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

GMOStereo	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

error version	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-v	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-2	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-1	0.10 50	0.07 69	0.16 221	0.19 227	0.08 47	0.11 82	0.24 321	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

CroCo-Stereo Lap2	0.09 11	0.09 190	0.08 11	0.22 305	0.09 131	0.09 35	0.19 262	0.16 42	0.12 25	0.09 15	0.10 38	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 189	0.07 98	0.05 31	0.05 40	0.05 51

test_4	0.10 50	0.10 237	0.08 11	0.19 227	0.09 131	0.08 23	0.22 302	0.15 26	0.17 99	0.12 83	0.18 142	0.12 89	0.09 67	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 211	0.04 1	0.03 1

test_3	0.10 50	0.09 190	0.10 44	0.20 268	0.08 47	0.13 129	0.26 341	0.14 15	0.21 162	0.10 40	0.10 38	0.09 37	0.09 67	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.04 1	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 305	0.09 131	0.09 35	0.19 262	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
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
StereoIM	0.09 11	0.09 190	0.08 11	0.17 115	0.09 131	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 53	0.06 3	0.06 6	0.09 10	0.13 157	0.07 141	0.06 189	0.07 98	0.05 31	0.05 40	0.04 7

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 182	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 61	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

CAS	0.08 2	0.04 1	0.07 2	0.17 115	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 38	0.08 25	0.06 6	0.09 10	0.08 11	0.08 190	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

cross-raft	0.10 50	0.09 190	0.09 28	0.19 227	0.07 18	0.11 82	0.25 335	0.13 9	0.15 69	0.08 5	0.11 53	0.12 89	0.10 88	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 80	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
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
EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

xx1	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 162	0.16 226	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 211	0.07 155	0.07 157

cc1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 216	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 216	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

DualNet	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ffm	0.12 135	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.07 1	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.12 104	0.16 170	0.15 26	0.19 128	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

DLNR_Zeroshot_test	10.40 423	1.82 418	19.49 433	120.77 439	13.11 429	0.06 2	0.13 43	0.23 173	0.10 7	0.07 2	0.10 38	0.09 37	0.06 6	0.10 18	0.09 19	0.13 331	0.04 2	0.06 31	0.04 8	51.54 438	0.04 7

CASnet	0.09 11	0.09 190	0.09 28	0.19 227	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 59	0.10 38	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 267	0.08 211	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 300	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HH	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 67	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 115	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 56	0.12 21	0.11 1	0.16 87	0.06 1	0.05 1	0.07 17	0.05 2	0.10 18	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

Sa-1000	0.12 135	0.08 140	0.08 11	0.18 182	0.08 47	0.14 153	0.22 302	0.22 156	0.18 116	0.15 148	0.20 159	0.17 181	0.11 109	0.10 18	0.10 49	0.06 54	0.05 106	0.09 226	0.09 250	0.05 40	0.05 51

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 128	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 59	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 283	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 161	0.04 1	0.04 7

SST-Stereo	0.10 50	0.07 69	0.15 191	0.18 182	0.09 131	0.06 2	0.12 21	0.17 72	0.11 17	0.15 148	0.17 120	0.13 112	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

RAFT_R40	0.11 80	0.07 69	0.14 154	0.18 182	0.09 131	0.06 2	0.13 43	0.17 72	0.16 87	0.14 124	0.18 142	0.15 151	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

DRaft	0.12 135	0.06 19	0.11 70	0.14 13	0.09 131	0.14 153	0.17 191	0.21 140	0.30 256	0.17 185	0.28 256	0.10 58	0.15 206	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 199	0.18 231	0.15 26	0.15 69	0.10 40	0.11 53	0.11 74	0.11 109	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 59	0.12 61	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

sAnonymous2	0.13 157	0.12 271	0.24 302	0.20 268	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CroCo_RVC	0.13 157	0.12 271	0.24 302	0.20 268	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

Former-RAFT_DAM_RVC	0.10 50	0.08 140	0.12 90	0.16 68	0.08 47	0.15 175	0.16 170	0.18 96	0.18 116	0.10 40	0.09 23	0.09 37	0.08 49	0.11 45	0.12 127	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 115	0.09 131	0.13 129	0.18 231	0.19 116	0.12 25	0.12 83	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 182	0.09 131	0.10 56	0.15 115	0.14 15	0.19 128	0.09 15	0.14 80	0.12 89	0.08 49	0.11 45	0.10 49	0.05 2	0.06 189	0.07 98	0.06 86	0.05 40	0.04 7

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

EKT-Stereo	0.11 80	0.07 69	0.14 154	0.15 38	0.10 216	0.13 129	0.14 69	0.18 96	0.21 162	0.11 59	0.08 17	0.12 89	0.09 67	0.11 45	0.12 127	0.08 190	0.06 189	0.07 98	0.06 86	0.08 198	0.07 157

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 182	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 53	0.10 58	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 161	0.06 101	0.05 51

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

ProNet	0.09 11	0.07 69	0.10 44	0.17 115	0.08 47	0.10 56	0.15 115	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 115	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 61	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.18 96	0.19 128	0.13 104	0.16 102	0.09 37	0.14 193	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.12 138	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

DisPM	0.11 80	0.07 69	0.12 90	0.16 68	0.09 131	0.06 2	0.13 43	0.17 72	0.17 99	0.14 124	0.20 159	0.12 89	0.10 88	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 292

raft_robust	0.13 157	0.10 237	0.07 2	0.18 182	0.08 47	0.13 129	0.24 321	0.28 247	0.33 274	0.20 241	0.19 148	0.14 127	0.10 88	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 161	0.05 40	0.04 7

RAFT+CT+SA	0.13 157	0.11 257	0.09 28	0.19 227	0.09 131	0.15 175	0.28 353	0.22 156	0.22 173	0.15 148	0.26 240	0.10 58	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 211	0.07 155	0.06 98

SA	0.12 135	0.09 190	0.08 11	0.18 182	0.08 47	0.12 104	0.24 321	0.23 173	0.18 116	0.17 185	0.27 247	0.14 127	0.11 109	0.11 45	0.11 85	0.05 2	0.05 106	0.09 226	0.08 211	0.05 40	0.04 7

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
test-3	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

CrosDoStereo	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

PFNet+	0.11 80	0.06 19	0.13 128	0.16 68	0.09 131	0.05 1	0.12 21	0.17 72	0.21 162	0.16 173	0.19 148	0.14 127	0.10 88	0.11 45	0.11 85	0.08 190	0.05 106	0.09 226	0.08 211	0.06 101	0.11 292

Patchmatch Stereo++	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157
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
AAGNet	0.11 80	0.07 69	0.16 221	0.19 227	0.09 131	0.08 23	0.13 43	0.18 96	0.13 41	0.16 173	0.21 173	0.13 112	0.14 193	0.11 45	0.14 185	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 182	0.07 18	0.10 56	0.14 69	0.21 140	0.11 17	0.11 59	0.15 94	0.12 89	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

TransformOpticalFlow	0.10 50	0.08 140	0.13 128	0.18 182	0.07 18	0.09 35	0.15 115	0.19 116	0.15 69	0.12 83	0.17 120	0.11 74	0.11 109	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

OMP-Stereo	0.11 80	0.06 19	0.14 154	0.18 182	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.13 104	0.14 80	0.11 74	0.12 138	0.11 45	0.13 157	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

NF-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

OCTAStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

PSM-softLoss	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

KMStereo	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

PSM-adaLoss	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

PSM-AAD	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.20 123	0.13 41	0.12 83	0.14 80	0.18 192	0.11 109	0.11 45	0.10 49	0.05 2	0.05 106	0.09 226	0.08 211	0.06 101	0.14 334

ROB_FTStereo_v2	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

HUI-Stereo	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

DeepStereo_LL	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

RE-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

Pruner-Stereo	0.11 80	0.07 69	0.12 90	0.17 115	0.09 131	0.06 2	0.12 21	0.17 72	0.17 99	0.13 104	0.19 148	0.13 112	0.09 67	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 217

TVStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

iGMRVC	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

RAFT-345	0.11 80	0.07 69	0.15 191	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 59	0.36 307	0.09 37	0.09 67	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

iRAFT	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

GMM-Stereo	0.11 80	0.07 69	0.10 44	0.18 182	0.09 131	0.08 23	0.15 115	0.23 173	0.16 87	0.11 59	0.15 94	0.13 112	0.11 109	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.09 250

RAFT-IKP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

rafts_anoy	0.11 80	0.06 19	0.10 44	0.17 115	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 104	0.13 71	0.12 89	0.10 88	0.11 45	0.12 127	0.07 141	0.04 2	0.09 226	0.11 305	0.07 155	0.06 98

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 115	0.09 131	0.11 82	0.17 191	0.18 96	0.12 25	0.09 15	0.12 61	0.10 58	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.04 1	0.04 7

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 115	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 38	0.08 25	0.09 67	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 61	0.10 58	0.09 67	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 71	0.09 37	0.08 49	0.11 45	0.10 49	0.08 190	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
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
MyStereo07	0.10 50	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 101	0.09 19	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 101	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

MIF-Stereo (partial)	0.11 80	0.06 19	0.10 44	0.19 227	0.10 216	0.10 56	0.11 11	0.17 72	0.18 116	0.14 124	0.16 102	0.09 37	0.11 109	0.12 101	0.12 127	0.08 190	0.05 106	0.08 162	0.07 161	0.06 101	0.07 157

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 123	0.14 58	0.13 104	0.13 71	0.09 37	0.05 2	0.12 101	0.08 11	0.05 2	0.06 189	0.07 98	0.06 86	0.06 101	0.05 51

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 140	0.15 69	0.11 59	0.12 61	0.12 89	0.09 67	0.12 101	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 38	0.10 58	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 74	0.06 6	0.12 101	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 38	0.08 25	0.07 31	0.12 101	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

TestStereo1	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 361	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

test_5	0.14 186	0.12 271	0.08 11	0.20 268	0.10 216	0.14 153	0.29 361	0.21 140	0.24 192	0.18 211	0.28 256	0.11 74	0.15 206	0.12 101	0.13 157	0.06 54	0.05 106	0.07 98	0.08 211	0.08 198	0.07 157

SA-5K	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 361	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

IPLGR	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.12 104	0.17 191	0.21 140	0.24 192	0.11 59	0.12 61	0.11 74	0.08 49	0.12 101	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

LCNet	0.11 80	0.07 69	0.09 28	0.19 227	0.09 131	0.08 23	0.15 115	0.21 140	0.15 69	0.11 59	0.15 94	0.16 162	0.11 109	0.12 101	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.15 342

IIG-Stereo	0.11 80	0.06 19	0.13 128	0.17 115	0.08 47	0.11 82	0.12 21	0.22 156	0.17 99	0.14 124	0.17 120	0.11 74	0.12 138	0.12 101	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

KYRaft	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.08 23	0.15 115	0.22 156	0.12 25	0.13 104	0.16 102	0.20 210	0.10 88	0.12 101	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.06 101	0.16 353

DEmStereo	0.12 135	0.06 19	0.14 154	0.14 13	0.10 216	0.16 199	0.15 115	0.16 42	0.24 192	0.17 185	0.24 196	0.13 112	0.14 193	0.12 101	0.13 157	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

THIR-Stereo	0.12 135	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 211	0.16 173	0.24 196	0.14 127	0.12 138	0.12 101	0.14 185	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

PFNet	0.12 135	0.06 19	0.17 246	0.17 115	0.08 47	0.09 35	0.15 115	0.26 215	0.20 149	0.16 173	0.16 102	0.14 127	0.11 109	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GrayStereo	0.11 80	0.06 19	0.11 70	0.19 227	0.09 131	0.09 35	0.16 170	0.18 96	0.17 99	0.14 124	0.17 120	0.17 181	0.11 109	0.12 101	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 269

DeepStereo_RVC	0.11 80	0.08 140	0.16 221	0.18 182	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 104	0.14 80	0.12 89	0.12 138	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 217

IRAFT_RVC	0.12 135	0.08 140	0.16 221	0.19 227	0.08 47	0.07 16	0.15 115	0.24 190	0.23 182	0.14 124	0.14 80	0.15 151	0.12 138	0.12 101	0.10 49	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.06 98

CRE-IMP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 124	0.13 71	0.13 112	0.12 138	0.12 101	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 198	0.08 217

