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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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.
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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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	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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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
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.
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

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

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

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

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

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

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

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

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

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

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
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

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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Low-res two-view benchmark