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

CAS	0.08 2	0.04 1	0.07 1	0.17 107	0.08 45	0.10 56	0.13 45	0.12 3	0.09 2	0.09 14	0.10 35	0.08 23	0.06 6	0.09 10	0.09 16	0.08 188	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 75	0.11 1	0.09 2	0.08 4	0.09 23	0.11 69	0.07 28	0.12 90	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 15	0.14 54	0.10 33	0.14 77	0.08 23	0.07 28	0.10 15	0.11 69	0.06 50	0.04 2	0.05 2	0.05 31	0.04 1	0.04 4
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
TANstereo	0.09 7	0.04 1	0.08 6	0.13 6	0.06 2	0.11 77	0.13 45	0.15 21	0.19 121	0.11 58	0.15 88	0.10 55	0.07 28	0.12 90	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

IGEV_Zeroshot_test	0.09 7	0.05 5	0.13 108	0.14 11	0.08 45	0.12 102	0.13 45	0.17 62	0.11 15	0.10 33	0.06 2	0.09 37	0.06 6	0.11 41	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

MSKI-zero shot	0.09 7	0.05 5	0.09 24	0.16 60	0.07 14	0.10 56	0.13 45	0.15 21	0.14 54	0.09 14	0.09 23	0.09 37	0.06 6	0.12 90	0.11 69	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

AEACV	0.09 7	0.05 5	0.08 6	0.14 11	0.13 299	0.14 150	0.13 45	0.15 21	0.09 2	0.07 2	0.09 23	0.07 17	0.08 48	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

Any-RAFT	0.10 45	0.05 5	0.10 38	0.15 35	0.07 14	0.13 121	0.14 75	0.21 131	0.15 66	0.11 58	0.12 59	0.13 110	0.10 77	0.13 127	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 120	0.12 3	0.11 15	0.08 4	0.09 23	0.06 3	0.09 64	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

LoS	0.09 7	0.05 5	0.11 62	0.13 6	0.07 14	0.14 150	0.11 10	0.15 21	0.15 66	0.09 14	0.09 23	0.12 88	0.09 64	0.15 158	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	0.05 42

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 77	0.12 23	0.11 1	0.16 82	0.06 1	0.05 1	0.07 17	0.05 2	0.10 15	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 120	0.12 102	0.15 120	0.19 109	0.11 15	0.11 58	0.08 17	0.08 23	0.05 2	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 279	0.10 56	0.13 45	0.18 86	0.19 121	0.09 14	0.09 23	0.09 37	0.07 28	0.10 15	0.08 9	0.07 140	0.05 79	0.07 98	0.07 157	0.04 1	0.04 4

XX-Stereo	0.09 7	0.05 5	0.09 24	0.17 107	0.09 120	0.15 170	0.12 23	0.21 131	0.10 6	0.10 33	0.14 77	0.07 17	0.06 6	0.13 127	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

CREStereo	0.09 7	0.05 5	0.08 6	0.11 1	0.06 2	0.14 150	0.14 75	0.14 15	0.10 6	0.09 14	0.13 70	0.09 37	0.08 48	0.12 90	0.10 43	0.08 188	0.04 2	0.05 2	0.03 1	0.06 92	0.06 95
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 70	0.10 55	0.07 28	0.14 144	0.10 43	0.15 343	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

MIF-Stereo (partial)	0.11 69	0.06 17	0.10 38	0.19 219	0.10 213	0.10 56	0.12 23	0.17 62	0.19 121	0.14 121	0.16 100	0.10 55	0.11 101	0.12 90	0.12 119	0.08 188	0.05 79	0.08 158	0.07 157	0.06 92	0.07 146

RAFT-Test	0.09 7	0.06 17	0.10 38	0.16 60	0.07 14	0.11 77	0.15 120	0.16 35	0.13 40	0.09 14	0.10 35	0.11 69	0.09 64	0.12 90	0.09 16	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

HH	0.09 7	0.06 17	0.13 108	0.17 107	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 35	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

HanStereo	0.09 7	0.06 17	0.13 108	0.17 107	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 35	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 107	0.06 2	0.08 22	0.12 23	0.13 9	0.08 1	0.08 4	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

knoymous	0.11 69	0.06 17	0.12 85	0.14 11	0.07 14	0.15 170	0.13 45	0.20 120	0.14 54	0.11 58	0.17 116	0.13 110	0.09 64	0.14 144	0.11 69	0.09 230	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

riskmin	0.11 69	0.06 17	0.13 108	0.14 11	0.08 45	0.14 150	0.14 75	0.18 86	0.15 66	0.12 76	0.15 88	0.17 177	0.11 101	0.14 144	0.12 119	0.09 230	0.05 79	0.07 98	0.05 31	0.08 193	0.08 209

RCA-Stereo	0.09 7	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 86	0.14 54	0.10 33	0.11 49	0.08 23	0.07 28	0.12 90	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

fff	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 188	0.16 35	0.21 151	0.13 100	0.17 116	0.10 55	0.11 101	0.12 90	0.13 145	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

ADStereo(finetuned)	0.10 45	0.06 17	0.13 108	0.16 60	0.06 2	0.09 36	0.17 188	0.16 35	0.20 138	0.13 100	0.18 136	0.10 55	0.12 129	0.12 90	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

test-3	0.09 7	0.06 17	0.10 38	0.18 174	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_1	0.09 7	0.06 17	0.10 38	0.18 174	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

PFNet+	0.12 130	0.06 17	0.14 143	0.16 60	0.09 120	0.05 1	0.12 23	0.18 86	0.21 151	0.16 169	0.19 147	0.14 126	0.10 77	0.11 41	0.11 69	0.08 188	0.05 79	0.09 224	0.08 209	0.06 92	0.11 284

HHNet	0.11 69	0.06 17	0.16 204	0.15 35	0.14 314	0.07 15	0.13 45	0.20 120	0.18 107	0.15 142	0.25 217	0.11 69	0.09 64	0.13 127	0.10 43	0.06 50	0.04 2	0.08 158	0.06 81	0.05 36	0.09 241

IIG-Stereo	0.11 69	0.06 17	0.13 108	0.17 107	0.08 45	0.11 77	0.12 23	0.22 150	0.18 107	0.14 121	0.17 116	0.12 88	0.13 158	0.12 90	0.13 145	0.06 50	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

