0.93 222	0.92 247	1.15 267	1.26 317	0.71 249	0.75 193	0.53 210	0.17 125	0.14 172	0.16 57	0.15 90	0.17 127	0.17 135
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.53 217	0.25 167	0.46 91	0.40 87	0.25 101	0.74 246	0.44 232	1.29 312	0.78 142	0.82 184	0.92 176	1.21 313	0.75 265	0.90 253	0.48 186	0.18 157	0.14 172	0.17 85	0.14 69	0.17 127	0.18 157

iResNet	0.52 211	0.31 251	0.86 293	0.44 188	0.22 30	0.66 220	0.47 244	0.92 187	1.02 263	0.89 232	1.12 257	0.69 171	0.55 167	0.86 239	0.60 229	0.15 67	0.11 39	0.15 41	0.12 26	0.17 127	0.17 135

Former-RAFT_DAM_RVC	0.34 35	0.28 220	0.48 115	0.37 35	0.25 101	0.47 133	0.30 69	0.60 31	0.92 220	0.43 37	0.37 17	0.30 6	0.29 41	0.50 49	0.30 48	0.17 125	0.14 172	0.18 116	0.15 90	0.18 151	0.16 98

MyStereo07	0.33 30	0.23 120	0.37 27	0.43 167	0.29 199	0.40 101	0.48 249	0.78 144	0.38 17	0.38 18	0.34 16	0.32 14	0.30 51	0.63 126	0.28 29	0.14 18	0.13 141	0.19 148	0.17 158	0.18 151	0.17 135

MyStereo04	0.45 148	0.23 120	0.52 159	0.43 167	0.29 199	0.40 101	0.48 249	1.02 217	1.12 297	0.62 78	0.58 55	0.55 91	0.56 175	0.77 208	0.45 170	0.14 18	0.13 141	0.19 148	0.17 158	0.18 151	0.17 135

ACVNet-DCA	0.36 43	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.91 179	0.59 74	0.42 32	0.50 32	0.34 22	0.47 142	0.61 95	0.26 8	0.17 125	0.11 39	0.19 148	0.13 49	0.18 151	0.19 166

xx1	0.40 103	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.71 100	1.17 314	0.42 32	0.50 32	0.65 150	0.56 175	0.61 95	0.26 8	0.17 125	0.11 39	0.20 177	0.19 208	0.18 151	0.19 166

1test111	0.37 61	0.25 167	0.35 19	0.42 130	0.23 56	0.53 154	0.37 158	0.91 179	0.59 74	0.42 32	0.50 32	0.34 22	0.47 142	0.59 79	0.48 186	0.17 125	0.11 39	0.19 148	0.13 49	0.18 151	0.19 166

test croco	0.32 26	0.21 74	0.59 202	0.40 87	0.29 199	0.27 25	0.30 69	0.46 6	0.36 11	0.32 10	0.66 73	0.31 7	0.33 65	0.68 164	0.32 64	0.18 157	0.13 141	0.20 177	0.15 90	0.18 151	0.13 31

MIF-Stereo (partial)	0.32 26	0.19 33	0.41 50	0.41 105	0.32 245	0.29 35	0.24 23	0.49 9	0.44 43	0.31 7	0.63 65	0.37 33	0.36 79	0.60 89	0.32 64	0.17 125	0.13 141	0.19 148	0.17 158	0.18 151	0.15 78

CASnet	0.30 12	0.20 54	0.34 13	0.42 130	0.17 2	0.25 16	0.24 23	0.53 16	0.56 67	0.54 61	0.54 45	0.39 39	0.24 10	0.41 17	0.26 8	0.15 67	0.10 8	0.22 230	0.18 184	0.18 151	0.12 10
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
gwcnet-sp	0.50 191	0.25 167	0.84 289	0.41 105	0.27 159	0.79 258	0.40 194	0.93 189	0.85 180	0.95 259	0.79 114	0.65 150	0.63 205	0.69 170	0.52 201	0.18 157	0.17 238	0.18 116	0.18 184	0.18 151	0.19 166

scenet	0.50 191	0.25 167	0.84 289	0.41 105	0.27 159	0.79 258	0.40 194	0.93 189	0.85 180	0.95 259	0.79 114	0.65 150	0.63 205	0.69 170	0.52 201	0.18 157	0.17 238	0.18 116	0.18 184	0.18 151	0.19 166

knoymous	0.37 61	0.22 97	0.34 13	0.32 6	0.22 30	0.38 91	0.29 57	0.63 43	0.65 93	0.69 120	0.69 80	0.60 127	0.40 108	0.61 95	0.36 99	0.17 125	0.11 39	0.20 177	0.12 26	0.18 151	0.19 166

ssnet	0.50 191	0.25 167	0.84 289	0.41 105	0.27 159	0.79 258	0.40 194	0.93 189	0.85 180	0.95 259	0.79 114	0.65 150	0.63 205	0.69 170	0.52 201	0.18 157	0.17 238	0.18 116	0.18 184	0.18 151	0.19 166

qqq	0.42 124	0.28 220	0.50 132	0.37 35	0.22 30	0.47 133	0.39 184	0.91 179	0.59 74	0.57 66	0.71 83	0.65 150	0.56 175	0.59 79	0.48 186	0.17 125	0.17 238	0.20 177	0.19 208	0.18 151	0.19 166

BUS	0.47 162	0.26 195	0.47 102	0.46 223	0.29 199	0.78 252	0.34 117	0.99 208	0.80 153	0.77 164	0.80 124	0.64 146	0.54 164	0.66 147	0.56 217	0.21 226	0.15 191	0.22 230	0.19 208	0.18 151	0.19 166

test_5	0.44 142	0.25 167	0.48 115	0.53 302	0.28 180	0.28 31	0.42 219	0.77 141	0.87 190	0.63 85	0.91 170	0.73 193	0.53 160	0.82 229	0.36 99	0.14 18	0.11 39	0.18 116	0.18 184	0.18 151	0.16 98

BSDual-CNN	0.48 171	0.26 195	0.47 102	0.46 223	0.29 199	0.75 249	0.46 239	0.99 208	0.80 153	0.77 164	0.80 124	0.76 207	0.59 191	0.66 147	0.48 186	0.21 226	0.15 191	0.22 230	0.19 208	0.18 151	0.19 166

hknet	0.51 201	0.26 195	0.58 194	0.46 223	0.29 199	0.75 249	0.46 239	0.99 208	0.89 204	0.77 164	0.80 124	0.96 264	0.67 229	0.75 193	0.50 195	0.19 192	0.15 191	0.22 230	0.19 208	0.18 151	0.19 166

CSP-Net	0.57 240	0.29 230	0.55 181	0.42 130	0.29 199	1.20 339	0.49 259	1.29 312	0.75 134	0.98 277	0.97 196	0.88 242	0.69 239	0.85 237	0.66 243	0.27 288	0.18 247	0.17 85	0.17 158	0.18 151	0.19 166

GANet-ADL	0.44 142	0.27 207	0.48 115	0.44 188	0.30 218	0.54 160	0.36 146	0.94 194	0.88 200	0.64 95	0.72 84	0.68 169	0.44 125	0.55 62	0.44 165	0.22 242	0.15 191	0.15 41	0.13 49	0.18 151	0.21 209

PSM-AAD	0.48 171	0.21 74	0.39 36	0.44 188	0.23 56	0.56 170	0.47 244	0.67 67	0.73 127	1.08 312	1.12 257	0.58 115	0.87 304	0.63 126	0.33 74	0.15 67	0.11 39	0.25 268	0.26 304	0.18 151	0.42 339

RAFT_R40	0.41 117	0.20 54	0.47 102	0.44 188	0.25 101	0.23 6	0.25 30	0.69 83	0.70 110	0.98 277	0.78 110	0.72 189	0.43 120	0.80 220	0.39 128	0.17 125	0.11 39	0.20 177	0.16 116	0.18 151	0.15 78

rafts_anoy	0.38 77	0.22 97	0.38 33	0.43 167	0.28 180	0.32 60	0.32 100	0.70 93	0.91 214	0.59 70	0.66 73	0.45 62	0.33 65	0.49 47	0.41 153	0.16 99	0.12 86	0.21 218	0.23 271	0.18 151	0.16 98

GES	0.46 153	0.25 167	0.62 213	0.41 105	0.30 218	0.62 196	0.37 158	1.06 234	0.70 110	0.75 151	0.83 137	0.47 69	0.52 159	0.69 170	0.46 174	0.23 256	0.17 238	0.17 85	0.16 116	0.18 151	0.24 251

222	1.25 358	0.23 120	0.53 166	0.38 45	0.23 56	0.78 252	0.37 158	1.41 338	0.93 222	0.97 274	1.13 263	0.74 197	0.71 249	0.74 188	14.86 413	0.20 211	0.16 212	0.17 85	0.16 116	0.18 151	0.20 193

test_xeample	1.06 341	0.23 120	0.51 140	0.37 35	0.22 30	0.71 238	0.39 184	1.31 315	0.92 220	0.87 217	1.08 249	0.70 173	0.64 212	0.75 193	11.43 410	0.19 192	0.16 212	0.18 116	0.17 158	0.18 151	0.19 166

FENet	0.43 136	0.23 120	0.40 45	0.40 87	0.24 77	0.54 160	0.33 109	0.83 159	0.72 118	0.74 148	0.73 86	0.63 139	0.56 175	0.65 139	0.45 170	0.19 192	0.13 141	0.19 148	0.17 158	0.18 151	0.20 193

ac_64	0.54 222	0.24 139	0.58 194	0.46 223	0.28 180	0.79 258	0.44 232	1.11 249	0.63 84	0.94 254	0.85 146	1.06 291	0.70 244	0.76 201	0.72 256	0.22 242	0.18 247	0.20 177	0.19 208	0.18 151	0.16 98

ACVNet	0.47 162	0.24 139	0.39 36	0.40 87	0.28 180	0.58 184	0.40 194	0.91 179	0.81 162	0.67 110	0.96 189	0.79 220	0.66 220	0.65 139	0.71 253	0.18 157	0.15 191	0.16 57	0.15 90	0.18 151	0.15 78

acv_ft	0.52 211	0.24 139	0.64 221	0.45 200	0.28 180	0.85 281	0.40 194	0.95 197	0.81 162	1.00 282	0.96 189	0.79 220	0.62 200	0.65 139	0.88 282	0.18 157	0.15 191	0.16 57	0.15 90	0.18 151	0.15 78

GANet-RSSM	0.49 180	0.22 97	0.42 58	0.39 61	0.26 130	0.58 184	0.41 214	1.12 250	0.82 170	0.73 141	1.02 218	0.88 242	0.75 265	0.67 156	0.48 186	0.22 242	0.16 212	0.18 116	0.19 208	0.18 151	0.18 157

AANet_RVC	0.59 255	0.35 268	0.68 239	0.47 241	0.28 180	0.57 180	0.47 244	1.04 223	1.28 331	0.87 217	1.33 304	0.86 235	0.63 205	1.16 312	0.89 284	0.19 192	0.13 141	0.15 41	0.14 69	0.18 151	0.20 193

HITNet	0.43 136	0.27 207	0.50 132	0.34 9	0.18 5	0.65 215	0.32 100	0.99 208	0.70 110	0.73 141	0.86 150	0.66 162	0.56 175	0.61 95	0.47 183	0.14 18	0.10 8	0.15 41	0.13 49	0.18 151	0.13 31
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
DN-CSS_ROB	0.45 148	0.27 207	0.74 266	0.41 105	0.29 199	0.43 121	0.29 57	0.80 151	0.78 142	0.73 141	1.08 249	0.48 72	0.45 132	0.81 224	0.40 148	0.15 67	0.12 86	0.21 218	0.19 208	0.18 151	0.17 135

