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	0.08 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

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

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

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

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

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
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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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	1.81 414	4.63 418	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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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	0.49 373	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

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	0.72 388	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

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	0.74 392	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

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

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

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

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.
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

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

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

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

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

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

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)
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

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

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.
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

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

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

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	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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	1.90 415	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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	0.52 375	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
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

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

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

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

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

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

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

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

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

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

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

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	0.44 369	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
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

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

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

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	0.55 378	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	0.31 386

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

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

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

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

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

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

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
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

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
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

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	0.23 374

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

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	0.52 375	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

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	0.45 370	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	0.33 388

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

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
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

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

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

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

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

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

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

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

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	0.46 372	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

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

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

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	0.86 397	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

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
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.
MADNet+	0.75 395	0.71 398	3.70 415	0.66 394	0.41 386	0.98 405	0.97 412	0.69 393	0.73 388	0.52 375	0.57 372	0.64 382	0.68 393	0.86 403	1.01 410	0.34 387	0.36 389	0.28 378	0.23 371	0.36 387	0.31 386

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

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

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	0.24 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 364	0.27 368	0.28 320	0.26 345	0.23 369	0.37 364	0.28 353	0.40 352	0.43 331	0.45 370	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	0.24 375

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	0.72 388	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	0.25 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
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	0.71 386	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	0.25 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
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

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	0.62 381	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	0.24 375

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

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	0.29 383

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	0.71 386	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

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	0.72 388	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	0.24 375

JetBlue	0.71 392	0.45 386	1.14 403	0.51 389	0.47 390	2.02 414	0.64 401	0.75 394	0.70 383	0.69 385	0.77 389	1.22 401	0.83 398	1.03 411	1.01 410	0.40 389	0.28 384	0.33 382	0.33 384	0.30 382	0.34 389

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	0.28 382

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	0.72 388	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	0.30 385
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
FADE		0.33 378		0.33 373	0.25 376			0.64 391	1.07 398	0.43 367		0.42 354		0.70 394		0.30 383	0.21 379	0.41 387	0.38 387	0.23 368	0.22 372

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	0.50 374	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	0.40 393

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	0.26 381

ACVNet_2	0.66 391	0.66 396	0.68 387	0.63 393	0.41 386	0.71 391	0.49 391	0.96 403	1.39 407	0.89 398	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	0.35 390

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

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

PWCK	0.71 392	0.94 408	0.95 400	0.76 397	0.31 384	0.74 393	0.36 379	0.90 398	0.90 395	0.96 401	0.75 388	0.95 394	0.61 388	0.87 404	0.66 397	0.72 404	0.46 391	0.75 400	0.49 393	0.69 403	0.44 395

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	0.68 384	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	0.58 398
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	0.66 382	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	0.58 398

IMH	0.71 392	0.64 395	0.68 387	0.76 397	0.54 393	0.69 389	0.54 395	0.98 405	1.10 400	0.82 396	1.09 402	0.89 393	0.88 401	0.87 404	0.52 391	0.44 393	0.50 400	0.75 400	0.51 396	0.56 396	0.41 394

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	0.55 378	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	0.57 397

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	0.29 383

TorneroNet-64	0.76 396	0.72 399	0.74 392	0.78 399	0.58 399	0.91 404	0.56 396	0.84 397	1.29 404	0.66 382	0.90 393	1.40 407	0.75 395	0.85 402	0.67 400	0.49 395	0.46 391	0.72 399	0.59 399	0.67 400	0.53 396

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	0.60 380	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	0.69 407

LVE	0.83 400	0.85 405	0.85 398	0.80 400	0.56 396	1.04 410	0.65 402	1.05 408	1.47 410	0.96 401	1.22 410	1.10 398	0.85 399	0.83 399	0.71 402	0.49 395	0.55 406	0.76 402	0.60 401	0.65 398	0.59 403

Dean	0.87 401	0.86 406	0.79 395	0.81 401	0.56 396	0.90 401	0.63 399	1.15 413	1.73 413	1.15 408	1.15 407	1.31 404	0.99 405	0.81 398	0.81 406	0.57 398	0.56 407	0.77 403	0.64 402	0.66 399	0.58 398

TorneroNet	0.82 399	0.74 400	0.81 397	0.84 402	0.63 402	0.99 406	0.63 399	0.96 403	1.16 401	0.80 395	1.11 404	1.36 406	0.86 400	0.93 407	0.80 405	0.56 397	0.49 398	0.78 404	0.66 403	0.73 406	0.63 406

WAO-7	0.79 397	0.78 401	0.54 368	0.85 403	0.67 404	0.74 393	0.68 405	1.05 408	1.32 405	0.90 399	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	0.58 398

WAO-6	0.81 398	0.80 402	0.62 377	0.86 404	0.63 402	0.76 397	0.58 398	0.98 405	1.54 412	0.90 399	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	0.58 398

WAO-8	0.91 402	0.81 403	0.65 379	0.94 407	0.69 405	0.90 401	0.67 403	1.07 410	1.83 415	1.06 406	1.45 412	1.30 402	1.07 407	0.84 400	0.78 403	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 404