Prome-Stereo	0.11 80	0.06 19	0.10 44	0.18 182	0.08 47	0.12 104	0.15 115	0.22 156	0.13 41	0.12 83	0.17 120	0.13 112	0.08 49	0.12 101	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 250

raft+_RVC	0.11 80	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 190	0.20 149	0.12 83	0.15 94	0.12 89	0.08 49	0.12 101	0.13 157	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 128	0.11 59	0.15 94	0.10 58	0.06 6	0.12 101	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

raftrobust	0.09 11	0.06 19	0.10 44	0.17 115	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 89	0.07 31	0.12 101	0.10 49	0.08 190	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 83	0.17 120	0.14 127	0.10 88	0.12 101	0.11 85	0.07 141	0.06 189	0.06 31	0.05 31	0.08 198	0.07 157

RALAANet	0.11 80	0.08 140	0.10 44	0.17 115	0.09 131	0.14 153	0.10 6	0.20 123	0.15 69	0.14 124	0.13 71	0.16 162	0.09 67	0.12 101	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 115	0.09 131	0.15 175	0.12 21	0.20 123	0.10 7	0.10 40	0.14 80	0.07 17	0.06 6	0.12 101	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 115	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 61	0.09 37	0.09 67	0.12 101	0.09 19	0.05 2	0.04 2	0.07 98	0.07 161	0.04 1	0.03 1

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 38	0.12 89	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

DN-CSS_ROB	0.13 157	0.13 292	0.16 221	0.18 182	0.10 216	0.16 199	0.08 2	0.22 156	0.18 116	0.17 185	0.22 182	0.13 112	0.13 170	0.12 101	0.13 157	0.05 2	0.05 106	0.10 267	0.10 282	0.08 198	0.06 98

ttt	0.14 186	0.08 140	0.14 154	0.15 38	0.08 47	0.15 175	0.18 231	0.27 233	0.29 249	0.16 173	0.24 196	0.17 181	0.13 170	0.13 133	0.14 185	0.11 287	0.08 268	0.09 226	0.08 211	0.09 246	0.08 217

1111x	0.15 219	0.08 140	0.12 90	0.18 182	0.07 18	0.18 233	0.25 335	0.31 277	0.24 192	0.17 185	0.24 196	0.26 269	0.15 206	0.13 133	0.23 300	0.07 141	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

test croco	0.10 50	0.08 140	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.14 15	0.13 41	0.13 104	0.15 94	0.09 37	0.12 138	0.13 133	0.12 127	0.07 141	0.05 106	0.09 226	0.06 86	0.06 101	0.06 98

knoymous	0.11 80	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 116	0.13 41	0.11 59	0.17 120	0.13 112	0.09 67	0.13 133	0.11 85	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

RAFT_CTSACE	0.12 135	0.09 190	0.10 44	0.22 305	0.08 47	0.12 104	0.24 321	0.18 96	0.16 87	0.20 241	0.27 247	0.13 112	0.07 31	0.13 133	0.09 19	0.05 2	0.06 189	0.08 162	0.07 161	0.04 1	0.04 7

MIPNet	0.11 80	0.08 140	0.14 154	0.17 115	0.09 131	0.12 104	0.14 69	0.20 123	0.24 192	0.11 59	0.10 38	0.09 37	0.07 31	0.13 133	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

GwcNet-ADL	0.13 157	0.08 140	0.14 154	0.20 268	0.09 131	0.11 82	0.20 277	0.30 271	0.24 192	0.13 104	0.14 80	0.18 192	0.14 193	0.13 133	0.14 185	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

HHNet	0.11 80	0.06 19	0.16 221	0.15 38	0.14 317	0.07 16	0.13 43	0.20 123	0.17 99	0.14 124	0.25 225	0.11 74	0.08 49	0.13 133	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 250

NRIStereo	0.11 80	0.08 140	0.14 154	0.18 182	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 83	0.14 80	0.13 112	0.12 138	0.13 133	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 157

FTStereo	0.12 135	0.06 19	0.14 154	0.18 182	0.09 131	0.07 16	0.15 115	0.21 140	0.18 116	0.12 83	0.24 196	0.12 89	0.12 138	0.13 133	0.13 157	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 269

ASMatch	0.11 80	0.06 19	0.13 128	0.16 68	0.10 216	0.07 16	0.14 69	0.17 72	0.17 99	0.12 83	0.16 102	0.16 162	0.10 88	0.13 133	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 217

RAFT-RH_RVC	0.11 80	0.06 19	0.14 154	0.16 68	0.09 131	0.12 104	0.12 21	0.17 72	0.12 25	0.13 104	0.41 341	0.11 74	0.10 88	0.13 133	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 116	0.14 58	0.13 104	0.11 53	0.09 37	0.08 49	0.13 133	0.10 49	0.08 190	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 140	0.23 182	0.11 59	0.12 61	0.14 127	0.11 109	0.13 133	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 71	0.10 58	0.07 31	0.13 133	0.10 49	0.15 345	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

CoDeX	0.12 135	0.07 69	0.12 90	0.17 115	0.08 47	0.12 104	0.15 115	0.23 173	0.27 231	0.13 104	0.17 120	0.16 162	0.11 109	0.14 148	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

ff1	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

mmx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

xxx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

anonymousdsp2	0.11 80	0.07 69	0.10 44	0.16 68	0.09 131	0.13 129	0.14 69	0.18 96	0.22 173	0.13 104	0.14 80	0.12 89	0.09 67	0.14 148	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

CASS	0.13 157	0.12 271	0.11 70	0.23 324	0.09 131	0.15 175	0.17 191	0.18 96	0.19 128	0.17 185	0.18 142	0.15 151	0.15 206	0.14 148	0.14 185	0.09 235	0.06 189	0.10 267	0.08 211	0.09 246	0.07 157
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 157	0.07 69	0.13 128	0.18 182	0.09 131	0.13 129	0.17 191	0.19 116	0.29 249	0.15 148	0.24 196	0.15 151	0.14 193	0.14 148	0.14 185	0.07 141	0.05 106	0.07 98	0.09 250	0.05 40	0.06 98

riskmin	0.11 80	0.06 19	0.13 128	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 59	0.14 80	0.16 162	0.11 109	0.14 148	0.12 127	0.09 235	0.05 106	0.07 98	0.05 31	0.08 198	0.08 217

IPLG	0.10 50	0.07 69	0.15 191	0.17 115	0.08 47	0.11 82	0.14 69	0.20 123	0.15 69	0.12 83	0.17 120	0.07 17	0.07 31	0.14 148	0.13 157	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

sCroCo_RVC	0.12 135	0.09 190	0.23 299	0.24 329	0.11 254	0.19 253	0.14 69	0.17 72	0.14 58	0.10 40	0.13 71	0.12 89	0.07 31	0.14 148	0.11 85	0.08 190	0.08 268	0.08 162	0.08 211	0.05 40	0.07 157

SFCPSM	0.13 157	0.07 69	0.14 154	0.17 115	0.09 131	0.15 175	0.16 170	0.28 247	0.27 231	0.14 124	0.17 120	0.12 89	0.13 170	0.14 148	0.11 85	0.08 190	0.05 106	0.07 98	0.07 161	0.07 155	0.06 98

FENet	0.13 157	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 156	0.23 182	0.17 185	0.23 188	0.16 162	0.12 138	0.14 148	0.15 208	0.08 190	0.05 106	0.08 162	0.08 211	0.07 155	0.07 157

cf-r	0.13 157	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 262	0.20 123	0.25 211	0.17 185	0.25 225	0.21 216	0.16 226	0.14 148	0.14 185	0.10 266	0.05 106	0.06 31	0.08 211	0.06 101	0.06 98

GwcNet-RSSM	0.14 186	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 277	0.21 140	0.27 231	0.18 211	0.27 247	0.22 233	0.16 226	0.14 148	0.15 208	0.10 266	0.05 106	0.07 98	0.09 250	0.07 155	0.07 157

FADNet_RVC	0.16 237	0.14 304	0.40 353	0.20 268	0.11 254	0.13 129	0.13 43	0.26 215	0.22 173	0.21 249	0.23 188	0.20 210	0.17 245	0.14 148	0.16 222	0.08 190	0.08 268	0.12 309	0.09 250	0.11 288	0.10 269

iResNetv2_ROB	0.14 186	0.08 140	0.15 191	0.16 68	0.08 47	0.16 199	0.12 21	0.25 203	0.35 292	0.21 249	0.29 267	0.24 251	0.13 170	0.14 148	0.14 185	0.06 54	0.05 106	0.06 31	0.04 8	0.09 246	0.08 217

MLCV	0.12 135	0.07 69	0.16 221	0.18 182	0.06 2	0.15 175	0.17 191	0.19 116	0.21 162	0.18 211	0.25 225	0.17 181	0.13 170	0.14 148	0.13 157	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

iResNet	0.13 157	0.10 237	0.18 263	0.19 227	0.08 47	0.13 129	0.18 231	0.20 123	0.26 224	0.15 148	0.23 188	0.15 151	0.13 170	0.14 148	0.14 185	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

SMFormer	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

MyStereo05	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.13 129	0.18 231	0.27 233	0.35 292	0.17 185	0.14 80	0.15 151	0.11 109	0.15 166	0.13 157	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

MyStereo04	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.29 257	0.38 308	0.17 185	0.14 80	0.16 162	0.10 88	0.15 166	0.13 157	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

1test111	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 166	0.16 222	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

11t1	0.12 135	0.06 19	0.13 128	0.14 13	0.08 47	0.17 218	0.15 115	0.18 96	0.15 69	0.15 148	0.15 94	0.16 162	0.16 226	0.15 166	0.13 157	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 89	0.09 67	0.15 166	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

gwcnet-sp	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

scenet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

DCRE	0.11 80	0.07 69	0.13 128	0.16 68	0.11 254	0.11 82	0.17 191	0.18 96	0.17 99	0.11 59	0.18 142	0.10 58	0.10 88	0.15 166	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

Selective-RAFT	0.11 80	0.10 237	0.11 70	0.21 292	0.08 47	0.16 199	0.13 43	0.20 123	0.22 173	0.10 40	0.10 38	0.11 74	0.10 88	0.15 166	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

ssnet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

qqq	0.13 157	0.09 190	0.15 191	0.16 68	0.08 47	0.13 129	0.15 115	0.23 173	0.16 87	0.15 148	0.19 148	0.16 162	0.16 226	0.15 166	0.16 222	0.07 141	0.06 189	0.08 162	0.08 211	0.07 155	0.07 157

BUS	0.14 186	0.09 190	0.14 154	0.22 305	0.10 216	0.19 253	0.14 69	0.34 313	0.19 128	0.17 185	0.22 182	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

NINENet	0.16 237	0.10 237	0.15 191	0.17 115	0.11 254	0.19 253	0.14 69	0.40 352	0.36 297	0.18 211	0.21 173	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.08 268	0.10 267	0.07 161	0.10 273	0.09 250

BSDual-CNN	0.15 219	0.09 190	0.14 154	0.22 305	0.10 216	0.14 153	0.15 115	0.34 313	0.19 128	0.17 185	0.22 182	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

psmg	0.14 186	0.09 190	0.14 154	0.17 115	0.10 216	0.15 175	0.17 191	0.29 257	0.19 128	0.17 185	0.21 173	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.08 162	0.08 211	0.07 155	0.06 98

Anonymous3	0.16 237	0.13 292	0.33 336	0.26 345	0.14 317	0.27 330	0.17 191	0.28 247	0.28 242	0.15 148	0.17 120	0.14 127	0.10 88	0.15 166	0.12 127	0.08 190	0.08 268	0.08 162	0.08 211	0.08 198	0.11 292

HCRNet	0.16 237	0.24 360	0.12 90	0.35 376	0.11 254	0.15 175	0.17 191	0.26 215	0.22 173	0.19 224	0.24 196	0.21 216	0.14 193	0.15 166	0.13 157	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

222	0.16 237	0.07 69	0.14 154	0.14 13	0.08 47	0.24 305	0.18 231	0.30 271	0.20 149	0.17 185	0.28 256	0.17 181	0.16 226	0.15 166	0.40 376	0.10 266	0.05 106	0.07 98	0.06 86	0.07 155	0.08 217

xxxx	0.15 219	0.07 69	0.14 154	0.14 13	0.08 47	0.23 300	0.18 231	0.31 277	0.19 128	0.14 124	0.28 256	0.22 233	0.14 193	0.15 166	0.26 329	0.09 235	0.05 106	0.07 98	0.07 161	0.08 198	0.07 157

test_xeample	0.15 219	0.06 19	0.13 128	0.14 13	0.08 47	0.21 279	0.20 277	0.28 247	0.20 149	0.16 173	0.29 267	0.19 200	0.16 226	0.15 166	0.26 329	0.09 235	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