ASMatch	0.11 69	0.06 17	0.13 108	0.17 107	0.10 213	0.08 22	0.14 75	0.18 86	0.16 82	0.12 76	0.16 100	0.16 161	0.11 101	0.13 127	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.09 241

DEmStereo	0.12 130	0.06 17	0.14 143	0.14 11	0.10 213	0.16 191	0.15 120	0.16 35	0.24 188	0.17 179	0.23 182	0.12 88	0.14 187	0.12 90	0.14 169	0.05 2	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

DRaft	0.12 130	0.06 17	0.12 85	0.14 11	0.09 120	0.14 150	0.17 188	0.21 131	0.30 250	0.18 207	0.27 244	0.10 55	0.16 216	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.07 157	0.05 36	0.05 42

PFNet	0.12 130	0.06 17	0.17 223	0.18 174	0.08 45	0.09 36	0.15 120	0.26 206	0.20 138	0.16 169	0.16 100	0.14 126	0.12 129	0.13 127	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

GrayStereo	0.11 69	0.06 17	0.11 62	0.19 219	0.09 120	0.09 36	0.16 169	0.18 86	0.17 97	0.14 121	0.17 116	0.17 177	0.11 101	0.12 90	0.11 69	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 263

RAFT-RH_RVC	0.12 130	0.06 17	0.14 143	0.16 60	0.09 120	0.12 102	0.12 23	0.17 62	0.12 25	0.13 100	0.40 327	0.11 69	0.10 77	0.13 127	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

AnonymousM	0.10 45	0.06 17	0.10 38	0.14 11	0.07 14	0.09 36	0.13 45	0.19 109	0.14 54	0.13 100	0.12 59	0.09 37	0.08 48	0.13 127	0.10 43	0.08 188	0.05 79	0.08 158	0.05 31	0.05 36	0.05 42

rafts_anoy	0.11 69	0.06 17	0.10 38	0.17 107	0.08 45	0.10 56	0.14 75	0.18 86	0.14 54	0.13 100	0.13 70	0.12 88	0.11 101	0.11 41	0.13 145	0.07 140	0.05 79	0.09 224	0.11 301	0.07 147	0.06 95

s12784h	0.10 45	0.06 17	0.08 6	0.15 35	0.05 1	0.16 191	0.18 226	0.16 35	0.15 66	0.10 33	0.11 49	0.11 69	0.11 101	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

XX-TBD	0.09 7	0.06 17	0.07 1	0.14 11	0.07 14	0.13 121	0.16 169	0.14 15	0.14 54	0.11 58	0.12 59	0.09 37	0.08 48	0.10 15	0.10 43	0.06 50	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

raftrobust	0.09 7	0.06 17	0.11 62	0.17 107	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 88	0.08 48	0.12 90	0.10 43	0.08 188	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

DCANet	0.10 45	0.06 17	0.12 85	0.16 60	0.06 2	0.09 36	0.17 188	0.16 35	0.20 138	0.13 100	0.18 136	0.10 55	0.11 101	0.11 41	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

csc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 188	0.16 35	0.21 151	0.13 100	0.17 116	0.10 55	0.11 101	0.12 90	0.13 145	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

cscssc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 188	0.16 35	0.21 151	0.13 100	0.17 116	0.10 55	0.11 101	0.12 90	0.13 145	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

111	0.11 69	0.06 17	0.12 85	0.15 35	0.07 14	0.10 56	0.14 75	0.21 131	0.24 188	0.11 58	0.12 59	0.14 126	0.12 129	0.13 127	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.06 92	0.05 42

RAFT-Stereo + iAFF	0.09 7	0.06 17	0.10 38	0.17 107	0.07 14	0.10 56	0.15 120	0.17 62	0.15 66	0.10 33	0.10 35	0.08 23	0.09 64	0.12 90	0.10 43	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.03 1

R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 107	0.08 45	0.11 77	0.14 75	0.24 181	0.11 15	0.12 76	0.19 147	0.11 69	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42

RAFT-Stereo	0.10 45	0.06 17	0.11 62	0.17 107	0.08 45	0.11 77	0.14 75	0.24 181	0.11 15	0.12 76	0.19 147	0.11 69	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.11 69	0.06 17	0.12 85	0.14 11	0.06 2	0.12 102	0.10 5	0.18 86	0.18 107	0.13 100	0.17 116	0.15 147	0.11 101	0.15 158	0.14 169	0.06 50	0.04 2	0.04 1	0.04 7	0.06 92	0.05 42
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
MyStereo8	0.12 130	0.07 51	0.15 169	0.15 35	0.09 120	0.18 227	0.14 75	0.19 109	0.22 169	0.12 76	0.18 136	0.11 69	0.10 77	0.16 183	0.18 239	0.07 140	0.05 79	0.07 98	0.05 31	0.08 193	0.09 241

SMFormer	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.17 227	0.08 188	0.05 79	0.07 98	0.06 81	0.08 193	0.07 146

tta	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.17 227	0.08 188	0.05 79	0.07 98	0.06 81	0.06 92	0.06 95

qqq1	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.12 119	0.08 188	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

fff1	0.14 179	0.07 51	0.18 249	0.14 11	0.08 45	0.17 211	0.17 188	0.27 218	0.27 226	0.19 217	0.20 156	0.19 193	0.15 205	0.15 158	0.12 119	0.08 188	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

MyStereo07	0.10 45	0.07 51	0.10 38	0.17 107	0.09 120	0.14 150	0.17 188	0.15 21	0.15 66	0.09 14	0.06 2	0.06 3	0.07 28	0.12 90	0.09 16	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

MyStereo06	0.10 45	0.07 51	0.12 85	0.17 107	0.09 120	0.13 121	0.18 226	0.19 109	0.12 25	0.13 100	0.08 17	0.07 17	0.07 28	0.11 41	0.09 16	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

MyStereo05	0.13 154	0.07 51	0.10 38	0.17 107	0.09 120	0.13 121	0.18 226	0.28 239	0.35 288	0.17 179	0.14 77	0.15 147	0.11 101	0.15 158	0.13 145	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

MyStereo04	0.13 154	0.07 51	0.10 38	0.17 107	0.09 120	0.14 150	0.17 188	0.29 253	0.38 304	0.17 179	0.14 77	0.16 161	0.11 101	0.15 158	0.13 145	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.06 95