MyStereo8	0.42 124	0.21 74	0.64 221	0.43 167	0.29 199	0.55 165	0.28 50	0.72 110	0.50 60	0.73 141	1.01 216	0.57 100	0.44 125	0.52 52	0.52 201	0.15 67	0.12 86	0.16 57	0.14 69	0.19 185	0.21 209

SMFormer	0.53 217	0.24 139	0.67 232	0.35 12	0.20 18	0.63 201	0.34 117	1.26 298	1.06 277	0.85 205	1.02 218	0.71 174	0.66 220	0.96 271	0.60 229	0.19 192	0.16 212	0.18 116	0.17 158	0.19 185	0.20 193

LL-Strereo2	0.36 43	0.25 167	0.52 159	0.43 167	0.27 159	0.36 78	0.27 42	0.70 93	0.46 52	0.55 62	0.53 42	0.65 150	0.24 10	0.69 170	0.32 64	0.14 18	0.13 141	0.23 244	0.20 227	0.19 185	0.14 49

riskmin	0.41 117	0.21 74	0.44 79	0.34 9	0.24 77	0.58 184	0.32 100	0.70 93	0.86 186	0.52 54	0.57 53	0.78 214	0.60 194	0.58 74	0.39 128	0.17 125	0.12 86	0.19 148	0.13 49	0.19 185	0.22 224

CRFU-Net	0.59 255	0.29 230	0.62 213	0.47 241	0.31 228	1.20 339	0.51 265	1.19 274	0.59 74	1.05 302	1.00 212	1.06 291	0.87 304	0.83 231	0.77 263	0.22 242	0.19 264	0.18 116	0.16 116	0.19 185	0.20 193

psmg	0.50 191	0.26 195	0.47 102	0.42 130	0.29 199	0.82 272	0.42 219	1.07 236	0.80 153	0.95 259	0.94 181	0.76 207	0.59 191	0.66 147	0.48 186	0.21 226	0.16 212	0.20 177	0.20 227	0.19 185	0.19 166

GwcNet-ADL	0.45 148	0.24 139	0.51 140	0.46 223	0.30 218	0.41 110	0.40 194	0.95 197	0.98 249	0.73 141	0.78 110	0.61 129	0.41 112	0.67 156	0.55 215	0.20 211	0.14 172	0.15 41	0.14 69	0.19 185	0.22 224

SST-Stereo	0.41 117	0.20 54	0.48 115	0.43 167	0.25 101	0.25 16	0.21 5	0.68 72	0.50 60	1.08 312	0.79 114	0.71 174	0.42 117	0.81 224	0.38 120	0.17 125	0.11 39	0.20 177	0.16 116	0.19 185	0.15 78

DeepStereo_RVC	0.37 61	0.22 97	0.51 140	0.41 105	0.24 77	0.26 18	0.22 11	0.64 53	0.40 29	0.69 120	0.67 78	0.57 100	0.50 151	0.58 74	0.42 156	0.17 125	0.12 86	0.18 116	0.16 116	0.19 185	0.19 166

ICVP	0.48 171	0.26 195	0.42 58	0.49 258	0.28 180	0.63 201	0.43 226	1.05 229	0.72 118	0.68 117	0.95 185	0.75 201	0.56 175	0.55 62	0.61 233	0.24 262	0.18 247	0.19 148	0.17 158	0.19 185	0.21 209
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	1.07 343	0.23 120	0.53 166	0.38 45	0.22 30	0.83 275	0.36 146	1.41 338	0.95 233	0.75 151	0.99 208	0.97 265	0.64 212	0.70 177	11.37 409	0.20 211	0.17 238	0.18 116	0.17 158	0.19 185	0.20 193

RAFT + AFF	0.54 222	0.30 244	0.84 289	0.51 281	0.32 245	0.63 201	0.57 289	1.05 229	0.95 233	0.80 179	0.87 156	0.85 231	0.57 184	0.87 241	0.51 197	0.18 157	0.21 278	0.23 244	0.22 262	0.19 185	0.19 166

HGLStereo	0.58 251	0.30 244	0.65 226	0.51 281	0.38 283	0.78 252	0.45 236	1.07 236	0.82 170	0.89 232	1.16 270	0.88 242	0.91 313	0.80 220	0.74 258	0.21 226	0.21 278	0.20 177	0.18 184	0.19 185	0.22 224

DMCA	0.47 162	0.27 207	0.59 202	0.39 61	0.29 199	0.53 154	0.34 117	0.98 205	0.70 110	0.78 175	0.83 137	0.79 220	0.55 167	0.54 61	0.57 221	0.21 226	0.16 212	0.21 218	0.16 116	0.19 185	0.22 224

iResNetv2_ROB	0.55 227	0.29 230	0.86 293	0.39 61	0.25 101	0.67 229	0.37 158	1.21 280	1.02 263	1.02 288	1.10 251	0.89 247	0.79 280	0.74 188	0.43 158	0.19 192	0.13 141	0.15 41	0.11 15	0.19 185	0.16 98

1111x	0.64 275	0.23 120	0.61 208	0.39 61	0.21 25	0.68 233	0.46 239	1.32 320	1.03 267	0.76 156	1.02 218	0.95 261	0.72 256	1.13 306	2.15 372	0.18 157	0.18 247	0.18 116	0.19 208	0.20 200	0.19 166

whm_eth	0.49 180	0.32 253	0.79 275	0.47 241	0.38 283	0.37 86	0.37 158	0.83 159	0.83 175	0.82 184	1.73 349	0.36 32	0.39 103	0.61 95	0.38 120	0.19 192	0.17 238	0.20 177	0.20 227	0.20 200	0.25 258

ssnet_v2	0.61 265	0.29 230	0.69 247	0.45 200	0.30 218	0.93 293	0.62 305	1.20 277	1.03 267	0.97 274	0.81 130	0.98 267	0.67 229	0.84 235	0.97 306	0.26 279	0.23 294	0.23 244	0.24 285	0.20 200	0.21 209

AAGNet	1.40 368	0.20 54	0.52 159	0.45 200	0.26 130	0.29 35	0.29 57	0.67 67	0.71 116	0.97 274	0.86 150	0.66 162	0.60 194	0.66 147	19.98 417	0.17 125	0.11 39	0.19 148	0.15 90	0.20 200	0.13 31

MMNet	0.57 240	0.26 195	0.67 232	0.45 200	0.35 271	1.04 317	0.39 184	0.93 189	0.98 249	0.96 271	0.97 196	0.86 235	0.80 284	0.83 231	0.80 272	0.16 99	0.15 191	0.19 148	0.19 208	0.20 200	0.17 135

UPFNet	0.55 227	0.26 195	0.59 202	0.46 223	0.38 283	0.83 275	0.48 249	1.03 222	0.80 153	0.92 247	0.91 170	0.85 231	0.67 229	0.87 241	0.78 264	0.20 211	0.21 278	0.20 177	0.20 227	0.20 200	0.15 78

PSMNet-RSSM	0.50 191	0.24 139	0.41 50	0.43 167	0.26 130	0.51 144	0.40 194	1.16 263	0.79 148	0.75 151	1.07 243	0.87 239	0.69 239	0.66 147	0.52 201	0.24 262	0.16 212	0.23 244	0.26 304	0.20 200	0.20 193

StereoDRNet-Refined	0.61 265	0.33 259	0.63 217	0.47 241	0.31 228	0.94 295	0.41 214	1.04 223	0.97 245	1.15 326	1.13 263	1.00 272	0.74 262	0.93 260	0.93 296	0.18 157	0.13 141	0.22 230	0.21 244	0.20 200	0.21 209
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
LE_ROB	4.86 407	0.27 207	9.43 406	0.45 200	0.24 77	1.61 362	0.96 358	2.05 380	17.75 420	16.36 422	4.84 407	5.17 402	19.48 422	2.05 375	15.49 414	0.17 125	0.15 191	0.16 57	0.16 116	0.20 200	0.19 166

mmm	0.47 162	0.28 220	0.51 140	0.39 61	0.25 101	0.61 192	0.38 171	1.00 214	0.60 81	0.77 164	1.07 243	0.65 150	0.53 160	0.61 95	0.49 193	0.18 157	0.15 191	0.23 244	0.20 227	0.21 209	0.20 193

fast-acv-ft	0.66 277	0.32 253	0.80 276	0.46 223	0.34 266	1.26 342	0.50 262	0.91 179	1.00 256	1.05 302	1.36 309	1.28 318	0.84 293	0.81 224	0.90 290	0.22 242	0.24 302	0.23 244	0.23 271	0.21 209	0.22 224

iinet-f	0.69 283	0.29 230	2.34 383	0.41 105	0.31 228	1.16 333	0.58 296	0.87 167	0.85 180	0.86 215	1.17 275	1.04 284	0.83 290	0.76 201	1.26 338	0.21 226	0.18 247	0.17 85	0.16 116	0.21 209	0.21 209

Patchmatch Stereo++	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.21 5	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98
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	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.31 88	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.59 79	0.38 120	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

ROB_FTStereo_v2	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.31 88	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.60 89	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

ROB_FTStereo	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.20 1	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.60 89	0.38 120	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

HUI-Stereo	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.22 11	0.63 43	0.40 29	0.64 95	0.73 86	0.58 115	0.38 90	0.53 54	0.38 120	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

iGMRVC	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.29 57	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

iRAFT	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.21 5	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

CRE-IMP	0.37 61	0.23 120	0.53 166	0.42 130	0.24 77	0.40 101	0.21 5	0.61 35	0.45 47	0.65 99	0.73 86	0.53 87	0.37 83	0.63 126	0.40 148	0.18 157	0.11 39	0.19 148	0.16 116	0.21 209	0.19 166

RAFT-IKP	0.36 43	0.24 139	0.51 140	0.42 130	0.22 30	0.24 7	0.27 42	0.63 43	0.39 21	0.63 85	0.73 86	0.57 100	0.38 90	0.61 95	0.39 128	0.18 157	0.12 86	0.20 177	0.16 116	0.21 209	0.16 98

GEStereo_RVC	0.56 236	0.30 244	0.70 249	0.51 281	0.31 228	0.70 235	0.54 280	1.31 315	0.93 222	0.85 205	0.86 150	0.84 229	0.63 205	0.92 257	0.67 246	0.24 262	0.16 212	0.19 148	0.17 158	0.21 209	0.23 243

RALAANet	0.40 103	0.24 139	0.56 185	0.43 167	0.30 218	0.36 78	0.25 30	0.89 173	0.69 108	0.69 120	0.65 70	0.61 129	0.30 51	0.63 126	0.35 90	0.16 99	0.13 141	0.18 116	0.15 90	0.21 209	0.14 49

sCroCo_RVC	0.36 43	0.29 230	0.73 262	0.52 295	0.39 292	0.42 117	0.31 88	0.52 13	0.46 52	0.31 7	0.48 28	0.38 36	0.32 60	0.46 29	0.33 74	0.22 242	0.23 294	0.19 148	0.19 208	0.21 209	0.22 224

HCRNet	0.46 153	0.35 268	0.45 84	0.54 311	0.26 130	0.52 151	0.29 57	0.87 167	0.64 88	0.75 151	0.82 132	0.76 207	0.53 160	0.70 177	0.38 120	0.24 262	0.16 212	0.24 257	0.20 227	0.21 209	0.20 193

