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

LG-Stereo_L1	0.07 4	0.05 17	0.11 146	0.14 30	0.06 13	0.07 27	0.13 101	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo_test2	0.06 1	0.04 1	0.10 105	0.15 70	0.05 1	0.07 27	0.11 46	0.09 11	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.05 98	0.05 120

SCV	0.08 43	0.09 307	0.08 29	0.15 70	0.08 125	0.10 124	0.13 101	0.10 16	0.12 84	0.07 29	0.07 36	0.06 16	0.04 1	0.09 33	0.08 17	0.05 26	0.04 21	0.06 99	0.04 34	0.06 189	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 29	0.12 4	0.05 1	0.09 77	0.13 101	0.06 1	0.09 22	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 113	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

AIO_rvc	0.07 4	0.06 54	0.08 29	0.15 70	0.06 13	0.08 48	0.14 149	0.09 11	0.08 11	0.07 29	0.08 69	0.07 62	0.04 1	0.10 60	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

GIP-stereo	0.08 43	0.06 54	0.11 146	0.14 30	0.06 13	0.09 77	0.13 101	0.14 74	0.11 61	0.07 29	0.08 69	0.05 1	0.04 1	0.10 60	0.07 1	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

IGEV-BASED-STEREO-	0.09 78	0.10 365	0.31 477	0.15 70	0.06 13	0.08 48	0.14 149	0.10 16	0.10 35	0.07 29	0.07 36	0.06 16	0.04 1	0.11 106	0.07 1	0.12 444	0.04 21	0.07 191	0.05 104	0.05 98	0.05 120

Selective-IGEV	0.07 4	0.06 54	0.08 29	0.17 215	0.06 13	0.08 48	0.12 63	0.13 58	0.07 8	0.08 61	0.07 36	0.06 16	0.04 1	0.10 60	0.09 52	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

asda	0.07 4	0.08 233	0.08 29	0.16 141	0.06 13	0.06 8	0.10 27	0.16 129	0.10 35	0.06 9	0.06 12	0.05 1	0.05 9	0.10 60	0.10 121	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

IGEV	0.07 4	0.04 1	0.08 29	0.13 13	0.06 13	0.09 77	0.12 63	0.14 74	0.10 35	0.06 9	0.09 87	0.07 62	0.05 9	0.09 33	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

111111	0.07 4	0.04 1	0.09 70	0.17 215	0.06 13	0.05 4	0.10 27	0.11 27	0.09 22	0.06 9	0.06 12	0.07 62	0.05 9	0.09 33	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.07 254	0.06 195

LG-Stereo_L2	0.07 4	0.05 17	0.10 105	0.14 30	0.06 13	0.07 27	0.12 63	0.09 11	0.09 22	0.06 9	0.04 1	0.05 1	0.05 9	0.08 15	0.08 17	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

MLG-Stereo_test1	0.06 1	0.05 17	0.08 29	0.17 215	0.05 1	0.06 8	0.11 46	0.08 4	0.03 1	0.05 1	0.04 1	0.06 16	0.05 9	0.09 33	0.09 52	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo	0.07 4	0.05 17	0.08 29	0.17 215	0.05 1	0.07 27	0.11 46	0.08 4	0.04 2	0.05 1	0.04 1	0.06 16	0.05 9	0.10 60	0.09 52	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-Stereo_Zeroshot	0.07 4	0.06 54	0.10 105	0.16 141	0.07 70	0.04 1	0.13 101	0.10 16	0.10 35	0.05 1	0.11 143	0.07 62	0.05 9	0.07 4	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

HART	0.08 43	0.07 136	0.09 70	0.17 215	0.07 70	0.10 124	0.16 280	0.13 58	0.11 61	0.08 61	0.10 113	0.07 62	0.05 9	0.10 60	0.08 17	0.05 26	0.04 21	0.06 99	0.04 34	0.05 98	0.04 40

GREAT-IGEV	0.07 4	0.06 54	0.08 29	0.13 13	0.07 70	0.07 27	0.14 149	0.09 11	0.09 22	0.06 9	0.07 36	0.06 16	0.05 9	0.10 60	0.07 1	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

SCV_C0	0.08 43	0.07 136	0.07 6	0.16 141	0.09 235	0.08 48	0.15 215	0.11 27	0.12 84	0.08 61	0.07 36	0.06 16	0.05 9	0.11 106	0.07 1	0.05 26	0.05 182	0.05 23	0.04 34	0.06 189	0.05 120

DEFOM-Stereo_RVC	0.08 43	0.06 54	0.09 70	0.22 445	0.06 13	0.08 48	0.12 63	0.10 16	0.10 35	0.07 29	0.07 36	0.06 16	0.05 9	0.11 106	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.06 189	0.04 40

StereoAnything_RVC	0.07 4	0.15 456	0.17 372	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 11	0.06 9	0.06 12	0.05 1	0.05 9	0.09 33	0.08 17	0.08 295	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

AIO_test	0.07 4	0.05 17	0.07 6	0.15 70	0.07 70	0.06 8	0.14 149	0.10 16	0.10 35	0.07 29	0.07 36	0.06 16	0.05 9	0.08 15	0.10 121	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

AIO-test2	0.10 139	0.08 233	0.10 105	0.23 466	0.08 125	0.11 169	0.10 27	0.23 289	0.23 304	0.08 61	0.09 87	0.08 95	0.05 9	0.10 60	0.08 17	0.06 113	0.05 182	0.08 273	0.09 377	0.05 98	0.05 120

DEFOM-Stereo	0.07 4	0.05 17	0.07 6	0.14 30	0.06 13	0.10 124	0.13 101	0.07 2	0.13 115	0.06 9	0.07 36	0.06 16	0.05 9	0.10 60	0.09 52	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

dual_stereo	0.07 4	0.04 1	0.08 29	0.15 70	0.05 1	0.05 4	0.13 101	0.12 42	0.08 11	0.07 29	0.06 12	0.05 1	0.05 9	0.07 4	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

Occ-G	0.08 43	0.05 17	0.06 2	0.14 30	0.07 70	0.08 48	0.14 149	0.13 58	0.15 155	0.07 29	0.11 143	0.07 62	0.05 9	0.09 33	0.10 121	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.05 120

U	0.08 43	0.07 136	0.09 70	0.19 352	0.10 336	0.10 124	0.13 101	0.12 42	0.17 201	0.07 29	0.07 36	0.06 16	0.05 9	0.07 4	0.08 17	0.06 113	0.04 21	0.06 99	0.04 34	0.06 189	0.05 120

AIO-Stereo	0.08 43	0.06 54	0.09 70	0.18 296	0.06 13	0.08 48	0.12 63	0.15 103	0.09 22	0.08 61	0.08 69	0.07 62	0.05 9	0.11 106	0.08 17	0.05 26	0.05 182	0.05 23	0.04 34	0.04 15	0.04 40

RSM++	0.08 43	0.06 54	0.09 70	0.17 215	0.07 70	0.09 77	0.12 63	0.11 27	0.11 61	0.08 61	0.06 12	0.07 62	0.05 9	0.10 60	0.09 52	0.04 11	0.04 21	0.06 99	0.05 104	0.05 98	0.03 1

RSM	0.08 43	0.06 54	0.09 70	0.17 215	0.06 13	0.08 48	0.12 63	0.12 42	0.10 35	0.08 61	0.07 36	0.06 16	0.05 9	0.11 106	0.09 52	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

MIM_Stereo	0.09 78	0.07 136	0.11 146	0.15 70	0.07 70	0.06 8	0.12 63	0.20 226	0.14 139	0.13 215	0.13 170	0.09 120	0.05 9	0.12 187	0.08 17	0.05 26	0.06 302	0.07 191	0.06 182	0.06 189	0.05 120

EGLCR-Stereo	0.08 43	0.05 17	0.08 29	0.14 30	0.06 13	0.10 124	0.12 63	0.11 27	0.16 182	0.06 9	0.05 7	0.07 62	0.05 9	0.10 60	0.11 184	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

CroCo-Stereo Lap2	0.09 78	0.09 307	0.08 29	0.22 445	0.09 235	0.09 77	0.19 396	0.16 129	0.12 84	0.09 91	0.10 113	0.05 1	0.05 9	0.08 15	0.08 17	0.06 113	0.06 302	0.07 191	0.05 104	0.05 98	0.05 120

iRaft-Stereo_20w	0.09 78	0.05 17	0.13 226	0.14 30	0.08 125	0.12 203	0.15 215	0.18 194	0.10 35	0.11 150	0.08 69	0.08 95	0.05 9	0.10 60	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.05 120

S2M2_XL	0.08 43	0.06 54	0.12 181	0.12 4	0.08 125	0.09 77	0.09 18	0.07 2	0.07 8	0.08 61	0.07 36	0.07 62	0.06 34	0.09 33	0.09 52	0.08 295	0.06 302	0.07 191	0.05 104	0.08 316	0.06 195

asd	0.07 4	0.08 233	0.07 6	0.16 141	0.07 70	0.08 48	0.08 7	0.11 27	0.08 11	0.07 29	0.07 36	0.06 16	0.06 34	0.10 60	0.09 52	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 233	0.07 6	0.15 70	0.06 13	0.07 27	0.10 27	0.18 194	0.11 61	0.07 29	0.07 36	0.06 16	0.06 34	0.10 60	0.09 52	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.25w	0.07 4	0.06 54	0.07 6	0.14 30	0.06 13	0.08 48	0.08 7	0.10 16	0.15 155	0.08 61	0.10 113	0.07 62	0.06 34	0.08 15	0.10 121	0.05 26	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

4.25_new	0.07 4	0.08 233	0.09 70	0.15 70	0.06 13	0.09 77	0.08 7	0.14 74	0.08 11	0.07 29	0.07 36	0.06 16	0.06 34	0.12 187	0.10 121	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 233	0.09 70	0.15 70	0.06 13	0.09 77	0.08 7	0.14 74	0.08 11	0.07 29	0.07 36	0.06 16	0.06 34	0.12 187	0.10 121	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5_new	0.07 4	0.09 307	0.08 29	0.15 70	0.07 70	0.06 8	0.10 27	0.14 74	0.11 61	0.06 9	0.08 69	0.06 16	0.06 34	0.08 15	0.10 121	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 307	0.08 29	0.15 70	0.07 70	0.06 8	0.10 27	0.14 74	0.11 61	0.06 9	0.08 69	0.06 16	0.06 34	0.08 15	0.10 121	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 233	0.09 70	0.15 70	0.06 13	0.09 77	0.08 7	0.14 74	0.08 11	0.07 29	0.07 36	0.06 16	0.06 34	0.12 187	0.10 121	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 233	0.08 29	0.16 141	0.06 13	0.07 27	0.08 7	0.12 42	0.08 11	0.07 29	0.07 36	0.05 1	0.06 34	0.09 33	0.10 121	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.5w	0.07 4	0.07 136	0.07 6	0.16 141	0.06 13	0.08 48	0.12 63	0.10 16	0.10 35	0.07 29	0.06 12	0.09 120	0.06 34	0.08 15	0.09 52	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 136	0.07 6	0.13 13	0.06 13	0.08 48	0.08 7	0.18 194	0.12 84	0.07 29	0.08 69	0.06 16	0.06 34	0.09 33	0.11 184	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

3.25w_new	0.07 4	0.06 54	0.07 6	0.15 70	0.06 13	0.10 124	0.07 3	0.12 42	0.11 61	0.08 61	0.06 12	0.07 62	0.06 34	0.11 106	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 54	0.07 6	0.15 70	0.06 13	0.10 124	0.07 3	0.12 42	0.11 61	0.08 61	0.06 12	0.07 62	0.06 34	0.11 106	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 136	0.08 29	0.16 141	0.07 70	0.07 27	0.09 18	0.16 129	0.09 22	0.07 29	0.06 12	0.05 1	0.06 34	0.09 33	0.10 121	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3w_stereo	0.08 43	0.09 307	0.10 105	0.17 215	0.07 70	0.08 48	0.10 27	0.20 226	0.13 115	0.06 9	0.07 36	0.05 1	0.06 34	0.08 15	0.09 52	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 43	0.08 233	0.09 70	0.16 141	0.06 13	0.08 48	0.10 27	0.20 226	0.15 155	0.08 61	0.07 36	0.06 16	0.06 34	0.06 1	0.09 52	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 54	0.07 6	0.16 141	0.06 13	0.07 27	0.10 27	0.14 74	0.14 139	0.07 29	0.08 69	0.05 1	0.06 34	0.09 33	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

monsters	0.07 4	0.06 54	0.06 2	0.15 70	0.06 13	0.08 48	0.09 18	0.12 42	0.08 11	0.09 91	0.07 36	0.06 16	0.06 34	0.08 15	0.08 17	0.05 26	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

MLG-Stereo_test3	0.07 4	0.05 17	0.10 105	0.14 30	0.06 13	0.07 27	0.11 46	0.08 4	0.06 4	0.06 9	0.04 1	0.06 16	0.06 34	0.07 4	0.10 121	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.06 195

LGtest1	0.07 4	0.04 1	0.10 105	0.15 70	0.06 13	0.07 27	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 16	0.06 34	0.10 60	0.09 52	0.07 235	0.04 21	0.05 23	0.04 34	0.06 189	0.06 195

MM-Stereo_test3	0.10 139	0.07 136	0.07 6	0.18 296	0.07 70	0.12 203	0.19 396	0.24 311	0.19 242	0.06 9	0.10 113	0.08 95	0.06 34	0.11 106	0.08 17	0.06 113	0.06 302	0.07 191	0.05 104	0.05 98	0.04 40

MM-Stereo_test2	0.09 78	0.06 54	0.09 70	0.19 352	0.08 125	0.12 203	0.18 358	0.15 103	0.14 139	0.07 29	0.10 113	0.07 62	0.06 34	0.12 187	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.03 1

MM-Stereo_test1	0.10 139	0.07 136	0.08 29	0.18 296	0.07 70	0.12 203	0.18 358	0.21 248	0.20 265	0.09 91	0.11 143	0.08 95	0.06 34	0.10 60	0.10 121	0.06 113	0.05 182	0.07 191	0.06 182	0.05 98	0.04 40

HUF	0.08 43	0.05 17	0.08 29	0.14 30	0.06 13	0.09 77	0.13 101	0.13 58	0.13 115	0.07 29	0.07 36	0.08 95	0.06 34	0.10 60	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

castereo++	0.08 43	0.05 17	0.08 29	0.15 70	0.05 1	0.14 274	0.12 63	0.11 27	0.15 155	0.07 29	0.07 36	0.07 62	0.06 34	0.08 15	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-RUCA	0.08 43	0.06 54	0.11 146	0.14 30	0.09 235	0.10 124	0.12 63	0.10 16	0.12 84	0.06 9	0.07 36	0.07 62	0.06 34	0.09 33	0.08 17	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.06 195

MonSter	0.07 4	0.06 54	0.05 1	0.15 70	0.05 1	0.07 27	0.10 27	0.15 103	0.15 155	0.05 1	0.06 12	0.05 1	0.06 34	0.07 4	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

fffft	0.09 78	0.06 54	0.12 181	0.16 141	0.07 70	0.09 77	0.17 313	0.12 42	0.11 61	0.08 61	0.07 36	0.09 120	0.06 34	0.11 106	0.12 232	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.05 120
1: 1. 1
tt45	0.09 78	0.06 54	0.11 146	0.15 70	0.07 70	0.11 169	0.16 280	0.13 58	0.11 61	0.09 91	0.06 12	0.08 95	0.06 34	0.13 231	0.10 121	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

mms	0.09 78	0.07 136	0.08 29	0.16 141	0.08 125	0.10 124	0.16 280	0.12 42	0.11 61	0.08 61	0.09 87	0.08 95	0.06 34	0.11 106	0.12 232	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.03 1

ours_stereo	0.09 78	0.07 136	0.09 70	0.17 215	0.08 125	0.11 169	0.16 280	0.11 27	0.12 84	0.08 61	0.10 113	0.08 95	0.06 34	0.12 187	0.12 232	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.03 1

WCG-NET	0.08 43	0.05 17	0.09 70	0.15 70	0.06 13	0.11 169	0.14 149	0.13 58	0.13 115	0.06 9	0.09 87	0.07 62	0.06 34	0.13 231	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-Stereo++	0.07 4	0.06 54	0.08 29	0.18 296	0.06 13	0.04 1	0.10 27	0.11 27	0.11 61	0.06 9	0.07 36	0.07 62	0.06 34	0.09 33	0.09 52	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

RAStereo	0.10 139	0.09 307	0.08 29	0.20 401	0.08 125	0.13 242	0.18 358	0.15 103	0.17 201	0.10 123	0.12 156	0.05 1	0.06 34	0.09 33	0.08 17	0.07 235	0.05 182	0.07 191	0.05 104	0.05 98	0.04 40

Pointernet	0.09 78	0.04 1	0.09 70	0.16 141	0.08 125	0.13 242	0.10 27	0.15 103	0.17 201	0.09 91	0.07 36	0.06 16	0.06 34	0.11 106	0.09 52	0.08 295	0.04 21	0.05 23	0.03 1	0.06 189	0.05 120

IGEV-Stereo+	0.07 4	0.04 1	0.08 29	0.15 70	0.06 13	0.04 1	0.09 18	0.10 16	0.09 22	0.06 9	0.06 12	0.06 16	0.06 34	0.06 1	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.06 189	0.06 195

WCG-NET（raft）	0.08 43	0.05 17	0.10 105	0.15 70	0.06 13	0.11 169	0.13 101	0.15 103	0.12 84	0.08 61	0.07 36	0.06 16	0.06 34	0.13 231	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RAFT-Stereo-weight	0.09 78	0.06 54	0.10 105	0.16 141	0.07 70	0.09 77	0.14 149	0.19 215	0.16 182	0.11 150	0.10 113	0.08 95	0.06 34	0.10 60	0.11 184	0.06 113	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

test_for_model	0.09 78	0.12 407	0.14 261	0.23 466	0.11 383	0.08 48	0.13 101	0.12 42	0.12 84	0.10 123	0.07 36	0.07 62	0.06 34	0.11 106	0.10 121	0.06 113	0.05 182	0.05 23	0.03 1	0.07 254	0.04 40

MGS-Stereo	0.09 78	0.07 136	0.12 181	0.15 70	0.08 125	0.09 77	0.15 215	0.12 42	0.12 84	0.07 29	0.10 113	0.08 95	0.06 34	0.10 60	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.06 189	0.05 120

MoCha-V2	0.08 43	0.05 17	0.10 105	0.20 401	0.07 70	0.09 77	0.14 149	0.11 27	0.08 11	0.07 29	0.08 69	0.07 62	0.06 34	0.09 33	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

IGEV++	0.08 43	0.06 54	0.08 29	0.18 296	0.07 70	0.09 77	0.13 101	0.10 16	0.09 22	0.08 61	0.08 69	0.06 16	0.06 34	0.13 231	0.09 52	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

ACVNet-DCA	0.10 139	0.08 233	0.12 181	0.17 215	0.09 235	0.13 242	0.15 215	0.23 289	0.16 182	0.09 91	0.09 87	0.06 16	0.06 34	0.10 60	0.07 1	0.06 113	0.04 21	0.06 99	0.05 104	0.07 254	0.07 275

1test111	0.11 182	0.08 233	0.12 181	0.17 215	0.09 235	0.13 242	0.15 215	0.23 289	0.16 182	0.09 91	0.09 87	0.06 16	0.06 34	0.15 278	0.16 354	0.06 113	0.04 21	0.06 99	0.05 104	0.07 254	0.07 275

cc1	0.10 139	0.08 233	0.12 181	0.17 215	0.09 235	0.13 242	0.15 215	0.16 129	0.18 227	0.09 91	0.09 87	0.06 16	0.06 34	0.10 60	0.07 1	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.06 195

ff7	0.09 78	0.07 136	0.11 146	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.12 84	0.10 123	0.06 12	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

IGEVStereo-DCA	0.09 78	0.06 54	0.11 146	0.15 70	0.10 336	0.11 169	0.15 215	0.16 129	0.12 84	0.10 123	0.06 12	0.08 95	0.06 34	0.10 60	0.08 17	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

ffff	0.09 78	0.07 136	0.11 146	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.12 84	0.10 123	0.06 12	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

rrr	0.09 78	0.06 54	0.12 181	0.15 70	0.10 336	0.11 169	0.16 280	0.16 129	0.15 155	0.10 123	0.06 12	0.08 95	0.06 34	0.10 60	0.08 17	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

11t	0.09 78	0.07 136	0.11 146	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.12 84	0.10 123	0.06 12	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

tt1	0.10 139	0.08 233	0.12 181	0.17 215	0.09 235	0.12 203	0.16 280	0.15 103	0.19 242	0.09 91	0.08 69	0.06 16	0.06 34	0.10 60	0.07 1	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.06 195

MaDis-Stereo	0.09 78	0.09 307	0.08 29	0.17 215	0.09 235	0.13 242	0.10 27	0.16 129	0.16 182	0.09 91	0.11 143	0.06 16	0.06 34	0.09 33	0.13 273	0.07 235	0.06 302	0.07 191	0.05 104	0.05 98	0.04 40

IGEV_Zeroshot_test	0.09 78	0.05 17	0.12 181	0.13 13	0.08 125	0.12 203	0.13 101	0.17 165	0.11 61	0.10 123	0.06 12	0.09 120	0.06 34	0.11 106	0.09 52	0.06 113	0.04 21	0.06 99	0.06 182	0.05 98	0.05 120

MSKI-zero shot	0.09 78	0.05 17	0.09 70	0.15 70	0.07 70	0.10 124	0.13 101	0.14 74	0.13 115	0.09 91	0.09 87	0.09 120	0.06 34	0.12 187	0.10 121	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