CoDeX	0.12 130	0.07 51	0.13 108	0.17 107	0.08 45	0.12 102	0.16 169	0.23 164	0.27 226	0.13 100	0.17 116	0.15 147	0.12 129	0.14 144	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

11t1	0.12 130	0.07 51	0.14 143	0.14 11	0.08 45	0.17 211	0.15 120	0.19 109	0.15 66	0.15 142	0.15 88	0.17 177	0.16 216	0.15 158	0.13 145	0.08 188	0.05 79	0.06 30	0.05 31	0.08 193	0.07 146

ff7	0.09 7	0.07 51	0.11 62	0.16 60	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEVStereo-DCA	0.09 7	0.07 51	0.11 62	0.16 60	0.10 213	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

ffff	0.09 7	0.07 51	0.11 62	0.16 60	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

rrr	0.09 7	0.07 51	0.13 108	0.16 60	0.10 213	0.11 77	0.15 120	0.16 35	0.15 66	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

11t	0.09 7	0.07 51	0.11 62	0.16 60	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 174	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 59	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 185	0.05 2	0.05 31	0.06 92	0.05 42

EKT-Stereo	0.11 69	0.07 51	0.14 143	0.16 60	0.10 213	0.13 121	0.14 75	0.19 109	0.21 151	0.11 58	0.08 17	0.13 110	0.10 77	0.11 41	0.12 119	0.08 188	0.06 185	0.07 98	0.06 81	0.08 193	0.07 146

MIM_Stereo	0.10 45	0.07 51	0.11 62	0.15 35	0.07 14	0.07 15	0.12 23	0.20 120	0.14 54	0.13 100	0.14 77	0.09 37	0.05 2	0.12 90	0.08 9	0.05 2	0.06 185	0.07 98	0.06 81	0.06 92	0.05 42

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 174	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 49	0.10 55	0.07 28	0.12 90	0.09 16	0.05 2	0.03 1	0.08 158	0.07 157	0.06 92	0.05 42

anonymousdsp2	0.11 69	0.07 51	0.11 62	0.16 60	0.09 120	0.13 121	0.14 75	0.19 109	0.23 178	0.13 100	0.14 77	0.12 88	0.09 64	0.14 144	0.11 69	0.05 2	0.05 79	0.05 2	0.04 7	0.06 92	0.06 95

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 107	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

CBFPSM	0.15 211	0.07 51	0.27 310	0.17 107	0.09 120	0.13 121	0.15 120	0.22 150	0.23 178	0.20 237	0.27 244	0.23 241	0.16 216	0.16 183	0.19 249	0.06 50	0.06 185	0.06 30	0.07 157	0.07 147	0.07 146

iinet-f	0.17 252	0.07 51	0.46 356	0.14 11	0.10 213	0.21 269	0.14 75	0.27 218	0.23 178	0.22 255	0.25 217	0.21 214	0.16 216	0.18 221	0.22 281	0.09 230	0.07 239	0.07 98	0.06 81	0.09 245	0.10 263

gwcnet-sp	0.14 179	0.07 51	0.13 108	0.18 174	0.09 120	0.16 191	0.18 226	0.24 181	0.24 188	0.19 217	0.24 191	0.15 147	0.16 216	0.16 183	0.15 199	0.08 188	0.07 239	0.07 98	0.08 209	0.08 193	0.07 146

scenet	0.14 179	0.07 51	0.13 108	0.18 174	0.09 120	0.16 191	0.18 226	0.24 181	0.24 188	0.19 217	0.24 191	0.15 147	0.16 216	0.16 183	0.15 199	0.08 188	0.07 239	0.07 98	0.08 209	0.08 193	0.07 146

DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 251	0.11 77	0.17 188	0.18 86	0.17 97	0.11 58	0.18 136	0.11 69	0.10 77	0.15 158	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

anonymousa	0.13 154	0.07 51	0.14 143	0.18 174	0.09 120	0.13 121	0.17 188	0.20 120	0.29 245	0.15 142	0.24 191	0.16 161	0.14 187	0.14 144	0.14 169	0.07 140	0.05 79	0.07 98	0.09 247	0.05 36	0.07 146

ProNet	0.09 7	0.07 51	0.11 62	0.17 107	0.08 45	0.11 77	0.15 120	0.15 21	0.12 25	0.10 33	0.06 2	0.07 17	0.06 6	0.11 41	0.09 16	0.05 2	0.05 79	0.06 30	0.05 31	0.04 1	0.06 95

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 107	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 59	0.09 37	0.06 6	0.11 41	0.10 43	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

ssnet	0.14 179	0.07 51	0.13 108	0.18 174	0.09 120	0.16 191	0.18 226	0.24 181	0.24 188	0.19 217	0.24 191	0.15 147	0.16 216	0.16 183	0.15 199	0.08 188	0.07 239	0.07 98	0.08 209	0.08 193	0.07 146

DCANet-4	0.11 69	0.07 51	0.13 108	0.16 60	0.06 2	0.09 36	0.17 188	0.18 86	0.20 138	0.13 100	0.17 116	0.09 37	0.14 187	0.12 90	0.13 145	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

ccc-4	0.09 7	0.07 51	0.11 62	0.16 60	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

tt	4.65 414	0.07 51	3.54 413	2.01 417	1.55 415	10.25 420	16.66 419	8.90 424	5.03 417	1.33 410	0.96 395	4.71 417	4.74 416	3.33 417	5.86 418	6.06 424	10.30 428	1.87 418	2.09 419	2.61 417	1.19 416

DisPM	0.11 69	0.07 51	0.13 108	0.16 60	0.09 120	0.06 2	0.13 45	0.18 86	0.17 97	0.14 121	0.19 147	0.12 88	0.10 77	0.12 90	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.11 284

IGEV-Stereo	0.09 7	0.07 51	0.11 62	0.17 107	0.09 120	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 69	0.07 51	0.11 62	0.18 174	0.07 14	0.08 22	0.13 45	0.16 35	0.24 188	0.12 76	0.13 70	0.12 88	0.08 48	0.18 221	0.12 119	0.06 50	0.08 265	0.08 158	0.06 81	0.05 36	0.05 42

GANet-ADL	0.13 154	0.07 51	0.15 169	0.17 107	0.10 213	0.19 242	0.15 120	0.30 263	0.21 151	0.13 100	0.18 136	0.19 193	0.13 158	0.16 183	0.14 169	0.08 188	0.06 185	0.06 30	0.05 31	0.07 147	0.08 209