UNet	0.55 227	0.27 207	0.72 258	0.45 200	0.41 300	0.97 300	0.40 194	1.01 215	0.80 153	0.87 217	0.90 164	1.03 280	0.75 265	0.76 201	0.67 246	0.19 192	0.15 191	0.20 177	0.17 158	0.21 209	0.18 157

CFNet	0.53 217	0.30 244	0.53 166	0.42 130	0.28 180	0.73 242	0.35 139	1.21 280	1.01 258	0.74 148	1.07 243	0.85 231	0.60 194	0.83 231	0.58 226	0.19 192	0.15 191	0.23 244	0.23 271	0.21 209	0.17 135

ToySt	0.52 211	0.27 207	0.93 306	0.42 130	0.28 180	0.67 229	0.56 287	0.88 172	0.79 148	0.61 76	0.85 146	0.92 258	0.70 244	0.72 186	0.61 233	0.16 99	0.17 238	0.21 218	0.21 244	0.22 227	0.21 209

Wz-Net-LNSev-Ref	0.67 278	0.30 244	1.20 332	0.42 130	0.31 228	1.00 307	0.58 296	1.16 263	1.07 284	1.01 284	1.25 288	1.08 296	0.75 265	1.18 315	1.03 315	0.20 211	0.12 86	0.16 57	0.13 49	0.22 227	0.22 224

NINENet	0.52 211	0.30 244	0.55 181	0.46 223	0.33 256	0.78 252	0.34 117	1.18 271	0.91 214	0.84 195	0.97 196	0.64 146	0.54 164	0.74 188	0.56 217	0.23 256	0.20 272	0.25 268	0.18 184	0.22 227	0.22 224

DAS	0.54 222	0.26 195	0.66 228	0.49 258	0.31 228	0.61 192	0.43 226	0.89 173	1.01 258	0.95 259	1.16 270	0.71 174	0.85 297	0.89 248	0.47 183	0.18 157	0.14 172	0.18 116	0.15 90	0.22 227	0.19 166

SepStereo	0.54 222	0.26 195	0.66 228	0.49 258	0.31 228	0.61 192	0.43 226	0.89 173	1.01 258	0.95 259	1.16 270	0.71 174	0.85 297	0.97 278	0.47 183	0.18 157	0.14 172	0.18 116	0.15 90	0.22 227	0.19 166

AASNet	0.55 227	0.27 207	0.62 213	0.51 281	0.32 245	0.73 242	0.44 232	1.55 356	0.88 200	0.88 225	0.94 181	0.64 146	0.63 205	0.62 117	0.84 277	0.23 256	0.20 272	0.20 177	0.16 116	0.22 227	0.20 193

PSMNet-ADL	0.50 191	0.28 220	0.43 74	0.49 258	0.31 228	0.70 235	0.38 171	0.94 194	0.81 162	0.62 78	0.80 124	0.91 255	0.62 200	0.76 201	0.68 249	0.24 262	0.18 247	0.19 148	0.20 227	0.22 227	0.22 224

ADLNet2	0.57 240	0.26 195	0.71 252	0.48 249	0.31 228	0.83 275	0.51 265	1.10 248	0.99 252	0.85 205	0.99 208	0.99 271	0.70 244	0.79 218	0.78 264	0.21 226	0.17 238	0.18 116	0.18 184	0.22 227	0.22 224

LCNet	0.42 124	0.21 74	0.34 13	0.44 188	0.24 77	0.47 133	0.28 50	0.69 83	0.57 71	0.72 134	1.03 229	0.66 162	0.58 187	0.60 89	0.35 90	0.15 67	0.10 8	0.19 148	0.19 208	0.22 227	0.37 322

ADLNet	0.57 240	0.29 230	0.58 194	0.46 223	0.35 271	0.80 264	0.46 239	1.14 258	0.88 200	1.03 291	0.98 199	0.92 258	0.66 220	0.71 182	0.83 276	0.22 242	0.16 212	0.22 230	0.22 262	0.22 227	0.23 243

psm_up	0.57 240	0.27 207	0.52 159	0.50 269	0.33 256	0.65 215	0.60 301	1.07 236	0.84 176	0.87 217	0.91 170	1.00 272	1.06 332	0.80 220	0.66 243	0.22 242	0.25 310	0.26 282	0.23 271	0.22 227	0.21 209

DSFCA	0.57 240	0.27 207	0.71 252	0.41 105	0.36 276	0.78 252	0.53 274	1.08 241	0.85 180	1.08 312	0.84 139	0.90 249	0.66 220	1.05 297	0.63 240	0.26 279	0.22 287	0.21 218	0.21 244	0.22 227	0.20 193

NLCA_NET_v2_RVC	0.55 227	0.33 259	0.71 252	0.46 223	0.31 228	0.66 220	0.43 226	1.07 236	0.89 204	0.93 250	0.91 170	0.98 267	0.61 198	0.76 201	0.64 242	0.22 242	0.18 247	0.22 230	0.22 262	0.22 227	0.24 251
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DLCB_ROB	0.60 262	0.29 230	0.53 166	0.50 269	0.33 256	0.76 251	0.51 265	1.02 217	0.94 229	1.07 311	1.16 270	1.21 313	0.73 260	0.98 280	0.75 260	0.21 226	0.20 272	0.22 230	0.23 271	0.22 227	0.20 193

CASS	0.46 153	0.28 220	0.45 84	0.48 249	0.22 30	0.63 201	0.34 117	0.99 208	0.66 96	0.76 156	0.86 150	0.61 129	0.58 187	0.58 74	0.44 165	0.29 303	0.16 212	0.22 230	0.18 184	0.23 241	0.28 280
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Anonymous3	0.47 162	0.35 268	0.91 305	0.50 269	0.38 283	0.81 269	0.55 284	0.76 136	0.66 96	0.52 54	0.65 70	0.44 55	0.45 132	0.66 147	0.39 128	0.25 274	0.25 310	0.22 230	0.21 244	0.23 241	0.24 251

TestStereo	0.39 89	0.32 253	0.42 58	0.45 200	0.20 18	0.41 110	0.38 171	0.69 83	0.66 96	0.56 64	0.78 110	0.48 72	0.43 120	0.59 79	0.37 107	0.18 157	0.13 141	0.20 177	0.15 90	0.23 241	0.14 49

Syn2CoEx	0.74 293	0.55 337	1.17 331	0.66 349	0.45 324	0.89 289	0.56 287	1.54 355	1.15 309	0.95 259	1.35 308	1.03 280	1.03 328	0.96 271	0.89 284	0.31 313	0.27 320	0.29 308	0.24 285	0.23 241	0.27 271

GwcNet	0.73 288	0.39 286	1.37 349	0.53 302	0.43 312	1.10 322	0.52 271	1.27 303	1.19 319	1.05 302	1.41 317	1.06 291	0.86 301	0.98 280	1.01 310	0.26 279	0.24 302	0.24 257	0.23 271	0.23 241	0.28 280

ADCRef	0.84 314	0.46 312	1.60 365	0.52 295	0.45 324	1.08 321	0.52 271	1.13 256	1.03 267	1.22 333	1.43 323	0.87 239	0.93 317	0.91 255	3.35 387	0.19 192	0.16 212	0.23 244	0.23 271	0.23 241	0.22 224

AdaStereo	0.52 211	0.34 264	0.53 166	0.49 258	0.25 101	0.71 238	0.36 146	1.24 290	0.91 214	0.77 164	0.98 199	0.75 201	0.50 151	0.71 182	0.51 197	0.27 288	0.13 141	0.28 300	0.18 184	0.23 241	0.18 157
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.
NaN_ROB	0.73 288	0.46 312	0.89 302	0.52 295	0.34 266	0.98 304	1.11 365	1.28 308	1.20 321	1.27 341	0.96 189	1.08 296	0.79 280	1.34 337	0.78 264	0.24 262	0.30 331	0.23 244	0.24 285	0.23 241	0.26 263

mmx	0.59 255	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	1.24 290	1.06 277	0.76 156	0.98 199	0.71 174	0.55 167	1.25 321	1.46 349	0.21 226	0.16 212	0.25 268	0.21 244	0.24 249	0.22 224

xxx	0.59 255	0.28 220	0.68 239	0.39 61	0.26 130	0.56 170	0.40 194	1.24 290	1.06 277	0.76 156	0.98 199	0.71 174	0.55 167	1.25 321	1.46 349	0.21 226	0.16 212	0.25 268	0.21 244	0.24 249	0.22 224

dd	0.44 142	0.40 294	0.62 213	0.44 188	0.26 130	0.51 144	0.38 171	0.72 110	1.07 284	0.60 72	0.66 73	0.43 52	0.40 108	0.68 164	0.53 210	0.24 262	0.15 191	0.21 218	0.16 116	0.24 249	0.19 166

AACVNet	0.52 211	0.25 167	0.56 185	0.48 249	0.29 199	0.55 165	0.38 171	0.96 201	0.59 74	0.83 189	1.03 229	1.03 280	0.77 278	0.91 255	0.58 226	0.22 242	0.18 247	0.24 257	0.18 184	0.24 249	0.22 224

GMStereo	0.40 103	0.38 282	0.61 208	0.41 105	0.27 159	0.47 133	0.35 139	0.62 37	1.04 271	0.57 66	0.54 45	0.38 36	0.36 79	0.56 66	0.41 153	0.20 211	0.13 141	0.16 57	0.17 158	0.24 249	0.20 193
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
CFNet-ft	0.50 191	0.25 167	0.39 36	0.41 105	0.26 130	0.66 220	0.37 158	0.91 179	0.87 190	0.67 110	1.00 212	1.05 287	0.70 244	0.68 164	0.57 221	0.23 256	0.16 212	0.24 257	0.21 244	0.24 249	0.19 166

BEATNet_4x	0.49 180	0.35 268	0.72 258	0.38 45	0.20 18	0.65 215	0.36 146	1.08 241	0.78 142	0.78 175	0.88 159	0.73 193	0.64 212	0.71 182	0.60 229	0.16 99	0.12 86	0.16 57	0.15 90	0.24 249	0.18 157

CFNet_RVC	0.50 191	0.25 167	0.39 36	0.41 105	0.26 130	0.66 220	0.37 158	0.91 179	0.87 190	0.67 110	1.00 212	1.05 287	0.70 244	0.68 164	0.57 221	0.23 256	0.16 212	0.24 257	0.21 244	0.24 249	0.19 166

DISCO	0.72 287	0.27 207	0.72 258	0.45 200	0.31 228	1.12 327	0.53 274	1.32 320	1.25 326	0.84 195	1.07 243	1.52 354	0.87 304	1.82 368	1.08 327	0.20 211	0.15 191	0.18 116	0.16 116	0.24 249	0.24 251

ttt	0.56 236	0.27 207	0.49 123	0.39 61	0.25 101	0.65 215	0.42 219	1.24 290	1.08 289	0.76 156	1.10 251	0.63 139	0.51 156	0.95 268	1.03 315	0.25 274	0.22 287	0.22 230	0.21 244	0.25 258	0.25 258

LMCR-Stereo	0.55 227	0.33 259	0.57 192	0.60 332	0.30 218	0.80 264	0.36 146	1.30 314	0.79 148	0.90 239	1.04 232	0.57 100	0.64 212	0.87 241	0.73 257	0.20 211	0.15 191	0.19 148	0.14 69	0.25 258	0.18 157

STTStereo	0.57 240	0.39 286	0.87 298	0.45 200	0.32 245	0.62 196	0.45 236	1.01 215	0.87 190	1.01 284	0.91 170	0.95 261	0.58 187	0.77 208	0.66 243	0.25 274	0.24 302	0.27 290	0.33 337	0.25 258	0.26 263