DLNR_Zeroshot_test	10.40 572	1.82 564	19.49 578	120.77 583	13.11 576	0.06 8	0.13 101	0.23 289	0.10 35	0.07 29	0.10 113	0.09 120	0.06 34	0.10 60	0.09 52	0.13 467	0.04 21	0.06 99	0.04 34	51.54 582	0.04 40

testlalala	0.08 43	0.07 136	0.17 372	0.16 141	0.08 125	0.09 77	0.12 63	0.15 103	0.10 35	0.07 29	0.09 87	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

CAS	0.08 43	0.04 1	0.07 6	0.17 215	0.08 125	0.10 124	0.13 101	0.12 42	0.09 22	0.09 91	0.10 113	0.08 95	0.06 34	0.09 33	0.08 17	0.08 295	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

anonymousdsp	0.09 78	0.07 136	0.11 146	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.12 84	0.09 91	0.06 12	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

CES	0.08 43	0.04 1	0.08 29	0.14 30	0.07 70	0.09 77	0.14 149	0.11 27	0.09 22	0.08 61	0.09 87	0.11 172	0.06 34	0.12 187	0.08 17	0.06 113	0.04 21	0.05 23	0.03 1	0.05 98	0.05 120

ProNet	0.09 78	0.07 136	0.10 105	0.17 215	0.08 125	0.10 124	0.15 215	0.15 103	0.12 84	0.09 91	0.06 12	0.07 62	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.06 195

MC-Stereo	0.08 43	0.06 54	0.09 70	0.17 215	0.06 13	0.10 124	0.14 149	0.12 42	0.10 35	0.09 91	0.12 156	0.09 120	0.06 34	0.11 106	0.10 121	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

ccc-4	0.09 78	0.07 136	0.11 146	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.12 84	0.10 123	0.06 12	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

IGEV-Stereo	0.09 78	0.07 136	0.11 146	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.12 84	0.09 91	0.06 12	0.06 16	0.06 34	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 78	0.05 17	0.12 181	0.15 70	0.12 414	0.10 124	0.13 101	0.18 194	0.18 227	0.09 91	0.09 87	0.09 120	0.06 34	0.10 60	0.08 17	0.07 235	0.05 182	0.07 191	0.07 269	0.04 15	0.04 40

CroCo-Stereo	0.09 78	0.08 233	0.08 29	0.22 445	0.09 235	0.09 77	0.19 396	0.15 103	0.12 84	0.07 29	0.07 36	0.08 95	0.06 34	0.08 15	0.07 1	0.07 235	0.05 182	0.06 99	0.04 34	0.05 98	0.04 40
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 78	0.04 1	0.08 29	0.13 13	0.06 13	0.11 169	0.14 149	0.15 103	0.19 242	0.11 150	0.15 201	0.10 151	0.06 34	0.12 187	0.09 52	0.07 235	0.05 182	0.05 23	0.04 34	0.06 189	0.05 120

XX-Stereo	0.09 78	0.05 17	0.08 29	0.17 215	0.09 235	0.15 300	0.12 63	0.20 226	0.10 35	0.10 123	0.14 184	0.07 62	0.06 34	0.12 187	0.08 17	0.06 113	0.05 182	0.06 99	0.06 182	0.04 15	0.04 40

test_xeample3	0.09 78	0.06 54	0.12 181	0.16 141	0.09 235	0.11 169	0.15 215	0.16 129	0.13 115	0.10 123	0.06 12	0.08 95	0.06 34	0.10 60	0.09 52	0.05 26	0.04 21	0.06 99	0.05 104	0.05 98	0.06 195

3.5w_stereo	0.07 4	0.07 136	0.07 6	0.15 70	0.07 70	0.09 77	0.06 1	0.13 58	0.11 61	0.07 29	0.07 36	0.06 16	0.07 103	0.10 60	0.09 52	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

monsterstereo	0.07 4	0.06 54	0.06 2	0.16 141	0.06 13	0.08 48	0.10 27	0.16 129	0.11 61	0.07 29	0.08 69	0.06 16	0.07 103	0.08 15	0.09 52	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

LG-G_1	0.07 4	0.04 1	0.11 146	0.15 70	0.06 13	0.09 77	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 103	0.11 106	0.08 17	0.07 235	0.04 21	0.05 23	0.04 34	0.05 98	0.05 120

LG-G	0.07 4	0.04 1	0.11 146	0.15 70	0.06 13	0.09 77	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 103	0.11 106	0.08 17	0.07 235	0.04 21	0.05 23	0.04 34	0.05 98	0.05 120

LG-Stereo	0.08 43	0.07 136	0.10 105	0.18 296	0.07 70	0.10 124	0.17 313	0.11 27	0.08 11	0.05 1	0.07 36	0.05 1	0.07 103	0.09 33	0.09 52	0.04 11	0.05 182	0.07 191	0.07 269	0.04 15	0.04 40

AIO-test1	0.10 139	0.07 136	0.10 105	0.23 466	0.07 70	0.09 77	0.13 101	0.21 248	0.14 139	0.11 150	0.12 156	0.09 120	0.07 103	0.11 106	0.09 52	0.06 113	0.05 182	0.09 352	0.10 413	0.03 1	0.06 195

SMoEStereo_RVC	0.08 43	0.06 54	0.12 181	0.16 141	0.07 70	0.09 77	0.14 149	0.11 27	0.13 115	0.09 91	0.07 36	0.07 62	0.07 103	0.12 187	0.10 121	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

tg	0.10 139	0.06 54	0.10 105	0.18 296	0.08 125	0.11 169	0.16 280	0.20 226	0.12 84	0.08 61	0.11 143	0.11 172	0.07 103	0.11 106	0.10 121	0.05 26	0.04 21	0.08 273	0.08 333	0.04 15	0.04 40

PAM_32	0.09 78	0.05 17	0.17 372	0.15 70	0.08 125	0.10 124	0.15 215	0.14 74	0.15 155	0.09 91	0.08 69	0.09 120	0.07 103	0.14 256	0.08 17	0.06 113	0.05 182	0.06 99	0.06 182	0.05 98	0.06 195

PAM	0.10 139	0.05 17	0.16 344	0.15 70	0.08 125	0.09 77	0.16 280	0.15 103	0.16 182	0.12 188	0.09 87	0.09 120	0.07 103	0.13 231	0.08 17	0.06 113	0.05 182	0.06 99	0.06 182	0.05 98	0.06 195

UGAM-zero	0.09 78	0.05 17	0.15 310	0.15 70	0.08 125	0.09 77	0.13 101	0.19 215	0.15 155	0.11 150	0.15 201	0.07 62	0.07 103	0.09 33	0.09 52	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

model_zeroshot	0.10 139	0.04 1	0.11 146	0.15 70	0.09 235	0.12 203	0.14 149	0.20 226	0.13 115	0.11 150	0.10 113	0.12 189	0.07 103	0.12 187	0.10 121	0.07 235	0.06 302	0.06 99	0.05 104	0.06 189	0.06 195

GCAP-BAT	0.09 78	0.07 136	0.14 261	0.15 70	0.08 125	0.10 124	0.13 101	0.14 74	0.10 35	0.11 150	0.10 113	0.08 95	0.07 103	0.12 187	0.10 121	0.06 113	0.05 182	0.06 99	0.04 34	0.04 15	0.04 40

AIO-Stereo-zeroshot1	0.11 182	0.05 17	0.14 261	0.15 70	0.20 508	0.09 77	0.17 313	0.21 248	0.15 155	0.11 150	0.14 184	0.10 151	0.07 103	0.10 60	0.08 17	0.06 113	0.05 182	0.07 191	0.07 269	0.07 254	0.09 383

AIO-Stereo-zeroshot	0.11 182	0.05 17	0.11 146	0.15 70	0.13 436	0.13 242	0.16 280	0.23 289	0.17 201	0.10 123	0.12 156	0.10 151	0.07 103	0.11 106	0.09 52	0.06 113	0.05 182	0.06 99	0.06 182	0.07 254	0.08 339

CAS++	0.11 182	0.07 136	0.11 146	0.14 30	0.09 235	0.12 203	0.14 149	0.24 311	0.14 139	0.11 150	0.09 87	0.11 172	0.07 103	0.14 256	0.09 52	0.11 419	0.09 425	0.09 352	0.07 269	0.07 254	0.08 339
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 139	0.06 54	0.11 146	0.20 401	0.10 336	0.10 124	0.12 63	0.17 165	0.12 84	0.12 188	0.13 170	0.09 120	0.07 103	0.11 106	0.13 273	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.05 120

MyStereo07	0.10 139	0.07 136	0.10 105	0.17 215	0.09 235	0.14 274	0.18 358	0.15 103	0.15 155	0.09 91	0.06 12	0.06 16	0.07 103	0.12 187	0.09 52	0.06 113	0.05 182	0.08 273	0.07 269	0.06 189	0.06 195

MyStereo06	0.10 139	0.07 136	0.12 181	0.17 215	0.09 235	0.13 242	0.18 358	0.19 215	0.12 84	0.12 188	0.08 69	0.07 62	0.07 103	0.11 106	0.09 52	0.06 113	0.05 182	0.07 191	0.07 269	0.06 189	0.06 195

UniTT-Stereo	0.09 78	0.07 136	0.08 29	0.18 296	0.08 125	0.13 242	0.11 46	0.12 42	0.11 61	0.10 123	0.12 156	0.05 1	0.07 103	0.09 33	0.09 52	0.07 235	0.05 182	0.05 23	0.05 104	0.05 98	0.05 120

CASnet	0.09 78	0.09 307	0.09 70	0.19 352	0.06 13	0.07 27	0.11 46	0.18 194	0.14 139	0.11 150	0.10 113	0.09 120	0.07 103	0.10 60	0.10 121	0.06 113	0.04 21	0.10 398	0.08 333	0.05 98	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 78	0.06 54	0.13 226	0.17 215	0.08 125	0.10 124	0.16 280	0.14 74	0.10 35	0.08 61	0.09 87	0.08 95	0.07 103	0.10 60	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

HanStereo	0.09 78	0.06 54	0.13 226	0.17 215	0.08 125	0.10 124	0.16 280	0.14 74	0.10 35	0.08 61	0.09 87	0.08 95	0.07 103	0.10 60	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

LL-Strereo2	0.10 139	0.10 365	0.15 310	0.18 296	0.08 125	0.15 300	0.09 18	0.17 165	0.14 139	0.14 236	0.10 113	0.09 120	0.07 103	0.16 312	0.10 121	0.05 26	0.05 182	0.10 398	0.07 269	0.06 189	0.05 120

4D-IteraStereo	0.09 78	0.07 136	0.10 105	0.18 296	0.07 70	0.09 77	0.15 215	0.17 165	0.15 155	0.10 123	0.11 143	0.10 151	0.07 103	0.11 106	0.09 52	0.05 26	0.03 1	0.08 273	0.07 269	0.06 189	0.05 120

RCA-Stereo	0.09 78	0.06 54	0.09 70	0.16 141	0.06 13	0.09 77	0.13 101	0.18 194	0.14 139	0.09 91	0.10 113	0.08 95	0.07 103	0.12 187	0.11 184	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

RAFT_CTSACE	0.12 247	0.09 307	0.10 105	0.22 445	0.08 125	0.12 203	0.24 466	0.18 194	0.16 182	0.20 374	0.27 385	0.13 213	0.07 103	0.13 231	0.09 52	0.05 26	0.06 302	0.08 273	0.07 269	0.04 15	0.04 40

IPLG	0.10 139	0.07 136	0.15 310	0.17 215	0.08 125	0.11 169	0.14 149	0.20 226	0.15 155	0.12 188	0.17 234	0.07 62	0.07 103	0.14 256	0.13 273	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

MIPNet	0.11 182	0.08 233	0.14 261	0.17 215	0.09 235	0.12 203	0.14 149	0.20 226	0.24 320	0.11 150	0.10 113	0.09 120	0.07 103	0.13 231	0.12 232	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

iRaftStereo_RVC	0.10 139	0.07 136	0.09 70	0.17 215	0.09 235	0.11 169	0.17 313	0.18 194	0.12 84	0.09 91	0.12 156	0.10 151	0.07 103	0.11 106	0.10 121	0.05 26	0.04 21	0.08 273	0.08 333	0.04 15	0.04 40

CREStereo++_RVC	0.08 43	0.04 1	0.06 2	0.13 13	0.07 70	0.09 77	0.12 63	0.14 74	0.14 139	0.10 123	0.14 184	0.08 95	0.07 103	0.09 33	0.11 184	0.06 113	0.04 21	0.05 23	0.05 104	0.04 15	0.04 40
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 78	0.06 54	0.10 105	0.17 215	0.08 125	0.09 77	0.10 27	0.18 194	0.16 182	0.10 123	0.09 87	0.12 189	0.07 103	0.12 187	0.10 121	0.08 295	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120

sCroCo_RVC	0.12 247	0.09 307	0.23 441	0.24 475	0.11 383	0.19 392	0.14 149	0.17 165	0.14 139	0.10 123	0.13 170	0.12 189	0.07 103	0.14 256	0.11 184	0.08 295	0.08 398	0.08 273	0.08 333	0.05 98	0.07 275

EAI-Stereo	0.09 78	0.07 136	0.11 146	0.15 70	0.06 13	0.10 124	0.15 215	0.16 129	0.09 22	0.08 61	0.09 87	0.08 95	0.07 103	0.09 33	0.11 184	0.05 26	0.04 21	0.05 23	0.05 104	0.05 98	0.04 40

PMTNet	0.09 78	0.05 17	0.09 70	0.12 4	0.06 13	0.12 203	0.14 149	0.15 103	0.11 61	0.09 91	0.13 170	0.10 151	0.07 103	0.13 231	0.10 121	0.15 484	0.04 21	0.05 23	0.03 1	0.07 254	0.06 195

Reg-Stereo(zero)	0.08 43	0.05 17	0.08 29	0.16 141	0.06 13	0.12 203	0.11 46	0.15 103	0.10 35	0.12 188	0.09 87	0.10 151	0.08 138	0.11 106	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

castereo	0.09 78	0.06 54	0.11 146	0.15 70	0.06 13	0.11 169	0.15 215	0.14 74	0.18 227	0.08 61	0.10 113	0.11 172	0.08 138	0.09 33	0.10 121	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

999	0.09 78	0.05 17	0.13 226	0.15 70	0.08 125	0.10 124	0.14 149	0.15 103	0.11 61	0.10 123	0.08 69	0.08 95	0.08 138	0.16 312	0.10 121	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.05 120

rvit_stereo_0080	0.10 139	0.08 233	0.14 261	0.15 70	0.09 235	0.07 27	0.15 215	0.16 129	0.16 182	0.11 150	0.10 113	0.14 233	0.08 138	0.12 187	0.10 121	0.09 353	0.07 372	0.07 191	0.06 182	0.07 254	0.05 120

gcap-zeroshot	0.09 78	0.05 17	0.10 105	0.16 141	0.07 70	0.13 242	0.13 101	0.11 27	0.12 84	0.13 215	0.12 156	0.09 120	0.08 138	0.09 33	0.09 52	0.06 113	0.05 182	0.06 99	0.05 104	0.04 15	0.04 40

trnet	0.08 43	0.05 17	0.07 6	0.12 4	0.05 1	0.12 203	0.11 46	0.13 58	0.10 35	0.08 61	0.13 170	0.09 120	0.08 138	0.11 106	0.10 121	0.08 295	0.05 182	0.05 23	0.03 1	0.06 189	0.05 120

Former-RAFT_DAM_RVC	0.10 139	0.08 233	0.12 181	0.16 141	0.08 125	0.15 300	0.16 280	0.18 194	0.18 227	0.10 123	0.09 87	0.09 120	0.08 138	0.11 106	0.12 232	0.07 235	0.05 182	0.08 273	0.06 182	0.07 254	0.06 195

AE-Stereo	0.10 139	0.08 233	0.10 105	0.18 296	0.09 235	0.10 124	0.15 215	0.14 74	0.19 242	0.09 91	0.14 184	0.12 189	0.08 138	0.11 106	0.10 121	0.05 26	0.06 302	0.07 191	0.06 182	0.05 98	0.04 40

whm_eth	0.10 139	0.08 233	0.14 261	0.15 70	0.09 235	0.07 27	0.15 215	0.16 129	0.16 182	0.11 150	0.10 113	0.14 233	0.08 138	0.12 187	0.10 121	0.09 353	0.07 372	0.07 191	0.06 182	0.07 254	0.05 120

testlalala_base	0.10 139	0.09 307	0.14 261	0.21 430	0.08 125	0.10 124	0.14 149	0.13 58	0.10 35	0.07 29	0.15 201	0.07 62	0.08 138	0.10 60	0.12 232	0.08 295	0.05 182	0.05 23	0.03 1	0.06 189	0.05 120

AEACV	0.08 43	0.05 17	0.08 29	0.14 30	0.13 436	0.14 274	0.13 101	0.14 74	0.09 22	0.07 29	0.09 87	0.07 62	0.08 138	0.10 60	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

GLC_STEREO	0.11 182	0.07 136	0.11 146	0.17 215	0.07 70	0.09 77	0.13 101	0.15 103	0.24 320	0.12 188	0.13 170	0.12 189	0.08 138	0.18 365	0.11 184	0.06 113	0.08 398	0.08 273	0.06 182	0.05 98	0.05 120

IPLGR	0.11 182	0.09 307	0.16 344	0.18 296	0.08 125	0.12 203	0.17 313	0.21 248	0.24 320	0.11 150	0.12 156	0.11 172	0.08 138	0.12 187	0.12 232	0.06 113	0.05 182	0.06 99	0.06 182	0.04 15	0.04 40

test-3	0.08 43	0.06 54	0.09 70	0.17 215	0.07 70	0.07 27	0.14 149	0.12 42	0.15 155	0.09 91	0.08 69	0.07 62	0.08 138	0.11 106	0.10 121	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.04 40

test_1	0.08 43	0.06 54	0.09 70	0.17 215	0.07 70	0.07 27	0.14 149	0.12 42	0.15 155	0.09 91	0.08 69	0.07 62	0.08 138	0.11 106	0.10 121	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.04 40

HHNet	0.11 182	0.06 54	0.16 344	0.15 70	0.14 454	0.07 27	0.13 101	0.20 226	0.17 201	0.14 236	0.25 360	0.11 172	0.08 138	0.13 231	0.10 121	0.05 26	0.04 21	0.08 273	0.06 182	0.05 98	0.09 383

AnonymousM	0.09 78	0.05 17	0.10 105	0.14 30	0.06 13	0.09 77	0.13 101	0.19 215	0.14 139	0.13 215	0.11 143	0.09 120	0.08 138	0.13 231	0.10 121	0.08 295	0.05 182	0.08 273	0.05 104	0.05 98	0.05 120

test-1	0.10 139	0.07 136	0.16 344	0.19 352	0.08 125	0.11 169	0.24 466	0.14 74	0.18 227	0.09 91	0.07 36	0.09 120	0.08 138	0.07 4	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

Prome-Stereo	0.11 182	0.06 54	0.10 105	0.18 296	0.08 125	0.12 203	0.15 215	0.22 270	0.13 115	0.12 188	0.17 234	0.13 213	0.08 138	0.12 187	0.10 121	0.05 26	0.04 21	0.07 191	0.06 182	0.06 189	0.09 383

raft+_RVC	0.11 182	0.07 136	0.09 70	0.16 141	0.07 70	0.10 124	0.11 46	0.24 311	0.20 265	0.12 188	0.15 201	0.12 189	0.08 138	0.12 187	0.13 273	0.07 235	0.04 21	0.07 191	0.06 182	0.05 98	0.05 120

XX-TBD	0.09 78	0.06 54	0.07 6	0.14 30	0.07 70	0.12 203	0.16 280	0.14 74	0.13 115	0.11 150	0.12 156	0.09 120	0.08 138	0.10 60	0.10 121	0.06 113	0.04 21	0.05 23	0.03 1	0.06 189	0.05 120

sAnonymous2	0.13 272	0.12 407	0.24 444	0.20 401	0.12 414	0.17 351	0.13 101	0.26 345	0.21 280	0.11 150	0.11 143	0.13 213	0.08 138	0.10 60	0.10 121	0.09 353	0.05 182	0.08 273	0.06 182	0.15 488	0.10 408

CroCo_RVC	0.13 272	0.12 407	0.24 444	0.20 401	0.12 414	0.17 351	0.13 101	0.26 345	0.21 280	0.11 150	0.11 143	0.13 213	0.08 138	0.10 60	0.10 121	0.09 353	0.05 182	0.08 273	0.06 182	0.15 488	0.10 408

CREStereo	0.09 78	0.04 1	0.08 29	0.11 1	0.06 13	0.13 242	0.14 149	0.14 74	0.10 35	0.08 61	0.13 170	0.09 120	0.08 138	0.11 106	0.10 121	0.08 295	0.04 21	0.05 23	0.03 1	0.06 189	0.06 195
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	0.10 139	0.06 54	0.10 105	0.17 215	0.08 125	0.11 169	0.14 149	0.23 289	0.11 61	0.12 188	0.19 268	0.11 172	0.08 138	0.09 33	0.11 184	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120

RAFT-Stereo	0.10 139	0.06 54	0.10 105	0.17 215	0.08 125	0.11 169	0.14 149	0.23 289	0.11 61	0.12 188	0.19 268	0.11 172	0.08 138	0.09 33	0.11 184	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
water-stereo	0.09 78	0.06 54	0.08 29	0.16 141	0.07 70	0.09 77	0.13 101	0.15 103	0.13 115	0.11 150	0.12 156	0.08 95	0.09 164	0.07 4	0.08 17	0.06 113	0.05 182	0.05 23	0.05 104	0.04 15	0.04 40