CrosDoStereo	0.12 130	0.07 51	0.12 85	0.14 11	0.09 120	0.12 102	0.15 120	0.17 62	0.22 169	0.19 217	0.24 191	0.15 147	0.11 101	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 157	0.05 36	0.05 42

LCNet	0.11 69	0.07 51	0.09 24	0.19 219	0.09 120	0.08 22	0.14 75	0.21 131	0.15 66	0.12 76	0.15 88	0.16 161	0.11 101	0.12 90	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.06 92	0.14 325

STrans-v2	0.10 45	0.07 51	0.13 108	0.18 174	0.08 45	0.10 56	0.14 75	0.22 150	0.11 15	0.11 58	0.15 88	0.12 88	0.10 77	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

OMP-Stereo	0.11 69	0.07 51	0.14 143	0.18 174	0.08 45	0.09 36	0.12 23	0.21 131	0.21 151	0.13 100	0.14 77	0.11 69	0.12 129	0.11 41	0.13 145	0.06 50	0.05 79	0.07 98	0.06 81	0.05 36	0.04 4

NF-Stereo	0.11 69	0.07 51	0.13 108	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.12 302

OCTAStereo	0.11 69	0.07 51	0.14 143	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 284

PSM-softLoss	0.12 130	0.07 51	0.15 169	0.17 107	0.09 120	0.08 22	0.12 23	0.24 181	0.17 97	0.15 142	0.19 147	0.13 110	0.11 101	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.12 302

KMStereo	0.12 130	0.07 51	0.15 169	0.17 107	0.09 120	0.08 22	0.12 23	0.24 181	0.17 97	0.15 142	0.19 147	0.13 110	0.11 101	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.12 302

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 261	0.09 120	0.10 56	0.14 75	0.21 131	0.13 40	0.12 76	0.14 77	0.18 189	0.11 101	0.11 41	0.10 43	0.05 2	0.05 79	0.09 224	0.08 209	0.06 92	0.14 325

FTStereo	0.12 130	0.07 51	0.14 143	0.18 174	0.09 120	0.07 15	0.15 120	0.22 150	0.18 107	0.12 76	0.24 191	0.11 69	0.13 158	0.13 127	0.14 169	0.05 2	0.05 79	0.07 98	0.07 157	0.06 92	0.10 263

KYRaft	0.12 130	0.07 51	0.10 38	0.19 219	0.09 120	0.08 22	0.15 120	0.23 164	0.12 25	0.13 100	0.16 100	0.20 208	0.10 77	0.12 90	0.11 69	0.06 50	0.04 2	0.08 158	0.08 209	0.06 92	0.15 340

DeepStereo_LL	0.12 130	0.07 51	0.12 85	0.14 11	0.09 120	0.12 102	0.15 120	0.17 62	0.22 169	0.19 217	0.24 191	0.15 147	0.11 101	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 157	0.05 36	0.05 42

SST-Stereo	0.11 69	0.07 51	0.16 204	0.18 174	0.09 120	0.06 2	0.12 23	0.18 86	0.10 6	0.15 142	0.18 136	0.13 110	0.12 129	0.10 15	0.11 69	0.06 50	0.04 2	0.09 224	0.06 81	0.07 147	0.06 95

THIR-Stereo	0.12 130	0.07 51	0.11 62	0.15 35	0.08 45	0.14 150	0.16 169	0.18 86	0.25 204	0.17 179	0.24 191	0.13 110	0.13 158	0.12 90	0.14 169	0.06 50	0.05 79	0.07 98	0.07 157	0.05 36	0.05 42

RAFT_R40	0.11 69	0.07 51	0.15 169	0.18 174	0.09 120	0.06 2	0.13 45	0.17 62	0.15 66	0.14 121	0.18 136	0.15 147	0.12 129	0.10 15	0.11 69	0.06 50	0.04 2	0.09 224	0.06 81	0.06 92	0.05 42

RE-Stereo	0.11 69	0.07 51	0.13 108	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 284

Pruner-Stereo	0.11 69	0.07 51	0.12 85	0.17 107	0.09 120	0.06 2	0.12 23	0.18 86	0.17 97	0.14 121	0.19 147	0.13 110	0.10 77	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.08 209

TVStereo	0.11 69	0.07 51	0.13 108	0.17 107	0.09 120	0.10 56	0.13 45	0.23 164	0.19 121	0.12 76	0.17 116	0.12 88	0.12 129	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 284

RAFT-345	0.11 69	0.07 51	0.16 204	0.17 107	0.08 45	0.08 22	0.12 23	0.16 35	0.10 6	0.11 58	0.34 298	0.09 37	0.10 77	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.06 81	0.04 1	0.05 42

test-1	0.10 45	0.07 51	0.17 223	0.19 219	0.08 45	0.11 77	0.24 317	0.15 21	0.18 107	0.09 14	0.07 13	0.10 55	0.08 48	0.08 5	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.04 1	0.05 42

GMM-Stereo	0.11 69	0.07 51	0.10 38	0.18 174	0.09 120	0.08 22	0.14 75	0.24 181	0.16 82	0.11 58	0.15 88	0.13 110	0.11 101	0.11 41	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.06 92	0.09 241

Prome-Stereo	0.11 69	0.07 51	0.11 62	0.18 174	0.09 120	0.12 102	0.14 75	0.23 164	0.13 40	0.13 100	0.16 100	0.13 110	0.08 48	0.12 90	0.10 43	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 263

iRaftStereo_RVC	0.10 45	0.07 51	0.10 38	0.17 107	0.09 120	0.11 77	0.17 188	0.18 86	0.12 25	0.09 14	0.11 49	0.10 55	0.07 28	0.11 41	0.10 43	0.05 2	0.04 2	0.08 158	0.08 209	0.04 1	0.04 4

raft+_RVC	0.11 69	0.07 51	0.09 24	0.16 60	0.07 14	0.10 56	0.11 10	0.24 181	0.20 138	0.12 76	0.15 88	0.12 88	0.08 48	0.12 90	0.13 145	0.07 140	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