MSMDNet	0.49 180	0.25 167	0.56 185	0.40 87	0.27 159	0.64 209	0.32 100	0.99 208	0.99 252	0.87 217	1.07 243	0.79 220	0.46 138	0.61 95	0.44 165	0.17 125	0.13 141	0.20 177	0.16 116	0.25 258	0.20 193

UCFNet_RVC	0.50 191	0.27 207	0.37 27	0.40 87	0.27 159	0.66 220	0.42 219	1.18 271	0.86 186	0.70 124	0.89 162	0.91 255	0.60 194	0.62 117	0.48 186	0.24 262	0.18 247	0.28 300	0.27 308	0.25 258	0.24 251

SGM_RVC	1.04 340	0.30 244	0.47 102	0.41 105	0.23 56	1.73 370	0.77 335	1.63 368	1.30 336	2.39 384	1.99 360	2.64 380	1.78 375	2.22 382	1.40 346	0.28 296	0.27 320	0.27 290	0.25 296	0.25 258	0.25 258
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
StereoVision	0.43 136	0.29 230	0.54 178	0.50 269	0.28 180	0.37 86	0.38 171	0.75 134	0.63 84	0.46 44	1.11 255	0.53 87	0.38 90	0.57 70	0.34 83	0.21 226	0.24 302	0.25 268	0.24 285	0.26 264	0.17 135

PCWNet_CMD	0.49 180	0.25 167	0.56 185	0.40 87	0.27 159	0.64 209	0.32 100	0.98 205	0.99 252	0.87 217	1.07 243	0.78 214	0.46 138	0.61 95	0.44 165	0.17 125	0.13 141	0.21 218	0.16 116	0.26 264	0.20 193

Wz-Net-LNSev	0.75 297	0.54 331	1.59 362	0.51 281	0.41 300	1.16 333	0.79 339	1.27 303	1.13 302	1.04 297	1.14 265	1.11 304	0.94 320	0.93 260	1.00 309	0.24 262	0.22 287	0.21 218	0.19 208	0.26 264	0.27 271

CFNet_pseudo	0.47 162	0.25 167	0.55 181	0.38 45	0.28 180	0.58 184	0.32 100	0.89 173	0.90 208	0.83 189	1.03 229	0.75 201	0.48 145	0.61 95	0.46 174	0.17 125	0.13 141	0.24 257	0.16 116	0.26 264	0.21 209

ccs_rob	0.47 162	0.25 167	0.55 181	0.38 45	0.28 180	0.58 184	0.32 100	0.89 173	0.90 208	0.83 189	1.02 218	0.75 201	0.48 145	0.61 95	0.46 174	0.17 125	0.12 86	0.24 257	0.16 116	0.26 264	0.21 209

DeepPruner_ROB	0.55 227	0.37 278	0.67 232	0.42 130	0.31 228	0.50 139	0.43 226	1.22 286	0.73 127	0.86 215	1.05 235	0.85 231	0.58 187	0.90 253	0.56 217	0.29 303	0.23 294	0.22 230	0.22 262	0.26 264	0.26 263

DRN-Test	0.68 281	0.34 264	0.77 272	0.52 295	0.40 295	1.14 329	0.61 303	1.56 360	1.04 271	1.18 328	1.10 251	1.05 287	0.72 256	0.82 229	1.01 310	0.24 262	0.18 247	0.26 282	0.25 296	0.26 264	0.23 243

MDST_ROB	0.97 333	0.29 230	1.02 320	0.64 345	0.43 312	2.64 385	0.82 343	1.68 372	1.18 318	2.89 391	1.82 353	0.97 265	0.75 265	1.83 369	0.89 284	0.26 279	0.22 287	0.32 323	0.28 314	0.26 264	0.26 263

CBMV	0.68 281	0.37 278	0.50 132	0.43 167	0.26 130	1.00 307	0.71 320	1.17 269	1.16 311	1.24 337	1.29 300	1.06 291	0.86 301	0.98 280	0.75 260	0.29 303	0.30 331	0.34 330	0.30 319	0.26 264	0.27 271
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CFNet_ucs	0.51 201	0.25 167	0.58 194	0.39 61	0.31 228	0.59 190	0.35 139	1.04 223	0.95 233	0.89 232	1.19 280	0.80 224	0.49 149	0.66 147	0.45 170	0.21 226	0.16 212	0.26 282	0.18 184	0.27 273	0.23 243

aanetorigin	0.85 319	0.58 343	1.98 376	0.50 269	0.40 295	0.66 220	0.70 318	0.72 110	1.01 258	2.44 386	2.00 361	1.32 324	1.25 350	0.96 271	1.16 332	0.20 211	0.19 264	0.20 177	0.20 227	0.27 273	0.33 308

DMCA-RVC	0.54 222	0.32 253	0.83 286	0.51 281	0.32 245	0.59 190	0.38 171	0.89 173	0.70 110	0.95 259	0.88 159	0.90 249	0.69 239	0.75 193	0.63 240	0.23 256	0.18 247	0.31 318	0.24 285	0.27 273	0.21 209

PA-Net	0.70 284	0.46 312	0.96 312	0.51 281	0.53 345	0.94 295	0.73 329	1.14 258	1.15 309	0.83 189	0.90 164	0.88 242	0.76 274	1.19 316	0.96 303	0.25 274	0.41 368	0.29 308	0.44 360	0.27 273	0.39 325
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.59 255	0.35 268	0.57 192	0.53 302	0.32 245	0.67 229	0.72 324	1.09 244	1.03 267	0.84 195	1.11 255	0.84 229	0.71 249	0.96 271	0.61 233	0.28 296	0.18 247	0.26 282	0.22 262	0.27 273	0.21 209

StereoDRNet	0.67 278	0.35 268	0.82 282	0.53 302	0.44 317	1.03 315	0.53 274	1.51 353	1.06 277	1.13 324	0.91 170	1.07 295	0.74 262	0.87 241	0.95 301	0.24 262	0.19 264	0.25 268	0.23 271	0.27 273	0.22 224

PSMNet_ROB	0.67 278	0.39 286	0.76 269	0.57 323	0.43 312	1.00 307	0.85 349	1.25 296	0.93 222	0.82 184	1.04 232	1.08 296	0.64 212	0.89 248	1.02 314	0.29 303	0.21 278	0.31 318	0.31 328	0.27 273	0.25 258

FAT-Stereo	0.75 297	0.34 264	0.81 281	0.51 281	0.38 283	0.78 252	0.63 308	1.39 332	1.32 338	1.05 302	1.40 315	1.58 359	1.14 342	0.92 257	0.91 292	0.29 303	0.28 325	0.28 300	0.23 271	0.28 280	0.41 336

FADNet-RVC-Resample	0.58 251	0.35 268	1.34 347	0.50 269	0.34 266	0.73 242	0.43 226	1.09 244	0.96 240	0.83 189	0.87 156	0.76 207	0.66 220	0.77 208	0.52 201	0.19 192	0.18 247	0.26 282	0.27 308	0.28 280	0.29 285

Wz-Net-MNSev	0.81 306	0.42 302	1.64 368	0.51 281	0.41 300	1.46 352	0.95 356	1.24 290	1.26 329	1.31 343	1.25 288	1.17 310	0.83 290	1.21 320	1.06 323	0.22 242	0.19 264	0.24 257	0.23 271	0.29 282	0.26 263

pcwnet_v2	0.60 262	0.29 230	0.89 302	0.46 223	0.36 276	0.62 196	0.38 171	1.33 323	1.24 324	1.02 288	1.27 295	0.71 174	0.59 191	0.71 182	0.51 197	0.28 296	0.21 278	0.24 257	0.23 271	0.29 282	0.30 289

APVNet	0.73 288	0.39 286	1.01 319	0.58 328	0.45 324	1.16 333	0.68 315	1.47 349	0.87 190	0.84 195	1.15 267	1.04 284	0.84 293	1.14 308	1.18 333	0.27 288	0.28 325	0.32 323	0.31 328	0.29 282	0.32 299

hitnet-ft	0.57 240	0.29 230	0.43 74	0.42 130	0.29 199	0.81 269	0.40 194	0.98 205	0.91 214	0.84 195	1.01 216	1.13 307	0.72 256	0.83 231	0.71 253	0.28 296	0.21 278	0.28 300	0.22 262	0.29 282	0.27 271

ADCL	1.10 345	0.42 302	1.57 361	0.51 281	0.41 300	1.71 369	0.92 353	1.36 330	1.45 351	1.33 344	1.56 337	1.22 316	1.26 351	1.45 347	5.27 399	0.22 242	0.19 264	0.25 268	0.25 296	0.29 282	0.29 285

ADCP+	1.18 354	0.37 278	3.09 386	0.50 269	0.52 343	1.48 354	0.61 303	1.32 320	1.07 284	1.21 331	1.16 270	1.08 296	1.11 337	1.63 357	7.17 404	0.20 211	0.16 212	0.24 257	0.22 262	0.29 282	0.22 224

SGM-ForestM	4.73 404	0.34 264	1.05 322	0.46 223	0.28 180	10.26 411	3.48 410	4.52 405	5.16 402	8.68 413	7.48 411	18.87 420	10.80 412	11.26 415	10.01 408	0.32 318	0.34 353	0.32 323	0.32 331	0.29 282	0.30 289

SACVNet	0.61 265	0.36 276	0.67 232	0.57 323	0.37 278	0.65 215	0.47 244	1.16 263	0.80 153	1.04 297	1.06 241	1.02 278	0.81 287	0.99 284	0.57 221	0.28 296	0.21 278	0.25 268	0.24 285	0.30 289	0.39 325

Anonymous	0.40 103	0.29 230	0.70 249	0.54 311	0.44 317	0.56 170	0.54 280	0.68 72	0.52 62	0.38 18	0.44 20	0.33 19	0.42 117	0.57 70	0.39 128	0.20 211	0.20 272	0.18 116	0.18 184	0.30 289	0.24 251

PWC_ROB	0.92 324	0.57 340	1.64 368	0.53 302	0.33 256	0.93 293	0.39 184	1.42 343	1.51 357	1.66 360	2.57 375	1.18 311	1.11 337	1.50 351	1.54 356	0.26 279	0.18 247	0.28 300	0.20 227	0.30 289	0.32 299

SGM-Forest	0.65 276	0.33 259	0.43 74	0.44 188	0.30 218	1.01 311	0.54 280	1.13 256	1.09 295	1.11 322	1.21 282	1.10 302	0.76 274	0.99 284	0.71 253	0.32 318	0.33 350	0.33 328	0.30 319	0.30 289	0.28 280
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
dad	0.61 265	0.53 325	0.72 258	0.44 188	0.31 228	0.64 209	0.37 158	0.85 164	1.28 331	1.05 302	1.17 275	1.18 311	0.61 198	0.70 177	0.54 213	0.36 340	0.23 294	0.37 338	0.21 244	0.31 293	0.23 243

AF-Net	0.85 319	0.41 298	0.87 298	0.66 349	0.54 347	0.96 299	0.52 271	1.66 370	1.37 342	1.03 291	2.04 363	1.46 344	1.36 355	1.19 316	1.05 322	0.34 333	0.24 302	0.39 344	0.28 314	0.31 293	0.26 263

Nwc_Net	0.82 307	0.40 294	0.86 293	0.62 340	0.56 349	1.04 317	0.57 289	1.72 374	1.08 289	0.93 250	1.88 356	1.44 342	1.24 349	1.19 316	0.94 298	0.31 313	0.25 310	0.36 334	0.39 349	0.31 293	0.31 296