ARAFT	0.12 135	0.08 140	0.17 246	0.19 227	0.09 131	0.14 153	0.18 231	0.20 123	0.12 25	0.12 83	0.13 71	0.14 127	0.11 109	0.15 166	0.12 127	0.06 54	0.05 106	0.10 267	0.09 250	0.05 40	0.04 7

RAFT + AFF	0.13 157	0.07 69	0.20 280	0.20 268	0.10 216	0.14 153	0.24 321	0.26 215	0.20 149	0.11 59	0.10 38	0.12 89	0.10 88	0.15 166	0.12 127	0.07 141	0.06 189	0.09 226	0.08 211	0.06 101	0.08 217

PSMNet-RSSM	0.14 186	0.07 69	0.13 128	0.15 38	0.08 47	0.13 129	0.16 170	0.24 190	0.24 192	0.16 173	0.28 256	0.22 233	0.14 193	0.15 166	0.13 157	0.11 287	0.06 189	0.09 226	0.12 323	0.08 198	0.07 157

DMCA	0.14 186	0.09 190	0.16 221	0.19 227	0.09 131	0.15 175	0.17 191	0.23 173	0.27 231	0.14 124	0.19 148	0.17 181	0.18 254	0.15 166	0.17 233	0.10 266	0.06 189	0.08 162	0.06 86	0.09 246	0.10 269

DIP-Stereo	0.11 80	0.07 69	0.14 154	0.17 115	0.09 131	0.13 129	0.09 3	0.16 42	0.16 87	0.11 59	0.16 102	0.14 127	0.12 138	0.15 166	0.13 157	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 104	0.16 102	0.14 127	0.11 109	0.15 166	0.13 157	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
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_ROB	0.14 186	0.07 69	0.13 128	0.14 13	0.07 18	0.18 233	0.14 69	0.26 215	0.31 262	0.22 262	0.25 225	0.23 245	0.15 206	0.15 166	0.13 157	0.07 141	0.05 106	0.05 2	0.04 8	0.08 198	0.08 217

MyStereo8	0.12 135	0.07 69	0.15 191	0.15 38	0.09 131	0.18 233	0.14 69	0.19 116	0.22 173	0.12 83	0.18 142	0.11 74	0.10 88	0.16 197	0.18 247	0.07 141	0.05 106	0.07 98	0.05 31	0.08 198	0.09 250

mmm	0.14 186	0.08 140	0.17 246	0.17 115	0.09 131	0.17 218	0.18 231	0.21 140	0.15 69	0.15 148	0.23 188	0.21 216	0.16 226	0.16 197	0.17 233	0.08 190	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

StereoVision	0.13 157	0.12 271	0.09 28	0.24 329	0.10 216	0.15 175	0.21 293	0.21 140	0.20 149	0.12 83	0.24 196	0.10 58	0.10 88	0.16 197	0.10 49	0.09 235	0.11 319	0.12 309	0.12 323	0.06 101	0.05 51

LL-Strereo2	0.10 50	0.10 237	0.15 191	0.18 182	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 124	0.10 38	0.09 37	0.07 31	0.16 197	0.10 49	0.05 2	0.05 106	0.10 267	0.07 161	0.06 101	0.05 51

CBFPSM	0.14 186	0.06 19	0.26 309	0.17 115	0.09 131	0.13 129	0.15 115	0.22 156	0.23 182	0.20 241	0.27 247	0.24 251	0.16 226	0.16 197	0.18 247	0.06 54	0.06 189	0.06 31	0.07 161	0.07 155	0.07 157

IER	0.14 186	0.07 69	0.13 128	0.17 115	0.09 131	0.14 153	0.16 170	0.25 203	0.26 224	0.18 211	0.25 225	0.17 181	0.20 277	0.16 197	0.14 185	0.08 190	0.05 106	0.07 98	0.06 86	0.08 198	0.07 157

CIPLG	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.11 53	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

UDGNet	0.14 186	0.13 292	0.16 221	0.17 115	0.10 216	0.12 104	0.16 170	0.21 140	0.27 231	0.20 241	0.20 159	0.16 162	0.13 170	0.16 197	0.13 157	0.10 266	0.06 189	0.09 226	0.07 161	0.06 101	0.07 157

DAS	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.16 197	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

IPLGR_C	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

GANet-ADL	0.13 157	0.07 69	0.15 191	0.17 115	0.10 216	0.18 233	0.15 115	0.30 271	0.20 149	0.13 104	0.18 142	0.19 200	0.12 138	0.16 197	0.13 157	0.08 190	0.06 189	0.06 31	0.05 31	0.07 155	0.08 217

RAFT	0.13 157	0.09 190	0.11 70	0.18 182	0.08 47	0.15 175	0.24 321	0.20 123	0.19 128	0.21 249	0.21 173	0.17 181	0.12 138	0.16 197	0.09 19	0.06 54	0.07 246	0.10 267	0.09 250	0.05 40	0.05 51

TestStereo	0.13 157	0.14 304	0.11 70	0.23 324	0.08 47	0.15 175	0.21 293	0.20 123	0.23 182	0.14 124	0.24 196	0.16 162	0.12 138	0.16 197	0.14 185	0.05 2	0.06 189	0.08 162	0.06 86	0.09 246	0.05 51

Anonymous	0.14 186	0.10 237	0.24 302	0.22 305	0.13 300	0.18 233	0.22 302	0.20 123	0.19 128	0.14 124	0.12 61	0.11 74	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.08 162	0.08 211	0.12 302	0.10 269

GES	0.14 186	0.08 140	0.16 221	0.15 38	0.10 216	0.13 129	0.13 43	0.28 247	0.25 211	0.16 173	0.23 188	0.18 192	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.07 98	0.06 86	0.08 198	0.09 250

GMStereo	0.13 157	0.14 304	0.14 154	0.18 182	0.09 131	0.15 175	0.16 170	0.20 123	0.24 192	0.16 173	0.17 120	0.10 58	0.10 88	0.16 197	0.13 157	0.07 141	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
GANet-RSSM	0.14 186	0.07 69	0.13 128	0.13 6	0.08 47	0.14 153	0.17 191	0.22 156	0.21 162	0.17 185	0.24 196	0.23 245	0.15 206	0.16 197	0.15 208	0.10 266	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

CFNet-ft	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

FADNet-RVC-Resample	0.16 237	0.11 257	0.31 331	0.22 305	0.11 254	0.19 253	0.14 69	0.25 203	0.24 192	0.24 282	0.27 247	0.20 210	0.15 206	0.16 197	0.15 208	0.07 141	0.08 268	0.12 309	0.10 282	0.09 246	0.10 269

BEATNet_4x	0.12 135	0.08 140	0.14 154	0.18 182	0.07 18	0.15 175	0.07 1	0.22 156	0.18 116	0.16 173	0.19 148	0.18 192	0.14 193	0.16 197	0.15 208	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

CFNet_RVC	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

PCWNet_CMD	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 297	0.14 124	0.20 159	0.21 216	0.12 138	0.17 219	0.13 157	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

hknet	0.15 219	0.11 257	0.13 128	0.22 305	0.11 254	0.14 153	0.15 115	0.34 313	0.25 211	0.17 185	0.22 182	0.22 233	0.18 254	0.17 219	0.12 127	0.07 141	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

AASNet	0.16 237	0.08 140	0.12 90	0.19 227	0.09 131	0.18 233	0.15 115	0.37 337	0.37 303	0.19 224	0.23 188	0.20 210	0.16 226	0.17 219	0.20 262	0.10 266	0.08 268	0.08 162	0.07 161	0.09 246	0.09 250

ICVP	0.15 219	0.09 190	0.12 90	0.22 305	0.09 131	0.17 218	0.21 293	0.25 203	0.23 182	0.18 211	0.30 271	0.26 269	0.18 254	0.17 219	0.14 185	0.09 235	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 256	0.09 190	0.16 221	0.20 268	0.11 254	0.27 330	0.20 277	0.25 203	0.41 320	0.22 262	0.30 271	0.21 216	0.20 277	0.17 219	0.20 262	0.06 54	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

ACVNet	0.15 219	0.09 190	0.15 191	0.13 6	0.12 283	0.14 153	0.20 277	0.22 156	0.33 274	0.17 185	0.26 240	0.21 216	0.16 226	0.17 219	0.21 281	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

acv_ft	0.15 219	0.09 190	0.15 191	0.19 227	0.10 216	0.16 199	0.17 191	0.25 203	0.33 274	0.19 224	0.26 240	0.21 216	0.17 245	0.17 219	0.18 247	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

MSMDNet	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 297	0.14 124	0.21 173	0.21 216	0.12 138	0.17 219	0.14 185	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

HSM-Net_RVC	0.14 186	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 233	0.29 249	0.19 224	0.21 173	0.29 290	0.14 193	0.17 219	0.13 157	0.06 54	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 219	0.10 237	0.17 246	0.17 115	0.08 47	0.18 233	0.09 3	0.28 247	0.25 211	0.19 224	0.24 196	0.24 251	0.17 245	0.17 219	0.14 185	0.08 190	0.06 189	0.09 226	0.10 282	0.07 155	0.06 98

UCFNet_RVC	0.14 186	0.08 140	0.13 128	0.11 1	0.10 216	0.20 265	0.10 6	0.24 190	0.22 173	0.17 185	0.20 159	0.23 245	0.15 206	0.17 219	0.15 208	0.12 311	0.07 246	0.10 267	0.13 332	0.11 288	0.10 269

whm_eth	0.14 186	0.09 190	0.20 280	0.20 268	0.12 283	0.12 104	0.15 115	0.18 96	0.28 242	0.17 185	0.32 283	0.09 37	0.12 138	0.18 230	0.14 185	0.07 141	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157

CFNet_ucs	0.15 219	0.08 140	0.16 221	0.16 68	0.11 254	0.14 153	0.14 69	0.30 271	0.34 285	0.16 173	0.24 196	0.23 245	0.14 193	0.18 230	0.15 208	0.09 235	0.06 189	0.08 162	0.07 161	0.09 246	0.09 250

iinet-f	0.16 237	0.06 19	0.45 358	0.14 13	0.10 216	0.21 279	0.14 69	0.27 233	0.23 182	0.21 249	0.24 196	0.21 216	0.15 206	0.18 230	0.21 281	0.09 235	0.07 246	0.07 98	0.06 86	0.09 246	0.10 269

x	0.13 157	0.07 69	0.14 154	0.14 13	0.08 47	0.18 233	0.14 69	0.22 156	0.20 149	0.15 148	0.19 148	0.19 200	0.17 245	0.18 230	0.18 247	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 157

GLC_STEREO	0.11 80	0.07 69	0.11 70	0.17 115	0.07 18	0.09 35	0.13 43	0.15 26	0.24 192	0.12 83	0.13 71	0.12 89	0.08 49	0.18 230	0.11 85	0.06 54	0.08 268	0.08 162	0.06 86	0.05 40	0.05 51

PSMNet-ADL	0.15 219	0.12 271	0.13 128	0.22 305	0.09 131	0.13 129	0.20 277	0.26 215	0.23 182	0.18 211	0.20 159	0.24 251	0.16 226	0.18 230	0.17 233	0.08 190	0.08 268	0.08 162	0.11 305	0.08 198	0.07 157

CFNet_pseudo	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.13 129	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 157

ADLNet	0.16 237	0.08 140	0.15 191	0.16 68	0.10 216	0.16 199	0.17 191	0.32 286	0.27 231	0.22 262	0.27 247	0.24 251	0.16 226	0.18 230	0.21 281	0.10 266	0.06 189	0.10 267	0.10 282	0.08 198	0.09 250

DMCA-RVC	0.17 256	0.10 237	0.15 191	0.24 329	0.11 254	0.18 233	0.18 231	0.25 203	0.24 192	0.21 249	0.26 240	0.25 261	0.27 321	0.18 230	0.20 262	0.12 311	0.08 268	0.13 323	0.10 282	0.10 273	0.08 217

ccs_rob	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.12 104	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

pmcnn	0.15 219	0.07 69	0.19 272	0.15 38	0.07 18	0.20 265	0.15 115	0.24 190	0.26 224	0.21 249	0.34 300	0.28 283	0.18 254	0.18 230	0.17 233	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