RALCasStereoNet	0.11 69	0.07 51	0.09 24	0.16 60	0.08 45	0.13 121	0.14 75	0.17 62	0.11 15	0.12 76	0.17 116	0.14 126	0.10 77	0.12 90	0.11 69	0.07 140	0.06 185	0.06 30	0.05 31	0.08 193	0.07 146

222	0.16 234	0.07 51	0.15 169	0.14 11	0.08 45	0.25 307	0.18 226	0.30 263	0.21 151	0.18 207	0.29 263	0.17 177	0.16 216	0.16 183	0.44 379	0.10 261	0.05 79	0.07 98	0.06 81	0.08 193	0.08 209

test_xeample3	0.09 7	0.07 51	0.12 85	0.16 60	0.09 120	0.11 77	0.15 120	0.16 35	0.14 54	0.10 33	0.07 13	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

xxxx	0.15 211	0.07 51	0.14 143	0.14 11	0.08 45	0.24 299	0.18 226	0.32 280	0.20 138	0.14 121	0.28 253	0.22 230	0.14 187	0.15 158	0.29 340	0.09 230	0.05 79	0.07 98	0.07 157	0.08 193	0.08 209

test_xeample	0.15 211	0.07 51	0.14 143	0.15 35	0.08 45	0.22 282	0.20 275	0.29 253	0.21 151	0.16 169	0.29 263	0.19 193	0.17 237	0.16 183	0.28 333	0.09 230	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

AFF-stereo	0.09 7	0.07 51	0.10 38	0.17 107	0.07 14	0.10 56	0.15 120	0.18 86	0.10 6	0.10 33	0.11 49	0.09 37	0.10 77	0.12 90	0.10 43	0.05 2	0.04 2	0.07 98	0.07 157	0.04 1	0.04 4

EAI-Stereo	0.09 7	0.07 51	0.11 62	0.16 60	0.07 14	0.10 56	0.15 120	0.16 35	0.09 2	0.08 4	0.09 23	0.08 23	0.07 28	0.09 10	0.11 69	0.05 2	0.05 79	0.05 2	0.05 31	0.05 36	0.04 4

CFNet-RSSM	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.09 36	0.15 120	0.17 62	0.18 107	0.08 4	0.12 59	0.11 69	0.09 64	0.12 90	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

SFCPSM	0.13 154	0.07 51	0.15 169	0.17 107	0.09 120	0.15 170	0.16 169	0.28 239	0.27 226	0.14 121	0.18 136	0.12 88	0.13 158	0.14 144	0.11 69	0.08 188	0.05 79	0.07 98	0.07 157	0.07 147	0.06 95

Gwc-CoAtRS	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.10 56	0.15 120	0.18 86	0.17 97	0.08 4	0.10 35	0.12 88	0.09 64	0.12 90	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

cf-r	0.14 179	0.07 51	0.13 108	0.16 60	0.08 45	0.14 150	0.19 261	0.21 131	0.25 204	0.17 179	0.26 229	0.22 230	0.17 237	0.14 144	0.15 199	0.10 261	0.05 79	0.06 30	0.08 209	0.06 92	0.06 95

GANet-RSSM	0.14 179	0.07 51	0.13 108	0.13 6	0.08 45	0.14 150	0.18 226	0.23 164	0.21 151	0.17 179	0.25 217	0.24 250	0.16 216	0.16 183	0.16 216	0.10 261	0.06 185	0.07 98	0.08 209	0.08 193	0.07 146

PSMNet-RSSM	0.14 179	0.07 51	0.14 143	0.15 35	0.08 45	0.13 121	0.16 169	0.25 198	0.24 188	0.17 179	0.28 253	0.23 241	0.14 187	0.16 183	0.14 169	0.11 286	0.06 185	0.09 224	0.12 319	0.08 193	0.07 146

GwcNet-RSSM	0.14 179	0.07 51	0.12 85	0.16 60	0.08 45	0.15 170	0.20 275	0.22 150	0.28 239	0.18 207	0.28 253	0.23 241	0.17 237	0.15 158	0.16 216	0.10 261	0.06 185	0.07 98	0.09 247	0.07 147	0.07 146

CFNet-ft	0.14 179	0.07 51	0.15 169	0.12 3	0.09 120	0.17 211	0.18 226	0.22 150	0.24 188	0.17 179	0.26 229	0.24 250	0.14 187	0.16 183	0.15 199	0.11 286	0.06 185	0.08 158	0.09 247	0.09 245	0.08 209

RASNet	0.15 211	0.07 51	0.15 169	0.16 60	0.08 45	0.19 242	0.14 75	0.30 263	0.21 151	0.17 179	0.25 217	0.21 214	0.19 261	0.20 253	0.20 257	0.07 140	0.06 185	0.06 30	0.08 209	0.06 92	0.06 95

CFNet_RVC	0.14 179	0.07 51	0.15 169	0.12 3	0.09 120	0.17 211	0.18 226	0.22 150	0.24 188	0.17 179	0.26 229	0.24 250	0.14 187	0.16 183	0.15 199	0.11 286	0.06 185	0.08 158	0.09 247	0.09 245	0.08 209

iResNet_ROB	0.14 179	0.07 51	0.13 108	0.15 35	0.07 14	0.19 242	0.14 75	0.26 206	0.32 262	0.23 268	0.26 229	0.23 241	0.16 216	0.15 158	0.14 169	0.07 140	0.05 79	0.05 2	0.04 7	0.08 193	0.08 209

LE_ROB	0.50 381	0.07 51	0.14 143	0.15 35	0.08 45	0.26 317	0.17 188	0.23 164	1.71 412	4.68 417	0.67 376	0.46 365	0.47 374	0.21 268	0.30 346	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

pmcnn	0.15 211	0.07 51	0.20 273	0.15 35	0.07 14	0.21 269	0.16 169	0.25 198	0.26 216	0.21 246	0.33 288	0.29 288	0.19 261	0.18 221	0.17 227	0.07 140	0.05 79	0.05 2	0.04 7	0.07 147	0.06 95

AE-Stereo	0.10 45	0.08 133	0.11 62	0.19 219	0.09 120	0.10 56	0.15 120	0.14 15	0.20 138	0.09 14	0.15 88	0.12 88	0.08 48	0.11 41	0.10 43	0.05 2	0.06 185	0.07 98	0.06 81	0.05 36	0.04 4

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.24 181	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

xx1	0.11 69	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.16 161	0.16 216	0.10 15	0.07 1	0.06 50	0.05 79	0.08 158	0.08 209	0.07 147	0.07 146