RTSC	0.93 325	0.54 331	1.59 362	0.56 320	0.40 295	1.17 337	0.55 284	1.44 345	1.82 372	1.53 353	1.26 291	1.15 309	0.82 288	1.70 362	2.44 376	0.26 279	0.20 272	0.23 244	0.24 285	0.31 293	0.32 299

DeepPrunerF	0.93 325	0.55 337	3.88 391	0.70 360	0.81 371	0.72 241	0.74 331	1.28 308	1.97 375	0.95 259	1.02 218	0.87 239	0.85 297	1.16 312	1.07 325	0.35 338	0.29 327	0.43 350	0.40 352	0.31 293	0.33 308

XPNet_ROB	0.73 288	0.38 282	0.80 276	0.53 302	0.40 295	0.80 264	0.83 345	1.21 280	0.96 240	1.37 346	1.17 275	1.37 336	0.87 304	1.14 308	0.99 308	0.33 326	0.25 310	0.27 290	0.24 285	0.31 293	0.29 285

FADNet-RVC	0.62 271	0.56 339	1.29 341	0.47 241	0.39 292	0.63 201	0.40 194	1.16 263	0.91 214	0.71 133	0.86 150	1.04 284	0.55 167	0.99 284	0.78 264	0.27 288	0.26 318	0.28 300	0.29 318	0.32 299	0.31 296

GANet	0.74 293	0.38 282	0.63 217	0.54 311	0.35 271	1.01 311	0.95 356	1.15 261	0.95 233	1.09 316	2.00 361	1.14 308	0.92 315	1.29 328	0.75 260	0.25 274	0.27 320	0.27 290	0.23 271	0.32 299	0.24 251

CVANet_RVC	0.59 255	0.35 268	0.54 178	0.49 258	0.33 256	0.70 235	0.67 312	1.12 250	0.97 245	0.88 225	1.05 235	1.01 276	0.72 256	0.94 263	0.55 215	0.30 310	0.20 272	0.28 300	0.26 304	0.32 299	0.23 243

MeshStereo	1.38 366	0.45 307	0.58 194	0.45 200	0.35 271	1.63 364	0.60 301	2.07 381	1.43 349	4.49 406	3.32 390	4.67 397	2.08 384	2.08 378	1.32 342	0.36 340	0.36 357	0.37 338	0.32 331	0.32 299	0.34 310
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
Wz-Net-SNSev	0.99 337	0.80 362	3.00 385	0.57 323	0.46 332	0.94 295	1.22 375	1.40 336	1.28 331	1.04 297	1.33 304	1.46 344	0.90 312	2.06 376	1.65 359	0.26 279	0.24 302	0.25 268	0.26 304	0.33 303	0.30 289

FADNet_RVC	0.58 251	0.39 286	1.26 336	0.45 200	0.32 245	0.55 165	0.34 117	1.12 250	0.90 208	0.68 117	0.90 164	0.61 129	0.71 249	1.03 295	0.80 272	0.21 226	0.18 247	0.27 290	0.23 271	0.33 303	0.30 289

S-Stereo	0.76 300	0.36 276	1.10 324	0.57 323	0.46 332	0.83 275	0.59 299	1.31 315	1.62 364	0.98 277	1.41 317	1.11 304	0.93 317	0.85 237	1.07 325	0.27 288	0.31 339	0.28 300	0.25 296	0.33 303	0.50 360

edge stereo	0.79 303	0.40 294	0.82 282	0.52 295	0.44 317	0.83 275	0.58 296	1.34 325	1.08 289	1.30 342	1.38 313	1.79 364	1.13 341	1.15 311	0.92 294	0.34 333	0.32 345	0.42 349	0.28 314	0.33 303	0.39 325

NCCL2	0.74 293	0.45 307	0.77 272	0.65 347	0.45 324	0.97 300	1.16 370	1.16 263	1.02 263	1.00 282	0.98 199	1.48 348	0.88 308	0.99 284	0.89 284	0.31 313	0.27 320	0.39 344	0.39 349	0.33 303	0.34 310

CBMV_ROB	0.62 271	0.39 286	0.41 50	0.41 105	0.28 180	0.86 283	0.28 50	1.06 234	1.02 263	0.95 259	1.33 304	0.81 226	0.84 293	0.94 263	0.56 217	0.37 344	0.37 358	0.43 350	0.40 352	0.33 303	0.32 299

psmorigin	0.84 314	0.53 325	2.21 381	0.50 269	0.41 300	0.86 283	0.57 289	1.08 241	0.90 208	1.50 351	1.42 321	1.50 350	1.09 335	1.29 328	1.03 315	0.32 318	0.33 350	0.27 290	0.27 308	0.34 309	0.45 349

NCC-stereo	0.82 307	0.43 304	0.87 298	0.63 342	0.68 367	0.88 286	0.72 324	1.60 366	1.12 297	0.95 259	1.41 317	1.37 336	1.37 357	1.26 324	0.94 298	0.32 318	0.30 331	0.37 338	0.49 369	0.34 309	0.35 313

Abc-Net	0.82 307	0.43 304	0.87 298	0.63 342	0.68 367	0.88 286	0.72 324	1.60 366	1.12 297	0.95 259	1.41 317	1.37 336	1.37 357	1.26 324	0.94 298	0.32 318	0.30 331	0.37 338	0.49 369	0.34 309	0.35 313
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.82 307	0.59 345	2.10 379	0.59 330	0.58 354	0.68 233	1.42 386	1.05 229	1.07 284	1.03 291	1.02 218	0.86 235	0.65 218	1.33 336	1.36 344	0.32 318	0.31 339	0.31 318	0.33 337	0.34 309	0.39 325

FBW_ROB	0.94 329	0.54 331	1.03 321	0.56 320	0.42 309	1.16 333	0.76 334	1.56 360	1.41 346	1.38 348	1.33 304	1.47 346	1.07 333	2.94 393	1.14 331	0.26 279	0.32 345	0.45 353	0.30 319	0.34 309	0.30 289

ETE_ROB	0.73 288	0.52 323	0.93 306	0.57 323	0.37 278	0.80 264	0.86 350	1.19 274	0.95 233	1.20 330	1.22 284	1.39 341	0.86 301	1.07 298	0.88 282	0.27 288	0.21 278	0.31 318	0.27 308	0.34 309	0.35 313

FINET	0.75 297	0.45 307	1.38 350	0.48 249	0.46 332	0.98 304	1.00 360	1.22 286	1.69 368	0.91 246	1.25 288	0.74 197	0.74 262	1.09 302	0.82 275	0.37 344	0.31 339	0.27 290	0.24 285	0.35 315	0.34 310

PS-NSSS	0.60 262	0.46 312	0.68 239	0.43 167	0.34 266	0.66 220	0.57 289	1.05 229	0.91 214	0.80 179	1.28 296	0.72 189	0.67 229	0.89 248	0.61 233	0.32 318	0.26 318	0.40 347	0.27 308	0.35 315	0.29 285

CSAN	0.88 322	0.52 323	0.93 306	0.61 336	0.42 309	1.19 338	1.11 365	1.27 303	1.48 355	1.37 346	1.44 324	1.37 336	1.30 352	1.46 349	1.01 310	0.39 350	0.31 339	0.36 334	0.37 344	0.35 315	0.36 316

LALA_ROB	0.76 300	0.46 312	0.86 293	0.55 317	0.41 300	1.00 307	0.93 355	1.25 296	1.13 302	1.23 335	1.15 267	1.55 356	0.80 284	1.11 305	0.96 303	0.33 326	0.23 294	0.35 331	0.30 319	0.35 315	0.32 299

RP	0.80 304	0.38 282	0.73 262	0.67 351	0.59 356	0.82 272	0.57 289	1.21 280	1.28 331	1.03 291	1.68 344	1.45 343	1.49 365	1.08 301	0.90 290	0.36 340	0.31 339	0.37 338	0.30 319	0.36 319	0.36 316

SANet	1.15 350	0.45 307	1.40 351	0.50 269	0.32 245	1.54 360	1.21 373	1.49 350	3.35 395	1.61 355	2.41 371	2.32 377	1.80 376	1.57 354	1.27 339	0.28 296	0.25 310	0.26 282	0.24 285	0.36 319	0.32 299

PWCDC_ROB	0.93 325	0.54 331	0.97 316	0.78 369	0.41 300	1.03 315	0.42 219	1.39 332	2.34 384	1.04 297	3.73 394	0.80 224	1.12 339	1.29 328	1.04 320	0.37 344	0.22 287	0.24 257	0.20 227	0.36 319	0.31 296

ADCPNet	1.11 348	0.53 325	3.26 389	0.55 317	0.44 317	1.47 353	0.83 345	1.21 280	1.17 314	1.26 340	1.42 321	1.67 362	1.12 339	1.48 350	3.86 393	0.30 310	0.29 327	0.30 317	0.32 331	0.37 322	0.37 322

DANet	0.74 293	0.47 318	0.98 317	0.60 332	0.41 300	0.92 292	0.41 214	1.02 217	0.87 190	1.22 333	1.22 284	1.33 329	0.88 308	1.26 324	1.37 345	0.27 288	0.24 302	0.31 318	0.25 296	0.37 322	0.36 316
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
RGC	0.82 307	0.62 348	0.80 276	0.67 351	0.66 365	0.91 291	0.59 299	1.35 326	1.09 295	1.12 323	1.46 328	1.50 350	1.09 335	1.28 327	0.97 306	0.34 333	0.30 331	0.48 360	0.40 352	0.38 324	0.38 324

ADCMid	1.22 355	0.57 340	3.17 388	0.54 311	0.44 317	1.07 320	0.77 335	1.31 315	1.13 302	2.14 379	1.48 331	1.49 349	1.47 364	1.65 359	5.30 400	0.26 279	0.24 302	0.29 308	0.32 331	0.38 324	0.36 316

AnyNet_C32	1.27 360	0.72 358	3.33 390	0.59 330	0.56 349	1.51 358	1.53 388	1.27 303	1.28 331	1.52 352	1.48 331	1.38 340	1.23 348	1.64 358	5.26 398	0.30 310	0.29 327	0.29 308	0.34 339	0.38 324	0.44 347

NOSS_ROB	0.59 255	0.40 294	0.42 58	0.45 200	0.31 228	0.79 258	0.53 274	1.09 244	1.12 297	0.69 120	0.92 176	0.77 212	0.63 205	0.81 224	0.52 201	0.39 350	0.38 359	0.44 352	0.42 359	0.38 324	0.36 316

GMStereo_Zeroshot	0.51 201	0.46 312	0.80 276	0.50 269	0.28 180	0.57 180	0.30 69	0.75 134	0.79 148	0.88 225	0.94 181	0.90 249	0.37 83	0.77 208	0.46 174	0.27 288	0.14 172	0.26 282	0.15 90	0.39 328	0.19 166

HBP-ISP	0.61 265	0.47 318	0.45 84	0.46 223	0.33 256	0.79 258	0.29 57	1.15 261	1.05 273	0.85 205	1.18 279	0.67 166	0.71 249	0.92 257	0.57 221	0.37 344	0.38 359	0.47 357	0.41 357	0.39 328	0.32 299

WZ-Net	1.29 362	0.64 350	5.42 400	0.64 345	0.52 343	1.37 347	1.29 378	1.41 338	1.77 371	1.56 354	1.69 346	1.74 363	1.41 359	2.50 388	2.16 373	0.28 296	0.21 278	0.23 244	0.25 296	0.39 328	0.41 336

stereogan	0.83 313	0.33 259	0.89 302	0.61 336	0.51 341	1.80 371	0.50 262	1.41 338	1.39 345	1.05 302	1.47 330	1.56 358	1.04 330	1.32 335	0.87 281	0.29 303	0.29 327	0.29 308	0.25 296	0.39 328	0.40 331