GMStereo_Zeroshot	0.16 237	0.13 292	0.24 302	0.20 268	0.10 216	0.17 218	0.13 43	0.29 257	0.25 211	0.23 274	0.32 283	0.25 261	0.11 109	0.19 241	0.14 185	0.09 235	0.06 189	0.11 294	0.06 86	0.12 302	0.08 217

LL-Strereo	0.13 157	0.09 190	0.11 70	0.20 268	0.10 216	0.11 82	0.18 231	0.32 286	0.24 192	0.15 148	0.15 94	0.14 127	0.13 170	0.19 241	0.11 85	0.06 54	0.04 2	0.09 226	0.08 211	0.04 1	0.05 51

SDNR	0.19 278	0.08 140	0.19 272	0.16 68	0.12 283	0.77 399	0.14 69	0.25 203	0.32 268	0.19 224	0.24 196	0.19 200	0.13 170	0.19 241	0.15 208	0.16 356	0.18 364	0.14 333	0.11 305	0.08 198	0.11 292

ToySt	0.17 256	0.11 257	0.18 263	0.17 115	0.11 254	0.16 199	0.25 335	0.24 190	0.33 274	0.19 224	0.24 196	0.26 269	0.24 302	0.19 241	0.20 262	0.07 141	0.08 268	0.09 226	0.10 282	0.09 246	0.08 217

CRFU-Net	0.16 237	0.08 140	0.14 154	0.17 115	0.09 131	0.19 253	0.14 69	0.26 215	0.20 149	0.28 317	0.27 247	0.29 290	0.17 245	0.19 241	0.17 233	0.09 235	0.09 291	0.07 98	0.07 161	0.08 198	0.08 217

dad	0.17 256	0.20 346	0.20 280	0.16 68	0.11 254	0.20 265	0.18 231	0.21 140	0.28 242	0.30 326	0.24 196	0.29 290	0.13 170	0.19 241	0.16 222	0.18 362	0.09 291	0.11 294	0.09 250	0.11 288	0.07 157

AACVNet	0.16 237	0.08 140	0.14 154	0.15 38	0.10 216	0.18 233	0.15 115	0.23 173	0.24 192	0.27 306	0.27 247	0.28 283	0.17 245	0.19 241	0.16 222	0.09 235	0.07 246	0.09 226	0.07 161	0.10 273	0.09 250

Syn2CoEx	0.21 296	0.16 317	0.27 315	0.29 366	0.14 317	0.26 323	0.20 277	0.33 303	0.31 262	0.28 317	0.36 307	0.27 276	0.25 310	0.19 241	0.24 310	0.16 356	0.12 328	0.14 333	0.11 305	0.09 246	0.08 217

delet	0.17 256	0.08 140	0.17 246	0.19 227	0.11 254	0.20 265	0.21 293	0.30 271	0.37 303	0.17 185	0.26 240	0.19 200	0.19 269	0.19 241	0.21 281	0.08 190	0.08 268	0.09 226	0.11 305	0.06 101	0.06 98

UNet	0.17 256	0.09 190	0.18 263	0.19 227	0.12 283	0.27 330	0.19 262	0.33 303	0.29 249	0.21 249	0.24 196	0.23 245	0.19 269	0.19 241	0.18 247	0.07 141	0.06 189	0.08 162	0.07 161	0.08 198	0.06 98

UPFNet	0.16 237	0.08 140	0.12 90	0.20 268	0.12 283	0.20 265	0.23 312	0.28 247	0.26 224	0.17 185	0.24 196	0.22 233	0.19 269	0.19 241	0.21 281	0.09 235	0.07 246	0.08 162	0.09 250	0.08 198	0.06 98

ac_64	0.16 237	0.08 140	0.15 191	0.18 182	0.10 216	0.22 287	0.18 231	0.24 190	0.21 162	0.18 211	0.24 196	0.29 290	0.18 254	0.19 241	0.22 290	0.09 235	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

HGLStereo	0.17 256	0.08 140	0.19 272	0.17 115	0.12 283	0.18 233	0.18 231	0.31 277	0.32 268	0.21 249	0.32 283	0.25 261	0.18 254	0.19 241	0.20 262	0.09 235	0.09 291	0.07 98	0.07 161	0.09 246	0.10 269

DSFCA	0.16 237	0.09 190	0.14 154	0.16 68	0.10 216	0.20 265	0.19 262	0.28 247	0.31 262	0.23 274	0.24 196	0.22 233	0.15 206	0.19 241	0.20 262	0.10 266	0.07 246	0.09 226	0.09 250	0.08 198	0.08 217

FADNet	0.21 296	0.22 356	0.36 345	0.18 182	0.17 351	0.24 305	0.13 43	0.31 277	0.31 262	0.23 274	0.25 225	0.27 276	0.21 281	0.19 241	0.15 208	0.13 331	0.15 354	0.12 309	0.15 347	0.16 349	0.18 362

S-Stereo	0.20 287	0.12 271	0.25 308	0.21 292	0.13 300	0.20 265	0.18 231	0.32 286	0.43 331	0.23 274	0.36 307	0.28 283	0.30 341	0.19 241	0.22 290	0.09 235	0.12 328	0.10 267	0.10 282	0.13 319	0.13 317

MaskLacGwcNet_RVC	0.22 305	0.21 352	0.24 302	0.26 345	0.11 254	0.23 300	0.14 69	0.39 348	0.24 192	0.32 338	0.36 307	0.30 298	0.21 281	0.19 241	0.21 281	0.17 360	0.14 348	0.21 363	0.16 349	0.12 302	0.12 303

AdaStereo	0.15 219	0.11 257	0.15 191	0.18 182	0.09 131	0.20 265	0.11 11	0.32 286	0.28 242	0.20 241	0.23 188	0.20 210	0.13 170	0.19 241	0.14 185	0.12 311	0.05 106	0.10 267	0.07 161	0.09 246	0.07 157
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.
DLCB_ROB	0.18 268	0.10 237	0.15 191	0.23 324	0.11 254	0.24 305	0.18 231	0.29 257	0.28 242	0.27 306	0.28 256	0.28 283	0.24 302	0.19 241	0.20 262	0.08 190	0.08 268	0.09 226	0.09 250	0.07 155	0.07 157

Wz-Net-LNSev-Ref	0.18 268	0.09 190	0.29 326	0.15 38	0.10 216	0.22 287	0.20 277	0.26 215	0.39 311	0.25 295	0.42 346	0.24 251	0.15 206	0.20 260	0.19 256	0.07 141	0.05 106	0.06 31	0.05 31	0.10 273	0.09 250

iRaft-Stereo_5w	0.12 135	0.09 190	0.12 90	0.19 227	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.19 224	0.14 80	0.11 74	0.09 67	0.20 260	0.16 222	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

UDG	0.21 296	0.17 328	0.19 272	0.23 324	0.15 328	0.30 342	0.20 277	0.33 303	0.35 292	0.23 274	0.28 256	0.31 308	0.27 321	0.20 260	0.22 290	0.15 345	0.12 328	0.13 323	0.09 250	0.14 331	0.14 334

LMCR-Stereo	0.15 219	0.08 140	0.13 128	0.21 292	0.09 131	0.17 218	0.20 277	0.27 233	0.19 128	0.24 282	0.24 196	0.23 245	0.17 245	0.20 260	0.17 233	0.07 141	0.06 189	0.08 162	0.06 86	0.10 273	0.08 217

pcwnet_v2	0.19 278	0.10 237	0.26 309	0.17 115	0.14 317	0.18 233	0.15 115	0.37 337	0.46 343	0.19 224	0.24 196	0.21 216	0.19 269	0.20 260	0.19 256	0.13 331	0.10 309	0.10 267	0.10 282	0.11 288	0.13 317

psm_up	0.18 268	0.10 237	0.18 263	0.20 268	0.11 254	0.17 218	0.19 262	0.37 337	0.34 285	0.21 249	0.28 256	0.29 290	0.24 302	0.20 260	0.22 290	0.09 235	0.10 309	0.11 294	0.11 305	0.08 198	0.08 217

aanetorigin	0.22 305	0.17 328	0.56 372	0.17 115	0.10 216	0.15 175	0.19 262	0.20 123	0.33 274	0.49 372	0.48 356	0.29 290	0.27 321	0.20 260	0.23 300	0.08 190	0.07 246	0.08 162	0.07 161	0.10 273	0.09 250

STTStereo	0.18 268	0.12 271	0.27 315	0.20 268	0.11 254	0.16 199	0.21 293	0.29 257	0.23 182	0.21 249	0.30 271	0.29 290	0.18 254	0.20 260	0.19 256	0.12 311	0.11 319	0.11 294	0.14 336	0.09 246	0.08 217

RASNet	0.14 186	0.07 69	0.14 154	0.16 68	0.08 47	0.18 233	0.14 69	0.29 257	0.20 149	0.17 185	0.25 225	0.21 216	0.18 254	0.20 260	0.19 256	0.07 141	0.06 189	0.06 31	0.08 211	0.06 101	0.06 98

RYNet	0.22 305	0.12 271	0.22 290	0.19 227	0.17 351	0.46 370	0.26 341	0.38 344	0.48 345	0.24 282	0.28 256	0.34 326	0.23 296	0.20 260	0.30 351	0.10 266	0.06 189	0.09 226	0.09 250	0.13 319	0.15 342

PA-Net	0.23 320	0.18 338	0.33 336	0.28 359	0.22 367	0.21 279	0.38 383	0.29 257	0.39 311	0.22 262	0.32 283	0.25 261	0.26 313	0.20 260	0.25 319	0.09 235	0.23 380	0.15 341	0.22 367	0.09 246	0.13 317
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DeepPruner_ROB	0.16 237	0.11 257	0.15 191	0.17 115	0.10 216	0.17 218	0.15 115	0.32 286	0.21 162	0.19 224	0.21 173	0.22 233	0.18 254	0.20 260	0.15 208	0.13 331	0.09 291	0.09 226	0.09 250	0.11 288	0.10 269

PS-NSSS	0.20 287	0.21 352	0.23 299	0.20 268	0.10 216	0.19 253	0.17 191	0.36 332	0.25 211	0.27 306	0.33 296	0.27 276	0.24 302	0.20 260	0.20 262	0.15 345	0.12 328	0.17 350	0.14 336	0.10 273	0.08 217

HSM	0.15 219	0.08 140	0.14 154	0.16 68	0.09 131	0.16 199	0.14 69	0.28 247	0.25 211	0.19 224	0.23 188	0.37 336	0.16 226	0.20 260	0.15 208	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

StereoDRNet	0.18 268	0.11 257	0.17 246	0.22 305	0.11 254	0.21 279	0.22 302	0.37 337	0.33 274	0.24 282	0.28 256	0.30 298	0.19 269	0.20 260	0.20 262	0.09 235	0.08 268	0.11 294	0.09 250	0.09 246	0.07 157

LE_ROB	0.50 382	0.07 69	0.14 154	0.15 38	0.08 47	0.24 305	0.16 170	0.22 156	1.81 413	4.63 417	0.67 378	0.47 369	0.44 375	0.20 260	0.29 347	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

fast-acv-ft	0.18 268	0.11 257	0.19 272	0.19 227	0.12 283	0.24 305	0.21 293	0.25 203	0.34 285	0.22 262	0.34 300	0.27 276	0.20 277	0.21 276	0.23 300	0.09 235	0.09 291	0.08 162	0.10 282	0.08 198	0.07 157

CSP-Net	0.16 237	0.09 190	0.14 154	0.16 68	0.09 131	0.19 253	0.17 191	0.25 203	0.32 268	0.25 295	0.30 271	0.24 251	0.15 206	0.21 276	0.18 247	0.09 235	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

dd	0.15 219	0.16 317	0.16 221	0.19 227	0.09 131	0.15 175	0.18 231	0.21 140	0.25 211	0.23 274	0.20 159	0.21 216	0.09 67	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.06 86	0.08 198	0.06 98

ADLNet2	0.16 237	0.09 190	0.13 128	0.16 68	0.09 131	0.20 265	0.16 170	0.31 277	0.39 311	0.16 173	0.20 159	0.20 210	0.18 254	0.21 276	0.22 290	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.07 157

GEStereo_RVC	0.17 256	0.12 271	0.15 191	0.22 305	0.11 254	0.19 253	0.17 191	0.32 286	0.48 345	0.20 241	0.25 225	0.17 181	0.13 170	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.07 161	0.09 246	0.08 217