1test111	0.11 69	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.24 181	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.15 158	0.16 216	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 146

cc1	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

mmm	0.14 179	0.08 133	0.18 249	0.17 107	0.09 120	0.17 211	0.18 226	0.21 131	0.16 82	0.16 169	0.23 182	0.21 214	0.16 216	0.16 183	0.17 227	0.08 188	0.05 79	0.08 158	0.08 209	0.08 193	0.07 146

tt1	0.10 45	0.08 133	0.13 108	0.17 107	0.09 120	0.13 121	0.15 120	0.15 21	0.19 121	0.09 14	0.08 17	0.06 3	0.06 6	0.10 15	0.08 9	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

ttt	0.14 179	0.08 133	0.14 143	0.15 35	0.08 45	0.15 170	0.18 226	0.27 218	0.30 250	0.16 169	0.24 191	0.17 177	0.14 187	0.13 127	0.14 169	0.11 286	0.08 265	0.09 224	0.08 209	0.09 245	0.09 241

PCWNet_CMD	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 294	0.14 121	0.20 156	0.21 214	0.13 158	0.17 212	0.14 169	0.07 140	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

TestStereo1	0.13 154	0.08 133	0.08 6	0.20 261	0.08 45	0.18 227	0.29 359	0.23 164	0.17 97	0.17 179	0.20 156	0.16 161	0.11 101	0.12 90	0.13 145	0.06 50	0.06 185	0.08 158	0.06 81	0.05 36	0.05 42

x	0.13 154	0.08 133	0.15 169	0.14 11	0.08 45	0.19 242	0.14 75	0.22 150	0.21 151	0.15 142	0.20 156	0.20 208	0.18 247	0.18 221	0.18 239	0.07 140	0.05 79	0.06 30	0.06 81	0.07 147	0.07 146

IER	0.14 179	0.08 133	0.13 108	0.17 107	0.09 120	0.14 150	0.16 169	0.26 206	0.27 226	0.18 207	0.26 229	0.17 177	0.20 274	0.17 212	0.14 169	0.08 188	0.05 79	0.07 98	0.06 81	0.08 193	0.07 146

CRFU-Net	0.16 234	0.08 133	0.15 169	0.17 107	0.09 120	0.20 259	0.14 75	0.27 218	0.21 151	0.28 315	0.28 253	0.29 288	0.18 247	0.19 240	0.18 239	0.09 230	0.09 286	0.07 98	0.07 157	0.08 193	0.09 241

SA-5K	0.13 154	0.08 133	0.08 6	0.20 261	0.08 45	0.18 227	0.29 359	0.23 164	0.17 97	0.17 179	0.20 156	0.16 161	0.11 101	0.12 90	0.13 145	0.06 50	0.06 185	0.08 158	0.06 81	0.05 36	0.05 42

Sa-1000	0.12 130	0.08 133	0.09 24	0.18 174	0.08 45	0.15 170	0.22 298	0.22 150	0.19 121	0.15 142	0.20 156	0.17 177	0.11 101	0.10 15	0.10 43	0.06 50	0.05 79	0.09 224	0.09 247	0.05 36	0.05 42

CIPLG	0.11 69	0.08 133	0.15 169	0.17 107	0.08 45	0.13 121	0.15 120	0.17 62	0.16 82	0.14 121	0.11 49	0.16 161	0.10 77	0.17 212	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

DAS	0.15 211	0.08 133	0.18 249	0.19 219	0.10 213	0.19 242	0.17 188	0.28 239	0.30 250	0.18 207	0.26 229	0.21 214	0.16 216	0.16 183	0.13 145	0.08 188	0.06 185	0.06 30	0.06 81	0.07 147	0.07 146

SepStereo	0.15 211	0.08 133	0.18 249	0.19 219	0.10 213	0.19 242	0.17 188	0.28 239	0.30 250	0.18 207	0.26 229	0.21 214	0.16 216	0.26 311	0.13 145	0.08 188	0.06 185	0.06 30	0.06 81	0.07 147	0.07 146

IPLG	0.11 69	0.08 133	0.15 169	0.17 107	0.08 45	0.11 77	0.14 75	0.20 120	0.15 66	0.13 100	0.18 136	0.07 17	0.07 28	0.14 144	0.14 169	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

IPLGR_C	0.11 69	0.08 133	0.15 169	0.17 107	0.08 45	0.12 102	0.15 120	0.17 62	0.15 66	0.14 121	0.11 49	0.16 161	0.10 77	0.16 183	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

MIPNet	0.11 69	0.08 133	0.15 169	0.17 107	0.09 120	0.12 102	0.14 75	0.21 131	0.25 204	0.12 76	0.10 35	0.09 37	0.07 28	0.13 127	0.13 145	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

AASNet	0.16 234	0.08 133	0.13 108	0.19 219	0.09 120	0.19 242	0.15 120	0.38 339	0.37 298	0.20 237	0.24 191	0.20 208	0.17 237	0.17 212	0.21 268	0.10 261	0.08 265	0.08 158	0.07 157	0.09 245	0.09 241

ACRE	0.11 69	0.08 133	0.15 169	0.17 107	0.08 45	0.13 121	0.15 120	0.17 62	0.14 54	0.14 121	0.11 49	0.16 161	0.10 77	0.16 183	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

AACVNet	0.16 234	0.08 133	0.15 169	0.15 35	0.10 213	0.18 227	0.15 120	0.24 181	0.25 204	0.27 303	0.27 244	0.28 281	0.18 247	0.19 240	0.17 227	0.09 230	0.07 239	0.09 224	0.07 157	0.10 270	0.09 241

GwcNet-ADL	0.13 154	0.08 133	0.14 143	0.20 261	0.09 120	0.12 102	0.20 275	0.30 263	0.25 204	0.14 121	0.14 77	0.18 189	0.14 187	0.13 127	0.15 199	0.07 140	0.05 79	0.06 30	0.05 31	0.07 147	0.06 95

AAGNet	0.12 130	0.08 133	0.17 223	0.19 219	0.09 120	0.08 22	0.13 45	0.19 109	0.13 40	0.16 169	0.21 172	0.13 110	0.14 187	0.11 41	0.14 169	0.06 50	0.04 2	0.09 224	0.06 81	0.06 92	0.05 42