Wz-Net-TNSev	1.23 357	1.24 383	5.25 399	0.51 281	0.43 312	1.49 357	1.09 364	1.58 363	1.42 348	1.25 338	1.26 291	1.58 359	1.52 366	1.97 373	1.95 365	0.33 326	0.32 345	0.26 282	0.30 319	0.41 332	0.43 343

MFN_U_SF_DS_RVC	1.06 341	0.61 347	1.82 373	0.69 357	0.51 341	2.62 384	1.69 395	1.28 308	1.44 350	1.39 349	1.56 337	1.34 332	0.91 313	1.68 361	0.95 301	0.38 349	0.39 363	0.46 356	0.61 379	0.41 332	0.43 343

SHD	0.98 335	0.54 331	1.30 343	0.63 342	0.50 339	1.14 329	0.50 262	1.80 378	2.20 379	1.66 360	1.39 314	1.47 346	1.21 346	1.40 339	1.80 362	0.32 318	0.27 320	0.32 323	0.34 339	0.41 332	0.44 347

RTS	2.03 385	1.03 378	11.50 409	0.68 354	0.63 361	2.71 386	1.56 390	1.55 356	2.32 382	1.93 371	2.57 375	1.32 324	1.32 353	5.20 405	4.30 394	0.31 313	0.23 294	0.29 308	0.30 319	0.41 332	0.40 331

RTSA	2.03 385	1.03 378	11.50 409	0.68 354	0.63 361	2.71 386	1.56 390	1.55 356	2.32 382	1.93 371	2.57 375	1.32 324	1.32 353	5.20 405	4.30 394	0.31 313	0.23 294	0.29 308	0.30 319	0.41 332	0.40 331

WCMA_ROB	1.22 355	0.39 286	0.93 306	0.51 281	0.45 324	1.44 351	0.79 339	1.20 277	1.30 336	2.99 397	3.94 398	3.30 390	2.17 387	1.42 343	1.31 341	0.46 358	0.35 355	0.35 331	0.37 344	0.41 332	0.42 339

EDNetEfficient	1.47 372	0.82 363	6.28 402	0.48 249	0.40 295	0.73 242	0.83 345	0.95 197	2.77 389	3.48 403	1.95 358	1.64 361	2.12 385	1.42 343	3.84 392	0.21 226	0.19 264	0.21 218	0.21 244	0.43 338	0.42 339

RYNet	0.76 300	0.37 278	0.74 266	0.54 311	0.67 366	1.35 346	0.68 315	1.28 308	1.21 323	1.10 319	0.90 164	1.31 322	0.94 320	1.01 290	1.30 340	0.22 242	0.16 212	0.27 290	0.23 271	0.43 338	0.45 349

NVstereo2D	0.62 271	0.32 253	0.82 282	0.50 269	0.44 317	0.88 286	0.48 249	1.12 250	1.17 314	0.67 110	0.90 164	0.90 249	0.69 239	1.02 293	0.69 250	0.33 326	0.16 212	0.29 308	0.20 227	0.43 338	0.46 353

GASNet	0.70 284	0.77 360	1.16 330	0.71 362	0.49 336	0.62 196	0.48 249	1.12 250	1.05 273	0.98 277	0.84 139	0.94 260	0.82 288	1.41 342	0.85 279	0.33 326	0.22 287	0.29 308	0.28 314	0.44 341	0.26 263

MFN_U_SF_RVC	1.14 349	0.63 349	2.33 382	0.69 357	0.46 332	2.04 376	0.70 318	1.90 379	1.37 342	1.62 356	1.56 337	1.94 369	1.36 355	1.73 364	1.90 364	0.41 355	0.38 359	0.45 353	0.48 366	0.45 342	0.47 355

ADCS	1.60 375	0.70 354	4.02 393	0.61 336	0.53 345	1.31 343	1.11 365	1.71 373	1.86 374	1.97 374	1.68 344	1.51 352	1.46 362	2.07 377	9.20 407	0.34 333	0.32 345	0.33 328	0.36 342	0.45 342	0.46 353

AnyNet_C01	1.63 376	1.16 381	7.38 404	0.65 347	0.56 349	2.25 380	1.53 388	1.53 354	1.46 353	1.71 364	1.95 358	1.83 365	1.41 359	2.48 386	4.42 396	0.33 326	0.32 345	0.32 323	0.34 339	0.45 342	0.50 360

SDNR	0.89 323	0.39 286	1.66 371	0.42 130	0.39 292	3.35 398	0.32 100	0.95 197	1.05 273	1.05 302	2.12 364	0.62 135	0.71 249	1.40 339	0.78 264	0.53 368	0.56 382	0.36 334	0.27 308	0.46 345	0.50 360

G-Net	0.95 330	0.48 320	1.13 327	0.67 351	0.49 336	2.07 377	0.63 308	1.02 217	0.90 208	1.77 366	2.62 378	1.28 318	1.60 368	1.09 302	1.06 323	0.37 344	0.30 331	0.35 331	0.25 296	0.46 345	0.45 349

MSMD_ROB	1.25 358	0.51 321	0.64 221	0.60 332	0.50 339	1.66 366	0.67 312	1.26 298	1.26 329	2.64 388	3.82 395	3.06 386	3.20 400	1.45 347	0.91 292	0.46 358	0.41 368	0.49 363	0.51 372	0.47 347	0.45 349

coex-ft	6.50 411	1.57 393	87.99 434	0.49 258	0.38 283	1.41 349	1.21 373	1.21 280	7.96 407	12.14 414	2.78 381	2.74 381	3.83 402	1.30 332	3.19 386	0.24 262	0.23 294	0.27 290	0.24 285	0.48 348	0.40 331

FADNet	0.63 274	0.53 325	1.20 332	0.46 223	0.44 317	0.66 220	0.41 214	1.24 290	1.07 284	0.70 124	0.84 139	0.98 267	0.65 218	0.87 241	0.54 213	0.29 303	0.30 331	0.27 290	0.30 319	0.48 348	0.36 316

FC-DCNN	1.67 378	0.53 325	0.68 239	0.62 340	0.49 336	1.62 363	0.71 320	1.77 377	1.55 358	4.73 408	4.66 406	5.82 405	3.94 403	2.13 380	1.42 347	0.47 361	0.42 370	0.47 357	0.46 361	0.48 348	0.47 355

UDGNet	0.50 191	0.82 363	0.56 185	0.51 281	0.32 245	0.41 110	0.34 117	0.71 100	0.93 222	0.65 99	0.60 59	0.58 115	0.44 125	0.65 139	0.43 158	0.33 326	0.15 191	0.67 374	0.20 227	0.49 351	0.23 243

DPSNet	1.08 344	0.44 306	2.64 384	0.54 311	0.42 309	1.59 361	1.25 376	2.39 388	1.50 356	1.13 324	1.12 257	1.51 352	2.19 388	1.44 346	1.51 355	0.35 338	0.25 310	0.25 268	0.21 244	0.49 351	0.39 325

SAMSARA	1.15 350	0.69 353	1.44 355	1.09 380	0.93 373	2.10 378	1.87 402	1.64 369	1.47 354	1.64 358	1.21 282	2.06 371	1.14 342	1.61 355	1.50 354	0.39 350	0.45 374	0.36 334	0.38 347	0.50 353	0.51 364

MANE	4.73 404	0.54 331	0.77 272	0.69 357	0.60 359	10.35 412	1.67 394	8.68 413	12.66 412	6.90 412	9.43 413	11.59 414	10.59 411	8.26 412	8.41 405	0.51 366	0.45 374	0.48 360	1.02 393	0.50 353	0.50 360

PDISCO_ROB	0.96 331	0.51 321	1.13 327	1.03 378	1.00 380	1.81 372	0.77 335	1.72 374	1.60 362	1.09 316	1.19 280	1.34 332	0.80 284	1.62 356	1.01 310	0.58 373	0.22 287	0.45 353	0.40 352	0.50 353	0.41 336

FCDSN-DC	1.43 370	0.57 340	0.69 247	0.74 365	0.59 356	1.42 350	0.65 311	1.40 336	1.41 346	3.31 401	4.42 404	4.57 396	3.01 398	1.70 362	1.19 335	0.46 358	0.42 370	0.48 360	0.47 362	0.51 356	0.51 364
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	1.34 365	0.70 354	1.42 353	0.78 369	0.65 363	1.68 367	0.91 351	2.12 384	3.01 391	2.25 381	2.35 370	1.90 368	1.99 382	1.98 374	2.14 371	0.40 354	0.38 359	0.49 363	0.37 344	0.51 356	0.67 373

LSM	4.83 406	0.83 366	11.23 408	0.76 368	56.73 430	1.10 322	1.18 371	1.35 326	1.70 369	2.13 376	2.34 368	1.34 332	1.19 345	1.52 352	1.23 337	0.34 333	0.50 379	0.39 344	0.47 362	0.51 356	9.82 417

ccnet	0.84 314	0.59 345	0.86 293	0.56 320	0.60 359	1.11 326	0.72 324	1.44 345	0.97 245	1.15 326	1.44 324	1.28 318	0.95 322	1.01 290	1.33 343	0.49 363	0.43 372	0.50 365	0.47 362	0.52 359	0.48 357

BEATNet-Init1	15.65 416	1.62 396	54.26 433	0.75 367	0.56 349	37.03 427	13.39 415	13.20 417	14.59 414	29.41 431	29.29 431	47.69 434	21.87 423	26.91 425	19.58 416	0.43 357	0.39 363	0.47 357	0.47 362	0.52 359	0.52 366

Anonymous_2	0.84 314	0.45 307	0.66 228	0.41 105	0.45 324	0.82 272	0.53 274	0.81 153	0.81 162	0.73 141	0.61 62	0.91 255	0.76 274	0.77 208	0.61 233	0.51 366	0.55 381	0.54 368	4.92 416	0.54 361	0.42 339

EDNetEfficientorigin	9.96 413	1.17 382	175.17 435	0.49 258	0.37 278	1.13 328	0.74 331	1.27 303	2.70 388	3.16 400	2.49 372	2.28 374	2.15 386	1.88 370	2.27 375	0.21 226	0.19 264	0.25 268	0.20 227	0.54 361	0.53 368

sAnonymous2	0.42 124	0.41 298	0.96 312	0.48 249	0.37 278	0.41 110	0.48 249	0.60 31	0.52 62	0.39 21	0.48 28	0.35 26	0.44 125	0.44 22	0.30 48	0.19 192	0.14 172	0.19 148	0.17 158	0.55 363	0.43 343

CroCo_RVC	0.42 124	0.41 298	0.96 312	0.48 249	0.37 278	0.41 110	0.48 249	0.60 31	0.52 62	0.39 21	0.48 28	0.35 26	0.44 125	0.44 22	0.30 48	0.19 192	0.14 172	0.19 148	0.17 158	0.55 363	0.43 343

XQC	0.97 333	0.70 354	1.54 360	0.70 360	0.55 348	1.48 354	0.81 341	1.41 338	1.57 360	1.21 331	1.12 257	1.33 329	1.04 330	1.55 353	2.00 369	0.39 350	0.25 310	0.37 338	0.32 331	0.55 363	0.49 358