DilatedVolume-Stereo	0.09 78	0.05 17	0.08 29	0.15 70	0.06 13	0.11 169	0.12 63	0.14 74	0.16 182	0.11 150	0.11 143	0.09 120	0.09 164	0.11 106	0.10 121	0.06 113	0.05 182	0.05 23	0.04 34	0.03 1	0.03 1

S2M2	0.09 78	0.08 233	0.11 146	0.13 13	0.10 336	0.08 48	0.06 1	0.10 16	0.10 35	0.10 123	0.09 87	0.10 151	0.09 164	0.11 106	0.11 184	0.13 467	0.07 372	0.08 273	0.09 377	0.10 408	0.08 339

SGD-Stereo	0.08 43	0.05 17	0.10 105	0.14 30	0.05 1	0.12 203	0.12 63	0.11 27	0.12 84	0.07 29	0.09 87	0.09 120	0.09 164	0.08 15	0.08 17	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.03 1

HI	0.11 182	0.06 54	0.11 146	0.13 13	0.09 235	0.09 77	0.14 149	0.21 248	0.10 35	0.19 352	0.17 234	0.14 233	0.09 164	0.16 312	0.08 17	0.05 26	0.04 21	0.07 191	0.08 333	0.07 254	0.06 195

CoSv	0.11 182	0.06 54	0.11 146	0.13 13	0.09 235	0.09 77	0.14 149	0.21 248	0.10 35	0.19 352	0.17 234	0.14 233	0.09 164	0.16 312	0.08 17	0.05 26	0.04 21	0.07 191	0.08 333	0.07 254	0.06 195

fffy	0.09 78	0.08 233	0.09 70	0.16 141	0.07 70	0.13 242	0.17 313	0.13 58	0.12 84	0.08 61	0.09 87	0.08 95	0.09 164	0.13 231	0.11 184	0.05 26	0.05 182	0.07 191	0.05 104	0.04 15	0.05 120

rvit_stereo_0081_aga	0.11 182	0.09 307	0.14 261	0.18 296	0.09 235	0.13 242	0.14 149	0.14 74	0.19 242	0.10 123	0.18 259	0.16 276	0.09 164	0.12 187	0.09 52	0.10 391	0.06 302	0.08 273	0.07 269	0.07 254	0.06 195

rvit_stereo_0081	0.11 182	0.08 233	0.15 310	0.16 141	0.09 235	0.10 124	0.14 149	0.14 74	0.24 320	0.11 150	0.13 170	0.13 213	0.09 164	0.11 106	0.12 232	0.10 391	0.07 372	0.08 273	0.07 269	0.07 254	0.05 120

rvit_stereo_0082	0.11 182	0.08 233	0.15 310	0.16 141	0.09 235	0.10 124	0.14 149	0.14 74	0.24 320	0.11 150	0.13 170	0.13 213	0.09 164	0.11 106	0.12 232	0.10 391	0.07 372	0.08 273	0.07 269	0.07 254	0.05 120

EKT-Stereo	0.11 182	0.07 136	0.14 261	0.15 70	0.10 336	0.13 242	0.14 149	0.18 194	0.21 280	0.11 150	0.08 69	0.12 189	0.09 164	0.11 106	0.12 232	0.08 295	0.06 302	0.07 191	0.06 182	0.08 316	0.07 275

GCAP-Stereo	0.09 78	0.07 136	0.13 226	0.18 296	0.06 13	0.11 169	0.07 3	0.13 58	0.12 84	0.09 91	0.10 113	0.07 62	0.09 164	0.13 231	0.10 121	0.06 113	0.05 182	0.05 23	0.04 34	0.04 15	0.05 120

Any-RAFT	0.10 139	0.05 17	0.09 70	0.14 30	0.07 70	0.13 242	0.14 149	0.21 248	0.15 155	0.11 150	0.12 156	0.12 189	0.09 164	0.12 187	0.09 52	0.07 235	0.04 21	0.05 23	0.04 34	0.06 189	0.05 120

RAFT-Test	0.09 78	0.06 54	0.10 105	0.15 70	0.07 70	0.11 169	0.15 215	0.16 129	0.13 115	0.09 91	0.10 113	0.10 151	0.09 164	0.12 187	0.09 52	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

LoS_RVC	0.08 43	0.05 17	0.07 6	0.15 70	0.07 70	0.08 48	0.15 215	0.11 27	0.10 35	0.08 61	0.09 87	0.06 16	0.09 164	0.10 60	0.09 52	0.05 26	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

anonymousdsp2	0.11 182	0.07 136	0.10 105	0.16 141	0.09 235	0.13 242	0.14 149	0.18 194	0.22 294	0.13 215	0.14 184	0.12 189	0.09 164	0.14 256	0.11 184	0.05 26	0.04 21	0.05 23	0.04 34	0.06 189	0.05 120

LoS	0.09 78	0.05 17	0.11 146	0.13 13	0.07 70	0.14 274	0.11 46	0.15 103	0.15 155	0.09 91	0.09 87	0.12 189	0.09 164	0.15 278	0.10 121	0.07 235	0.05 182	0.05 23	0.03 1	0.05 98	0.05 120
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 182	0.05 17	0.12 181	0.13 13	0.07 70	0.15 300	0.14 149	0.19 215	0.13 115	0.11 150	0.17 234	0.13 213	0.09 164	0.13 231	0.11 184	0.08 295	0.05 182	0.06 99	0.05 104	0.08 316	0.07 275

test_4	0.10 139	0.10 365	0.08 29	0.19 352	0.09 235	0.08 48	0.22 444	0.15 103	0.17 201	0.12 188	0.18 259	0.12 189	0.09 164	0.08 15	0.11 184	0.04 11	0.04 21	0.08 273	0.08 333	0.04 15	0.03 1

iRaft-Stereo_5w	0.12 247	0.09 307	0.12 181	0.19 352	0.08 125	0.09 77	0.12 63	0.21 248	0.21 280	0.19 352	0.14 184	0.11 172	0.09 164	0.20 405	0.16 354	0.05 26	0.05 182	0.07 191	0.06 182	0.05 98	0.06 195

CIPLG	0.11 182	0.08 233	0.14 261	0.17 215	0.08 125	0.12 203	0.15 215	0.17 165	0.15 155	0.14 236	0.11 143	0.16 276	0.09 164	0.16 312	0.11 184	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

dd	0.15 350	0.16 464	0.16 344	0.19 352	0.09 235	0.15 300	0.18 358	0.21 248	0.25 341	0.23 415	0.20 280	0.21 345	0.09 164	0.21 421	0.16 354	0.10 391	0.06 302	0.08 273	0.06 182	0.08 316	0.06 195

IPLGR_C	0.11 182	0.08 233	0.14 261	0.17 215	0.08 125	0.12 203	0.15 215	0.17 165	0.15 155	0.14 236	0.10 113	0.16 276	0.09 164	0.16 312	0.11 184	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

ACRE	0.11 182	0.08 233	0.14 261	0.17 215	0.08 125	0.12 203	0.15 215	0.17 165	0.14 139	0.14 236	0.10 113	0.16 276	0.09 164	0.16 312	0.11 184	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195

test_3	0.10 139	0.09 307	0.10 105	0.20 401	0.08 125	0.13 242	0.26 487	0.14 74	0.21 280	0.10 123	0.10 113	0.09 120	0.09 164	0.08 15	0.11 184	0.05 26	0.04 21	0.08 273	0.07 269	0.04 15	0.04 40

Pruner-Stereo	0.11 182	0.07 136	0.12 181	0.17 215	0.09 235	0.06 8	0.12 63	0.17 165	0.17 201	0.13 215	0.19 268	0.13 213	0.09 164	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.08 339

RAFT-345	0.11 182	0.07 136	0.15 310	0.16 141	0.08 125	0.08 48	0.12 63	0.15 103	0.10 35	0.11 150	0.36 451	0.09 120	0.09 164	0.11 106	0.12 232	0.05 26	0.05 182	0.07 191	0.06 182	0.04 15	0.05 120

RALAANet	0.11 182	0.08 233	0.10 105	0.17 215	0.09 235	0.14 274	0.10 27	0.20 226	0.15 155	0.14 236	0.13 170	0.16 276	0.09 164	0.12 187	0.11 184	0.06 113	0.05 182	0.07 191	0.06 182	0.05 98	0.04 40

RAFT-Stereo + iAFF	0.09 78	0.06 54	0.10 105	0.17 215	0.06 13	0.10 124	0.16 280	0.17 165	0.14 139	0.09 91	0.10 113	0.08 95	0.09 164	0.11 106	0.09 52	0.05 26	0.04 21	0.06 99	0.06 182	0.04 15	0.03 1

AFF-stereo	0.09 78	0.06 54	0.10 105	0.17 215	0.07 70	0.10 124	0.16 280	0.17 165	0.09 22	0.10 123	0.12 156	0.09 120	0.09 164	0.12 187	0.09 52	0.05 26	0.04 21	0.07 191	0.07 269	0.04 15	0.03 1

CFNet-RSSM	0.09 78	0.07 136	0.09 70	0.16 141	0.07 70	0.09 77	0.15 215	0.16 129	0.17 201	0.08 61	0.12 156	0.10 151	0.09 164	0.11 106	0.09 52	0.06 113	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

Gwc-CoAtRS	0.09 78	0.06 54	0.10 105	0.16 141	0.07 70	0.10 124	0.14 149	0.17 165	0.17 201	0.08 61	0.10 113	0.12 189	0.09 164	0.12 187	0.09 52	0.06 113	0.04 21	0.06 99	0.04 34	0.04 15	0.04 40

xyz-stereo-finetune	0.11 182	0.08 233	0.13 226	0.14 30	0.06 13	0.10 124	0.19 396	0.17 165	0.19 242	0.12 188	0.14 184	0.15 262	0.10 196	0.13 231	0.11 184	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.05 120

rvit_stereo_0083	0.12 247	0.08 233	0.17 372	0.16 141	0.09 235	0.11 169	0.15 215	0.14 74	0.26 355	0.11 150	0.14 184	0.13 213	0.10 196	0.12 187	0.12 232	0.10 391	0.08 398	0.09 352	0.07 269	0.07 254	0.05 120

rvit_stereo_ft	0.12 247	0.07 136	0.13 226	0.19 352	0.10 336	0.12 203	0.17 313	0.16 129	0.16 182	0.12 188	0.13 170	0.15 262	0.10 196	0.14 256	0.13 273	0.09 353	0.06 302	0.08 273	0.07 269	0.07 254	0.05 120

H2IRNET	0.10 139	0.09 307	0.09 70	0.18 296	0.09 235	0.12 203	0.15 215	0.14 74	0.21 280	0.10 123	0.10 113	0.10 151	0.10 196	0.10 60	0.10 121	0.05 26	0.04 21	0.08 273	0.08 333	0.06 189	0.05 120

MyStereo8	0.12 247	0.07 136	0.15 310	0.15 70	0.09 235	0.18 369	0.14 149	0.19 215	0.22 294	0.12 188	0.18 259	0.11 172	0.10 196	0.16 312	0.18 387	0.07 235	0.05 182	0.07 191	0.05 104	0.08 316	0.09 383

MyStereo04	0.13 272	0.07 136	0.10 105	0.17 215	0.09 235	0.14 274	0.18 358	0.29 396	0.38 453	0.17 307	0.14 184	0.16 276	0.10 196	0.15 278	0.13 273	0.06 113	0.05 182	0.08 273	0.07 269	0.06 189	0.06 195

StereoVision	0.13 272	0.12 407	0.09 70	0.24 475	0.10 336	0.15 300	0.21 434	0.21 248	0.20 265	0.12 188	0.24 331	0.10 151	0.10 196	0.16 312	0.10 121	0.09 353	0.11 456	0.12 447	0.12 463	0.06 189	0.05 120

DCRE	0.11 182	0.07 136	0.13 226	0.16 141	0.11 383	0.11 169	0.17 313	0.18 194	0.17 201	0.11 150	0.18 259	0.10 151	0.10 196	0.15 278	0.11 184	0.06 113	0.05 182	0.06 99	0.06 182	0.05 98	0.04 40

Selective-RAFT	0.11 182	0.10 365	0.11 146	0.21 430	0.08 125	0.16 330	0.13 101	0.20 226	0.22 294	0.10 123	0.10 113	0.11 172	0.10 196	0.15 278	0.11 184	0.05 26	0.05 182	0.06 99	0.05 104	0.06 189	0.05 120

TestStereo1	0.13 272	0.08 233	0.08 29	0.19 352	0.08 125	0.18 369	0.29 509	0.23 289	0.16 182	0.17 307	0.20 280	0.16 276	0.10 196	0.12 187	0.13 273	0.06 113	0.06 302	0.08 273	0.06 182	0.05 98	0.05 120

DisPM	0.11 182	0.07 136	0.12 181	0.16 141	0.09 235	0.06 8	0.13 101	0.17 165	0.17 201	0.14 236	0.20 280	0.12 189	0.10 196	0.11 106	0.10 121	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.11 432

raft_robust	0.13 272	0.10 365	0.07 6	0.18 296	0.08 125	0.13 242	0.24 466	0.28 385	0.33 416	0.20 374	0.19 268	0.14 233	0.10 196	0.11 106	0.12 232	0.05 26	0.05 182	0.07 191	0.07 269	0.05 98	0.04 40

RAFT+CT+SA	0.13 272	0.11 390	0.09 70	0.19 352	0.09 235	0.15 300	0.28 500	0.22 270	0.22 294	0.15 263	0.26 377	0.10 151	0.10 196	0.11 106	0.12 232	0.05 26	0.04 21	0.07 191	0.08 333	0.07 254	0.06 195

SA-5K	0.13 272	0.08 233	0.08 29	0.19 352	0.08 125	0.18 369	0.29 509	0.23 289	0.16 182	0.17 307	0.20 280	0.16 276	0.10 196	0.12 187	0.13 273	0.06 113	0.06 302	0.08 273	0.06 182	0.05 98	0.05 120

PFNet+	0.11 182	0.06 54	0.13 226	0.16 141	0.09 235	0.05 4	0.12 63	0.17 165	0.21 280	0.16 291	0.19 268	0.14 233	0.10 196	0.11 106	0.11 184	0.08 295	0.05 182	0.09 352	0.08 333	0.06 189	0.11 432

STrans-v2	0.10 139	0.07 136	0.12 181	0.18 296	0.07 70	0.10 124	0.14 149	0.21 248	0.11 61	0.11 150	0.15 201	0.12 189	0.10 196	0.11 106	0.12 232	0.05 26	0.04 21	0.06 99	0.06 182	0.04 15	0.04 40

KYRaft	0.11 182	0.07 136	0.10 105	0.19 352	0.09 235	0.08 48	0.15 215	0.22 270	0.12 84	0.13 215	0.16 213	0.20 336	0.10 196	0.12 187	0.10 121	0.05 26	0.04 21	0.08 273	0.08 333	0.06 189	0.16 497

ASMatch	0.11 182	0.06 54	0.13 226	0.16 141	0.10 336	0.07 27	0.14 149	0.17 165	0.17 201	0.12 188	0.16 213	0.16 276	0.10 196	0.13 231	0.10 121	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.08 339

RAFT-RH_RVC	0.11 182	0.06 54	0.14 261	0.16 141	0.09 235	0.12 203	0.12 63	0.17 165	0.12 84	0.13 215	0.41 487	0.11 172	0.10 196	0.13 231	0.12 232	0.05 26	0.04 21	0.08 273	0.05 104	0.04 15	0.06 195

cross-raft	0.10 139	0.09 307	0.09 70	0.19 352	0.07 70	0.11 169	0.25 480	0.13 58	0.15 155	0.08 61	0.11 143	0.12 189	0.10 196	0.09 33	0.11 184	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

rafts_anoy	0.11 182	0.06 54	0.10 105	0.17 215	0.08 125	0.10 124	0.14 149	0.17 165	0.14 139	0.13 215	0.13 170	0.12 189	0.10 196	0.11 106	0.12 232	0.07 235	0.04 21	0.09 352	0.11 444	0.07 254	0.06 195

Anonymous3	0.16 373	0.13 436	0.33 483	0.26 490	0.14 454	0.27 478	0.17 313	0.28 385	0.28 378	0.15 263	0.17 234	0.14 233	0.10 196	0.15 278	0.12 232	0.08 295	0.08 398	0.08 273	0.08 333	0.08 316	0.11 432

RALCasStereoNet	0.10 139	0.06 54	0.09 70	0.16 141	0.08 125	0.12 203	0.14 149	0.17 165	0.11 61	0.12 188	0.17 234	0.14 233	0.10 196	0.12 187	0.11 184	0.07 235	0.06 302	0.06 99	0.05 104	0.08 316	0.07 275

RAFT + AFF	0.13 272	0.07 136	0.20 418	0.20 401	0.10 336	0.14 274	0.24 466	0.26 345	0.20 265	0.11 150	0.10 113	0.12 189	0.10 196	0.15 278	0.12 232	0.07 235	0.06 302	0.09 352	0.08 333	0.06 189	0.08 339

GMStereo	0.13 272	0.14 448	0.14 261	0.18 296	0.09 235	0.15 300	0.16 280	0.20 226	0.24 320	0.16 291	0.17 234	0.10 151	0.10 196	0.16 312	0.13 273	0.07 235	0.06 302	0.06 99	0.06 182	0.07 254	0.06 195
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
depthmonostereo	0.09 78	0.06 54	0.09 70	0.15 70	0.06 13	0.10 124	0.13 101	0.14 74	0.14 139	0.10 123	0.10 113	0.09 120	0.11 221	0.08 15	0.09 52	0.06 113	0.05 182	0.06 99	0.04 34	0.04 15	0.03 1

MyStereo05	0.13 272	0.07 136	0.10 105	0.17 215	0.09 235	0.13 242	0.18 358	0.27 366	0.35 436	0.17 307	0.14 184	0.15 262	0.11 221	0.15 278	0.13 273	0.06 113	0.05 182	0.07 191	0.07 269	0.06 189	0.06 195

CoDeX	0.12 247	0.07 136	0.12 181	0.17 215	0.08 125	0.12 203	0.15 215	0.23 289	0.27 364	0.13 215	0.17 234	0.16 276	0.11 221	0.14 256	0.11 184	0.07 235	0.05 182	0.07 191	0.06 182	0.06 189	0.05 120

GMStereo_Zeroshot	0.16 373	0.13 436	0.24 444	0.20 401	0.10 336	0.17 351	0.13 101	0.29 396	0.25 341	0.23 415	0.32 428	0.25 399	0.11 221	0.19 380	0.14 310	0.09 353	0.06 302	0.11 429	0.06 182	0.12 444	0.08 339

MIF-Stereo (partial)	0.11 182	0.06 54	0.10 105	0.19 352	0.10 336	0.10 124	0.11 46	0.17 165	0.18 227	0.14 236	0.16 213	0.09 120	0.11 221	0.12 187	0.12 232	0.08 295	0.05 182	0.08 273	0.07 269	0.06 189	0.07 275

riskmin	0.11 182	0.06 54	0.13 226	0.14 30	0.08 125	0.14 274	0.14 149	0.18 194	0.14 139	0.11 150	0.14 184	0.16 276	0.11 221	0.14 256	0.12 232	0.09 353	0.05 182	0.07 191	0.05 104	0.08 316	0.08 339

fff	0.10 139	0.06 54	0.12 181	0.15 70	0.07 70	0.09 77	0.17 313	0.16 129	0.20 265	0.13 215	0.16 213	0.10 151	0.11 221	0.11 106	0.12 232	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

Sa-1000	0.12 247	0.08 233	0.08 29	0.18 296	0.08 125	0.14 274	0.22 444	0.22 270	0.18 227	0.15 263	0.20 280	0.17 296	0.11 221	0.10 60	0.10 121	0.06 113	0.05 182	0.09 352	0.09 377	0.05 98	0.05 120

SA	0.12 247	0.09 307	0.08 29	0.18 296	0.08 125	0.12 203	0.24 466	0.23 289	0.18 227	0.17 307	0.27 385	0.14 233	0.11 221	0.11 106	0.11 184	0.05 26	0.05 182	0.09 352	0.08 333	0.05 98	0.04 40

CrosDoStereo	0.12 247	0.06 54	0.12 181	0.14 30	0.08 125	0.12 203	0.15 215	0.17 165	0.22 294	0.19 352	0.24 331	0.15 262	0.11 221	0.11 106	0.12 232	0.06 113	0.04 21	0.07 191	0.07 269	0.05 98	0.05 120

LCNet	0.11 182	0.07 136	0.09 70	0.19 352	0.09 235	0.08 48	0.15 215	0.21 248	0.15 155	0.11 150	0.15 201	0.16 276	0.11 221	0.12 187	0.11 184	0.05 26	0.04 21	0.08 273	0.07 269	0.06 189	0.15 486

TransformOpticalFlow	0.10 139	0.08 233	0.13 226	0.18 296	0.07 70	0.09 77	0.15 215	0.19 215	0.15 155	0.12 188	0.17 234	0.11 172	0.11 221	0.11 106	0.10 121	0.05 26	0.04 21	0.06 99	0.06 182	0.05 98	0.05 120

NF-Stereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 444

OCTAStereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 444

PSM-softLoss	0.12 247	0.07 136	0.15 310	0.17 215	0.09 235	0.08 48	0.13 101	0.24 311	0.17 201	0.14 236	0.19 268	0.13 213	0.11 221	0.11 106	0.11 184	0.07 235	0.05 182	0.08 273	0.07 269	0.06 189	0.12 444