FAT-Stereo	0.20 287	0.12 271	0.22 290	0.21 292	0.12 283	0.17 218	0.18 231	0.34 313	0.39 311	0.27 306	0.37 313	0.34 326	0.32 349	0.21 276	0.20 262	0.09 235	0.11 319	0.10 267	0.09 250	0.11 288	0.14 334

DeepPrunerF	0.24 328	0.17 328	0.42 356	0.26 345	0.16 338	0.22 287	0.28 353	0.37 337	0.50 352	0.26 300	0.29 267	0.24 251	0.28 329	0.21 276	0.22 290	0.15 345	0.11 319	0.20 362	0.18 360	0.12 302	0.13 317

NLCA_NET_v2_RVC	0.17 256	0.10 237	0.22 290	0.20 268	0.10 216	0.15 175	0.18 231	0.31 277	0.25 211	0.21 249	0.30 271	0.25 261	0.17 245	0.21 276	0.20 262	0.09 235	0.06 189	0.08 162	0.08 211	0.07 155	0.08 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 256	0.12 271	0.15 191	0.20 268	0.09 131	0.18 233	0.18 231	0.26 215	0.23 182	0.26 300	0.40 331	0.22 233	0.17 245	0.21 276	0.20 262	0.08 190	0.05 106	0.09 226	0.10 282	0.07 155	0.07 157
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 278	0.12 271	0.18 263	0.16 68	0.12 283	0.15 175	0.12 21	0.30 271	0.32 268	0.20 241	0.22 182	0.27 276	0.23 296	0.21 276	0.16 222	0.16 356	0.18 364	0.23 368	0.21 364	0.12 302	0.13 317

PSMNet_ROB	0.21 296	0.11 257	0.15 191	0.27 356	0.15 328	0.24 305	0.35 378	0.43 365	0.37 303	0.27 306	0.32 283	0.32 317	0.22 290	0.21 276	0.26 329	0.12 311	0.08 268	0.13 323	0.11 305	0.09 246	0.09 250

ssnet_v2	0.17 256	0.10 237	0.17 246	0.17 115	0.11 254	0.21 279	0.21 293	0.33 303	0.25 211	0.22 262	0.22 182	0.27 276	0.18 254	0.22 287	0.20 262	0.11 287	0.09 291	0.09 226	0.09 250	0.08 198	0.08 217

Wz-Net-LNSev	0.22 305	0.16 317	0.38 349	0.21 292	0.13 300	0.25 315	0.23 312	0.32 286	0.43 331	0.30 326	0.41 341	0.31 308	0.18 254	0.22 287	0.25 319	0.10 266	0.09 291	0.08 162	0.08 211	0.12 302	0.11 292

SACVNet	0.18 268	0.12 271	0.14 154	0.17 115	0.13 300	0.22 287	0.18 231	0.31 277	0.30 256	0.23 274	0.31 279	0.30 298	0.22 290	0.22 287	0.17 233	0.11 287	0.08 268	0.10 267	0.10 282	0.12 302	0.14 334

FINET	0.21 296	0.18 338	0.26 309	0.18 182	0.16 338	0.23 300	0.23 312	0.32 286	0.48 345	0.25 295	0.32 283	0.22 233	0.22 290	0.22 287	0.17 233	0.18 362	0.16 357	0.11 294	0.10 282	0.15 342	0.13 317

EDNetEfficient	0.29 353	0.24 360	1.13 402	0.18 182	0.10 216	0.19 253	0.20 277	0.20 123	0.60 373	0.74 391	0.56 371	0.31 308	0.39 363	0.22 287	0.30 351	0.09 235	0.07 246	0.08 162	0.07 161	0.11 288	0.09 250

GwcNet	0.20 287	0.13 292	0.19 272	0.18 182	0.12 283	0.24 305	0.19 262	0.35 326	0.43 331	0.20 241	0.32 283	0.33 320	0.20 277	0.22 287	0.24 310	0.11 287	0.09 291	0.09 226	0.09 250	0.09 246	0.10 269

FADNet-RVC	0.20 287	0.20 346	0.38 349	0.21 292	0.16 338	0.20 265	0.15 115	0.26 215	0.26 224	0.26 300	0.32 283	0.26 269	0.21 281	0.22 287	0.19 256	0.12 311	0.13 341	0.12 309	0.14 336	0.13 319	0.18 362

SuperB	0.20 287	0.10 237	0.56 372	0.16 68	0.09 131	0.18 233	0.18 231	0.24 190	0.50 352	0.26 300	0.39 326	0.17 181	0.21 281	0.22 287	0.21 281	0.08 190	0.06 189	0.06 31	0.06 86	0.12 302	0.10 269

AANet_RVC	0.16 237	0.10 237	0.10 44	0.18 182	0.09 131	0.18 233	0.19 262	0.26 215	0.31 262	0.22 262	0.35 304	0.21 216	0.21 281	0.22 287	0.16 222	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

NVstereo2D	0.19 278	0.10 237	0.15 191	0.17 115	0.15 328	0.28 336	0.23 312	0.44 367	0.42 326	0.15 148	0.27 247	0.25 261	0.19 269	0.22 287	0.17 233	0.09 235	0.06 189	0.10 267	0.08 211	0.15 342	0.09 250

DRN-Test	0.19 278	0.11 257	0.20 280	0.22 305	0.10 216	0.22 287	0.22 302	0.39 348	0.37 303	0.24 282	0.32 283	0.26 269	0.21 281	0.22 287	0.24 310	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

HBP-ISP	0.18 268	0.13 292	0.16 221	0.15 38	0.11 254	0.08 23	0.13 43	0.28 247	0.29 249	0.22 262	0.33 296	0.21 216	0.25 310	0.23 298	0.17 233	0.14 342	0.16 357	0.21 363	0.17 356	0.10 273	0.08 217

Wz-Net-SNSev	0.25 337	0.17 328	0.44 357	0.25 340	0.14 317	0.26 323	0.23 312	0.38 344	0.56 364	0.30 326	0.55 366	0.39 348	0.26 313	0.23 298	0.30 351	0.10 266	0.09 291	0.09 226	0.10 282	0.11 288	0.11 292

GANet	0.21 296	0.12 271	0.21 285	0.24 329	0.13 300	0.22 287	0.22 302	0.41 357	0.26 224	0.31 332	0.42 346	0.37 336	0.28 329	0.23 298	0.22 290	0.10 266	0.12 328	0.10 267	0.09 250	0.10 273	0.08 217

TDLM	0.17 256	0.12 271	0.13 128	0.24 329	0.10 216	0.18 233	0.18 231	0.36 332	0.30 256	0.21 249	0.28 256	0.28 283	0.18 254	0.23 298	0.18 247	0.11 287	0.07 246	0.10 267	0.10 282	0.08 198	0.08 217

CVANet_RVC	0.18 268	0.10 237	0.14 154	0.21 292	0.10 216	0.18 233	0.17 191	0.34 313	0.33 274	0.22 262	0.31 279	0.28 283	0.18 254	0.23 298	0.17 233	0.12 311	0.08 268	0.12 309	0.11 305	0.09 246	0.07 157

NCCL2	0.23 320	0.15 310	0.17 246	0.34 374	0.18 358	0.24 305	0.23 312	0.34 313	0.28 242	0.31 332	0.38 318	0.38 340	0.28 329	0.23 298	0.24 310	0.15 345	0.12 328	0.18 358	0.21 364	0.13 319	0.13 317

CBMV_ROB	0.19 278	0.13 292	0.17 246	0.16 68	0.11 254	0.15 175	0.13 43	0.26 215	0.28 242	0.27 306	0.30 271	0.27 276	0.24 302	0.23 298	0.16 222	0.15 345	0.17 362	0.22 367	0.20 362	0.10 273	0.11 292

SGM-Forest	0.20 287	0.14 304	0.18 263	0.19 227	0.13 300	0.20 265	0.22 302	0.33 303	0.30 256	0.24 282	0.29 267	0.28 283	0.19 269	0.23 298	0.17 233	0.15 345	0.16 357	0.15 341	0.14 336	0.12 302	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-MNSev	0.22 305	0.13 292	0.31 331	0.20 268	0.14 317	0.36 363	0.24 321	0.33 303	0.44 335	0.28 317	0.40 331	0.38 340	0.19 269	0.24 306	0.25 319	0.09 235	0.07 246	0.09 226	0.09 250	0.12 302	0.10 269

DDUNet	0.22 305	0.17 328	0.21 285	0.22 305	0.15 328	0.25 315	0.24 321	0.29 257	0.30 256	0.31 332	0.36 307	0.33 320	0.25 310	0.24 306	0.20 262	0.18 362	0.13 341	0.17 350	0.11 305	0.16 349	0.16 353

EDNetEfficientorigin	7.91 419	0.31 376	153.02 438	0.19 227	0.09 131	0.21 279	0.16 170	0.22 156	0.59 370	0.72 387	0.67 378	0.42 354	0.50 380	0.24 306	0.39 374	0.08 190	0.07 246	0.08 162	0.07 161	0.12 302	0.10 269

hitnet-ft	0.18 268	0.09 190	0.17 246	0.14 13	0.09 131	0.26 323	0.20 277	0.25 203	0.26 224	0.24 282	0.32 283	0.31 308	0.22 290	0.24 306	0.21 281	0.12 311	0.07 246	0.10 267	0.08 211	0.12 302	0.11 292

ADCRef	0.19 278	0.12 271	0.41 355	0.20 268	0.12 283	0.22 287	0.18 231	0.32 286	0.36 297	0.26 300	0.32 283	0.17 181	0.23 296	0.24 306	0.24 310	0.07 141	0.06 189	0.09 226	0.09 250	0.08 198	0.08 217

SepStereo	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.25 311	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

edge stereo	0.22 305	0.13 292	0.20 280	0.21 292	0.13 300	0.23 300	0.16 170	0.32 286	0.42 326	0.32 338	0.40 331	0.38 340	0.35 356	0.25 311	0.24 310	0.13 331	0.11 319	0.14 333	0.11 305	0.12 302	0.13 317

APVNet	0.22 305	0.12 271	0.19 272	0.18 182	0.14 317	0.32 345	0.31 374	0.39 348	0.32 268	0.27 306	0.40 331	0.30 298	0.29 337	0.26 313	0.25 319	0.11 287	0.12 328	0.11 294	0.14 336	0.12 302	0.12 303

MDST_ROB	0.22 305	0.10 237	0.17 246	0.18 182	0.11 254	0.37 364	0.19 262	0.43 365	0.41 320	0.39 354	0.39 326	0.29 290	0.21 281	0.26 313	0.18 247	0.11 287	0.10 309	0.14 333	0.11 305	0.10 273	0.08 217

XPNet_ROB	0.22 305	0.11 257	0.19 272	0.22 305	0.13 300	0.22 287	0.19 262	0.34 313	0.40 317	0.30 326	0.39 326	0.39 348	0.26 313	0.26 313	0.28 344	0.15 345	0.10 309	0.10 267	0.10 282	0.13 319	0.12 303

SQANet	0.23 320	0.23 357	0.30 329	0.30 368	0.19 360	0.27 330	0.13 43	0.29 257	0.33 274	0.24 282	0.37 313	0.31 308	0.22 290	0.27 316	0.23 300	0.15 345	0.10 309	0.21 363	0.16 349	0.21 365	0.15 342

GASNet	0.22 305	0.23 357	0.33 336	0.26 345	0.17 351	0.26 323	0.16 170	0.44 367	0.42 326	0.27 306	0.24 196	0.30 298	0.15 206	0.27 316	0.18 247	0.12 311	0.08 268	0.12 309	0.11 305	0.16 349	0.07 157

Anonymous_2	0.22 305	0.17 328	0.28 320	0.15 38	0.16 338	0.32 345	0.22 302	0.22 156	0.17 99	0.23 274	0.24 196	0.26 269	0.27 321	0.27 316	0.23 300	0.22 374	0.25 382	0.17 350	0.17 356	0.17 356	0.17 360

RP	0.21 296	0.13 292	0.21 285	0.23 324	0.11 254	0.21 279	0.20 277	0.25 203	0.44 335	0.21 249	0.38 318	0.36 332	0.24 302	0.27 316	0.25 319	0.11 287	0.12 328	0.13 323	0.12 323	0.12 302	0.14 334