ELAS_RVC	1.76 380	0.64 350	1.20 332	0.74 365	0.59 356	2.18 379	2.53 407	2.10 383	2.85 390	3.46 402	3.41 393	3.12 387	4.11 404	2.69 391	2.53 381	0.54 371	0.47 377	0.51 367	0.48 366	0.55 363	0.55 369
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.77 381	0.64 350	1.10 324	0.72 363	0.58 354	3.37 399	1.76 397	2.54 389	2.57 386	3.77 404	3.96 399	2.83 383	3.44 401	2.34 385	2.73 383	0.53 368	0.47 377	0.50 365	0.48 366	0.55 363	0.55 369
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PASM	0.96 331	0.71 357	2.05 378	0.72 363	0.72 370	0.84 280	0.92 353	1.14 258	1.34 341	1.25 338	1.22 284	1.34 332	1.07 333	1.31 333	1.11 328	0.53 368	0.57 383	0.59 372	0.67 380	0.56 368	0.57 371

DGSMNet	0.80 304	0.58 343	1.42 353	0.61 336	0.65 363	0.94 295	0.75 333	1.35 326	1.16 311	0.88 225	1.26 291	1.00 272	0.75 265	1.07 298	0.89 284	0.36 340	0.31 339	0.41 348	0.40 352	0.60 369	0.59 372

GANetREF_RVC	0.82 307	0.77 360	0.95 311	0.68 354	0.43 312	1.15 331	1.06 363	1.19 274	1.20 321	1.03 291	1.02 218	1.10 302	0.89 310	1.20 319	0.78 264	0.49 363	0.39 363	0.58 371	0.39 349	0.69 370	0.49 358
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
NVStereoNet_ROB	1.31 364	0.96 372	1.33 346	0.90 373	0.92 372	1.15 331	1.05 362	1.49 350	1.62 364	1.63 357	2.51 373	2.31 375	1.62 369	2.16 381	1.42 347	0.81 380	0.73 387	0.79 376	1.02 393	0.73 371	0.97 383
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MSC_U_SF_DS_RVC	1.38 366	0.91 370	2.11 380	0.89 372	0.57 353	4.27 404	1.79 399	1.55 356	2.00 377	1.64 358	1.85 355	1.83 365	1.44 361	1.89 372	1.49 353	0.49 363	0.40 366	0.56 369	0.58 376	0.75 372	0.52 366

CC-Net-ROB	0.84 314	1.01 377	0.93 306	0.60 332	0.45 324	1.25 341	0.71 320	1.20 277	1.05 273	0.84 195	1.24 287	0.90 249	0.78 279	1.14 308	0.70 251	0.48 362	0.34 353	1.71 388	0.38 347	0.78 373	0.40 331

MADNet+	2.28 392	2.56 408	10.82 407	1.25 384	0.96 376	2.77 390	1.44 387	2.34 386	1.76 370	1.36 345	1.78 352	1.84 367	1.74 374	6.33 408	4.57 397	0.67 376	0.66 385	0.59 372	0.54 375	0.84 374	0.81 378

MaskLacGwcNet_RVC	0.71 286	0.84 367	0.80 276	0.55 317	0.38 283	1.38 348	0.57 289	1.07 236	0.81 162	0.90 239	0.94 181	0.95 261	0.54 164	1.01 290	0.61 233	0.41 355	0.30 331	0.57 370	0.31 328	0.86 375	0.39 325

MFMNet_re	1.17 353	0.99 374	1.31 344	1.02 377	0.95 375	1.32 344	1.32 379	1.44 345	1.58 361	1.72 365	1.70 347	1.21 313	1.57 367	1.16 312	1.04 320	0.88 382	0.76 393	0.79 376	0.75 384	0.90 376	0.94 380

anonymity	0.98 335	0.89 369	1.06 323	0.93 374	1.04 383	0.97 300	0.82 343	1.33 323	0.93 222	1.08 312	0.98 199	1.02 278	0.95 322	1.02 293	0.93 296	0.96 384	0.96 404	0.90 379	0.91 389	0.92 377	0.95 382

SGM+DAISY	1.52 373	0.99 374	1.61 366	1.01 376	1.02 381	1.86 374	1.19 372	1.49 350	1.38 344	2.96 395	3.00 385	2.79 382	1.94 378	1.88 370	1.62 357	0.98 386	0.97 405	0.91 381	0.91 389	0.94 378	0.99 385

SPS-STEREO	1.29 362	0.94 371	1.10 324	1.05 379	1.03 382	1.48 354	0.91 351	1.57 362	1.24 324	2.13 376	1.90 357	1.94 369	1.46 362	1.77 365	1.64 358	0.97 385	0.94 403	0.90 379	0.89 388	0.96 379	0.97 383
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	3.02 397	1.39 388	7.91 405	1.17 382	1.49 389	8.53 410	7.94 412	2.82 390	1.98 376	2.15 380	2.69 380	3.32 391	3.01 398	6.66 409	3.81 391	0.79 378	0.78 394	0.75 375	0.76 385	1.04 380	1.33 396

WAO-7	1.96 382	1.24 383	1.52 357	1.28 385	1.06 384	2.92 394	1.64 393	3.32 396	3.05 393	2.28 382	3.32 390	3.19 389	2.38 391	3.39 395	2.49 380	1.02 387	0.92 399	1.06 383	1.04 395	1.05 381	0.99 385

Consistency-Raft	1.01 339	0.82 363	1.27 339	0.85 371	0.97 377	0.81 269	0.83 345	1.35 326	1.61 363	1.06 310	1.66 343	1.11 304	0.93 317	0.93 260	1.11 328	0.65 375	0.75 391	0.79 376	0.91 389	1.09 382	0.79 377

UDG	0.93 325	1.03 378	0.75 268	1.00 375	0.97 377	1.02 313	0.57 289	1.18 271	1.01 258	0.93 250	1.02 218	1.32 324	1.03 328	0.88 247	0.92 294	0.55 372	0.33 350	1.82 390	0.41 357	1.20 383	0.74 375

DDUNet	1.10 345	2.58 410	0.83 286	1.21 383	1.27 387	1.02 313	0.69 317	1.17 269	0.95 233	0.98 277	1.26 291	1.28 318	0.84 293	0.97 278	0.79 271	0.85 381	0.40 366	2.00 393	0.60 378	1.34 384	0.94 380

SQANet	0.87 321	0.76 359	0.76 269	1.16 381	0.99 379	1.10 322	0.51 265	1.12 250	0.85 180	0.93 250	1.05 235	1.03 280	0.76 274	1.07 298	0.70 251	0.79 378	0.25 310	1.04 382	0.36 342	1.56 385	0.70 374

PWCK	2.06 387	1.75 400	4.11 395	1.69 389	0.93 373	3.13 397	2.86 409	2.18 385	2.41 385	2.38 383	2.33 367	2.22 373	1.85 377	3.52 397	2.20 374	1.65 394	0.73 387	1.52 387	0.83 387	1.81 386	1.02 388

otaku	1.10 345	0.96 372	0.96 312	1.37 387	1.06 384	1.65 365	0.72 324	1.46 348	1.19 319	1.10 319	1.32 303	1.32 324	0.95 322	1.29 328	0.81 274	0.89 383	0.46 376	1.24 384	0.50 371	1.86 387	0.89 379

WAO-6	2.11 389	1.52 391	1.25 335	1.73 390	1.69 395	2.72 388	1.62 392	3.15 394	3.64 396	2.01 375	3.28 388	3.52 394	2.20 389	2.59 389	2.48 379	1.31 392	0.92 399	2.04 397	1.22 404	1.89 388	1.35 398

Ntro	1.15 350	1.00 376	1.00 318	1.49 388	1.20 386	1.69 368	0.81 341	1.39 332	1.25 326	1.01 284	1.28 296	1.31 322	1.00 326	1.31 333	0.89 284	1.10 389	0.43 372	1.36 385	0.51 372	1.95 389	0.99 385

WAO-8	3.00 395	1.60 394	1.52 357	1.82 392	1.65 393	5.57 406	1.35 382	4.65 407	12.37 410	2.89 391	4.04 400	4.89 400	2.78 394	3.73 399	2.44 376	1.29 390	0.93 401	2.00 393	1.16 402	2.02 390	1.23 391

Venus	3.00 395	1.60 394	1.52 357	1.82 392	1.65 393	5.57 406	1.35 382	4.65 407	12.37 410	2.89 391	4.04 400	4.89 400	2.78 394	3.73 399	2.44 376	1.29 390	0.93 401	2.00 393	1.16 402	2.02 390	1.23 391

ACVNet_2	1.74 379	1.30 385	1.62 367	1.81 391	1.63 391	2.28 381	1.34 381	2.35 387	2.64 387	1.82 367	2.55 374	2.99 384	1.71 373	1.67 360	1.20 336	1.48 393	0.59 384	1.81 389	0.71 382	2.09 392	1.29 393

RainbowNet	1.42 369	1.53 392	1.31 344	1.93 394	1.46 388	1.52 359	1.03 361	1.67 371	1.55 358	1.23 335	1.59 340	1.54 355	1.21 346	1.40 339	1.03 315	1.70 395	0.70 386	1.82 390	0.80 386	2.11 393	1.22 390

ACVNet-4b	1.43 370	1.34 386	1.28 340	1.95 395	1.60 390	1.93 375	0.77 335	1.59 364	1.64 366	1.05 302	1.60 341	2.10 372	0.92 315	1.79 367	0.84 277	1.76 397	0.35 355	2.03 396	0.67 380	2.16 394	1.18 389

LVE	2.20 391	1.47 390	1.44 355	2.06 397	1.80 397	2.79 391	1.77 398	2.96 391	3.94 401	1.95 373	4.29 403	3.47 393	1.97 379	2.48 386	1.85 363	2.06 399	0.88 398	2.06 399	1.13 400	2.17 395	1.53 399

Dean	2.07 388	1.39 388	1.69 372	2.17 398	1.83 398	2.75 389	1.28 377	3.49 400	3.80 399	2.13 376	3.30 389	3.18 388	1.98 381	1.78 366	1.72 360	1.73 396	0.79 397	1.99 392	0.91 389	2.17 395	1.34 397

ACVNet_1	1.55 374	1.36 387	1.35 348	1.96 396	1.63 391	1.83 373	0.96 358	2.09 382	1.85 373	1.43 350	1.54 335	2.31 375	1.68 372	1.42 343	1.18 333	1.76 397	0.51 380	2.05 398	0.59 377	2.24 397	1.30 394

DispFullNet	1.64 377	2.64 411	3.14 387	2.57 403	1.78 396	1.32 344	0.55 284	1.42 343	1.45 351	1.89 370	1.48 331	1.55 356	2.35 390	2.08 378	1.12 330	0.60 374	0.19 264	2.33 401	0.73 383	2.35 398	1.30 394

IMH-64-1	1.96 382	1.64 397	1.26 336	2.26 400	1.91 399	2.30 382	1.35 382	2.99 392	2.29 380	1.70 362	2.79 382	2.47 378	1.66 370	2.33 383	1.95 365	2.07 400	0.74 389	2.44 402	1.04 395	2.40 399	1.59 400

IMH-64	1.96 382	1.64 397	1.26 336	2.26 400	1.91 399	2.30 382	1.35 382	2.99 392	2.29 380	1.70 362	2.79 382	2.47 378	1.66 370	2.33 383	1.95 365	2.07 400	0.74 389	2.44 402	1.04 395	2.40 399	1.59 400

IMH	2.15 390	1.66 399	1.29 341	2.25 399	1.92 401	2.87 392	1.33 380	3.25 395	3.04 392	1.87 369	3.33 392	3.00 385	2.03 383	2.80 392	1.95 365	2.09 402	0.78 394	2.45 404	1.05 398	2.44 401	1.62 402