KMStereo	0.12 247	0.07 136	0.15 310	0.17 215	0.09 235	0.08 48	0.13 101	0.24 311	0.17 201	0.14 236	0.19 268	0.13 213	0.11 221	0.11 106	0.11 184	0.07 235	0.05 182	0.08 273	0.07 269	0.06 189	0.12 444

PSM-AAD	0.11 182	0.07 136	0.10 105	0.19 352	0.09 235	0.10 124	0.15 215	0.20 226	0.13 115	0.12 188	0.14 184	0.18 310	0.11 221	0.11 106	0.10 121	0.05 26	0.05 182	0.09 352	0.08 333	0.06 189	0.14 479

DeepStereo_LL	0.12 247	0.06 54	0.12 181	0.14 30	0.08 125	0.12 203	0.15 215	0.17 165	0.22 294	0.19 352	0.24 331	0.15 262	0.11 221	0.11 106	0.12 232	0.06 113	0.04 21	0.07 191	0.07 269	0.05 98	0.05 120

PFNet	0.12 247	0.06 54	0.17 372	0.17 215	0.08 125	0.09 77	0.15 215	0.26 345	0.20 265	0.16 291	0.16 213	0.14 233	0.11 221	0.12 187	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.05 98	0.05 120

GrayStereo	0.11 182	0.06 54	0.11 146	0.19 352	0.09 235	0.09 77	0.16 280	0.18 194	0.17 201	0.14 236	0.17 234	0.17 296	0.11 221	0.12 187	0.11 184	0.05 26	0.05 182	0.07 191	0.06 182	0.05 98	0.10 408

RE-Stereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 444

TVStereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 444

GMM-Stereo	0.11 182	0.07 136	0.10 105	0.18 296	0.09 235	0.08 48	0.15 215	0.23 289	0.16 182	0.11 150	0.15 201	0.13 213	0.11 221	0.11 106	0.11 184	0.05 26	0.04 21	0.08 273	0.07 269	0.06 189	0.09 383

s12784h	0.09 78	0.06 54	0.07 6	0.15 70	0.05 1	0.16 330	0.18 358	0.15 103	0.15 155	0.10 123	0.11 143	0.11 172	0.11 221	0.10 60	0.12 232	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

DCANet	0.10 139	0.06 54	0.12 181	0.16 141	0.06 13	0.09 77	0.17 313	0.15 103	0.19 242	0.13 215	0.17 234	0.10 151	0.11 221	0.11 106	0.12 232	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

csc	0.10 139	0.06 54	0.12 181	0.15 70	0.07 70	0.09 77	0.17 313	0.16 129	0.20 265	0.13 215	0.16 213	0.10 151	0.11 221	0.11 106	0.12 232	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

cscssc	0.10 139	0.06 54	0.12 181	0.15 70	0.07 70	0.09 77	0.17 313	0.16 129	0.20 265	0.13 215	0.16 213	0.10 151	0.11 221	0.11 106	0.12 232	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

111	0.10 139	0.06 54	0.12 181	0.15 70	0.07 70	0.10 124	0.14 149	0.21 248	0.23 304	0.11 150	0.12 156	0.14 233	0.11 221	0.13 231	0.10 121	0.06 113	0.04 21	0.06 99	0.04 34	0.05 98	0.05 120

ARAFT	0.12 247	0.08 233	0.17 372	0.19 352	0.09 235	0.14 274	0.18 358	0.20 226	0.12 84	0.12 188	0.13 170	0.14 233	0.11 221	0.15 278	0.12 232	0.06 113	0.05 182	0.10 398	0.09 377	0.05 98	0.04 40

HITNet	0.10 139	0.06 54	0.12 181	0.14 30	0.06 13	0.11 169	0.10 27	0.18 194	0.18 227	0.13 215	0.16 213	0.14 233	0.11 221	0.15 278	0.13 273	0.06 113	0.04 21	0.04 1	0.04 34	0.06 189	0.05 120
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
xyz-stereo-finetune2	0.11 182	0.07 136	0.13 226	0.13 13	0.07 70	0.11 169	0.19 396	0.17 165	0.12 84	0.15 263	0.15 201	0.17 296	0.12 251	0.13 231	0.11 184	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.06 195

DFGA-Net	0.13 272	0.11 390	0.18 395	0.17 215	0.10 336	0.12 203	0.13 101	0.22 270	0.25 341	0.16 291	0.16 213	0.13 213	0.12 251	0.16 312	0.14 310	0.07 235	0.05 182	0.08 273	0.07 269	0.05 98	0.05 120

DDVS	0.15 350	0.10 365	0.21 426	0.16 141	0.12 414	0.15 300	0.14 149	0.25 327	0.19 242	0.18 337	0.29 410	0.27 416	0.12 251	0.19 380	0.15 338	0.09 353	0.06 302	0.09 352	0.07 269	0.11 429	0.11 432

rvit_0105_6	0.14 306	0.09 307	0.18 395	0.17 215	0.10 336	0.10 124	0.16 280	0.19 215	0.26 355	0.12 188	0.18 259	0.17 296	0.12 251	0.18 365	0.12 232	0.15 484	0.11 456	0.12 447	0.10 413	0.09 377	0.06 195

rvit_0105_5	0.14 306	0.09 307	0.13 226	0.17 215	0.09 235	0.14 274	0.23 454	0.24 311	0.27 364	0.14 236	0.15 201	0.18 310	0.12 251	0.17 344	0.14 310	0.14 480	0.11 456	0.10 398	0.10 413	0.08 316	0.06 195

GCST	0.37 515	0.42 532	0.26 452	1.02 556	0.39 531	0.18 369	0.08 7	0.20 226	0.17 201	0.28 462	0.25 360	0.15 262	0.12 251	0.16 312	0.14 310	0.64 549	0.43 538	0.75 546	0.65 549	0.63 543	0.46 542

plain	0.10 139	0.08 233	0.10 105	0.19 352	0.09 235	0.10 124	0.15 215	0.14 74	0.13 115	0.13 215	0.15 201	0.09 120	0.12 251	0.13 231	0.12 232	0.07 235	0.05 182	0.09 352	0.06 182	0.06 189	0.06 195

PCWNet_CMD	0.14 306	0.08 233	0.15 310	0.17 215	0.09 235	0.14 274	0.14 149	0.29 396	0.36 440	0.14 236	0.20 280	0.21 345	0.12 251	0.17 344	0.13 273	0.07 235	0.05 182	0.07 191	0.07 269	0.07 254	0.07 275

ADStereo(finetuned)	0.10 139	0.06 54	0.12 181	0.16 141	0.06 13	0.09 77	0.17 313	0.15 103	0.19 242	0.13 215	0.17 234	0.10 151	0.12 251	0.11 106	0.12 232	0.06 113	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

GMOStereo	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 500	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

error version	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 500	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

test-v	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 500	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

GANet-ADL	0.13 272	0.07 136	0.15 310	0.17 215	0.10 336	0.18 369	0.15 215	0.30 410	0.20 265	0.13 215	0.18 259	0.19 324	0.12 251	0.16 312	0.13 273	0.08 295	0.06 302	0.06 99	0.05 104	0.07 254	0.08 339

Patchmatch Stereo++	0.11 182	0.09 307	0.16 344	0.18 296	0.08 125	0.06 8	0.11 46	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275
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	0.11 182	0.06 54	0.14 261	0.18 296	0.08 125	0.09 77	0.12 63	0.21 248	0.21 280	0.13 215	0.14 184	0.11 172	0.12 251	0.11 106	0.13 273	0.06 113	0.04 21	0.07 191	0.06 182	0.05 98	0.04 40

IIG-Stereo	0.11 182	0.06 54	0.13 226	0.17 215	0.08 125	0.11 169	0.12 63	0.22 270	0.17 201	0.14 236	0.17 234	0.11 172	0.12 251	0.12 187	0.12 232	0.06 113	0.05 182	0.07 191	0.06 182	0.05 98	0.04 40

NRIStereo	0.11 182	0.08 233	0.14 261	0.18 296	0.08 125	0.10 124	0.14 149	0.16 129	0.15 155	0.12 188	0.14 184	0.13 213	0.12 251	0.13 231	0.10 121	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.07 275

PSM-adaLoss	0.11 182	0.09 307	0.16 344	0.18 296	0.08 125	0.06 8	0.12 63	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

FTStereo	0.12 247	0.06 54	0.14 261	0.18 296	0.09 235	0.07 27	0.15 215	0.21 248	0.18 227	0.12 188	0.24 331	0.12 189	0.12 251	0.13 231	0.13 273	0.05 26	0.05 182	0.07 191	0.06 182	0.06 189	0.10 408

ROB_FTStereo_v2	0.11 182	0.09 307	0.16 344	0.19 352	0.08 125	0.06 8	0.12 63	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

ROB_FTStereo	0.11 182	0.09 307	0.16 344	0.19 352	0.08 125	0.06 8	0.11 46	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

HUI-Stereo	0.11 182	0.09 307	0.16 344	0.18 296	0.08 125	0.06 8	0.12 63	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

SST-Stereo	0.10 139	0.07 136	0.15 310	0.18 296	0.09 235	0.06 8	0.12 63	0.17 165	0.11 61	0.15 263	0.17 234	0.13 213	0.12 251	0.10 60	0.11 184	0.06 113	0.04 21	0.09 352	0.06 182	0.06 189	0.05 120

THIR-Stereo	0.12 247	0.07 136	0.11 146	0.15 70	0.08 125	0.14 274	0.16 280	0.17 165	0.25 341	0.16 291	0.24 331	0.14 233	0.12 251	0.12 187	0.14 310	0.06 113	0.04 21	0.07 191	0.07 269	0.05 98	0.05 120

RAFT_R40	0.11 182	0.07 136	0.14 261	0.18 296	0.09 235	0.06 8	0.13 101	0.17 165	0.16 182	0.14 236	0.18 259	0.15 262	0.12 251	0.10 60	0.11 184	0.06 113	0.04 21	0.09 352	0.06 182	0.06 189	0.05 120

DeepStereo_RVC	0.11 182	0.08 233	0.16 344	0.18 296	0.08 125	0.08 48	0.12 63	0.17 165	0.12 84	0.13 215	0.14 184	0.12 189	0.12 251	0.12 187	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.07 254	0.08 339

iGMRVC	0.11 182	0.09 307	0.16 344	0.19 352	0.08 125	0.06 8	0.12 63	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

IRAFT_RVC	0.12 247	0.08 233	0.16 344	0.19 352	0.08 125	0.07 27	0.15 215	0.24 311	0.23 304	0.14 236	0.14 184	0.15 262	0.12 251	0.12 187	0.10 121	0.06 113	0.04 21	0.09 352	0.06 182	0.06 189	0.06 195

iRAFT	0.11 182	0.09 307	0.16 344	0.18 296	0.08 125	0.06 8	0.11 46	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

CRE-IMP	0.11 182	0.09 307	0.16 344	0.19 352	0.08 125	0.10 124	0.12 63	0.18 194	0.10 35	0.14 236	0.13 170	0.13 213	0.12 251	0.12 187	0.11 184	0.07 235	0.04 21	0.08 273	0.06 182	0.08 316	0.08 339

test-2	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 500	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

RAFT	0.13 272	0.09 307	0.11 146	0.18 296	0.08 125	0.15 300	0.24 466	0.20 226	0.19 242	0.21 388	0.21 301	0.17 296	0.12 251	0.16 312	0.09 52	0.06 113	0.07 372	0.10 398	0.09 377	0.05 98	0.05 120

RAFT-IKP	0.11 182	0.09 307	0.16 344	0.19 352	0.08 125	0.06 8	0.12 63	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275

TestStereo	0.13 272	0.14 448	0.11 146	0.23 466	0.08 125	0.15 300	0.21 434	0.20 226	0.23 304	0.14 236	0.24 331	0.16 276	0.12 251	0.16 312	0.14 310	0.05 26	0.06 302	0.08 273	0.06 182	0.09 377	0.05 120

FENet	0.13 272	0.08 233	0.12 181	0.16 141	0.08 125	0.14 274	0.15 215	0.22 270	0.23 304	0.17 307	0.23 319	0.16 276	0.12 251	0.14 256	0.15 338	0.08 295	0.05 182	0.08 273	0.08 333	0.07 254	0.07 275

DIP-Stereo	0.11 182	0.07 136	0.14 261	0.17 215	0.09 235	0.13 242	0.09 18	0.16 129	0.16 182	0.11 150	0.16 213	0.14 233	0.12 251	0.15 278	0.13 273	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195
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	0.14 306	0.08 233	0.15 310	0.17 215	0.09 235	0.14 274	0.14 149	0.29 396	0.36 440	0.14 236	0.21 301	0.21 345	0.12 251	0.17 344	0.14 310	0.07 235	0.05 182	0.07 191	0.07 269	0.07 254	0.07 275

G2L-Stereo	0.14 306	0.07 136	0.13 226	0.17 215	0.09 235	0.13 242	0.12 63	0.27 366	0.22 294	0.16 291	0.27 385	0.21 345	0.13 288	0.17 344	0.18 387	0.09 353	0.08 398	0.08 273	0.07 269	0.07 254	0.07 275

rvit_0105_4	0.14 306	0.09 307	0.17 372	0.17 215	0.10 336	0.12 203	0.19 396	0.23 289	0.27 364	0.14 236	0.20 280	0.17 296	0.13 288	0.17 344	0.13 273	0.15 484	0.11 456	0.11 429	0.10 413	0.09 377	0.06 195

rvit_0105_3	0.15 350	0.09 307	0.14 261	0.19 352	0.12 414	0.15 300	0.25 480	0.25 327	0.29 385	0.15 263	0.17 234	0.20 336	0.13 288	0.17 344	0.14 310	0.13 467	0.11 456	0.12 447	0.14 476	0.07 254	0.06 195

UGAM	0.13 272	0.10 365	0.09 70	0.22 445	0.08 125	0.12 203	0.20 417	0.17 165	0.23 304	0.21 388	0.16 213	0.13 213	0.13 288	0.19 380	0.12 232	0.07 235	0.05 182	0.13 462	0.11 444	0.07 254	0.05 120

ffm	0.12 247	0.09 307	0.14 261	0.16 141	0.08 125	0.17 351	0.17 313	0.15 103	0.19 242	0.15 263	0.25 360	0.19 324	0.13 288	0.10 60	0.07 1	0.06 113	0.04 21	0.09 352	0.08 333	0.06 189	0.06 195

ff1	0.13 272	0.09 307	0.14 261	0.16 141	0.08 125	0.17 351	0.17 313	0.15 103	0.19 242	0.15 263	0.25 360	0.19 324	0.13 288	0.14 256	0.20 405	0.06 113	0.04 21	0.09 352	0.08 333	0.06 189	0.06 195

mmx	0.14 306	0.09 307	0.14 261	0.16 141	0.08 125	0.17 351	0.17 313	0.27 366	0.25 341	0.15 263	0.25 360	0.19 324	0.13 288	0.14 256	0.20 405	0.08 295	0.06 302	0.09 352	0.08 333	0.08 316	0.08 339

ttt	0.14 306	0.08 233	0.14 261	0.15 70	0.08 125	0.15 300	0.18 358	0.27 366	0.29 385	0.16 291	0.24 331	0.17 296	0.13 288	0.13 231	0.14 310	0.11 419	0.08 398	0.09 352	0.08 333	0.09 377	0.08 339

xxx	0.14 306	0.09 307	0.14 261	0.16 141	0.08 125	0.17 351	0.17 313	0.27 366	0.25 341	0.15 263	0.25 360	0.19 324	0.13 288	0.14 256	0.20 405	0.08 295	0.06 302	0.09 352	0.08 333	0.08 316	0.08 339

LL-Strereo	0.13 272	0.09 307	0.11 146	0.20 401	0.10 336	0.11 169	0.18 358	0.32 431	0.24 320	0.15 263	0.15 201	0.14 233	0.13 288	0.19 380	0.11 184	0.06 113	0.04 21	0.09 352	0.08 333	0.04 15	0.05 120

SDNR	0.19 418	0.08 233	0.19 406	0.16 141	0.12 414	0.77 547	0.14 149	0.25 327	0.32 409	0.19 352	0.24 331	0.19 324	0.13 288	0.19 380	0.15 338	0.16 500	0.18 508	0.14 474	0.11 444	0.08 316	0.11 432

BUS	0.14 306	0.09 307	0.14 261	0.22 445	0.10 336	0.19 392	0.14 149	0.34 459	0.19 242	0.17 307	0.22 310	0.16 276	0.13 288	0.15 278	0.13 273	0.08 295	0.06 302	0.10 398	0.09 377	0.07 254	0.07 275

NINENet	0.16 373	0.10 365	0.15 310	0.17 215	0.11 383	0.19 392	0.14 149	0.40 498	0.36 440	0.18 337	0.21 301	0.16 276	0.13 288	0.15 278	0.13 273	0.08 295	0.08 398	0.10 398	0.07 269	0.10 408	0.09 383

UDGNet	0.14 306	0.13 436	0.16 344	0.17 215	0.10 336	0.12 203	0.16 280	0.21 248	0.27 364	0.20 374	0.20 280	0.16 276	0.13 288	0.16 312	0.13 273	0.10 391	0.06 302	0.09 352	0.07 269	0.06 189	0.07 275

dad	0.17 393	0.20 492	0.20 418	0.16 141	0.11 383	0.20 407	0.18 358	0.21 248	0.28 378	0.30 473	0.24 331	0.29 433	0.13 288	0.19 380	0.16 354	0.18 506	0.09 425	0.11 429	0.09 377	0.11 429	0.07 275

GEStereo_RVC	0.17 393	0.12 407	0.15 310	0.22 445	0.11 383	0.19 392	0.17 313	0.32 431	0.48 491	0.20 374	0.25 360	0.17 296	0.13 288	0.21 421	0.16 354	0.10 391	0.06 302	0.08 273	0.07 269	0.09 377	0.08 339

CFNet_pseudo	0.14 306	0.08 233	0.15 310	0.16 141	0.09 235	0.13 242	0.14 149	0.27 366	0.34 427	0.14 236	0.21 301	0.22 363	0.13 288	0.18 365	0.14 310	0.07 235	0.05 182	0.08 273	0.06 182	0.07 254	0.07 275

GES	0.14 306	0.08 233	0.16 344	0.15 70	0.10 336	0.13 242	0.13 101	0.28 385	0.25 341	0.16 291	0.23 319	0.18 310	0.13 288	0.16 312	0.13 273	0.08 295	0.07 372	0.07 191	0.06 182	0.08 316	0.09 383

SFCPSM	0.13 272	0.07 136	0.14 261	0.17 215	0.09 235	0.15 300	0.16 280	0.28 385	0.27 364	0.14 236	0.17 234	0.12 189	0.13 288	0.14 256	0.11 184	0.08 295	0.05 182	0.07 191	0.07 269	0.07 254	0.06 195

ccs_rob	0.14 306	0.08 233	0.15 310	0.16 141	0.09 235	0.12 203	0.14 149	0.27 366	0.34 427	0.14 236	0.21 301	0.22 363	0.13 288	0.18 365	0.14 310	0.07 235	0.05 182	0.08 273	0.07 269	0.07 254	0.07 275

AdaStereo	0.15 350	0.11 390	0.15 310	0.18 296	0.09 235	0.20 407	0.11 46	0.32 431	0.28 378	0.20 374	0.23 319	0.20 336	0.13 288	0.19 380	0.14 310	0.12 444	0.05 182	0.10 398	0.07 269	0.09 377	0.07 275
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	0.14 306	0.08 233	0.15 310	0.16 141	0.08 125	0.16 330	0.12 63	0.25 327	0.35 436	0.21 388	0.29 410	0.24 386	0.13 288	0.14 256	0.14 310	0.06 113	0.05 182	0.06 99	0.04 34	0.09 377	0.08 339

MLCV	0.12 247	0.07 136	0.16 344	0.18 296	0.06 13	0.15 300	0.17 313	0.19 215	0.21 280	0.18 337	0.25 360	0.17 296	0.13 288	0.14 256	0.13 273	0.05 26	0.04 21	0.05 23	0.04 34	0.05 98	0.04 40

iResNet	0.13 272	0.10 365	0.18 395	0.19 352	0.08 125	0.13 242	0.18 358	0.20 226	0.26 355	0.15 263	0.23 319	0.15 262	0.13 288	0.14 256	0.14 310	0.06 113	0.04 21	0.06 99	0.05 104	0.06 189	0.05 120

DN-CSS_ROB	0.13 272	0.13 436	0.16 344	0.18 296	0.10 336	0.16 330	0.08 7	0.22 270	0.18 227	0.17 307	0.22 310	0.13 213	0.13 288	0.12 187	0.13 273	0.05 26	0.05 182	0.10 398	0.10 413	0.08 316	0.06 195

G2L-ROB	0.13 272	0.06 54	0.13 226	0.13 13	0.08 125	0.14 274	0.16 280	0.25 327	0.18 227	0.19 352	0.18 259	0.20 336	0.14 313	0.17 344	0.16 354	0.08 295	0.05 182	0.06 99	0.05 104	0.08 316	0.09 383

test_sample6	0.14 306	0.08 233	0.13 226	0.16 141	0.08 125	0.17 351	0.19 396	0.25 327	0.17 201	0.17 307	0.27 385	0.19 324	0.14 313	0.15 278	0.13 273	0.08 295	0.05 182	0.08 273	0.07 269	0.08 316	0.08 339

test_sample5	0.14 306	0.08 233	0.14 261	0.16 141	0.08 125	0.18 369	0.18 358	0.25 327	0.17 201	0.17 307	0.27 385	0.18 310	0.14 313	0.16 312	0.13 273	0.08 295	0.05 182	0.08 273	0.07 269	0.08 316	0.08 339

test_sample4	0.14 306	0.08 233	0.14 261	0.15 70	0.08 125	0.19 392	0.18 358	0.26 345	0.17 201	0.16 291	0.25 360	0.18 310	0.14 313	0.16 312	0.13 273	0.08 295	0.06 302	0.08 273	0.06 182	0.08 316	0.08 339