G-Net	0.24 328	0.16 317	0.36 345	0.22 305	0.16 338	0.51 376	0.23 312	0.29 257	0.34 285	0.36 346	0.38 318	0.31 308	0.29 337	0.27 316	0.26 329	0.11 287	0.09 291	0.12 309	0.09 250	0.16 349	0.13 317

ADCP+	0.20 287	0.10 237	0.33 336	0.20 268	0.12 283	0.22 287	0.26 341	0.31 277	0.34 285	0.26 300	0.37 313	0.22 233	0.22 290	0.27 316	0.27 336	0.09 235	0.06 189	0.08 162	0.08 211	0.09 246	0.10 269

CC-Net-ROB	0.28 349	0.31 376	0.36 345	0.29 366	0.15 328	0.25 315	0.19 262	0.45 370	0.33 274	0.39 354	0.37 313	0.39 348	0.31 345	0.27 316	0.26 329	0.24 380	0.19 367	0.30 381	0.23 371	0.18 360	0.15 342

SANet	0.24 328	0.14 304	0.28 320	0.21 292	0.11 254	0.27 330	0.24 321	0.38 344	0.64 377	0.36 346	0.40 331	0.43 358	0.26 313	0.27 316	0.24 310	0.12 311	0.09 291	0.10 267	0.09 250	0.13 319	0.11 292

ETE_ROB	0.23 320	0.17 328	0.22 290	0.25 340	0.13 300	0.26 323	0.29 361	0.31 277	0.36 297	0.28 317	0.36 307	0.45 362	0.26 313	0.27 316	0.26 329	0.11 287	0.08 268	0.12 309	0.09 250	0.14 331	0.13 317

PWCDC_ROB	0.20 287	0.13 292	0.22 290	0.24 329	0.11 254	0.19 253	0.15 115	0.33 303	0.54 361	0.29 323	0.50 361	0.21 216	0.15 206	0.27 316	0.20 262	0.11 287	0.09 291	0.10 267	0.08 211	0.11 288	0.09 250

CBMV	0.19 278	0.14 304	0.17 246	0.18 182	0.10 216	0.20 265	0.11 11	0.29 257	0.30 256	0.29 323	0.30 271	0.30 298	0.23 296	0.27 316	0.19 256	0.13 331	0.15 354	0.17 350	0.16 349	0.10 273	0.10 269
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.22 305	0.17 328	0.17 246	0.26 345	0.13 300	0.25 315	0.24 321	0.32 286	0.50 352	0.25 295	0.33 296	0.38 340	0.26 313	0.28 327	0.25 319	0.11 287	0.10 309	0.16 347	0.11 305	0.11 288	0.10 269

Nwc_Net	0.23 320	0.16 317	0.21 285	0.25 340	0.14 317	0.24 305	0.26 341	0.37 337	0.38 308	0.22 262	0.41 341	0.30 298	0.28 329	0.28 327	0.25 319	0.11 287	0.10 309	0.17 350	0.20 362	0.10 273	0.10 269

ADCPNet	0.25 337	0.16 317	0.61 376	0.21 292	0.15 328	0.35 362	0.25 335	0.32 286	0.35 292	0.30 326	0.40 331	0.36 332	0.28 329	0.28 327	0.32 359	0.12 311	0.10 309	0.11 294	0.12 323	0.14 331	0.13 317

STTRV1_RVC	0.25 337	0.26 366	0.39 351	0.19 227	0.26 377	0.30 342	0.24 321	0.34 313	0.35 292	0.36 346	0.34 300	0.31 308	0.31 345	0.28 327	0.25 319	0.17 360	0.10 309	0.16 347	0.14 336	0.17 356	0.12 303

DISCO	0.19 278	0.09 190	0.22 290	0.17 115	0.10 216	0.25 315	0.18 231	0.27 233	0.44 335	0.22 262	0.31 279	0.33 320	0.26 313	0.28 327	0.28 344	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.09 250

CSAN	0.29 353	0.24 360	0.27 315	0.34 374	0.19 360	0.33 351	0.42 387	0.37 337	0.50 352	0.38 352	0.40 331	0.44 360	0.33 350	0.28 327	0.30 351	0.20 368	0.16 357	0.19 360	0.19 361	0.14 331	0.15 342

LALA_ROB	0.25 337	0.16 317	0.22 290	0.26 345	0.17 351	0.27 330	0.27 348	0.42 362	0.37 303	0.33 342	0.38 318	0.51 372	0.26 313	0.28 327	0.27 336	0.16 356	0.09 291	0.12 309	0.11 305	0.13 319	0.12 303

coex-ft	3.30 413	0.34 379	59.09 437	0.18 182	0.13 300	0.26 323	0.22 302	0.27 233	0.72 385	1.90 414	0.70 382	0.44 360	0.45 376	0.29 334	0.41 379	0.09 235	0.09 291	0.12 309	0.09 250	0.14 331	0.13 317

DGSMNet	0.24 328	0.19 341	0.33 336	0.21 292	0.24 370	0.24 305	0.20 277	0.35 326	0.41 320	0.24 282	0.32 283	0.38 340	0.21 281	0.29 334	0.23 300	0.12 311	0.11 319	0.14 333	0.16 349	0.23 368	0.23 373

ADCL	0.24 328	0.11 257	0.47 362	0.22 305	0.12 283	0.34 354	0.29 361	0.29 257	0.56 364	0.24 282	0.46 353	0.30 298	0.30 341	0.29 334	0.29 347	0.08 190	0.07 246	0.09 226	0.09 250	0.10 273	0.10 269

NaN_ROB	0.22 305	0.19 341	0.24 302	0.25 340	0.13 300	0.29 339	0.26 341	0.33 303	0.41 320	0.31 332	0.31 279	0.32 317	0.23 296	0.30 337	0.21 281	0.11 287	0.17 362	0.10 267	0.10 282	0.08 198	0.09 250

RTSC	0.23 320	0.12 271	0.28 320	0.21 292	0.13 300	0.28 336	0.16 170	0.35 326	0.66 380	0.27 306	0.33 296	0.30 298	0.21 281	0.31 338	0.29 347	0.10 266	0.08 268	0.09 226	0.10 282	0.13 319	0.13 317

DANet	0.21 296	0.15 310	0.28 320	0.25 340	0.13 300	0.22 287	0.19 262	0.27 233	0.27 231	0.28 317	0.32 283	0.35 330	0.31 345	0.31 338	0.23 300	0.11 287	0.09 291	0.11 294	0.10 282	0.13 319	0.11 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
Anonymous Stereo	0.23 320	0.19 341	0.50 364	0.24 329	0.17 351	0.21 279	0.21 293	0.33 303	0.44 335	0.25 295	0.34 300	0.26 269	0.18 254	0.31 338	0.27 336	0.13 331	0.12 328	0.12 309	0.13 332	0.11 288	0.14 334

DPSNet	0.28 349	0.16 317	0.31 331	0.18 182	0.13 300	0.54 378	0.42 387	0.51 379	0.67 381	0.29 323	0.38 318	0.38 340	0.29 337	0.31 338	0.23 300	0.11 287	0.10 309	0.11 294	0.08 211	0.20 364	0.16 353

FBW_ROB	0.24 328	0.17 328	0.22 290	0.26 345	0.14 317	0.25 315	0.22 302	0.41 357	0.41 320	0.41 361	0.41 341	0.42 354	0.27 321	0.31 338	0.23 300	0.09 235	0.14 348	0.14 333	0.12 323	0.11 288	0.09 250

PWC_ROB	0.21 296	0.16 317	0.26 309	0.18 182	0.11 254	0.22 287	0.13 43	0.32 286	0.49 350	0.30 326	0.40 331	0.32 317	0.24 302	0.31 338	0.22 290	0.10 266	0.07 246	0.11 294	0.08 211	0.11 288	0.10 269

Wz-Net-TNSev	0.29 353	0.20 346	0.65 379	0.19 227	0.15 328	0.38 366	0.27 348	0.35 326	0.55 362	0.34 343	0.42 346	0.45 362	0.38 361	0.32 344	0.30 351	0.12 311	0.13 341	0.10 267	0.12 323	0.15 342	0.14 334

SHD	0.26 344	0.15 310	0.30 329	0.24 329	0.18 358	0.22 287	0.15 115	0.38 344	0.71 384	0.32 338	0.41 341	0.36 332	0.28 329	0.32 344	0.29 347	0.12 311	0.11 319	0.14 333	0.13 332	0.16 349	0.20 368

WZ-Net	0.28 349	0.17 328	0.78 393	0.22 305	0.16 338	0.34 354	0.29 361	0.39 348	0.57 366	0.24 282	0.55 366	0.37 336	0.24 302	0.33 346	0.35 365	0.09 235	0.08 268	0.09 226	0.10 282	0.14 331	0.16 353

stereogan	0.22 305	0.11 257	0.21 285	0.20 268	0.12 283	0.31 344	0.19 262	0.35 326	0.44 335	0.22 262	0.39 326	0.35 330	0.27 321	0.33 346	0.22 290	0.10 266	0.12 328	0.10 267	0.10 282	0.14 331	0.13 317

PDISCO_ROB	0.27 346	0.16 317	0.26 309	0.28 359	0.20 363	0.32 345	0.26 341	0.44 367	0.57 366	0.28 317	0.40 331	0.45 362	0.29 337	0.33 346	0.34 364	0.12 311	0.09 291	0.17 350	0.16 349	0.17 356	0.13 317

ACVNet-4b	0.39 368	0.53 388	0.55 370	0.45 385	0.24 370	0.47 372	0.18 231	0.49 376	0.64 377	0.42 364	0.45 352	0.60 379	0.27 321	0.34 349	0.24 310	0.33 386	0.14 348	0.48 389	0.42 389	0.30 382	0.26 380

psmorigin	0.25 337	0.15 310	0.34 344	0.17 115	0.13 300	0.23 300	0.14 69	0.34 313	0.33 274	0.41 361	0.55 366	0.41 353	0.37 360	0.34 349	0.27 336	0.11 287	0.15 354	0.11 294	0.11 305	0.12 302	0.16 353

MFN_U_SF_DS_RVC	0.30 358	0.24 360	0.29 326	0.36 378	0.16 338	0.34 354	0.30 368	0.32 286	0.42 326	0.40 357	0.46 353	0.38 340	0.31 345	0.34 349	0.28 344	0.19 366	0.20 370	0.26 370	0.29 379	0.18 360	0.19 367

PASM	0.32 361	0.24 360	0.48 363	0.28 359	0.27 378	0.29 339	0.30 368	0.34 313	0.49 350	0.35 344	0.39 326	0.46 366	0.34 354	0.34 349	0.35 365	0.23 378	0.25 382	0.26 370	0.28 378	0.23 368	0.21 370

MSMD_ROB	0.31 359	0.26 366	0.26 309	0.24 329	0.21 365	0.34 354	0.25 335	0.34 313	0.39 311	0.40 357	0.69 380	0.45 362	0.40 366	0.34 349	0.27 336	0.20 368	0.19 367	0.26 370	0.25 373	0.23 368	0.22 372

WCMA_ROB	0.24 328	0.11 257	0.22 290	0.17 115	0.14 317	0.32 345	0.15 115	0.32 286	0.32 268	0.38 352	0.53 363	0.40 351	0.34 354	0.34 349	0.25 319	0.11 287	0.12 328	0.12 309	0.10 282	0.14 331	0.14 334

MFN_U_SF_RVC	0.32 361	0.21 352	0.55 370	0.30 368	0.15 328	0.34 354	0.17 191	0.52 380	0.46 343	0.46 371	0.55 366	0.59 378	0.39 363	0.35 355	0.37 370	0.15 345	0.14 348	0.18 358	0.21 364	0.16 349	0.15 342

ADCMid	0.25 337	0.15 310	0.40 353	0.20 268	0.14 317	0.25 315	0.26 341	0.34 313	0.38 308	0.36 346	0.44 351	0.34 326	0.40 366	0.35 355	0.33 362	0.10 266	0.09 291	0.11 294	0.11 305	0.13 319	0.12 303

LSM	0.33 364	0.20 346	0.58 374	0.26 345	0.60 400	0.34 354	0.25 335	0.42 362	0.48 345	0.45 369	0.58 374	0.42 354	0.36 358	0.35 355	0.25 319	0.12 311	0.20 370	0.14 333	0.16 349	0.19 363	0.33 387