Venus	0.91 402	0.81 403	0.65 379	0.94 407	0.69 405	0.90 401	0.67 403	1.07 410	1.83 415	1.06 406	1.45 412	1.30 402	1.07 407	0.84 400	0.78 403	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 404

notaker	0.97 405	1.11 411	0.98 401	1.13 411	0.81 409	0.73 392	0.68 405	0.93 401	1.16 401	1.18 410	1.18 408	1.41 408	1.16 411	1.08 413	0.69 401	0.81 409	0.64 411	1.17 412	0.79 408	0.98 411	0.80 412

ktn	1.01 407	1.21 413	0.80 396	1.23 414	0.86 411	1.01 408	0.87 409	0.94 402	1.39 407	1.04 404	1.12 405	1.15 399	1.07 407	0.94 408	0.59 393	1.28 416	0.71 413	1.38 416	0.83 409	1.02 413	0.75 410

UNDER WATER	0.97 405	0.97 410	1.42 406	0.99 409	0.70 408	1.12 412	0.84 408	0.80 396	1.08 399	1.01 403	0.90 393	1.55 411	1.22 413	1.03 411	1.00 409	0.78 408	0.53 403	1.02 409	0.87 410	0.80 409	0.74 409

UNDER WATER-64	0.95 404	0.94 408	1.43 407	0.87 405	0.56 396	1.18 413	0.87 409	0.77 395	0.94 396	1.04 404	0.85 392	1.58 412	1.21 412	0.94 408	0.96 408	0.87 410	0.57 408	1.03 410	0.88 411	0.78 408	0.73 408

JetRed	1.62 411	1.46 416	2.98 411	0.92 406	1.21 415	4.99 416	1.53 416	1.27 415	1.39 407	1.83 414	1.74 415	1.60 413	0.95 403	1.41 414	2.45 416	0.90 412	1.60 417	0.93 408	0.90 412	1.35 415	0.99 415

HanzoNet	1.29 410	1.26 415	1.19 404	1.12 410	0.85 410	1.02 409	0.83 407	1.03 407	1.48 411	1.64 413	1.61 414	2.50 417	1.72 414	1.61 415	1.61 413	1.26 415	0.80 414	1.31 415	1.01 413	1.02 413	0.86 413

KSHMR	1.09 408	1.17 412	0.88 399	1.25 415	1.00 414	0.99 406	0.96 411	1.13 412	1.37 406	1.16 409	1.29 411	1.41 408	0.96 404	1.01 410	0.92 407	1.03 413	1.08 415	1.20 413	1.03 414	1.01 412	0.97 414

DPSimNet_ROB	1.11 409	1.23 414	0.78 393	1.13 411	0.88 412	1.10 411	1.13 413	1.16 414	1.23 403	1.43 412	1.02 399	1.41 408	1.10 410	0.90 406	1.60 412	1.46 417	0.51 402	1.21 414	1.03 414	0.90 410	1.01 416

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

MADNet++	1.95 412	1.75 417	1.59 409	1.82 417	1.69 417	2.33 415	1.40 415	2.35 417	2.09 417	2.57 417	2.36 416	2.24 416	2.17 415	2.28 416	2.34 415	1.87 418	1.66 418	1.54 417	1.34 417	1.92 417	1.77 419

SPstereo	13.84 428	0.93 407	1.50 408	1.22 413	0.88 412	28.82 431	48.26 431	26.77 439	29.54 438	22.37 437	22.60 435	23.23 437	24.68 436	24.53 437	15.06 428	0.88 411	0.69 412	1.83 418	1.60 418	0.74 407	0.77 411

PML	8.91 422	9.34 428	6.13 416	5.35 422	6.41 423	14.99 423	23.38 427	5.27 418	6.83 420	18.04 429	28.19 437	7.67 421	6.83 419	7.85 422	5.75 418	5.35 424	1.83 419	5.95 428	1.93 419	8.64 426	2.52 420

tt	4.67 415	0.06 19	3.55 414	2.02 418	1.55 416	10.25 421	16.71 420	8.91 425	5.03 418	1.31 411	0.94 396	4.71 418	4.76 417	3.33 418	5.87 419	6.06 425	10.30 429	1.88 419	2.11 420	2.75 418	1.21 417

DPSM_ROB	11.15 426	8.58 426	8.00 422	10.88 426	11.58 427	19.10 429	26.71 429	12.05 427	14.07 428	10.36 425	10.84 424	10.33 427	11.86 426	11.70 427	13.54 426	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 427

DPSM	11.15 426	8.58 426	8.00 422	10.88 426	11.58 427	19.10 429	26.71 429	12.05 427	14.07 428	10.36 425	10.84 424	10.33 427	11.86 426	11.70 427	13.54 426	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 427

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

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

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

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

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

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

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

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

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

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

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

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

HaxPig	15.71 429	18.52 436	19.18 432	16.89 428	15.89 430	7.73 417	7.60 417	13.31 429	10.82 424	15.42 428	14.91 426	15.98 429	14.92 428	15.58 429	15.98 429	18.95 435	16.73 430	19.46 435	18.08 435	19.26 435	19.05 436

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

LRCNet_RVC	10.62 424	13.42 429	7.30 417	18.92 429	2.07 418	0.33 351	0.30 368	5.59 421	0.48 345	13.03 427	17.94 427	8.87 422	5.65 418	4.79 419	1.89 414	23.51 436	2.73 423	27.55 437	25.71 437	16.07 434	16.33 435

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

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

Low-res two-view benchmark