DualNet	0.14 306	0.08 233	0.14 261	0.16 141	0.08 125	0.18 369	0.18 358	0.25 327	0.17 201	0.17 307	0.27 385	0.18 310	0.14 313	0.16 312	0.13 273	0.08 295	0.05 182	0.08 273	0.07 269	0.08 316	0.08 339

CFNet_ucs	0.15 350	0.08 233	0.16 344	0.16 141	0.11 383	0.14 274	0.14 149	0.30 410	0.34 427	0.16 291	0.24 331	0.23 380	0.14 313	0.18 365	0.15 338	0.09 353	0.06 302	0.08 273	0.07 269	0.09 377	0.09 383

anonymousa	0.13 272	0.07 136	0.13 226	0.18 296	0.09 235	0.13 242	0.17 313	0.19 215	0.29 385	0.15 263	0.24 331	0.15 262	0.14 313	0.14 256	0.14 310	0.07 235	0.05 182	0.07 191	0.09 377	0.05 98	0.06 195

DCANet-4	0.10 139	0.06 54	0.12 181	0.16 141	0.06 13	0.09 77	0.17 313	0.18 194	0.19 242	0.13 215	0.16 213	0.09 120	0.14 313	0.11 106	0.12 232	0.06 113	0.04 21	0.05 23	0.04 34	0.04 15	0.05 120

GwcNet-ADL	0.13 272	0.08 233	0.14 261	0.20 401	0.09 235	0.11 169	0.20 417	0.30 410	0.24 320	0.13 215	0.14 184	0.18 310	0.14 313	0.13 231	0.14 310	0.07 235	0.05 182	0.06 99	0.05 104	0.07 254	0.06 195

AAGNet	0.11 182	0.07 136	0.16 344	0.19 352	0.09 235	0.08 48	0.13 101	0.18 194	0.13 115	0.16 291	0.21 301	0.13 213	0.14 313	0.11 106	0.14 310	0.06 113	0.04 21	0.09 352	0.06 182	0.06 189	0.05 120

DEmStereo	0.12 247	0.06 54	0.14 261	0.14 30	0.10 336	0.16 330	0.15 215	0.16 129	0.24 320	0.17 307	0.24 331	0.13 213	0.14 313	0.12 187	0.13 273	0.05 26	0.04 21	0.07 191	0.06 182	0.05 98	0.05 120

HCRNet	0.16 373	0.24 506	0.12 181	0.35 521	0.11 383	0.15 300	0.17 313	0.26 345	0.22 294	0.19 352	0.24 331	0.21 345	0.14 313	0.15 278	0.13 273	0.11 419	0.07 372	0.11 429	0.10 413	0.09 377	0.07 275

xxxx	0.15 350	0.07 136	0.14 261	0.14 30	0.08 125	0.23 445	0.18 358	0.31 420	0.19 242	0.14 236	0.28 398	0.22 363	0.14 313	0.15 278	0.26 476	0.09 353	0.05 182	0.07 191	0.07 269	0.08 316	0.07 275

PSMNet-RSSM	0.14 306	0.07 136	0.13 226	0.15 70	0.08 125	0.13 242	0.16 280	0.24 311	0.24 320	0.16 291	0.28 398	0.22 363	0.14 313	0.15 278	0.13 273	0.11 419	0.06 302	0.09 352	0.12 463	0.08 316	0.07 275

CFNet-ft	0.14 306	0.07 136	0.15 310	0.12 4	0.09 235	0.16 330	0.18 358	0.22 270	0.24 320	0.17 307	0.26 377	0.24 386	0.14 313	0.16 312	0.14 310	0.11 419	0.06 302	0.08 273	0.09 377	0.09 377	0.08 339

BEATNet_4x	0.12 247	0.08 233	0.14 261	0.18 296	0.07 70	0.15 300	0.07 3	0.22 270	0.18 227	0.16 291	0.19 268	0.18 310	0.14 313	0.16 312	0.15 338	0.07 235	0.05 182	0.05 23	0.05 104	0.06 189	0.06 195

HSM-Net_RVC	0.14 306	0.08 233	0.11 146	0.15 70	0.08 125	0.15 300	0.15 215	0.27 366	0.29 385	0.19 352	0.21 301	0.29 433	0.14 313	0.17 344	0.13 273	0.06 113	0.06 302	0.06 99	0.06 182	0.07 254	0.06 195
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 306	0.07 136	0.15 310	0.12 4	0.09 235	0.16 330	0.18 358	0.22 270	0.24 320	0.17 307	0.26 377	0.24 386	0.14 313	0.16 312	0.14 310	0.11 419	0.06 302	0.08 273	0.09 377	0.09 377	0.08 339

DCVSM-stereo	0.14 306	0.09 307	0.16 344	0.16 141	0.10 336	0.15 300	0.09 18	0.19 215	0.23 304	0.20 374	0.23 319	0.26 408	0.15 331	0.18 365	0.14 310	0.09 353	0.07 372	0.09 352	0.08 333	0.10 408	0.12 444

ACV-stereo	0.15 350	0.10 365	0.28 464	0.18 296	0.12 414	0.14 274	0.12 63	0.23 289	0.21 280	0.19 352	0.23 319	0.22 363	0.15 331	0.23 445	0.17 369	0.07 235	0.06 302	0.07 191	0.07 269	0.07 254	0.07 275

ITSA-stereo	0.15 350	0.10 365	0.14 261	0.19 352	0.08 125	0.12 203	0.14 149	0.30 410	0.49 496	0.17 307	0.19 268	0.22 363	0.15 331	0.17 344	0.16 354	0.10 391	0.06 302	0.08 273	0.08 333	0.08 316	0.08 339

rvit_stereo_0075_2	0.17 393	0.12 407	0.25 449	0.23 466	0.16 481	0.13 242	0.10 27	0.30 410	0.27 364	0.20 374	0.28 398	0.22 363	0.15 331	0.18 365	0.13 273	0.16 500	0.10 445	0.17 494	0.10 413	0.10 408	0.09 383

test_sample3	0.14 306	0.08 233	0.15 310	0.14 30	0.09 235	0.19 392	0.17 313	0.26 345	0.18 227	0.16 291	0.22 310	0.19 324	0.15 331	0.17 344	0.13 273	0.08 295	0.06 302	0.07 191	0.06 182	0.09 377	0.08 339

test_sample2	0.12 247	0.07 136	0.12 181	0.14 30	0.08 125	0.16 330	0.18 358	0.21 248	0.16 182	0.14 236	0.20 280	0.19 324	0.15 331	0.15 278	0.12 232	0.08 295	0.05 182	0.07 191	0.06 182	0.08 316	0.07 275

SMFormer	0.14 306	0.07 136	0.17 372	0.14 30	0.08 125	0.16 330	0.17 313	0.26 345	0.27 364	0.19 352	0.20 280	0.18 310	0.15 331	0.15 278	0.17 369	0.08 295	0.05 182	0.07 191	0.06 182	0.07 254	0.06 195

tta	0.14 306	0.07 136	0.17 372	0.14 30	0.08 125	0.16 330	0.17 313	0.26 345	0.27 364	0.19 352	0.20 280	0.18 310	0.15 331	0.15 278	0.17 369	0.08 295	0.05 182	0.07 191	0.06 182	0.06 189	0.06 195

qqq1	0.13 272	0.07 136	0.17 372	0.14 30	0.08 125	0.16 330	0.17 313	0.26 345	0.27 364	0.19 352	0.20 280	0.18 310	0.15 331	0.15 278	0.11 184	0.08 295	0.05 182	0.05 23	0.05 104	0.06 189	0.06 195

fff1	0.13 272	0.07 136	0.17 372	0.14 30	0.08 125	0.16 330	0.17 313	0.26 345	0.27 364	0.19 352	0.20 280	0.18 310	0.15 331	0.15 278	0.11 184	0.08 295	0.05 182	0.05 23	0.05 104	0.06 189	0.06 195

1111x	0.15 350	0.08 233	0.12 181	0.18 296	0.07 70	0.18 369	0.25 480	0.31 420	0.24 320	0.17 307	0.24 331	0.26 408	0.15 331	0.13 231	0.23 446	0.07 235	0.07 372	0.08 273	0.09 377	0.07 254	0.06 195

iinet-f	0.16 373	0.06 54	0.45 506	0.14 30	0.10 336	0.21 424	0.14 149	0.27 366	0.23 304	0.21 388	0.24 331	0.21 345	0.15 331	0.18 365	0.21 425	0.09 353	0.07 372	0.07 191	0.06 182	0.09 377	0.10 408

GASNet	0.22 451	0.23 503	0.33 483	0.26 490	0.17 496	0.26 468	0.16 280	0.44 515	0.42 472	0.27 448	0.24 331	0.30 441	0.15 331	0.27 464	0.18 387	0.12 444	0.08 398	0.12 447	0.11 444	0.16 495	0.07 275

CASS	0.13 272	0.12 407	0.11 146	0.23 466	0.09 235	0.15 300	0.17 313	0.18 194	0.19 242	0.17 307	0.18 259	0.15 262	0.15 331	0.14 256	0.14 310	0.09 353	0.06 302	0.10 398	0.08 333	0.09 377	0.07 275
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 406	0.09 307	0.29 472	0.15 70	0.10 336	0.22 432	0.20 417	0.26 345	0.39 456	0.25 437	0.42 493	0.24 386	0.15 331	0.20 405	0.19 399	0.07 235	0.05 182	0.06 99	0.05 104	0.10 408	0.09 383

test_5	0.14 306	0.12 407	0.08 29	0.20 401	0.10 336	0.14 274	0.29 509	0.21 248	0.24 320	0.18 337	0.28 398	0.11 172	0.15 331	0.12 187	0.13 273	0.06 113	0.05 182	0.07 191	0.08 333	0.08 316	0.07 275

CSP-Net	0.16 373	0.09 307	0.14 261	0.16 141	0.09 235	0.19 392	0.17 313	0.25 327	0.32 409	0.25 437	0.30 416	0.24 386	0.15 331	0.21 421	0.18 387	0.09 353	0.06 302	0.07 191	0.07 269	0.08 316	0.07 275

DAS	0.15 350	0.08 233	0.18 395	0.19 352	0.10 336	0.19 392	0.17 313	0.27 366	0.29 385	0.18 337	0.25 360	0.21 345	0.15 331	0.16 312	0.12 232	0.08 295	0.06 302	0.06 99	0.06 182	0.07 254	0.07 275

SepStereo	0.15 350	0.08 233	0.18 395	0.19 352	0.10 336	0.19 392	0.17 313	0.27 366	0.29 385	0.18 337	0.25 360	0.21 345	0.15 331	0.25 459	0.12 232	0.08 295	0.06 302	0.06 99	0.06 182	0.07 254	0.07 275

DRaft	0.12 247	0.06 54	0.11 146	0.14 30	0.09 235	0.14 274	0.17 313	0.21 248	0.30 395	0.17 307	0.28 398	0.10 151	0.15 331	0.10 60	0.12 232	0.05 26	0.04 21	0.07 191	0.06 182	0.05 98	0.05 120

GANet-RSSM	0.14 306	0.07 136	0.13 226	0.13 13	0.08 125	0.14 274	0.17 313	0.22 270	0.21 280	0.17 307	0.24 331	0.23 380	0.15 331	0.16 312	0.15 338	0.10 391	0.06 302	0.07 191	0.08 333	0.08 316	0.07 275

DSFCA	0.16 373	0.09 307	0.14 261	0.16 141	0.10 336	0.20 407	0.19 396	0.28 385	0.31 402	0.23 415	0.24 331	0.22 363	0.15 331	0.19 380	0.20 405	0.10 391	0.07 372	0.09 352	0.09 377	0.08 316	0.08 339

FADNet-RVC-Resample	0.16 373	0.11 390	0.31 477	0.22 445	0.11 383	0.19 392	0.14 149	0.25 327	0.24 320	0.24 424	0.27 385	0.20 336	0.15 331	0.16 312	0.15 338	0.07 235	0.08 398	0.12 447	0.10 413	0.09 377	0.10 408

UCFNet_RVC	0.14 306	0.08 233	0.13 226	0.11 1	0.10 336	0.20 407	0.10 27	0.24 311	0.22 294	0.17 307	0.20 280	0.23 380	0.15 331	0.17 344	0.15 338	0.12 444	0.07 372	0.10 398	0.13 473	0.11 429	0.10 408

iResNet_ROB	0.14 306	0.07 136	0.13 226	0.14 30	0.07 70	0.18 369	0.14 149	0.26 345	0.31 402	0.22 403	0.25 360	0.23 380	0.15 331	0.15 278	0.13 273	0.07 235	0.05 182	0.05 23	0.04 34	0.08 316	0.08 339

PWCDC_ROB	0.20 430	0.13 436	0.22 432	0.24 475	0.11 383	0.19 392	0.15 215	0.33 450	0.54 508	0.29 469	0.50 508	0.21 345	0.15 331	0.27 464	0.20 405	0.11 419	0.09 425	0.10 398	0.08 333	0.11 429	0.09 383

xyz-stereo	0.13 272	0.07 136	0.20 418	0.15 70	0.05 1	0.20 407	0.15 215	0.17 165	0.31 402	0.15 263	0.29 410	0.26 408	0.16 357	0.13 231	0.12 232	0.05 26	0.05 182	0.06 99	0.05 104	0.04 15	0.04 40

G2L-Stereo_test	0.14 306	0.07 136	0.11 146	0.13 13	0.08 125	0.12 203	0.16 280	0.30 410	0.28 378	0.20 374	0.23 319	0.20 336	0.16 357	0.17 344	0.18 387	0.07 235	0.05 182	0.05 23	0.05 104	0.07 254	0.06 195

FACV-RUCA	0.13 272	0.11 390	0.12 181	0.19 352	0.12 414	0.15 300	0.15 215	0.22 270	0.20 265	0.15 263	0.16 213	0.14 233	0.16 357	0.14 256	0.13 273	0.07 235	0.05 182	0.08 273	0.06 182	0.10 408	0.08 339

test_sample1	0.13 272	0.07 136	0.14 261	0.13 13	0.08 125	0.19 392	0.16 280	0.20 226	0.15 155	0.14 236	0.22 310	0.18 310	0.16 357	0.17 344	0.14 310	0.07 235	0.06 302	0.06 99	0.06 182	0.08 316	0.07 275

xx1	0.11 182	0.08 233	0.12 181	0.17 215	0.09 235	0.13 242	0.15 215	0.16 129	0.18 227	0.09 91	0.09 87	0.16 276	0.16 357	0.10 60	0.07 1	0.06 113	0.04 21	0.08 273	0.08 333	0.07 254	0.07 275

mmm	0.14 306	0.08 233	0.17 372	0.17 215	0.09 235	0.17 351	0.18 358	0.21 248	0.15 155	0.15 263	0.23 319	0.21 345	0.16 357	0.16 312	0.17 369	0.08 295	0.05 182	0.08 273	0.07 269	0.07 254	0.07 275

11t1	0.12 247	0.06 54	0.13 226	0.14 30	0.08 125	0.17 351	0.15 215	0.18 194	0.15 155	0.15 263	0.15 201	0.16 276	0.16 357	0.15 278	0.13 273	0.08 295	0.05 182	0.06 99	0.05 104	0.08 316	0.07 275

CBFPSM	0.14 306	0.06 54	0.26 452	0.17 215	0.09 235	0.13 242	0.15 215	0.22 270	0.23 304	0.20 374	0.27 385	0.24 386	0.16 357	0.16 312	0.18 387	0.06 113	0.06 302	0.06 99	0.07 269	0.07 254	0.07 275

gwcnet-sp	0.14 306	0.07 136	0.12 181	0.18 296	0.09 235	0.16 330	0.17 313	0.24 311	0.24 320	0.18 337	0.24 331	0.15 262	0.16 357	0.15 278	0.15 338	0.08 295	0.06 302	0.07 191	0.08 333	0.08 316	0.07 275

scenet	0.14 306	0.07 136	0.12 181	0.18 296	0.09 235	0.16 330	0.17 313	0.24 311	0.24 320	0.18 337	0.24 331	0.15 262	0.16 357	0.15 278	0.15 338	0.08 295	0.06 302	0.07 191	0.08 333	0.08 316	0.07 275

ssnet	0.14 306	0.07 136	0.12 181	0.18 296	0.09 235	0.16 330	0.17 313	0.24 311	0.24 320	0.18 337	0.24 331	0.15 262	0.16 357	0.15 278	0.15 338	0.08 295	0.06 302	0.07 191	0.08 333	0.08 316	0.07 275

qqq	0.13 272	0.09 307	0.15 310	0.16 141	0.08 125	0.13 242	0.15 215	0.23 289	0.16 182	0.15 263	0.19 268	0.16 276	0.16 357	0.15 278	0.16 354	0.07 235	0.06 302	0.08 273	0.08 333	0.07 254	0.07 275

BSDual-CNN	0.15 350	0.09 307	0.14 261	0.22 445	0.10 336	0.14 274	0.15 215	0.34 459	0.19 242	0.17 307	0.22 310	0.25 399	0.16 357	0.15 278	0.14 310	0.08 295	0.06 302	0.10 398	0.09 377	0.07 254	0.07 275

psmg	0.14 306	0.09 307	0.14 261	0.17 215	0.10 336	0.15 300	0.17 313	0.29 396	0.19 242	0.17 307	0.21 301	0.25 399	0.16 357	0.15 278	0.14 310	0.08 295	0.06 302	0.08 273	0.08 333	0.07 254	0.06 195

AASNet	0.16 373	0.08 233	0.12 181	0.19 352	0.09 235	0.18 369	0.15 215	0.37 483	0.37 447	0.19 352	0.23 319	0.20 336	0.16 357	0.17 344	0.20 405	0.10 391	0.08 398	0.08 273	0.07 269	0.09 377	0.09 383

PSMNet-ADL	0.15 350	0.12 407	0.13 226	0.22 445	0.09 235	0.13 242	0.20 417	0.26 345	0.23 304	0.18 337	0.20 280	0.24 386	0.16 357	0.18 365	0.17 369	0.08 295	0.08 398	0.08 273	0.11 444	0.08 316	0.07 275

ADLNet	0.16 373	0.08 233	0.15 310	0.16 141	0.10 336	0.16 330	0.17 313	0.32 431	0.27 364	0.22 403	0.27 385	0.24 386	0.16 357	0.18 365	0.21 425	0.10 391	0.06 302	0.10 398	0.10 413	0.08 316	0.09 383

222	0.16 373	0.07 136	0.14 261	0.14 30	0.08 125	0.24 450	0.18 358	0.30 410	0.20 265	0.17 307	0.28 398	0.17 296	0.16 357	0.15 278	0.40 524	0.10 391	0.05 182	0.07 191	0.06 182	0.07 254	0.08 339

test_xeample	0.15 350	0.06 54	0.13 226	0.14 30	0.08 125	0.21 424	0.20 417	0.28 385	0.20 265	0.16 291	0.29 410	0.19 324	0.16 357	0.15 278	0.26 476	0.09 353	0.05 182	0.07 191	0.07 269	0.07 254	0.07 275

ACVNet	0.15 350	0.09 307	0.15 310	0.13 13	0.12 414	0.14 274	0.20 417	0.22 270	0.33 416	0.17 307	0.26 377	0.21 345	0.16 357	0.17 344	0.21 425	0.07 235	0.06 302	0.06 99	0.06 182	0.08 316	0.06 195

cf-r	0.13 272	0.07 136	0.12 181	0.16 141	0.08 125	0.14 274	0.19 396	0.20 226	0.25 341	0.17 307	0.25 360	0.21 345	0.16 357	0.14 256	0.14 310	0.10 391	0.05 182	0.06 99	0.08 333	0.06 189	0.06 195

GwcNet-RSSM	0.14 306	0.07 136	0.12 181	0.15 70	0.08 125	0.15 300	0.20 417	0.21 248	0.27 364	0.18 337	0.27 385	0.22 363	0.16 357	0.14 256	0.15 338	0.10 391	0.05 182	0.07 191	0.09 377	0.07 254	0.07 275

HSM	0.15 350	0.08 233	0.14 261	0.16 141	0.09 235	0.16 330	0.14 149	0.28 385	0.25 341	0.19 352	0.23 319	0.37 482	0.16 357	0.20 405	0.15 338	0.07 235	0.05 182	0.07 191	0.06 182	0.07 254	0.06 195

coex_refinement	0.14 306	0.07 136	0.12 181	0.17 215	0.10 336	0.15 300	0.15 215	0.26 345	0.29 385	0.18 337	0.20 280	0.22 363	0.17 380	0.16 312	0.18 387	0.08 295	0.05 182	0.06 99	0.06 182	0.09 377	0.08 339

ISRNet	0.18 406	0.08 233	0.19 406	0.19 352	0.13 436	0.15 300	0.12 63	0.30 410	0.32 409	0.21 388	0.25 360	0.27 416	0.17 380	0.17 344	0.20 405	0.20 513	0.08 398	0.14 474	0.14 476	0.14 473	0.17 505

rvit_105_1	0.19 418	0.11 390	0.25 449	0.21 430	0.16 481	0.21 424	0.27 494	0.31 420	0.41 465	0.19 352	0.20 280	0.22 363	0.17 380	0.19 380	0.17 369	0.12 444	0.12 470	0.13 462	0.15 491	0.08 316	0.07 275