SGM_RVC	0.23 320	0.12 271	0.15 191	0.15 38	0.09 131	0.33 351	0.18 231	0.34 313	0.31 262	0.44 368	0.37 313	0.53 375	0.35 356	0.35 355	0.24 310	0.13 331	0.13 341	0.13 323	0.13 332	0.10 273	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.27 346	0.13 292	0.18 263	0.15 38	0.11 254	0.32 345	0.24 321	0.40 352	0.36 297	0.52 374	0.57 372	0.67 386	0.40 366	0.35 355	0.26 329	0.14 342	0.13 341	0.13 323	0.11 305	0.11 288	0.10 269
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
FCDSN-DC	0.33 364	0.28 371	0.28 320	0.30 368	0.24 370	0.39 367	0.28 353	0.42 362	0.42 326	0.43 367	0.53 363	0.51 372	0.41 370	0.36 360	0.30 351	0.21 371	0.20 370	0.27 373	0.26 374	0.25 376	0.24 374
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RGC	0.25 337	0.20 346	0.29 326	0.28 359	0.16 338	0.22 287	0.23 312	0.32 286	0.44 335	0.27 306	0.40 331	0.38 340	0.27 321	0.36 360	0.22 290	0.11 287	0.13 341	0.17 350	0.17 356	0.14 331	0.16 353

NCC-stereo	0.24 328	0.15 310	0.31 331	0.26 345	0.16 338	0.20 265	0.30 368	0.40 352	0.40 317	0.24 282	0.38 318	0.33 320	0.28 329	0.36 360	0.27 336	0.12 311	0.11 319	0.15 341	0.22 367	0.13 319	0.13 317

Abc-Net	0.24 328	0.15 310	0.31 331	0.26 345	0.16 338	0.20 265	0.30 368	0.40 352	0.40 317	0.24 282	0.38 318	0.33 320	0.28 329	0.36 360	0.27 336	0.12 311	0.11 319	0.15 341	0.22 367	0.13 319	0.13 317
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN	0.33 364	0.27 368	0.28 320	0.26 345	0.23 369	0.37 364	0.28 353	0.40 352	0.43 331	0.45 369	0.55 366	0.51 372	0.40 366	0.37 364	0.30 351	0.21 371	0.20 370	0.27 373	0.26 374	0.25 376	0.24 374

SAMSARA	0.40 371	0.28 371	0.33 336	0.55 391	0.39 385	0.82 400	1.23 414	0.47 373	0.51 359	0.36 346	0.35 304	0.55 377	0.39 363	0.38 365	0.39 374	0.15 345	0.20 370	0.15 341	0.14 336	0.23 368	0.20 368

XQC	0.28 349	0.23 357	0.51 365	0.28 359	0.19 360	0.34 354	0.27 348	0.36 332	0.57 366	0.31 332	0.30 271	0.37 336	0.30 341	0.38 365	0.38 372	0.13 331	0.09 291	0.15 341	0.12 323	0.17 356	0.18 362

DispFullNet	0.27 346	0.21 352	0.65 379	0.28 359	0.16 338	0.26 323	0.17 191	0.33 303	0.58 369	0.27 306	0.38 318	0.43 358	0.23 296	0.38 365	0.23 300	0.12 311	0.06 189	0.19 360	0.11 305	0.21 365	0.15 342

Ntro	0.40 371	0.40 384	0.53 367	0.46 388	0.30 383	0.65 386	0.24 321	0.46 372	0.68 382	0.41 361	0.49 357	0.48 370	0.42 373	0.39 368	0.31 358	0.32 385	0.28 384	0.37 384	0.30 381	0.32 386	0.29 382

ccnet	0.29 353	0.28 371	0.23 299	0.20 268	0.28 379	0.41 369	0.21 293	0.45 370	0.33 274	0.36 346	0.46 353	0.36 332	0.30 341	0.39 368	0.42 380	0.23 378	0.14 348	0.21 363	0.17 356	0.23 368	0.18 362

ADCS	0.29 353	0.18 338	0.45 358	0.21 292	0.17 351	0.28 336	0.23 312	0.41 357	0.63 376	0.40 357	0.49 357	0.40 351	0.36 358	0.39 368	0.40 376	0.13 331	0.12 328	0.13 323	0.14 336	0.16 349	0.16 353

GANetREF_RVC	0.31 359	0.34 379	0.27 315	0.35 376	0.16 338	0.32 345	0.41 384	0.48 374	0.51 359	0.35 344	0.35 304	0.34 326	0.33 350	0.39 368	0.32 359	0.27 382	0.20 370	0.29 379	0.15 347	0.18 360	0.17 360
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
otaku	0.39 368	0.37 382	0.52 366	0.44 384	0.28 379	0.58 380	0.24 321	0.41 357	0.62 375	0.40 357	0.49 357	0.46 366	0.33 350	0.40 372	0.32 359	0.30 383	0.30 386	0.39 385	0.33 384	0.29 381	0.28 381

AnyNet_C32	0.26 344	0.16 317	0.36 345	0.20 268	0.16 338	0.25 315	0.30 368	0.32 286	0.44 335	0.31 332	0.49 357	0.30 298	0.33 350	0.40 372	0.33 362	0.12 311	0.12 328	0.12 309	0.14 336	0.14 331	0.15 342

SGM-ForestM	0.32 361	0.12 271	0.16 221	0.16 68	0.11 254	0.39 367	0.19 262	0.41 357	0.50 352	0.52 374	0.54 365	1.32 405	0.42 373	0.40 372	0.27 336	0.14 342	0.16 357	0.16 347	0.16 349	0.12 302	0.12 303

Consistency-Raft	0.44 376	0.40 384	0.45 358	0.37 379	0.43 388	0.46 370	0.41 384	0.57 387	0.55 362	0.32 338	0.73 384	0.33 320	0.48 378	0.42 375	0.49 387	0.39 388	0.35 388	0.45 388	0.51 396	0.42 388	0.29 382

AnyNet_C01	0.36 367	0.25 365	1.37 405	0.22 305	0.17 351	0.48 374	0.27 348	0.35 326	0.39 311	0.39 354	0.74 386	0.46 366	0.38 361	0.45 376	0.47 385	0.13 331	0.13 341	0.13 323	0.14 336	0.14 331	0.15 342

NVStereoNet_ROB	0.46 381	0.36 381	0.46 361	0.41 382	0.28 379	0.34 354	0.34 377	0.48 374	0.60 373	0.72 387	0.93 395	0.70 389	0.66 391	0.47 377	0.60 394	0.22 374	0.33 387	0.34 383	0.34 386	0.30 382	0.30 384
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
RainbowNet	0.54 385	0.61 392	0.70 391	0.57 392	0.43 388	0.65 386	0.37 382	0.60 389	0.87 394	0.50 373	0.66 377	0.64 382	0.47 377	0.49 378	0.43 383	0.47 394	0.48 396	0.52 393	0.41 388	0.52 391	0.40 392

ACVNet_1	0.44 376	0.49 387	0.60 375	0.45 385	0.28 379	0.49 375	0.27 348	0.57 387	0.72 385	0.62 380	0.58 374	0.74 390	0.49 379	0.50 379	0.35 365	0.26 381	0.24 381	0.39 385	0.29 379	0.31 385	0.24 374

MSC_U_SF_DS_RVC	0.43 375	0.39 383	0.54 368	0.40 380	0.20 363	0.64 385	0.32 376	0.53 382	0.72 385	0.71 385	0.72 383	0.61 380	0.54 381	0.51 380	0.46 384	0.20 368	0.19 367	0.29 379	0.30 381	0.23 368	0.18 362

ELAS	0.41 373	0.29 374	0.33 336	0.27 356	0.24 370	0.60 383	0.36 379	0.50 378	0.50 352	0.71 385	0.79 390	0.67 386	0.54 381	0.51 380	0.42 380	0.22 374	0.20 370	0.27 373	0.26 374	0.26 379	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PVD	0.39 368	0.20 346	0.39 351	0.31 372	0.22 367	0.29 339	0.43 389	0.52 380	0.96 397	0.55 377	0.79 390	0.53 375	0.59 387	0.52 382	0.38 372	0.19 366	0.14 348	0.17 350	0.14 336	0.24 375	0.31 385

MANE	0.45 378	0.27 368	0.27 315	0.27 356	0.24 370	0.47 372	0.31 374	0.55 384	0.59 370	0.72 387	1.13 406	1.15 399	0.61 388	0.52 382	0.37 370	0.21 371	0.20 370	0.27 373	0.31 383	0.25 376	0.24 374

RTS	0.45 378	0.19 341	3.26 412	0.24 329	0.15 328	0.74 393	0.20 277	0.36 332	0.76 390	0.42 364	0.43 349	0.31 308	0.41 370	0.53 384	0.35 365	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 342

RTSA	0.45 378	0.19 341	3.26 412	0.24 329	0.15 328	0.74 393	0.20 277	0.36 332	0.76 390	0.42 364	0.43 349	0.31 308	0.41 370	0.53 384	0.35 365	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 342

ACVNet_2	0.66 391	0.66 396	0.68 387	0.63 393	0.41 386	0.71 391	0.49 391	0.96 402	1.39 406	0.89 397	1.09 402	1.04 395	0.73 394	0.54 386	0.47 385	0.43 392	0.40 390	0.53 394	0.44 390	0.47 389	0.35 389

ELAS_RVC	0.41 373	0.29 374	0.33 336	0.28 359	0.24 370	0.54 378	0.36 379	0.49 376	0.59 370	0.72 387	0.74 386	0.65 384	0.54 381	0.54 386	0.40 376	0.22 374	0.20 370	0.27 373	0.26 374	0.26 379	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
BEATNet-Init1	0.52 383	0.27 368	0.62 377	0.30 368	0.21 365	0.76 397	0.29 361	0.54 383	0.65 379	0.86 396	0.95 397	2.07 415	0.62 390	0.56 388	0.42 380	0.18 362	0.18 364	0.23 368	0.22 367	0.22 367	0.21 370

anonymity	0.53 384	0.58 390	0.65 379	0.41 382	0.61 401	0.53 377	0.41 384	0.56 385	0.41 320	0.55 377	0.50 361	0.49 371	0.55 384	0.58 389	0.50 390	0.58 399	0.50 400	0.51 391	0.51 396	0.51 390	0.57 396

SPS-STEREO	0.57 387	0.58 390	0.65 379	0.45 385	0.55 395	0.62 384	0.44 390	0.62 390	0.50 352	0.68 383	0.64 376	0.66 385	0.57 386	0.61 390	0.60 394	0.62 402	0.47 395	0.51 391	0.49 393	0.55 395	0.58 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 386	0.57 389	0.65 379	0.40 380	0.54 393	0.66 388	0.49 391	0.56 385	0.45 342	0.66 381	0.69 380	0.67 386	0.56 385	0.63 391	0.56 392	0.59 400	0.48 396	0.50 390	0.50 395	0.52 391	0.58 397

MFMNet_re	0.64 388	0.66 396	0.65 379	0.51 389	0.69 405	0.69 389	0.57 397	0.64 391	0.73 388	0.60 379	0.73 384	0.62 381	0.67 392	0.65 392	0.60 394	0.66 403	0.58 409	0.63 395	0.59 399	0.68 401	0.69 406

WAO-7	0.79 397	0.78 401	0.54 368	0.85 403	0.67 404	0.74 393	0.68 405	1.05 407	1.32 404	0.90 398	1.20 409	1.04 395	0.92 402	0.69 393	0.66 397	0.60 401	0.62 410	0.67 396	0.68 404	0.64 397	0.58 397

WAO-6	0.81 398	0.80 402	0.62 377	0.86 404	0.63 402	0.76 397	0.58 398	0.98 404	1.54 411	0.90 398	0.96 398	1.07 397	1.03 406	0.70 394	0.66 397	0.72 404	0.49 398	0.90 407	0.71 405	0.68 401	0.58 397

IMH-64-1	0.65 389	0.61 392	0.68 387	0.71 395	0.51 391	0.59 381	0.49 391	0.91 398	0.85 392	0.74 391	1.02 399	0.81 391	0.78 396	0.79 395	0.49 387	0.42 390	0.46 391	0.71 397	0.47 391	0.52 391	0.39 390

IMH-64	0.65 389	0.61 392	0.68 387	0.71 395	0.51 391	0.59 381	0.49 391	0.91 398	0.85 392	0.74 391	1.02 399	0.81 391	0.78 396	0.79 395	0.49 387	0.42 390	0.46 391	0.71 397	0.47 391	0.52 391	0.39 390