TransformOpticalFlow	0.10 45	0.08 133	0.13 108	0.18 174	0.07 14	0.09 36	0.15 120	0.19 109	0.16 82	0.12 76	0.16 100	0.11 69	0.11 101	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

NRIStereo	0.11 69	0.08 133	0.15 169	0.18 174	0.08 45	0.10 56	0.13 45	0.17 62	0.15 66	0.12 76	0.15 88	0.13 110	0.13 158	0.13 127	0.10 43	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.07 146

DeepStereo_RVC	0.11 69	0.08 133	0.17 223	0.18 174	0.08 45	0.08 22	0.11 10	0.17 62	0.12 25	0.13 100	0.15 88	0.12 88	0.12 129	0.12 90	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.08 209

IRAFT_RVC	0.12 130	0.08 133	0.17 223	0.19 219	0.08 45	0.07 15	0.14 75	0.25 198	0.23 178	0.14 121	0.15 88	0.15 147	0.12 129	0.12 90	0.11 69	0.06 50	0.04 2	0.09 224	0.06 81	0.06 92	0.06 95

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 303	0.09 120	0.09 36	0.18 226	0.16 35	0.12 25	0.07 2	0.07 13	0.08 23	0.06 6	0.08 5	0.07 1	0.07 140	0.05 79	0.06 30	0.04 7	0.05 36	0.04 4
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
LMCR-Stereo	0.15 211	0.08 133	0.14 143	0.21 287	0.09 120	0.18 227	0.19 261	0.28 239	0.19 121	0.24 279	0.24 191	0.23 241	0.17 237	0.20 253	0.17 227	0.07 140	0.06 185	0.08 158	0.06 81	0.10 270	0.09 241

CFNet_pseudo	0.14 179	0.08 133	0.16 204	0.16 60	0.09 120	0.13 121	0.14 75	0.27 218	0.34 277	0.15 142	0.21 172	0.22 230	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.07 146

RALAANet	0.11 69	0.08 133	0.10 38	0.17 107	0.09 120	0.14 150	0.10 5	0.20 120	0.16 82	0.14 121	0.13 70	0.16 161	0.09 64	0.12 90	0.12 119	0.06 50	0.05 79	0.08 158	0.07 157	0.06 92	0.04 4

ADLNet	0.16 234	0.08 133	0.15 169	0.16 60	0.10 213	0.16 191	0.17 188	0.33 290	0.27 226	0.23 268	0.27 244	0.24 250	0.16 216	0.18 221	0.21 268	0.10 261	0.06 185	0.10 265	0.10 278	0.08 193	0.09 241

GES	0.14 179	0.08 133	0.16 204	0.15 35	0.10 213	0.13 121	0.13 45	0.28 239	0.26 216	0.17 179	0.24 191	0.19 193	0.14 187	0.16 183	0.14 169	0.08 188	0.08 265	0.07 98	0.06 81	0.08 193	0.09 241

ARAFT	0.12 130	0.08 133	0.18 249	0.19 219	0.09 120	0.15 170	0.17 188	0.20 120	0.13 40	0.12 76	0.13 70	0.14 126	0.12 129	0.15 158	0.13 145	0.06 50	0.05 79	0.10 265	0.09 247	0.06 92	0.04 4

RAFT + AFF	0.13 154	0.08 133	0.21 279	0.20 261	0.10 213	0.14 150	0.23 309	0.27 218	0.21 151	0.12 76	0.10 35	0.12 88	0.10 77	0.16 183	0.12 119	0.08 188	0.07 239	0.09 224	0.09 247	0.06 92	0.09 241

UPFNet	0.16 234	0.08 133	0.12 85	0.20 261	0.12 279	0.20 259	0.23 309	0.28 239	0.26 216	0.18 207	0.24 191	0.22 230	0.20 274	0.19 240	0.22 281	0.09 230	0.07 239	0.08 158	0.09 247	0.08 193	0.06 95

FENet	0.13 154	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 164	0.23 178	0.17 179	0.24 191	0.16 161	0.13 158	0.14 144	0.15 199	0.08 188	0.05 79	0.08 158	0.08 209	0.08 193	0.08 209

DIP-Stereo	0.11 69	0.08 133	0.15 169	0.17 107	0.09 120	0.13 121	0.09 3	0.16 35	0.16 82	0.12 76	0.16 100	0.14 126	0.12 129	0.16 183	0.14 169	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 146
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	0.14 179	0.08 133	0.15 169	0.17 107	0.09 120	0.14 150	0.14 75	0.29 253	0.36 294	0.14 121	0.20 156	0.21 214	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.07 98	0.07 157	0.07 147	0.07 146

HSM-Net_RVC	0.14 179	0.08 133	0.12 85	0.15 35	0.08 45	0.16 191	0.15 120	0.27 218	0.29 245	0.20 237	0.21 172	0.29 288	0.14 187	0.18 221	0.13 145	0.06 50	0.06 185	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UCFNet_RVC	0.15 211	0.08 133	0.13 108	0.11 1	0.10 213	0.20 259	0.10 5	0.24 181	0.23 178	0.17 179	0.21 172	0.24 250	0.15 205	0.18 221	0.15 199	0.12 309	0.07 239	0.11 291	0.13 329	0.11 286	0.10 263

iResNetv2_ROB	0.15 211	0.08 133	0.16 204	0.16 60	0.08 45	0.16 191	0.13 45	0.26 206	0.36 294	0.21 246	0.29 263	0.24 250	0.13 158	0.14 144	0.14 169	0.06 50	0.06 185	0.06 30	0.04 7	0.09 245	0.08 209

MLCV	0.13 154	0.08 133	0.17 223	0.18 174	0.06 2	0.16 191	0.17 188	0.19 109	0.22 169	0.19 217	0.25 217	0.17 177	0.13 158	0.15 158	0.14 169	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

DualNet	0.13 154	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.15 21	0.19 121	0.15 142	0.26 229	0.19 193	0.13 158	0.10 15	0.22 281	0.06 50	0.05 79	0.09 224	0.08 209	0.06 92	0.06 95

ffm	0.12 130	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.15 21	0.19 121	0.15 142	0.26 229	0.19 193	0.13 158	0.10 15	0.08 9	0.06 50	0.05 79	0.09 224	0.08 209	0.06 92	0.06 95

ff1	0.13 154	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.15 21	0.19 121	0.15 142	0.26 229	0.19 193	0.13 158	0.15 158	0.22 281	0.06 50	0.05 79	0.09 224	0.08 209	0.06 92	0.06 95

mmx	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.27 218	0.26 216	0.15 142	0.26 229	0.19 193	0.13 158	0.15 158	0.22 281	0.08 188	0.06 185	0.09 224	0.08 209	0.08 193	0.08 209