DispNO	0.14 306	0.08 233	0.17 372	0.19 352	0.12 414	0.11 169	0.21 434	0.23 289	0.29 385	0.17 307	0.23 319	0.18 310	0.17 380	0.15 278	0.15 338	0.07 235	0.05 182	0.08 273	0.08 333	0.07 254	0.06 195

x	0.13 272	0.07 136	0.14 261	0.14 30	0.08 125	0.18 369	0.14 149	0.22 270	0.20 265	0.15 263	0.19 268	0.19 324	0.17 380	0.18 365	0.18 387	0.07 235	0.05 182	0.06 99	0.06 182	0.07 254	0.07 275

CRFU-Net	0.16 373	0.08 233	0.14 261	0.17 215	0.09 235	0.19 392	0.14 149	0.26 345	0.20 265	0.28 462	0.27 385	0.29 433	0.17 380	0.19 380	0.17 369	0.09 353	0.09 425	0.07 191	0.07 269	0.08 316	0.08 339

AACVNet	0.16 373	0.08 233	0.14 261	0.15 70	0.10 336	0.18 369	0.15 215	0.23 289	0.24 320	0.27 448	0.27 385	0.28 426	0.17 380	0.19 380	0.16 354	0.09 353	0.07 372	0.09 352	0.07 269	0.10 408	0.09 383

LMCR-Stereo	0.15 350	0.08 233	0.13 226	0.21 430	0.09 235	0.17 351	0.20 417	0.27 366	0.19 242	0.24 424	0.24 331	0.23 380	0.17 380	0.20 405	0.17 369	0.07 235	0.06 302	0.08 273	0.06 182	0.10 408	0.08 339

acv_ft	0.15 350	0.09 307	0.15 310	0.19 352	0.10 336	0.16 330	0.17 313	0.25 327	0.33 416	0.19 352	0.26 377	0.21 345	0.17 380	0.17 344	0.18 387	0.07 235	0.06 302	0.06 99	0.06 182	0.08 316	0.06 195

FADNet_RVC	0.16 373	0.14 448	0.40 500	0.20 401	0.11 383	0.13 242	0.13 101	0.26 345	0.22 294	0.21 388	0.23 319	0.20 336	0.17 380	0.14 256	0.16 354	0.08 295	0.08 398	0.12 447	0.09 377	0.11 429	0.10 408

CFNet	0.15 350	0.10 365	0.17 372	0.17 215	0.08 125	0.18 369	0.09 18	0.28 385	0.25 341	0.19 352	0.24 331	0.24 386	0.17 380	0.17 344	0.14 310	0.08 295	0.06 302	0.09 352	0.10 413	0.07 254	0.06 195

NLCA_NET_v2_RVC	0.17 393	0.10 365	0.22 432	0.20 401	0.10 336	0.15 300	0.18 358	0.31 420	0.25 341	0.21 388	0.30 416	0.25 399	0.17 380	0.21 421	0.20 405	0.09 353	0.06 302	0.08 273	0.08 333	0.07 254	0.08 339
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	0.17 393	0.12 407	0.15 310	0.20 401	0.09 235	0.18 369	0.18 358	0.26 345	0.23 304	0.26 442	0.40 477	0.22 363	0.17 380	0.21 421	0.20 405	0.08 295	0.05 182	0.09 352	0.10 413	0.07 254	0.07 275
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 430	0.12 407	0.19 406	0.20 401	0.14 454	0.26 468	0.23 454	0.32 431	0.34 427	0.27 448	0.34 444	0.30 441	0.18 393	0.18 365	0.22 434	0.10 391	0.13 483	0.10 398	0.10 413	0.08 316	0.09 383

YMNet_1	0.20 430	0.12 407	0.19 406	0.20 401	0.14 454	0.26 468	0.23 454	0.32 431	0.34 427	0.27 448	0.34 444	0.30 441	0.18 393	0.18 365	0.22 434	0.10 391	0.13 483	0.10 398	0.10 413	0.08 316	0.09 383

ssnet_v2	0.17 393	0.10 365	0.17 372	0.17 215	0.11 383	0.21 424	0.21 434	0.33 450	0.25 341	0.22 403	0.22 310	0.27 416	0.18 393	0.22 434	0.20 405	0.11 419	0.09 425	0.09 352	0.09 377	0.08 316	0.08 339

Wz-Net-LNSev	0.22 451	0.16 464	0.38 497	0.21 430	0.13 436	0.25 460	0.23 454	0.32 431	0.43 477	0.30 473	0.41 487	0.31 454	0.18 393	0.22 434	0.25 467	0.10 391	0.09 425	0.08 273	0.08 333	0.12 444	0.11 432

hknet	0.15 350	0.11 390	0.13 226	0.22 445	0.11 383	0.14 274	0.15 215	0.34 459	0.25 341	0.17 307	0.22 310	0.22 363	0.18 393	0.17 344	0.12 232	0.07 235	0.06 302	0.10 398	0.09 377	0.07 254	0.07 275

ADLNet2	0.16 373	0.09 307	0.13 226	0.16 141	0.09 235	0.20 407	0.16 280	0.31 420	0.39 456	0.16 291	0.20 280	0.20 336	0.18 393	0.21 421	0.22 434	0.08 295	0.06 302	0.07 191	0.07 269	0.09 377	0.07 275

ICVP	0.15 350	0.09 307	0.12 181	0.22 445	0.09 235	0.17 351	0.21 434	0.25 327	0.23 304	0.18 337	0.30 416	0.26 408	0.18 393	0.17 344	0.14 310	0.09 353	0.07 372	0.08 273	0.07 269	0.07 254	0.07 275
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 373	0.08 233	0.15 310	0.18 296	0.10 336	0.22 432	0.18 358	0.24 311	0.21 280	0.18 337	0.24 331	0.29 433	0.18 393	0.19 380	0.22 434	0.09 353	0.07 372	0.08 273	0.09 377	0.07 254	0.06 195

HGLStereo	0.17 393	0.08 233	0.19 406	0.17 215	0.12 414	0.18 369	0.18 358	0.31 420	0.32 409	0.21 388	0.32 428	0.25 399	0.18 393	0.19 380	0.20 405	0.09 353	0.09 425	0.07 191	0.07 269	0.09 377	0.10 408

DMCA	0.14 306	0.09 307	0.16 344	0.19 352	0.09 235	0.15 300	0.17 313	0.23 289	0.27 364	0.14 236	0.19 268	0.17 296	0.18 393	0.15 278	0.17 369	0.10 391	0.06 302	0.08 273	0.06 182	0.09 377	0.10 408

STTStereo	0.18 406	0.12 407	0.27 459	0.20 401	0.11 383	0.16 330	0.21 434	0.29 396	0.23 304	0.21 388	0.30 416	0.29 433	0.18 393	0.20 405	0.19 399	0.12 444	0.11 456	0.11 429	0.14 476	0.09 377	0.08 339

RASNet	0.14 306	0.07 136	0.14 261	0.16 141	0.08 125	0.18 369	0.14 149	0.29 396	0.20 265	0.17 307	0.25 360	0.21 345	0.18 393	0.20 405	0.19 399	0.07 235	0.06 302	0.06 99	0.08 333	0.06 189	0.06 195

TDLM	0.17 393	0.12 407	0.13 226	0.24 475	0.10 336	0.18 369	0.18 358	0.36 478	0.30 395	0.21 388	0.28 398	0.28 426	0.18 393	0.23 445	0.18 387	0.11 419	0.07 372	0.10 398	0.10 413	0.08 316	0.08 339

CVANet_RVC	0.18 406	0.10 365	0.14 261	0.21 430	0.10 336	0.18 369	0.17 313	0.34 459	0.33 416	0.22 403	0.31 424	0.28 426	0.18 393	0.23 445	0.17 369	0.12 444	0.08 398	0.12 447	0.11 444	0.09 377	0.07 275

DeepPruner_ROB	0.16 373	0.11 390	0.15 310	0.17 215	0.10 336	0.17 351	0.15 215	0.32 431	0.21 280	0.19 352	0.21 301	0.22 363	0.18 393	0.20 405	0.15 338	0.13 467	0.09 425	0.09 352	0.09 377	0.11 429	0.10 408

pmcnn	0.15 350	0.07 136	0.19 406	0.15 70	0.07 70	0.20 407	0.15 215	0.24 311	0.26 355	0.21 388	0.34 444	0.28 426	0.18 393	0.18 365	0.17 369	0.07 235	0.05 182	0.05 23	0.04 34	0.07 254	0.06 195

TCMNet	0.19 418	0.12 407	0.19 406	0.20 401	0.18 502	0.20 407	0.24 466	0.27 366	0.36 440	0.23 415	0.26 377	0.25 399	0.19 409	0.19 380	0.23 446	0.13 467	0.11 456	0.11 429	0.12 463	0.13 460	0.12 444

DualNet (step1)	0.16 373	0.12 407	0.20 418	0.12 4	0.14 454	0.17 351	0.13 101	0.27 366	0.23 304	0.20 374	0.20 280	0.24 386	0.19 409	0.16 312	0.16 354	0.15 484	0.06 302	0.14 474	0.14 476	0.14 473	0.12 444

test_sample9	0.18 406	0.12 407	0.20 418	0.12 4	0.14 454	0.17 351	0.13 101	0.27 366	0.23 304	0.20 374	0.20 280	0.24 386	0.19 409	0.19 380	0.17 369	0.15 484	0.30 531	0.14 474	0.14 476	0.14 473	0.12 444

test_sample7	0.15 350	0.10 365	0.16 344	0.14 30	0.11 383	0.16 330	0.16 280	0.27 366	0.23 304	0.20 374	0.20 280	0.24 386	0.19 409	0.16 312	0.16 354	0.12 444	0.06 302	0.10 398	0.09 377	0.10 408	0.10 408

Wz-Net-MNSev	0.22 451	0.13 436	0.31 477	0.20 401	0.14 454	0.36 510	0.24 466	0.33 450	0.44 482	0.28 462	0.40 477	0.38 486	0.19 409	0.24 454	0.25 467	0.09 353	0.07 372	0.09 352	0.09 377	0.12 444	0.10 408

pcwnet_v2	0.19 418	0.10 365	0.26 452	0.17 215	0.14 454	0.18 369	0.15 215	0.37 483	0.46 489	0.19 352	0.24 331	0.21 345	0.19 409	0.20 405	0.19 399	0.13 467	0.10 445	0.10 398	0.10 413	0.11 429	0.13 462

delet	0.17 393	0.08 233	0.17 372	0.19 352	0.11 383	0.20 407	0.21 434	0.30 410	0.37 447	0.17 307	0.26 377	0.19 324	0.19 409	0.19 380	0.21 425	0.08 295	0.08 398	0.09 352	0.11 444	0.06 189	0.06 195

UNet	0.17 393	0.09 307	0.18 395	0.19 352	0.12 414	0.27 478	0.19 396	0.33 450	0.29 385	0.21 388	0.24 331	0.23 380	0.19 409	0.19 380	0.18 387	0.07 235	0.06 302	0.08 273	0.07 269	0.08 316	0.06 195

UPFNet	0.16 373	0.08 233	0.12 181	0.20 401	0.12 414	0.20 407	0.23 454	0.28 385	0.26 355	0.17 307	0.24 331	0.22 363	0.19 409	0.19 380	0.21 425	0.09 353	0.07 372	0.08 273	0.09 377	0.08 316	0.06 195

NVstereo2D	0.19 418	0.10 365	0.15 310	0.17 215	0.15 471	0.28 484	0.23 454	0.44 515	0.42 472	0.15 263	0.27 385	0.25 399	0.19 409	0.22 434	0.17 369	0.09 353	0.06 302	0.10 398	0.08 333	0.15 488	0.09 383

StereoDRNet	0.18 406	0.11 390	0.17 372	0.22 445	0.11 383	0.21 424	0.22 444	0.37 483	0.33 416	0.24 424	0.28 398	0.30 441	0.19 409	0.20 405	0.20 405	0.09 353	0.08 398	0.11 429	0.09 377	0.09 377	0.07 275

SGM-Forest	0.20 430	0.14 448	0.18 395	0.19 352	0.13 436	0.20 407	0.22 444	0.33 450	0.30 395	0.24 424	0.29 410	0.28 426	0.19 409	0.23 445	0.17 369	0.15 484	0.16 501	0.15 486	0.14 476	0.12 444	0.12 444
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	0.18 406	0.11 390	0.19 406	0.19 352	0.12 414	0.24 450	0.21 434	0.25 327	0.34 427	0.22 403	0.34 444	0.27 416	0.20 421	0.21 421	0.23 446	0.09 353	0.09 425	0.08 273	0.10 413	0.08 316	0.07 275

IER	0.14 306	0.07 136	0.13 226	0.17 215	0.09 235	0.14 274	0.16 280	0.25 327	0.26 355	0.18 337	0.25 360	0.17 296	0.20 421	0.16 312	0.14 310	0.08 295	0.05 182	0.07 191	0.06 182	0.08 316	0.07 275

MMNet	0.17 393	0.09 307	0.16 344	0.20 401	0.11 383	0.27 478	0.20 417	0.25 327	0.41 465	0.22 403	0.30 416	0.21 345	0.20 421	0.17 344	0.20 405	0.06 113	0.06 302	0.07 191	0.07 269	0.08 316	0.07 275

GwcNet	0.20 430	0.13 436	0.19 406	0.18 296	0.12 414	0.24 450	0.19 396	0.35 471	0.43 477	0.20 374	0.32 428	0.33 465	0.20 421	0.22 434	0.24 458	0.11 419	0.09 425	0.09 352	0.09 377	0.09 377	0.10 408

DGSMNet	0.24 473	0.19 488	0.33 483	0.21 430	0.24 517	0.24 450	0.20 417	0.35 471	0.41 465	0.24 424	0.32 428	0.38 486	0.21 425	0.29 481	0.23 446	0.12 444	0.11 456	0.14 474	0.16 495	0.23 514	0.23 519

FADNet-RVC	0.20 430	0.20 492	0.38 497	0.21 430	0.16 481	0.20 407	0.15 215	0.26 345	0.26 355	0.26 442	0.32 428	0.26 408	0.21 425	0.22 434	0.19 399	0.12 444	0.13 483	0.12 447	0.14 476	0.13 460	0.18 508

FADNet	0.21 442	0.22 502	0.36 492	0.18 296	0.17 496	0.24 450	0.13 101	0.31 420	0.31 402	0.23 415	0.25 360	0.27 416	0.21 425	0.19 380	0.15 338	0.13 467	0.15 498	0.12 447	0.15 491	0.16 495	0.18 508

MaskLacGwcNet_RVC	0.22 451	0.21 498	0.24 444	0.26 490	0.11 383	0.23 445	0.14 149	0.39 494	0.24 320	0.32 485	0.36 451	0.30 441	0.21 425	0.19 380	0.21 425	0.17 505	0.14 492	0.21 508	0.16 495	0.12 444	0.12 444

SuperB	0.20 430	0.10 365	0.56 520	0.16 141	0.09 235	0.18 369	0.18 358	0.24 311	0.50 499	0.26 442	0.39 471	0.17 296	0.21 425	0.22 434	0.21 425	0.08 295	0.06 302	0.06 99	0.06 182	0.12 444	0.10 408

RTSC	0.23 466	0.12 407	0.28 464	0.21 430	0.13 436	0.28 484	0.16 280	0.35 471	0.66 528	0.27 448	0.33 440	0.30 441	0.21 425	0.31 485	0.29 494	0.10 391	0.08 398	0.09 352	0.10 413	0.13 460	0.13 462

AANet_RVC	0.16 373	0.10 365	0.10 105	0.18 296	0.09 235	0.18 369	0.19 396	0.26 345	0.31 402	0.22 403	0.35 448	0.21 345	0.21 425	0.22 434	0.16 354	0.06 113	0.05 182	0.06 99	0.06 182	0.07 254	0.06 195

DRN-Test	0.19 418	0.11 390	0.20 418	0.22 445	0.10 336	0.22 432	0.22 444	0.39 494	0.37 447	0.24 424	0.32 428	0.26 408	0.21 425	0.22 434	0.24 458	0.11 419	0.07 372	0.11 429	0.10 413	0.09 377	0.07 275

MDST_ROB	0.22 451	0.10 365	0.17 372	0.18 296	0.11 383	0.37 511	0.19 396	0.43 513	0.41 465	0.39 501	0.39 471	0.29 433	0.21 425	0.26 461	0.18 387	0.11 419	0.10 445	0.14 474	0.11 444	0.10 408	0.08 339

w-ln-seven-2	0.20 430	0.14 448	0.37 496	0.22 445	0.12 414	0.20 407	0.21 434	0.28 385	0.37 447	0.25 437	0.37 457	0.27 416	0.22 434	0.21 421	0.23 446	0.08 295	0.08 398	0.09 352	0.09 377	0.10 408	0.09 383

w-ln-seven	0.24 473	0.14 448	0.55 517	0.19 352	0.14 454	0.26 468	0.22 444	0.35 471	0.60 520	0.29 469	0.39 471	0.30 441	0.22 434	0.21 421	0.26 476	0.09 353	0.09 425	0.11 429	0.10 413	0.11 429	0.10 408

SQANet	0.23 466	0.23 503	0.30 475	0.30 514	0.19 505	0.27 478	0.13 101	0.29 396	0.33 416	0.24 424	0.37 457	0.31 454	0.22 434	0.27 464	0.23 446	0.15 484	0.10 445	0.21 508	0.16 495	0.21 510	0.15 486

SACVNet	0.18 406	0.12 407	0.14 261	0.17 215	0.13 436	0.22 432	0.18 358	0.31 420	0.30 395	0.23 415	0.31 424	0.30 441	0.22 434	0.22 434	0.17 369	0.11 419	0.08 398	0.10 398	0.10 413	0.12 444	0.14 479

FINET	0.21 442	0.18 485	0.26 452	0.18 296	0.16 481	0.23 445	0.23 454	0.32 431	0.48 491	0.25 437	0.32 428	0.22 363	0.22 434	0.22 434	0.17 369	0.18 506	0.16 501	0.11 429	0.10 413	0.15 488	0.13 462

hitnet-ft	0.18 406	0.09 307	0.17 372	0.14 30	0.09 235	0.26 468	0.20 417	0.25 327	0.26 355	0.24 424	0.32 428	0.31 454	0.22 434	0.24 454	0.21 425	0.12 444	0.07 372	0.10 398	0.08 333	0.12 444	0.11 432

ADCP+	0.20 430	0.10 365	0.33 483	0.20 401	0.12 414	0.22 432	0.26 487	0.31 420	0.34 427	0.26 442	0.37 457	0.22 363	0.22 434	0.27 464	0.27 484	0.09 353	0.06 302	0.08 273	0.08 333	0.09 377	0.10 408

PSMNet_ROB	0.21 442	0.11 390	0.15 310	0.27 502	0.15 471	0.24 450	0.35 526	0.43 513	0.37 447	0.27 448	0.32 428	0.32 462	0.22 434	0.21 421	0.26 476	0.12 444	0.08 398	0.13 462	0.11 444	0.09 377	0.09 383

ADCRef	0.19 418	0.12 407	0.41 502	0.20 401	0.12 414	0.22 432	0.18 358	0.32 431	0.36 440	0.26 442	0.32 428	0.17 296	0.23 442	0.24 454	0.24 458	0.07 235	0.06 302	0.09 352	0.09 377	0.08 316	0.08 339

RYNet	0.22 451	0.12 407	0.22 432	0.19 352	0.17 496	0.46 518	0.26 487	0.38 490	0.48 491	0.24 424	0.28 398	0.34 471	0.23 442	0.20 405	0.30 499	0.10 391	0.06 302	0.09 352	0.09 377	0.13 460	0.15 486

NaN_ROB	0.22 451	0.19 488	0.24 444	0.25 485	0.13 436	0.29 487	0.26 487	0.33 450	0.41 465	0.31 479	0.31 424	0.32 462	0.23 442	0.30 484	0.21 425	0.11 419	0.17 506	0.10 398	0.10 413	0.08 316	0.09 383

NOSS_ROB	0.19 418	0.12 407	0.18 395	0.16 141	0.12 414	0.15 300	0.12 63	0.30 410	0.32 409	0.20 374	0.22 310	0.27 416	0.23 442	0.21 421	0.16 354	0.16 500	0.18 508	0.23 513	0.21 510	0.12 444	0.13 462

DispFullNet	0.27 491	0.21 498	0.65 527	0.28 505	0.16 481	0.26 468	0.17 313	0.33 450	0.58 516	0.27 448	0.38 463	0.43 504	0.23 442	0.38 513	0.23 446	0.12 444	0.06 302	0.19 505	0.11 444	0.21 510	0.15 486

CBMV	0.19 418	0.14 448	0.17 372	0.18 296	0.10 336	0.20 407	0.11 46	0.29 396	0.30 395	0.29 469	0.30 416	0.30 441	0.23 442	0.27 464	0.19 399	0.13 467	0.15 498	0.17 494	0.16 495	0.10 408	0.10 408
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 393	0.11 390	0.18 395	0.17 215	0.11 383	0.16 330	0.25 480	0.24 311	0.33 416	0.19 352	0.24 331	0.26 408	0.24 448	0.19 380	0.20 405	0.07 235	0.08 398	0.09 352	0.10 413	0.09 377	0.08 339

WZ-Net	0.28 495	0.17 475	0.78 541	0.22 445	0.16 481	0.34 501	0.29 509	0.39 494	0.57 513	0.24 424	0.55 513	0.37 482	0.24 448	0.33 493	0.35 513	0.09 353	0.08 398	0.09 352	0.10 413	0.14 473	0.16 497

psm_up	0.18 406	0.10 365	0.18 395	0.20 401	0.11 383	0.17 351	0.19 396	0.37 483	0.34 427	0.21 388	0.28 398	0.29 433	0.24 448	0.20 405	0.22 434	0.09 353	0.10 445	0.11 429	0.11 444	0.08 316	0.08 339