SuperB	1.00 338	0.41 298	4.03 394	0.45 200	0.32 245	0.99 306	0.49 259	1.09 244	2.09 378	1.10 319	1.10 251	0.74 197	0.83 290	1.13 306	1.75 361	0.20 211	0.15 191	0.17 85	0.15 90	2.50 402	0.27 271

DPSimNet_ROB	5.19 408	2.71 412	18.56 413	2.59 404	2.49 406	4.25 403	10.93 413	3.33 397	3.93 400	5.02 409	4.52 405	5.74 403	10.18 410	5.44 407	8.79 406	2.40 406	2.47 412	2.48 405	2.54 411	2.56 403	2.87 411

ktn	3.02 397	2.27 406	1.85 374	2.89 408	2.54 409	3.72 400	2.14 404	3.79 403	5.33 403	2.82 390	5.09 408	5.95 406	2.54 392	3.34 394	2.58 382	2.65 409	1.44 410	2.78 410	2.03 410	2.61 404	2.10 406

TorneroNet-64	3.54 399	1.89 401	1.59 362	2.62 406	2.29 403	6.88 409	1.72 396	4.72 409	11.88 408	2.43 385	5.46 410	8.16 410	2.80 396	4.13 403	3.03 385	2.25 405	0.75 391	2.57 406	1.09 399	2.65 405	1.84 404

TorneroNet	4.49 403	1.92 402	1.65 370	2.60 405	2.29 403	14.95 417	1.86 401	4.86 410	19.56 424	3.10 399	7.52 412	7.00 409	2.90 397	4.48 404	3.66 389	2.24 404	0.78 394	2.68 408	1.14 401	2.79 406	1.80 403

KSHMR	2.64 393	1.96 403	1.86 375	2.69 407	2.44 405	2.88 393	2.04 403	3.46 399	6.31 405	2.51 387	3.27 387	3.39 392	1.97 379	2.59 389	2.08 370	2.48 407	1.41 409	2.80 411	1.51 407	2.98 407	2.09 405

notaker	2.87 394	2.31 407	2.01 377	3.03 409	2.60 410	2.94 395	1.82 400	3.43 398	3.06 394	2.89 391	4.21 402	6.15 408	2.71 393	3.42 396	2.90 384	2.67 410	1.18 407	3.00 412	1.67 408	3.13 408	2.26 407

SPstereo	24.33 421	4.45 414	7.15 403	4.44 415	4.17 414	45.69 428	77.93 434	63.66 435	33.40 433	27.58 430	26.62 423	39.42 433	33.37 433	42.68 435	50.66 429	4.01 413	3.77 416	6.06 418	4.73 415	3.17 409	3.55 414

UNDER WATER-64	3.72 401	2.07 404	4.57 397	3.30 412	2.52 408	5.61 408	2.63 408	3.67 402	12.27 409	3.09 398	2.66 379	5.99 407	4.74 407	3.93 402	3.57 388	2.54 408	1.24 408	2.65 407	1.48 406	3.21 410	2.62 410

UNDER WATER	3.63 400	2.12 405	4.11 395	3.17 410	2.51 407	3.77 402	2.45 406	3.53 401	13.66 413	2.98 396	2.92 384	5.75 404	4.13 405	3.85 401	3.75 390	2.84 411	1.11 406	2.71 409	1.41 405	3.26 411	2.50 409

JetRed	5.38 409	6.17 415	12.68 412	2.38 402	2.85 411	12.60 416	11.17 414	4.60 406	3.74 397	3.87 405	3.85 396	4.83 398	4.13 405	6.81 410	12.18 411	2.18 403	2.95 414	2.19 400	1.98 409	3.49 412	3.01 412

MADNet++	4.18 402	2.72 413	4.00 392	3.80 414	3.44 413	4.72 405	4.05 411	4.01 404	3.74 397	4.52 407	5.14 409	4.20 395	4.89 408	7.04 411	6.39 401	3.79 412	3.70 415	3.27 414	2.70 413	3.68 413	3.74 415

HanzoNet	6.97 412	2.57 409	4.66 398	3.29 411	2.96 412	3.75 401	2.35 405	5.08 411	7.11 406	14.46 421	13.06 414	17.69 418	22.95 424	13.72 416	6.61 402	4.36 414	1.96 411	3.14 413	2.59 412	3.88 414	3.19 413

tt	6.21 410	0.22 97	5.88 401	3.55 413	2.07 402	11.25 415	19.19 416	11.84 416	5.47 404	2.71 389	2.18 365	4.87 399	6.25 409	3.71 398	7.09 403	8.31 418	11.17 422	4.91 415	5.39 417	5.72 415	2.42 408

DGTPSM_ROB	12.12 414	8.03 416	21.12 414	8.97 417	16.81 416	10.68 413	30.77 420	9.14 414	15.23 415	6.55 410	15.49 421	9.02 411	15.13 414	9.26 413	21.71 418	4.58 415	8.60 417	5.07 416	9.26 418	5.88 416	11.06 418

DPSMNet_ROB	12.13 415	8.03 416	21.13 415	9.02 418	16.82 417	10.68 413	30.78 421	9.15 415	15.24 416	6.56 411	15.50 422	9.02 411	15.13 414	9.28 414	21.71 418	4.59 416	8.60 417	5.08 417	9.26 418	5.89 417	11.06 418

DPSM_ROB	17.80 417	18.60 419	24.24 421	20.89 420	19.49 418	25.83 420	36.10 423	21.62 424	16.41 418	13.46 416	14.26 419	19.11 421	16.15 417	20.74 418	25.59 421	9.37 420	9.23 420	9.47 420	9.81 420	13.47 418	12.09 421

DPSM	17.80 417	18.60 419	24.24 421	20.89 420	19.49 418	25.83 420	36.10 423	21.62 424	16.41 418	13.46 416	14.26 419	19.11 421	16.15 417	20.74 418	25.59 421	9.37 420	9.23 420	9.47 420	9.81 420	13.47 418	12.09 421

PML	40.49 435	30.31 424	12.46 411	7.19 416	14.30 415	91.44 435	212.44 436	7.73 412	23.24 425	74.44 435	185.05 436	49.81 435	25.78 425	21.34 420	12.84 412	8.71 419	2.93 413	8.43 419	3.24 414	13.77 420	4.45 416

MyStereo03	35.83 425	37.48 430	48.64 429	42.37 428	39.41 427	51.98 430	72.91 430	43.07 429	33.07 430	27.20 427	28.81 428	38.36 427	32.60 428	41.58 429	51.47 431	18.74 427	18.61 427	19.07 422	19.77 424	27.10 421	24.35 424

MyStereo02	35.83 425	37.48 430	48.64 429	42.37 428	39.41 427	51.98 430	72.91 430	43.07 429	33.07 430	27.20 427	28.81 428	38.36 427	32.60 428	41.58 429	51.47 431	18.74 427	18.61 427	19.07 422	19.77 424	27.10 421	24.35 424

MyStereo	35.83 425	37.48 430	48.64 429	42.37 428	39.41 427	51.98 430	72.91 430	43.07 429	33.07 430	27.20 427	28.81 428	38.36 427	32.60 428	41.58 429	51.47 431	18.74 427	18.61 427	19.07 422	19.77 424	27.10 421	24.35 424

CasAABBNet	35.77 424	37.38 428	48.59 428	42.20 426	39.23 425	51.95 429	72.92 433	43.36 432	33.03 429	26.93 424	28.31 425	38.43 430	32.32 427	41.58 429	51.50 434	18.71 426	18.58 425	19.11 426	19.75 423	27.11 424	24.33 423

Selective-RAFT-Error	35.87 428	37.42 429	48.73 432	42.24 427	39.28 426	52.00 433	72.87 429	43.41 433	32.95 428	26.97 425	28.72 426	38.71 432	33.15 432	41.59 433	51.42 430	18.77 430	18.60 426	19.14 427	19.78 427	27.19 425	24.42 427

LSM0	38.96 434	37.52 433	48.37 427	43.79 431	91.31 435	52.31 434	72.38 428	43.71 434	32.75 427	27.16 426	28.73 427	38.51 431	32.63 431	41.75 434	51.59 435	18.85 431	18.43 424	19.09 425	19.60 422	27.21 426	33.44 429

xxxxx1	36.77 429	19.69 421	24.00 418	62.46 432	66.77 432	27.30 423	39.89 425	20.40 419	18.80 421	14.18 418	13.11 415	17.29 415	17.30 419	21.62 421	27.81 423	13.61 422	18.98 430	111.36 433	133.25 433	28.84 427	38.64 430

tt_ll	36.77 429	19.69 421	24.00 418	62.46 432	66.77 432	27.30 423	39.89 425	20.40 419	18.80 421	14.18 418	13.11 415	17.29 415	17.30 419	21.62 421	27.81 423	13.61 422	18.98 430	111.36 433	133.25 433	28.84 427	38.64 430

ff	36.77 429	19.69 421	24.00 418	62.46 432	66.77 432	27.30 423	39.89 425	20.40 419	18.80 421	14.18 418	13.11 415	17.29 415	17.30 419	21.62 421	27.81 423	13.61 422	18.98 430	111.36 433	133.25 433	28.84 427	38.64 430

LRCNet_RVC	21.27 420	31.14 425	21.46 416	28.97 423	23.77 421	3.11 396	0.62 305	20.94 422	1.64 366	25.57 423	28.13 424	21.96 423	14.74 413	21.99 424	16.44 415	29.16 432	14.92 423	33.57 428	31.28 428	29.67 430	26.33 428

HaxPig	31.93 422	37.19 427	34.22 423	24.41 422	24.94 422	18.53 418	20.18 417	21.15 423	28.84 426	35.74 432	38.86 432	26.18 424	28.75 426	33.85 426	34.15 426	35.89 433	38.80 433	37.79 429	40.52 429	39.33 431	39.33 433

AVERAGE_ROB	37.53 433	40.05 434	40.01 425	34.74 425	33.76 424	28.46 426	25.14 419	32.31 428	34.08 435	41.20 433	40.52 433	34.51 426	34.78 435	39.11 427	37.48 428	42.68 434	43.32 434	43.80 430	42.99 430	40.42 432	41.31 434

MEDIAN_ROB	37.35 432	40.72 435	40.37 426	32.26 424	31.80 423	27.29 422	25.02 418	29.47 427	33.43 434	41.99 434	41.60 434	33.48 425	34.37 434	39.66 428	36.94 427	43.49 435	43.96 435	44.07 431	43.35 431	41.32 433	42.43 435

DLNR_Zeroshot_test	20.12 419	36.36 426	38.38 424	170.13 435	62.28 431	0.22 4	0.20 1	13.43 418	0.40 29	0.45 40	0.66 73	0.42 46	0.21 5	0.64 133	0.32 64	5.57 417	0.10 8	0.15 41	0.11 15	72.31 434	0.13 31

Anonymous_1	33.12 423	18.23 418	23.86 417	20.53 419	21.18 420	25.45 419	35.84 422	22.44 426	15.68 417	13.41 415	13.70 418	18.00 419	15.15 416	20.31 417	24.47 420	14.56 425	8.84 419	66.24 432	117.79 432	155.41 435	11.40 420

test_example2	176.82 436	204.75 436	198.54 436	188.58 436	191.23 436	151.28 436	169.77 435	97.63 436	125.81 436	179.94 436	183.74 435	158.20 436	139.14 436	192.16 436	198.12 436	203.48 436	236.37 436	163.71 436	173.22 436	217.79 436	162.95 436

Low-res two-view benchmark