Dean	0.87 401	0.86 406	0.79 395	0.81 401	0.56 396	0.90 401	0.63 399	1.15 412	1.73 412	1.15 407	1.15 407	1.31 404	0.99 405	0.81 397	0.81 406	0.57 398	0.56 407	0.77 403	0.64 402	0.66 399	0.58 397

LVE	0.83 400	0.85 405	0.85 398	0.80 400	0.56 396	1.04 410	0.65 402	1.05 407	1.47 409	0.96 400	1.22 410	1.10 398	0.85 399	0.83 398	0.71 402	0.49 395	0.55 406	0.76 402	0.60 401	0.65 398	0.59 402

WAO-8	0.91 402	0.81 403	0.65 379	0.94 407	0.69 405	0.90 401	0.67 403	1.07 409	1.83 414	1.06 405	1.45 412	1.30 402	1.07 407	0.84 399	0.78 403	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 403

Venus	0.91 402	0.81 403	0.65 379	0.94 407	0.69 405	0.90 401	0.67 403	1.07 409	1.83 414	1.06 405	1.45 412	1.30 402	1.07 407	0.84 399	0.78 403	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 403

TorneroNet-64	0.76 396	0.72 399	0.74 392	0.78 399	0.58 399	0.91 404	0.56 396	0.84 396	1.29 403	0.66 381	0.90 393	1.40 407	0.75 395	0.85 401	0.67 400	0.49 395	0.46 391	0.72 399	0.59 399	0.67 400	0.53 395

MADNet+	0.75 395	0.71 398	3.70 415	0.66 394	0.41 386	0.98 405	0.97 412	0.69 392	0.73 388	0.52 374	0.57 372	0.64 382	0.68 393	0.86 402	1.01 410	0.34 387	0.36 389	0.28 378	0.23 371	0.36 387	0.31 385

IMH	0.71 392	0.64 395	0.68 387	0.76 397	0.54 393	0.69 389	0.54 395	0.98 404	1.10 399	0.82 395	1.09 402	0.89 393	0.88 401	0.87 403	0.52 391	0.44 393	0.50 400	0.75 400	0.51 396	0.56 396	0.41 393

PWCK	0.71 392	0.94 408	0.95 400	0.76 397	0.31 384	0.74 393	0.36 379	0.90 397	0.90 395	0.96 400	0.75 388	0.95 394	0.61 388	0.87 403	0.66 397	0.72 404	0.46 391	0.75 400	0.49 393	0.69 403	0.44 394

DPSimNet_ROB	1.11 409	1.23 414	0.78 393	1.13 411	0.88 412	1.10 411	1.13 413	1.16 413	1.23 402	1.43 411	1.02 399	1.41 408	1.10 410	0.90 405	1.60 412	1.46 417	0.51 402	1.21 414	1.03 414	0.90 410	1.01 415

TorneroNet	0.82 399	0.74 400	0.81 397	0.84 402	0.63 402	0.99 406	0.63 399	0.96 402	1.16 400	0.80 394	1.11 404	1.36 406	0.86 400	0.93 406	0.80 405	0.56 397	0.49 398	0.78 404	0.66 403	0.73 406	0.63 405

UNDER WATER-64	0.95 404	0.94 408	1.43 407	0.87 405	0.56 396	1.18 413	0.87 409	0.77 394	0.94 396	1.04 403	0.85 392	1.58 412	1.21 412	0.94 407	0.96 408	0.87 410	0.57 408	1.03 410	0.88 411	0.78 408	0.73 407

ktn	1.01 407	1.21 413	0.80 396	1.23 414	0.86 411	1.01 408	0.87 409	0.94 401	1.39 406	1.04 403	1.12 405	1.15 399	1.07 407	0.94 407	0.59 393	1.28 416	0.71 413	1.38 416	0.83 409	1.02 413	0.75 409

KSHMR	1.09 408	1.17 412	0.88 399	1.25 415	1.00 414	0.99 406	0.96 411	1.13 411	1.37 405	1.16 408	1.29 411	1.41 408	0.96 404	1.01 409	0.92 407	1.03 413	1.08 415	1.20 413	1.03 414	1.01 412	0.97 413

JetBlue	0.71 392	0.45 386	1.14 403	0.51 389	0.47 390	2.02 414	0.64 401	0.75 393	0.70 383	0.69 384	0.77 389	1.22 401	0.83 398	1.03 410	1.01 410	0.40 389	0.28 384	0.33 382	0.33 384	0.30 382	0.34 388

UNDER WATER	0.97 405	0.97 410	1.42 406	0.99 409	0.70 408	1.12 412	0.84 408	0.80 395	1.08 398	1.01 402	0.90 393	1.55 411	1.22 413	1.03 410	1.00 409	0.78 408	0.53 403	1.02 409	0.87 410	0.80 409	0.74 408

notaker	0.97 405	1.11 411	0.98 401	1.13 411	0.81 409	0.73 392	0.68 405	0.93 400	1.16 400	1.18 409	1.18 408	1.41 408	1.16 411	1.08 412	0.69 401	0.81 409	0.64 411	1.17 412	0.79 408	0.98 411	0.80 411

JetRed	1.62 411	1.46 416	2.98 411	0.92 406	1.21 415	4.99 416	1.53 416	1.27 414	1.39 406	1.83 413	1.74 415	1.60 413	0.95 403	1.41 413	2.45 416	0.90 412	1.60 417	0.93 408	0.90 412	1.35 415	0.99 414

HanzoNet	1.29 410	1.26 415	1.19 404	1.12 410	0.85 410	1.02 409	0.83 407	1.03 406	1.48 410	1.64 412	1.61 414	2.50 417	1.72 414	1.61 414	1.61 413	1.26 415	0.80 414	1.31 415	1.01 413	1.02 413	0.86 412

MADNet++	1.95 412	1.75 417	1.59 409	1.82 417	1.69 417	2.33 415	1.40 415	2.35 416	2.09 416	2.57 416	2.36 416	2.24 416	2.17 415	2.28 415	2.34 415	1.87 418	1.66 418	1.54 417	1.34 417	1.92 417	1.77 418

ASD4	3.54 414	3.38 419	2.05 410	1.72 416	2.51 419	9.03 420	17.71 421	2.25 415	5.51 418	2.46 415	2.81 417	2.03 414	3.36 416	2.73 416	5.06 417	1.22 414	1.34 416	1.13 411	1.33 416	1.68 416	1.49 417

tt	4.67 415	0.06 19	3.55 414	2.02 418	1.55 416	10.25 421	16.71 420	8.91 424	5.03 417	1.31 410	0.94 396	4.71 418	4.76 417	3.33 417	5.87 419	6.06 425	10.30 429	1.88 419	2.11 420	2.75 418	1.21 416

LRCNet_RVC	10.62 424	13.42 429	7.30 417	18.92 429	2.07 418	0.33 351	0.30 368	5.59 420	0.48 345	13.03 426	17.94 427	8.87 422	5.65 418	4.79 418	1.89 414	23.51 436	2.73 423	27.55 437	25.71 437	16.07 434	16.33 434

DGTPSM_ROB	8.06 420	4.48 420	8.63 424	5.35 422	10.72 425	8.32 418	22.97 425	5.46 418	13.35 424	5.12 418	9.92 421	5.08 419	10.40 423	5.52 419	12.58 423	3.79 422	8.00 424	3.50 420	7.02 423	3.83 422	7.14 424

DPSMNet_ROB	8.06 420	4.48 420	8.63 424	5.37 424	10.74 426	8.32 418	22.98 426	5.46 418	13.36 425	5.12 418	9.92 421	5.08 419	10.40 423	5.53 420	12.58 423	3.80 423	8.00 424	3.50 420	7.02 423	3.83 422	7.14 424

PML	8.91 422	9.34 428	6.13 416	5.35 422	6.41 423	14.99 423	23.38 427	5.27 417	6.83 419	18.04 428	28.19 437	7.67 421	6.83 419	7.85 421	5.75 418	5.35 424	1.83 419	5.95 428	1.93 419	8.64 426	2.52 419

xxxxx1	7.79 416	5.02 422	7.31 418	3.12 419	3.85 420	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 423	8.27 420	10.18 422	10.92 420	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 420

tt_ll	7.79 416	5.02 422	7.31 418	3.12 419	3.85 420	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 423	8.27 420	10.18 422	10.92 420	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 420

ff	7.79 416	5.02 422	7.31 418	3.12 419	3.85 420	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 423	8.27 420	10.18 422	10.92 420	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 420

Anonymous_1	10.96 425	7.92 425	7.46 421	10.33 425	10.06 424	18.65 428	26.34 428	11.06 425	13.44 426	9.40 423	10.05 423	9.67 426	11.23 425	10.73 425	12.72 425	6.42 426	8.38 426	5.77 425	10.61 425	12.12 427	6.77 423

DPSM_ROB	11.15 426	8.58 426	8.00 422	10.88 426	11.58 427	19.10 429	26.71 429	12.05 426	14.07 427	10.36 424	10.84 424	10.33 427	11.86 426	11.70 426	13.54 426	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 426

DPSM	11.15 426	8.58 426	8.00 422	10.88 426	11.58 427	19.10 429	26.71 429	12.05 426	14.07 427	10.36 424	10.84 424	10.33 427	11.86 426	11.70 426	13.54 426	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 426

HaxPig	15.71 429	18.52 436	19.18 432	16.89 428	15.89 430	7.73 417	7.60 417	13.31 428	10.82 423	15.42 427	14.91 426	15.98 429	14.92 428	15.58 428	15.98 429	18.95 435	16.73 430	19.46 435	18.08 435	19.26 435	19.05 435

MEDIAN_ROB	20.38 430	24.04 437	23.31 434	21.23 430	21.71 431	10.40 422	7.92 418	17.64 429	15.50 429	20.12 429	19.70 428	20.34 430	20.32 429	21.19 429	21.13 430	23.81 437	21.81 437	24.98 436	23.76 436	24.71 436	23.93 436

CasAABBNet	22.42 431	17.33 431	16.01 426	22.01 434	23.28 435	38.32 432	53.80 436	24.14 431	28.41 432	20.60 430	21.77 430	20.89 435	23.91 434	23.43 430	27.36 432	14.07 429	17.69 432	11.83 433	14.01 430	14.67 431	14.95 432

MyStereo03	22.45 432	17.33 431	16.21 428	21.95 431	23.27 432	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 431	23.87 430	23.46 431	27.40 434	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 428

MyStereo02	22.45 432	17.33 431	16.21 428	21.95 431	23.27 432	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 431	23.87 430	23.46 431	27.40 434	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 428

MyStereo	22.45 432	17.33 431	16.21 428	21.95 431	23.27 432	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 431	23.87 430	23.46 431	27.40 434	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 428

LSM0	22.87 436	17.28 430	18.96 431	22.19 436	29.04 438	38.42 437	53.71 432	24.28 435	28.31 431	20.78 432	21.00 429	21.43 436	24.16 435	23.50 434	27.39 433	14.09 434	17.38 431	11.84 434	14.04 434	14.73 433	14.89 428

Selective-RAFT-Error	22.47 435	17.37 435	16.09 427	22.06 435	23.34 436	38.39 436	53.83 437	24.29 436	28.47 436	20.74 431	21.83 431	20.81 434	23.90 433	23.54 435	27.53 437	14.08 430	17.69 432	11.82 429	14.00 429	14.69 432	15.00 433

SPstereo	13.84 428	0.93 407	1.50 408	1.22 413	0.88 412	28.82 431	48.26 431	26.77 438	29.54 437	22.37 436	22.60 435	23.23 437	24.68 436	24.53 436	15.06 428	0.88 411	0.69 412	1.83 418	1.60 418	0.74 407	0.77 410

AVERAGE_ROB	24.90 437	29.20 438	28.14 435	24.89 437	24.64 437	17.75 427	11.12 419	21.45 430	19.93 430	25.12 437	24.46 436	25.12 438	25.46 437	24.69 437	22.83 431	29.76 438	27.13 438	28.97 438	27.95 438	29.91 437	29.47 437

test_example2	98.32 438	94.13 439	45.89 436	96.35 438	109.85 439	88.61 438	95.45 438	25.75 437	94.37 438	130.00 438	126.06 438	58.17 439	74.63 438	88.51 438	79.96 438	150.23 439	221.02 439	77.62 439	99.10 439	113.75 439	96.94 438

FADE		0.33 378		0.33 373	0.25 376							0.42 354				0.30 383	0.21 379	0.41 387	0.38 387	0.23 368

Low-res two-view benchmark