RP	0.21 442	0.13 436	0.21 426	0.23 466	0.11 383	0.21 424	0.20 417	0.25 327	0.44 482	0.21 388	0.38 463	0.36 477	0.24 448	0.27 464	0.25 467	0.11 419	0.12 470	0.13 462	0.12 463	0.12 444	0.14 479

PS-NSSS	0.20 430	0.21 498	0.23 441	0.20 401	0.10 336	0.19 392	0.17 313	0.36 478	0.25 341	0.27 448	0.33 440	0.27 416	0.24 448	0.20 405	0.20 405	0.15 484	0.12 470	0.17 494	0.14 476	0.10 408	0.08 339

CBMV_ROB	0.19 418	0.13 436	0.17 372	0.16 141	0.11 383	0.15 300	0.13 101	0.26 345	0.28 378	0.27 448	0.30 416	0.27 416	0.24 448	0.23 445	0.16 354	0.15 484	0.17 506	0.22 512	0.20 508	0.10 408	0.11 432

DLCB_ROB	0.18 406	0.10 365	0.15 310	0.23 466	0.11 383	0.24 450	0.18 358	0.29 396	0.28 378	0.27 448	0.28 398	0.28 426	0.24 448	0.19 380	0.20 405	0.08 295	0.08 398	0.09 352	0.09 377	0.07 254	0.07 275

PWC_ROB	0.21 442	0.16 464	0.26 452	0.18 296	0.11 383	0.22 432	0.13 101	0.32 431	0.49 496	0.30 473	0.40 477	0.32 462	0.24 448	0.31 485	0.22 434	0.10 391	0.07 372	0.11 429	0.08 333	0.11 429	0.10 408

PSMNet-RUCA	0.27 491	0.33 524	0.41 502	0.36 523	0.32 530	0.18 369	0.19 396	0.42 509	0.30 395	0.33 489	0.41 487	0.39 494	0.25 456	0.31 485	0.20 405	0.18 506	0.10 445	0.25 515	0.15 491	0.21 510	0.16 497

test_sample8	0.19 418	0.12 407	0.20 418	0.12 4	0.14 454	0.17 351	0.13 101	0.31 420	0.21 280	0.27 448	0.22 310	0.36 477	0.25 456	0.19 380	0.17 369	0.15 484	0.30 531	0.14 474	0.14 476	0.14 473	0.12 444

HBP-ISP	0.18 406	0.13 436	0.16 344	0.15 70	0.11 383	0.08 48	0.13 101	0.28 385	0.29 385	0.22 403	0.33 440	0.21 345	0.25 456	0.23 445	0.17 369	0.14 480	0.16 501	0.21 508	0.17 502	0.10 408	0.08 339

DDUNet	0.22 451	0.17 475	0.21 426	0.22 445	0.15 471	0.25 460	0.24 466	0.29 396	0.30 395	0.31 479	0.36 451	0.33 465	0.25 456	0.24 454	0.20 405	0.18 506	0.13 483	0.17 494	0.11 444	0.16 495	0.16 497

Syn2CoEx	0.21 442	0.16 464	0.27 459	0.29 512	0.14 454	0.26 468	0.20 417	0.33 450	0.31 402	0.28 462	0.36 451	0.27 416	0.25 456	0.19 380	0.24 458	0.16 500	0.12 470	0.14 474	0.11 444	0.09 377	0.08 339

Wz-Net-SNSev	0.25 483	0.17 475	0.44 505	0.25 485	0.14 454	0.26 468	0.23 454	0.38 490	0.56 511	0.30 473	0.55 513	0.39 494	0.26 461	0.23 445	0.30 499	0.10 391	0.09 425	0.09 352	0.10 413	0.11 429	0.11 432

AF-Net	0.22 451	0.17 475	0.17 372	0.26 490	0.13 436	0.25 460	0.24 466	0.32 431	0.50 499	0.25 437	0.33 440	0.38 486	0.26 461	0.28 475	0.25 467	0.11 419	0.10 445	0.16 492	0.11 444	0.11 429	0.10 408

PA-Net	0.23 466	0.18 485	0.33 483	0.28 505	0.22 513	0.21 424	0.38 531	0.29 396	0.39 456	0.22 403	0.32 428	0.25 399	0.26 461	0.20 405	0.25 467	0.09 353	0.23 525	0.15 486	0.22 513	0.09 377	0.13 462
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 418	0.09 307	0.22 432	0.17 215	0.10 336	0.25 460	0.18 358	0.27 366	0.44 482	0.22 403	0.31 424	0.33 465	0.26 461	0.28 475	0.28 491	0.08 295	0.06 302	0.07 191	0.07 269	0.09 377	0.09 383

SANet	0.24 473	0.14 448	0.28 464	0.21 430	0.11 383	0.27 478	0.24 466	0.38 490	0.64 525	0.36 494	0.40 477	0.43 504	0.26 461	0.27 464	0.24 458	0.12 444	0.09 425	0.10 398	0.09 377	0.13 460	0.11 432

XPNet_ROB	0.22 451	0.11 390	0.19 406	0.22 445	0.13 436	0.22 432	0.19 396	0.34 459	0.40 462	0.30 473	0.39 471	0.39 494	0.26 461	0.26 461	0.28 491	0.15 484	0.10 445	0.10 398	0.10 413	0.13 460	0.12 444

ETE_ROB	0.23 466	0.17 475	0.22 432	0.25 485	0.13 436	0.26 468	0.29 509	0.31 420	0.36 440	0.28 462	0.36 451	0.45 508	0.26 461	0.27 464	0.26 476	0.11 419	0.08 398	0.12 447	0.09 377	0.14 473	0.13 462

LALA_ROB	0.25 483	0.16 464	0.22 432	0.26 490	0.17 496	0.27 478	0.27 494	0.42 509	0.37 447	0.33 489	0.38 463	0.51 518	0.26 461	0.28 475	0.27 484	0.16 500	0.09 425	0.12 447	0.11 444	0.13 460	0.12 444

ACVNet-4b	0.39 516	0.53 535	0.55 517	0.45 531	0.24 517	0.47 520	0.18 358	0.49 524	0.64 525	0.42 511	0.45 499	0.60 526	0.27 469	0.34 496	0.24 458	0.33 532	0.14 492	0.48 535	0.42 535	0.30 528	0.26 527

Anonymous_2	0.22 451	0.17 475	0.28 464	0.15 70	0.16 481	0.32 492	0.22 444	0.22 270	0.17 201	0.23 415	0.24 331	0.26 408	0.27 469	0.27 464	0.23 446	0.22 521	0.25 527	0.17 494	0.17 502	0.17 502	0.17 505

UDG	0.21 442	0.17 475	0.19 406	0.23 466	0.15 471	0.30 490	0.20 417	0.33 450	0.35 436	0.23 415	0.28 398	0.31 454	0.27 469	0.20 405	0.22 434	0.15 484	0.12 470	0.13 462	0.09 377	0.14 473	0.14 479

aanetorigin	0.22 451	0.17 475	0.56 520	0.17 215	0.10 336	0.15 300	0.19 396	0.20 226	0.33 416	0.49 520	0.48 503	0.29 433	0.27 469	0.20 405	0.23 446	0.08 295	0.07 372	0.08 273	0.07 269	0.10 408	0.09 383

DMCA-RVC	0.17 393	0.10 365	0.15 310	0.24 475	0.11 383	0.18 369	0.18 358	0.25 327	0.24 320	0.21 388	0.26 377	0.25 399	0.27 469	0.18 365	0.20 405	0.12 444	0.08 398	0.13 462	0.10 413	0.10 408	0.08 339

RGC	0.25 483	0.20 492	0.29 472	0.28 505	0.16 481	0.22 432	0.23 454	0.32 431	0.44 482	0.27 448	0.40 477	0.38 486	0.27 469	0.36 507	0.22 434	0.11 419	0.13 483	0.17 494	0.17 502	0.14 473	0.16 497

stereogan	0.22 451	0.11 390	0.21 426	0.20 401	0.12 414	0.31 491	0.19 396	0.35 471	0.44 482	0.22 403	0.39 471	0.35 475	0.27 469	0.33 493	0.22 434	0.10 391	0.12 470	0.10 398	0.10 413	0.14 473	0.13 462

FBW_ROB	0.24 473	0.17 475	0.22 432	0.26 490	0.14 454	0.25 460	0.22 444	0.41 504	0.41 465	0.41 508	0.41 487	0.42 501	0.27 469	0.31 485	0.23 446	0.09 353	0.14 492	0.14 474	0.12 463	0.11 429	0.09 383

NCC-stereo	0.24 473	0.15 456	0.31 477	0.26 490	0.16 481	0.20 407	0.30 516	0.40 498	0.40 462	0.24 424	0.38 463	0.33 465	0.28 477	0.36 507	0.27 484	0.12 444	0.11 456	0.15 486	0.22 513	0.13 460	0.13 462

Nwc_Net	0.23 466	0.16 464	0.21 426	0.25 485	0.14 454	0.24 450	0.26 487	0.37 483	0.38 453	0.22 403	0.41 487	0.30 441	0.28 477	0.28 475	0.25 467	0.11 419	0.10 445	0.17 494	0.20 508	0.10 408	0.10 408

Abc-Net	0.24 473	0.15 456	0.31 477	0.26 490	0.16 481	0.20 407	0.30 516	0.40 498	0.40 462	0.24 424	0.38 463	0.33 465	0.28 477	0.36 507	0.27 484	0.12 444	0.11 456	0.15 486	0.22 513	0.13 460	0.13 462
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 489	0.15 456	0.30 475	0.24 475	0.18 502	0.22 432	0.15 215	0.38 490	0.71 532	0.32 485	0.41 487	0.36 477	0.28 477	0.32 491	0.29 494	0.12 444	0.11 456	0.14 474	0.13 473	0.16 495	0.20 514

DeepPrunerF	0.24 473	0.17 475	0.42 504	0.26 490	0.16 481	0.22 432	0.28 500	0.37 483	0.50 499	0.26 442	0.29 410	0.24 386	0.28 477	0.21 421	0.22 434	0.15 484	0.11 456	0.20 507	0.18 506	0.12 444	0.13 462

ADCPNet	0.25 483	0.16 464	0.61 524	0.21 430	0.15 471	0.35 509	0.25 480	0.32 431	0.35 436	0.30 473	0.40 477	0.36 477	0.28 477	0.28 475	0.32 507	0.12 444	0.10 445	0.11 429	0.12 463	0.14 473	0.13 462

GANet	0.21 442	0.12 407	0.21 426	0.24 475	0.13 436	0.22 432	0.22 444	0.41 504	0.26 355	0.31 479	0.42 493	0.37 482	0.28 477	0.23 445	0.22 434	0.10 391	0.12 470	0.10 398	0.09 377	0.10 408	0.08 339

NCCL2	0.23 466	0.15 456	0.17 372	0.34 519	0.18 502	0.24 450	0.23 454	0.34 459	0.28 378	0.31 479	0.38 463	0.38 486	0.28 477	0.23 445	0.24 458	0.15 484	0.12 470	0.18 503	0.21 510	0.13 460	0.13 462

APVNet	0.22 451	0.12 407	0.19 406	0.18 296	0.14 454	0.32 492	0.31 522	0.39 494	0.32 409	0.27 448	0.40 477	0.30 441	0.29 485	0.26 461	0.25 467	0.11 419	0.12 470	0.11 429	0.14 476	0.12 444	0.12 444

G-Net	0.24 473	0.16 464	0.36 492	0.22 445	0.16 481	0.51 524	0.23 454	0.29 396	0.34 427	0.36 494	0.38 463	0.31 454	0.29 485	0.27 464	0.26 476	0.11 419	0.09 425	0.12 447	0.09 377	0.16 495	0.13 462

DPSNet	0.28 495	0.16 464	0.31 477	0.18 296	0.13 436	0.54 526	0.42 535	0.51 527	0.67 529	0.29 469	0.38 463	0.38 486	0.29 485	0.31 485	0.23 446	0.11 419	0.10 445	0.11 429	0.08 333	0.20 509	0.16 497

PDISCO_ROB	0.27 491	0.16 464	0.26 452	0.28 505	0.20 508	0.32 492	0.26 487	0.44 515	0.57 513	0.28 462	0.40 477	0.45 508	0.29 485	0.33 493	0.34 512	0.12 444	0.09 425	0.17 494	0.16 495	0.17 502	0.13 462

ccnet	0.29 499	0.28 517	0.23 441	0.20 401	0.28 524	0.41 517	0.21 434	0.45 518	0.33 416	0.36 494	0.46 500	0.36 477	0.30 489	0.39 516	0.42 528	0.23 525	0.14 492	0.21 508	0.17 502	0.23 514	0.18 508

S-Stereo	0.20 430	0.12 407	0.25 449	0.21 430	0.13 436	0.20 407	0.18 358	0.32 431	0.43 477	0.23 415	0.36 451	0.28 426	0.30 489	0.19 380	0.22 434	0.09 353	0.12 470	0.10 398	0.10 413	0.13 460	0.13 462

XQC	0.28 495	0.23 503	0.51 512	0.28 505	0.19 505	0.34 501	0.27 494	0.36 478	0.57 513	0.31 479	0.30 416	0.37 482	0.30 489	0.38 513	0.38 520	0.13 467	0.09 425	0.15 486	0.12 463	0.17 502	0.18 508

ADCL	0.24 473	0.11 390	0.47 510	0.22 445	0.12 414	0.34 501	0.29 509	0.29 396	0.56 511	0.24 424	0.46 500	0.30 441	0.30 489	0.29 481	0.29 494	0.08 295	0.07 372	0.09 352	0.09 377	0.10 408	0.10 408

MFN_U_SF_DS_RVC	0.30 504	0.24 506	0.29 472	0.36 523	0.16 481	0.34 501	0.30 516	0.32 431	0.42 472	0.40 504	0.46 500	0.38 486	0.31 493	0.34 496	0.28 491	0.19 511	0.20 514	0.26 516	0.29 526	0.18 505	0.19 513

CC-Net-ROB	0.28 495	0.31 522	0.36 492	0.29 512	0.15 471	0.25 460	0.19 396	0.45 518	0.33 416	0.39 501	0.37 457	0.39 494	0.31 493	0.27 464	0.26 476	0.24 527	0.19 511	0.30 528	0.23 517	0.18 505	0.15 486

DANet	0.21 442	0.15 456	0.28 464	0.25 485	0.13 436	0.22 432	0.19 396	0.27 366	0.27 364	0.28 462	0.32 428	0.35 475	0.31 493	0.31 485	0.23 446	0.11 419	0.09 425	0.11 429	0.10 413	0.13 460	0.11 432
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	0.20 430	0.12 407	0.22 432	0.21 430	0.12 414	0.17 351	0.18 358	0.34 459	0.39 456	0.27 448	0.37 457	0.34 471	0.32 496	0.21 421	0.20 405	0.09 353	0.11 456	0.10 398	0.09 377	0.11 429	0.14 479

otaku	0.39 516	0.37 528	0.52 513	0.44 530	0.28 524	0.58 528	0.24 466	0.41 504	0.62 523	0.40 504	0.49 504	0.46 512	0.33 497	0.40 520	0.32 507	0.30 530	0.30 531	0.39 532	0.33 531	0.29 527	0.28 528

AnyNet_C32	0.26 489	0.16 464	0.36 492	0.20 401	0.16 481	0.25 460	0.30 516	0.32 431	0.44 482	0.31 479	0.49 504	0.30 441	0.33 497	0.40 520	0.33 510	0.12 444	0.12 470	0.12 447	0.14 476	0.14 473	0.15 486

GANetREF_RVC	0.31 505	0.34 525	0.27 459	0.35 521	0.16 481	0.32 492	0.41 532	0.48 522	0.51 506	0.35 492	0.35 448	0.34 471	0.33 497	0.39 516	0.32 507	0.27 529	0.20 514	0.29 526	0.15 491	0.18 505	0.17 505
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	0.29 499	0.24 506	0.27 459	0.34 519	0.19 505	0.33 498	0.42 535	0.37 483	0.50 499	0.38 499	0.40 477	0.44 506	0.33 497	0.28 475	0.30 499	0.20 513	0.16 501	0.19 505	0.19 507	0.14 473	0.15 486

PASM	0.32 507	0.24 506	0.48 511	0.28 505	0.27 523	0.29 487	0.30 516	0.34 459	0.49 496	0.35 492	0.39 471	0.46 512	0.34 501	0.34 496	0.35 513	0.23 525	0.25 527	0.26 516	0.28 525	0.23 514	0.21 516

WCMA_ROB	0.24 473	0.11 390	0.22 432	0.17 215	0.14 454	0.32 492	0.15 215	0.32 431	0.32 409	0.38 499	0.53 510	0.40 498	0.34 501	0.34 496	0.25 467	0.11 419	0.12 470	0.12 447	0.10 413	0.14 473	0.14 479

edge stereo	0.22 451	0.13 436	0.20 418	0.21 430	0.13 436	0.23 445	0.16 280	0.32 431	0.42 472	0.32 485	0.40 477	0.38 486	0.35 503	0.25 459	0.24 458	0.13 467	0.11 456	0.14 474	0.11 444	0.12 444	0.13 462

SGM_RVC	0.23 466	0.12 407	0.15 310	0.15 70	0.09 235	0.33 498	0.18 358	0.34 459	0.31 402	0.44 515	0.37 457	0.53 522	0.35 503	0.35 502	0.24 458	0.13 467	0.13 483	0.13 462	0.13 473	0.10 408	0.11 432
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 499	0.18 485	0.45 506	0.21 430	0.17 496	0.28 484	0.23 454	0.41 504	0.63 524	0.40 504	0.49 504	0.40 498	0.36 505	0.39 516	0.40 524	0.13 467	0.12 470	0.13 462	0.14 476	0.16 495	0.16 497

LSM	0.33 510	0.20 492	0.58 522	0.26 490	0.60 547	0.34 501	0.25 480	0.42 509	0.48 491	0.45 516	0.58 522	0.42 501	0.36 505	0.35 502	0.25 467	0.12 444	0.20 514	0.14 474	0.16 495	0.19 508	0.33 534

psmorigin	0.25 483	0.15 456	0.34 491	0.17 215	0.13 436	0.23 445	0.14 149	0.34 459	0.33 416	0.41 508	0.55 513	0.41 500	0.37 507	0.34 496	0.27 484	0.11 419	0.15 498	0.11 429	0.11 444	0.12 444	0.16 497

Wz-Net-TNSev	0.29 499	0.20 492	0.65 527	0.19 352	0.15 471	0.38 514	0.27 494	0.35 471	0.55 509	0.34 491	0.42 493	0.45 508	0.38 508	0.32 491	0.30 499	0.12 444	0.13 483	0.10 398	0.12 463	0.15 488	0.14 479

AnyNet_C01	0.36 514	0.25 511	1.37 553	0.22 445	0.17 496	0.48 522	0.27 494	0.35 471	0.39 456	0.39 501	0.74 534	0.46 512	0.38 508	0.45 524	0.47 533	0.13 467	0.13 483	0.13 462	0.14 476	0.14 473	0.15 486

EDNetEfficient	0.29 499	0.24 506	1.13 550	0.18 296	0.10 336	0.19 392	0.20 417	0.20 226	0.60 520	0.74 539	0.56 518	0.31 454	0.39 510	0.22 434	0.30 499	0.09 353	0.07 372	0.08 273	0.07 269	0.11 429	0.09 383

MFN_U_SF_RVC	0.32 507	0.21 498	0.55 517	0.30 514	0.15 471	0.34 501	0.17 313	0.52 528	0.46 489	0.46 519	0.55 513	0.59 525	0.39 510	0.35 502	0.37 518	0.15 484	0.14 492	0.18 503	0.21 510	0.16 495	0.15 486

SAMSARA	0.40 519	0.28 517	0.33 483	0.55 537	0.39 531	0.82 548	1.23 562	0.47 521	0.51 506	0.36 494	0.35 448	0.55 524	0.39 510	0.38 513	0.39 522	0.15 484	0.20 514	0.15 486	0.14 476	0.23 514	0.20 514

FC-DCNN v2	0.33 510	0.27 513	0.28 464	0.26 490	0.23 515	0.37 511	0.28 500	0.40 498	0.43 477	0.45 516	0.56 518	0.51 518	0.40 513	0.37 511	0.29 494	0.21 517	0.20 514	0.27 519	0.26 520	0.25 521	0.24 520

ADCMid	0.25 483	0.15 456	0.40 500	0.20 401	0.14 454	0.25 460	0.26 487	0.34 459	0.38 453	0.36 494	0.44 498	0.34 471	0.40 513	0.35 502	0.33 510	0.10 391	0.09 425	0.11 429	0.11 444	0.13 460	0.12 444

FC-DCNN	0.33 510	0.27 513	0.28 464	0.26 490	0.23 515	0.37 511	0.28 500	0.40 498	0.43 477	0.45 516	0.55 513	0.51 518	0.40 513	0.37 511	0.30 499	0.21 517	0.20 514	0.27 519	0.26 520	0.25 521	0.24 520

MSMD_ROB	0.31 505	0.26 512	0.26 452	0.24 475	0.21 511	0.34 501	0.25 480	0.34 459	0.39 456	0.40 504	0.69 528	0.45 508	0.40 513	0.34 496	0.27 484	0.20 513	0.19 511	0.26 516	0.25 519	0.23 514	0.22 518

MeshStereo	0.27 491	0.13 436	0.18 395	0.15 70	0.11 383	0.32 492	0.24 466	0.40 498	0.36 440	0.52 522	0.57 520	0.67 533	0.40 513	0.35 502	0.26 476	0.14 480	0.13 483	0.13 462	0.11 444	0.11 429	0.10 408
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	0.33 510	0.28 517	0.28 464	0.30 514	0.24 517	0.39 515	0.28 500	0.42 509	0.42 472	0.43 514	0.53 510	0.51 518	0.41 518	0.36 507	0.30 499	0.21 517	0.20 514	0.27 519	0.26 520	0.25 521	0.24 520
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 526	0.19 488	3.26 559	0.24 475	0.15 471	0.74 541	0.20 417	0.36 478	0.76 539	0.42 511	0.43 496	0.31 454	0.41 518	0.53 532	0.35 513	0.10 391	0.08 398	0.13 462	0.12 463	0.15 488	0.15 486

RTSA	0.45 526	0.19 488	3.26 559	0.24 475	0.15 471	0.74 541	0.20 417	0.36 478	0.76 539	0.42 511	0.43 496	0.31 454	0.41 518	0.53 532	0.35 513	0.10 391	0.08 398	0.13 462	0.12 463	0.15 488	0.15 486

Ntro	0.40 519	0.40 530	0.53 514	0.46 534	0.30 528	0.65 534	0.24 466	0.46 520	0.68 530	0.41 508	0.49 504	0.48 516	0.42 521	0.39 516	0.31 506	0.32 531	0.28 529	0.37 531	0.30 528	0.32 532	0.29 529

SGM-ForestM	0.32 507	0.12 407	0.16 344	0.16 141	0.11 383	0.39 515	0.19 396	0.41 504	0.50 499	0.52 522	0.54 512	1.32 552	0.42 521	0.40 520	0.27 484	0.14 480	0.16 501	0.16 492	0.16 495	0.12 444	0.12 444

LE_ROB	0.50 530	0.07 136	0.14 261	0.15 70	0.08 125	0.24 450	0.16 280	0.22 270	1.81 562	4.63 565	0.67 526	0.47 515	0.44 523	0.20 405	0.29 494	0.07 235	0.06 302	0.06 99	0.06 182	0.08 316	0.06 195

coex-ft	3.30 561	0.34 525	59.09 582	0.18 296	0.13 436	0.26 468	0.22 444	0.27 366	0.72 533	1.90 563	0.70 530	0.44 506	0.45 524	0.29 481	0.41 527	0.09 353	0.09 425	0.12 447	0.09 377	0.14 473	0.13 462

RainbowNet	0.54 533	0.61 539	0.70 539	0.57 538	0.43 535	0.65 534	0.37 530	0.60 537	0.87 543	0.50 521	0.66 525	0.64 529	0.47 525	0.49 526	0.43 531	0.47 540	0.48 544	0.52 539	0.41 534	0.52 537	0.40 539

Consistency-Raft	0.44 524	0.40 530	0.45 506	0.37 525	0.43 535	0.46 518	0.41 532	0.57 535	0.55 509	0.32 485	0.73 532	0.33 465	0.48 526	0.42 523	0.49 535	0.39 534	0.35 535	0.45 534	0.51 542	0.42 534	0.29 529

ACVNet_1	0.44 524	0.49 534	0.60 523	0.45 531	0.28 524	0.49 523	0.27 494	0.57 535	0.72 533	0.62 528	0.58 522	0.74 537	0.49 527	0.50 527	0.35 513	0.26 528	0.24 526	0.39 532	0.29 526	0.31 531	0.24 520

EDNetEfficientorigin	7.91 568	0.31 522	153.02 583	0.19 352	0.09 235	0.21 424	0.16 280	0.22 270	0.59 517	0.72 535	0.67 526	0.42 501	0.50 528	0.24 454	0.39 522	0.08 295	0.07 372	0.08 273	0.07 269	0.12 444	0.10 408

TCMNet-wrong-test	3.67 562	5.48 572	3.89 563	12.18 574	11.75 575	4.65 564	3.88 565	1.06 557	0.72 533	1.09 555	2.15 564	6.30 568	0.53 529	3.43 565	2.36 564	0.89 558	0.20 514	1.87 565	1.69 564	5.57 570	3.62 570

MSC_U_SF_DS_RVC	0.43 523	0.39 529	0.54 515	0.40 526	0.20 508	0.64 533	0.32 524	0.53 530	0.72 533	0.71 533	0.72 531	0.61 527	0.54 530	0.51 528	0.46 532	0.20 513	0.19 511	0.29 526	0.30 528	0.23 514	0.18 508

ELAS_RVC	0.41 521	0.29 520	0.33 483	0.28 505	0.24 517	0.54 526	0.36 527	0.49 524	0.59 517	0.72 535	0.74 534	0.65 531	0.54 530	0.54 534	0.40 524	0.22 521	0.20 514	0.27 519	0.26 520	0.26 525	0.25 525
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 521	0.29 520	0.33 483	0.27 502	0.24 517	0.60 531	0.36 527	0.50 526	0.50 499	0.71 533	0.79 538	0.67 533	0.54 530	0.51 528	0.42 528	0.22 521	0.20 514	0.27 519	0.26 520	0.26 525	0.25 525
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 532	0.58 537	0.65 527	0.41 528	0.61 548	0.53 525	0.41 532	0.56 533	0.41 465	0.55 525	0.50 508	0.49 517	0.55 533	0.58 537	0.50 538	0.58 545	0.50 548	0.51 537	0.51 542	0.51 536	0.57 544

SGM+DAISY	0.56 534	0.57 536	0.65 527	0.40 526	0.54 540	0.66 536	0.49 539	0.56 533	0.45 488	0.66 529	0.69 528	0.67 533	0.56 534	0.63 539	0.56 540	0.59 546	0.48 544	0.50 536	0.50 541	0.52 537	0.58 545

SPS-STEREO	0.57 535	0.58 537	0.65 527	0.45 531	0.55 542	0.62 532	0.44 538	0.62 538	0.50 499	0.68 531	0.64 524	0.66 532	0.57 535	0.61 538	0.60 542	0.62 548	0.47 543	0.51 537	0.49 539	0.55 541	0.58 545
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 516	0.20 492	0.39 499	0.31 518	0.22 513	0.29 487	0.43 537	0.52 528	0.96 546	0.55 525	0.79 538	0.53 522	0.59 536	0.52 530	0.38 520	0.19 511	0.14 492	0.17 494	0.14 476	0.24 520	0.31 532

MANE	0.45 526	0.27 513	0.27 459	0.27 502	0.24 517	0.47 520	0.31 522	0.55 532	0.59 517	0.72 535	1.13 554	1.15 546	0.61 537	0.52 530	0.37 518	0.21 517	0.20 514	0.27 519	0.31 530	0.25 521	0.24 520

PWCK	0.71 540	0.94 554	0.95 548	0.76 543	0.31 529	0.74 541	0.36 527	0.90 545	0.90 544	0.96 548	0.75 536	0.95 541	0.61 537	0.87 551	0.66 545	0.72 551	0.46 539	0.75 546	0.49 539	0.69 550	0.44 541

BEATNet-Init1	0.52 531	0.27 513	0.62 525	0.30 514	0.21 511	0.76 545	0.29 509	0.54 531	0.65 527	0.86 544	0.95 545	2.07 561	0.62 539	0.56 536	0.42 528	0.18 506	0.18 508	0.23 513	0.22 513	0.22 513	0.21 516

NVStereoNet_ROB	0.46 529	0.36 527	0.46 509	0.41 528	0.28 524	0.34 501	0.34 525	0.48 522	0.60 520	0.72 535	0.93 543	0.70 536	0.66 540	0.47 525	0.60 542	0.22 521	0.33 534	0.34 530	0.34 533	0.30 528	0.30 531
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	0.64 536	0.66 543	0.65 527	0.51 535	0.69 552	0.69 537	0.57 545	0.64 539	0.73 537	0.60 527	0.73 532	0.62 528	0.67 541	0.65 540	0.60 542	0.66 550	0.58 557	0.63 541	0.59 545	0.68 548	0.69 554

MADNet+	0.75 543	0.71 545	3.70 562	0.66 540	0.41 533	0.98 553	0.97 560	0.69 540	0.73 537	0.52 522	0.57 520	0.64 529	0.68 542	0.86 550	1.01 558	0.34 533	0.36 536	0.28 525	0.23 517	0.36 533	0.31 532

ACVNet_2	0.66 539	0.66 543	0.68 535	0.63 539	0.41 533	0.71 539	0.49 539	0.96 550	1.39 555	0.89 545	1.09 550	1.04 542	0.73 543	0.54 534	0.47 533	0.43 538	0.40 537	0.53 540	0.44 536	0.47 535	0.35 536

TorneroNet-64	0.76 544	0.72 546	0.74 540	0.78 545	0.58 546	0.91 552	0.56 544	0.84 544	1.29 552	0.66 529	0.90 541	1.40 554	0.75 544	0.85 549	0.67 548	0.49 541	0.46 539	0.72 545	0.59 545	0.67 547	0.53 543

IMH-64-1	0.65 537	0.61 539	0.68 535	0.71 541	0.51 538	0.59 529	0.49 539	0.91 546	0.85 541	0.74 539	1.02 547	0.81 538	0.78 545	0.79 543	0.49 535	0.42 536	0.46 539	0.71 543	0.47 537	0.52 537	0.39 537

IMH-64	0.65 537	0.61 539	0.68 535	0.71 541	0.51 538	0.59 529	0.49 539	0.91 546	0.85 541	0.74 539	1.02 547	0.81 538	0.78 545	0.79 543	0.49 535	0.42 536	0.46 539	0.71 543	0.47 537	0.52 537	0.39 537

JetBlue	0.71 540	0.45 533	1.14 551	0.51 535	0.47 537	2.02 562	0.64 549	0.75 541	0.70 531	0.69 532	0.77 537	1.22 548	0.83 547	1.03 558	1.01 558	0.40 535	0.28 529	0.33 529	0.33 531	0.30 528	0.34 535

LVE	0.83 548	0.85 552	0.85 546	0.80 546	0.56 543	1.04 558	0.65 550	1.05 555	1.47 558	0.96 548	1.22 558	1.10 545	0.85 548	0.83 546	0.71 550	0.49 541	0.55 554	0.76 549	0.60 547	0.65 545	0.59 550

TorneroNet	0.82 547	0.74 547	0.81 545	0.84 548	0.63 549	0.99 554	0.63 547	0.96 550	1.16 549	0.80 542	1.11 552	1.36 553	0.86 549	0.93 554	0.80 553	0.56 543	0.49 546	0.78 551	0.66 550	0.73 553	0.63 553

IMH	0.71 540	0.64 542	0.68 535	0.76 543	0.54 540	0.69 537	0.54 543	0.98 552	1.10 548	0.82 543	1.09 550	0.89 540	0.88 550	0.87 551	0.52 539	0.44 539	0.50 548	0.75 546	0.51 542	0.56 542	0.41 540

WAO-7	0.79 545	0.78 548	0.54 515	0.85 549	0.67 551	0.74 541	0.68 553	1.05 555	1.32 553	0.90 546	1.20 557	1.04 542	0.92 551	0.69 541	0.66 545	0.60 547	0.62 558	0.67 542	0.68 551	0.64 544	0.58 545

JetRed	1.62 559	1.46 562	2.98 557	0.92 552	1.21 561	4.99 565	1.53 564	1.27 563	1.39 555	1.83 562	1.74 563	1.60 560	0.95 552	1.41 561	2.45 565	0.90 559	1.60 563	0.93 555	0.90 559	1.35 561	0.99 561

KSHMR	1.09 556	1.17 558	0.88 547	1.25 561	1.00 560	0.99 554	0.96 559	1.13 560	1.37 554	1.16 557	1.29 559	1.41 555	0.96 553	1.01 557	0.92 555	1.03 560	1.08 562	1.20 559	1.03 561	1.01 558	0.97 560

Dean	0.87 549	0.86 553	0.79 543	0.81 547	0.56 543	0.90 549	0.63 547	1.15 561	1.73 561	1.15 556	1.15 555	1.31 551	0.99 554	0.81 545	0.81 554	0.57 544	0.56 555	0.77 550	0.64 548	0.66 546	0.58 545

WAO-6	0.81 546	0.80 549	0.62 525	0.86 550	0.63 549	0.76 545	0.58 546	0.98 552	1.54 560	0.90 546	0.96 546	1.07 544	1.03 555	0.70 542	0.66 545	0.72 551	0.49 546	0.90 554	0.71 552	0.68 548	0.58 545

WAO-8	0.91 550	0.81 550	0.65 527	0.94 553	0.69 552	0.90 549	0.67 551	1.07 558	1.83 563	1.06 553	1.45 560	1.30 549	1.07 556	0.84 547	0.78 551	0.74 553	0.53 551	0.86 552	0.75 553	0.69 550	0.62 551

ktn	1.01 555	1.21 559	0.80 544	1.23 560	0.86 558	1.01 556	0.87 557	0.94 549	1.39 555	1.04 551	1.12 553	1.15 546	1.07 556	0.94 555	0.59 541	1.28 562	0.71 560	1.38 562	0.83 556	1.02 559	0.75 557

Venus	0.91 550	0.81 550	0.65 527	0.94 553	0.69 552	0.90 549	0.67 551	1.07 558	1.83 563	1.06 553	1.45 560	1.30 549	1.07 556	0.84 547	0.78 551	0.74 553	0.53 551	0.86 552	0.75 553	0.69 550	0.62 551

DPSimNet_ROB	1.11 557	1.23 560	0.78 541	1.13 558	0.88 559	1.10 559	1.13 561	1.16 562	1.23 551	1.43 560	1.02 547	1.41 555	1.10 559	0.90 553	1.60 560	1.46 563	0.51 550	1.21 560	1.03 561	0.90 556	1.01 562

notaker	0.97 553	1.11 557	0.98 549	1.13 558	0.81 556	0.73 540	0.68 553	0.93 548	1.16 549	1.18 558	1.18 556	1.41 555	1.16 560	1.08 560	0.69 549	0.81 556	0.64 559	1.17 558	0.79 555	0.98 557	0.80 558

UNDER WATER-64	0.95 552	0.94 554	1.43 555	0.87 551	0.56 543	1.18 561	0.87 557	0.77 542	0.94 545	1.04 551	0.85 540	1.58 559	1.21 561	0.94 555	0.96 556	0.87 557	0.57 556	1.03 557	0.88 558	0.78 554	0.73 555

UNDER WATER	0.97 553	0.97 556	1.42 554	0.99 555	0.70 555	1.12 560	0.84 556	0.80 543	1.08 547	1.01 550	0.90 541	1.55 558	1.22 562	1.03 558	1.00 557	0.78 555	0.53 551	1.02 556	0.87 557	0.80 555	0.74 556

HanzoNet	1.29 558	1.26 561	1.19 552	1.12 557	0.85 557	1.02 557	0.83 555	1.03 554	1.48 559	1.64 561	1.61 562	2.50 563	1.72 563	1.61 562	1.61 561	1.26 561	0.80 561	1.31 561	1.01 560	1.02 559	0.86 559

MADNet++	1.95 560	1.75 563	1.59 556	1.82 562	1.69 563	2.33 563	1.40 563	2.35 564	2.09 565	2.57 564	2.36 565	2.24 562	2.17 564	2.28 563	2.34 563	1.87 564	1.66 564	1.54 563	1.34 563	1.92 562	1.77 564

tt	4.67 563	0.06 54	3.55 561	2.02 563	1.55 562	10.25 569	16.71 569	8.91 573	5.03 566	1.31 559	0.94 544	4.71 564	4.76 565	3.33 564	5.87 567	6.06 572	10.30 576	1.88 566	2.11 566	2.75 564	1.21 563

LRCNet_RVC	10.62 573	13.42 577	7.30 565	18.92 576	2.07 564	0.33 498	0.30 516	5.59 568	0.48 491	13.03 575	17.94 576	8.87 570	5.65 566	4.79 566	1.89 562	23.51 580	2.73 569	27.55 581	25.71 581	16.07 578	16.33 579

PML	8.91 571	9.34 576	6.13 564	5.35 567	6.41 568	14.99 572	23.38 576	5.27 565	6.83 567	18.04 577	28.19 582	7.67 569	6.83 567	7.85 570	5.75 566	5.35 571	1.83 565	5.95 575	1.93 565	8.64 573	2.52 566

USTest	6.22 564	2.73 565	3.00 558	6.57 570	7.29 569	14.37 571	21.57 570	7.00 572	9.56 571	5.34 568	6.10 566	5.72 567	7.64 568	6.41 569	6.96 568	1.97 565	3.42 570	1.64 564	2.15 567	2.66 563	2.36 565

xxxxx1	7.79 565	5.02 569	7.31 566	3.12 564	3.85 565	16.35 573	22.88 571	5.86 569	8.69 568	7.97 569	8.54 567	9.12 571	8.27 569	10.18 571	10.92 569	2.42 566	2.45 566	3.56 569	12.37 573	3.77 565	3.06 567

tt_ll	7.79 565	5.02 569	7.31 566	3.12 564	3.85 565	16.35 573	22.88 571	5.86 569	8.69 568	7.97 569	8.54 567	9.12 571	8.27 569	10.18 571	10.92 569	2.42 566	2.45 566	3.56 569	12.37 573	3.77 565	3.06 567

ff	7.79 565	5.02 569	7.31 566	3.12 564	3.85 565	16.35 573	22.88 571	5.86 569	8.69 568	7.97 569	8.54 567	9.12 571	8.27 569	10.18 571	10.92 569	2.42 566	2.45 566	3.56 569	12.37 573	3.77 565	3.06 567

DPSMNet_ROB	8.06 569	4.48 567	8.63 572	5.37 569	10.74 572	8.32 567	22.98 575	5.46 566	13.36 574	5.12 566	9.92 570	5.08 565	10.40 572	5.53 568	12.58 572	3.80 570	8.00 571	3.50 567	7.02 570	3.83 568	7.14 572

DGTPSM_ROB	8.06 569	4.48 567	8.63 572	5.35 567	10.72 571	8.32 567	22.97 574	5.46 566	13.35 573	5.12 566	9.92 570	5.08 565	10.40 572	5.52 567	12.58 572	3.79 569	8.00 571	3.50 567	7.02 570	3.83 568	7.14 572

Anonymous_1	10.96 574	7.92 573	7.46 569	10.33 571	10.06 570	18.65 577	26.34 577	11.06 574	13.44 575	9.40 572	10.05 572	9.67 574	11.23 574	10.73 574	12.72 574	6.42 573	8.38 573	5.77 572	10.61 572	12.12 574	6.77 571

DPSM_ROB	11.15 575	8.58 574	8.00 570	10.88 572	11.58 573	19.10 578	26.71 578	12.05 575	14.07 576	10.36 573	10.84 573	10.33 575	11.86 575	11.70 575	13.54 575	6.99 574	8.79 574	5.89 573	6.95 568	7.29 571	7.42 574

DPSM	11.15 575	8.58 574	8.00 570	10.88 572	11.58 573	19.10 578	26.71 578	12.05 575	14.07 576	10.36 573	10.84 573	10.33 575	11.86 575	11.70 575	13.54 575	6.99 574	8.79 574	5.89 573	6.95 568	7.29 571	7.42 574

HaxPig	15.71 577	18.52 581	19.18 577	16.89 575	15.89 577	7.73 566	7.60 566	13.31 577	10.82 572	15.42 576	14.91 575	15.98 577	14.92 577	15.58 577	15.98 577	18.95 579	16.73 577	19.46 579	18.08 579	19.26 579	19.05 580

MEDIAN_ROB	20.38 578	24.04 582	23.31 579	21.23 577	21.71 578	10.40 570	7.92 567	17.64 578	15.50 578	20.12 578	19.70 577	20.34 578	20.32 578	21.19 578	21.13 578	23.81 581	21.81 581	24.98 580	23.76 580	24.71 580	23.93 581

Selective-RAFT-Error	22.47 580	17.37 580	16.09 575	22.06 579	23.34 580	38.39 581	53.83 582	24.29 582	28.47 582	20.74 580	21.83 580	20.81 579	23.90 579	23.54 581	27.53 582	14.08 577	17.69 579	11.82 576	14.00 576	14.69 576	15.00 578

CasAABBNet	22.42 579	17.33 579	16.01 574	22.01 578	23.28 579	38.32 580	53.80 581	24.14 580	28.41 581	20.60 579	21.77 579	20.89 580	23.91 580	23.43 579	27.36 580	14.07 576	17.69 579	11.83 577	14.01 577	14.67 575	14.95 577

LSM0	22.87 581	17.28 578	18.96 576	22.19 580	29.04 582	38.42 582	53.71 580	24.28 581	28.31 580	20.78 581	21.00 578	21.43 581	24.16 581	23.50 580	27.39 581	14.09 578	17.38 578	11.84 578	14.04 578	14.73 577	14.89 576

AVERAGE_ROB	24.90 582	29.20 583	28.14 580	24.89 581	24.64 581	17.75 576	11.12 568	21.45 579	19.93 579	25.12 582	24.46 581	25.12 582	25.46 582	24.69 582	22.83 579	29.76 582	27.13 582	28.97 582	27.95 582	29.91 581	29.47 582

test_example2	98.32 583	94.13 584	45.89 581	96.35 582	109.85 583	88.61 583	95.45 583	25.75 583	94.37 583	130.00 584	126.06 583	58.17 583	74.63 583	88.51 583	79.96 583	150.23 583	221.02 583	77.62 583	99.10 583	113.75 583	96.94 583

ccccc		285.66 585		368.85 584	370.60 584	123.16 584		115.05 584		126.68 583		122.83 584		252.94 584		384.56 584	353.86 584	254.69 584	223.00 584	425.87 584

ASD4		3.38 566

Low-res two-view benchmark