1111x	0.16 234	0.09 179	0.13 108	0.18 174	0.08 45	0.18 227	0.25 333	0.32 280	0.25 204	0.17 179	0.24 191	0.27 273	0.15 205	0.14 144	0.24 302	0.07 140	0.07 239	0.08 158	0.09 247	0.07 147	0.07 146

whm_eth	0.14 179	0.09 179	0.21 279	0.21 287	0.12 279	0.12 102	0.16 169	0.18 86	0.29 245	0.17 179	0.32 281	0.09 37	0.13 158	0.18 221	0.14 169	0.07 140	0.07 239	0.08 158	0.07 157	0.07 147	0.07 146

xxx	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.17 211	0.17 188	0.27 218	0.26 216	0.15 142	0.26 229	0.19 193	0.13 158	0.15 158	0.22 281	0.08 188	0.06 185	0.09 224	0.08 209	0.08 193	0.08 209

test croco	0.11 69	0.09 179	0.10 38	0.19 219	0.09 120	0.11 77	0.14 75	0.14 15	0.13 40	0.13 100	0.15 88	0.09 37	0.12 129	0.13 127	0.12 119	0.07 140	0.05 79	0.09 224	0.06 81	0.06 92	0.06 95

StereoIM	0.09 7	0.09 179	0.08 6	0.17 107	0.09 120	0.14 150	0.11 10	0.16 35	0.16 82	0.09 14	0.11 49	0.06 3	0.06 6	0.09 10	0.13 145	0.07 140	0.06 185	0.08 158	0.05 31	0.05 36	0.04 4

CASnet	0.09 7	0.09 179	0.09 24	0.19 219	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 58	0.10 35	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 265	0.08 209	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
CFNet_ucs	0.15 211	0.09 179	0.17 223	0.16 60	0.11 251	0.14 150	0.14 75	0.30 263	0.34 277	0.16 169	0.24 191	0.23 241	0.14 187	0.18 221	0.15 199	0.09 230	0.06 185	0.08 158	0.07 157	0.09 245	0.09 241

SDNR	0.20 281	0.09 179	0.19 270	0.16 60	0.12 279	0.79 395	0.13 45	0.26 206	0.33 267	0.19 217	0.25 217	0.19 193	0.12 129	0.19 240	0.15 199	0.16 355	0.18 362	0.14 332	0.11 301	0.08 193	0.12 302

CroCo-Stereo Lap2	0.09 7	0.09 179	0.08 6	0.22 303	0.09 120	0.09 36	0.18 226	0.16 35	0.12 25	0.09 14	0.10 35	0.05 1	0.05 2	0.08 5	0.08 9	0.06 50	0.06 185	0.07 98	0.05 31	0.06 92	0.05 42

qqq	0.13 154	0.09 179	0.15 169	0.16 60	0.08 45	0.13 121	0.15 120	0.24 181	0.16 82	0.15 142	0.19 147	0.16 161	0.16 216	0.15 158	0.16 216	0.07 140	0.06 185	0.08 158	0.08 209	0.07 147	0.07 146

Wz-Net-LNSev-Ref	0.18 265	0.09 179	0.30 325	0.15 35	0.11 251	0.23 293	0.20 275	0.27 218	0.40 312	0.26 296	0.43 346	0.25 259	0.15 205	0.21 268	0.20 257	0.07 140	0.05 79	0.06 30	0.05 31	0.10 270	0.09 241

BUS	0.15 211	0.09 179	0.14 143	0.22 303	0.10 213	0.20 259	0.14 75	0.34 304	0.20 138	0.17 179	0.23 182	0.16 161	0.14 187	0.16 183	0.14 169	0.08 188	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

RAFT_CTSACE	0.12 130	0.09 179	0.10 38	0.22 303	0.08 45	0.12 102	0.24 317	0.18 86	0.17 97	0.21 246	0.27 244	0.13 110	0.07 28	0.13 127	0.09 16	0.05 2	0.06 185	0.08 158	0.07 157	0.04 1	0.04 4

BSDual-CNN	0.15 211	0.09 179	0.14 143	0.22 303	0.10 213	0.15 170	0.15 120	0.34 304	0.20 138	0.17 179	0.23 182	0.25 259	0.16 216	0.16 183	0.14 169	0.08 188	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

SA	0.13 154	0.09 179	0.09 24	0.18 174	0.08 45	0.12 102	0.24 317	0.23 164	0.19 121	0.17 179	0.27 244	0.15 147	0.11 101	0.11 41	0.11 69	0.05 2	0.05 79	0.09 224	0.08 209	0.05 36	0.05 42

iRaft-Stereo_5w	0.12 130	0.09 179	0.12 85	0.20 261	0.08 45	0.09 36	0.12 23	0.22 150	0.22 169	0.19 217	0.14 77	0.11 69	0.09 64	0.20 253	0.16 216	0.05 2	0.05 79	0.07 98	0.06 81	0.05 36	0.06 95

psmg	0.14 179	0.09 179	0.14 143	0.17 107	0.10 213	0.15 170	0.17 188	0.29 253	0.20 138	0.17 179	0.21 172	0.25 259	0.16 216	0.16 183	0.14 169	0.08 188	0.07 239	0.08 158	0.08 209	0.07 147	0.07 146

CSP-Net	0.16 234	0.09 179	0.14 143	0.17 107	0.09 120	0.19 242	0.18 226	0.25 198	0.33 267	0.26 296	0.31 272	0.25 259	0.16 216	0.21 268	0.19 249	0.09 230	0.06 185	0.07 98	0.07 157	0.08 193	0.08 209

IPLGR	0.11 69	0.09 179	0.17 223	0.18 174	0.08 45	0.13 121	0.16 169	0.21 131	0.24 188	0.12 76	0.12 59	0.11 69	0.09 64	0.13 127	0.12 119	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.04 4

GMOStereo	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

error version	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

test-v	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

test_3	0.11 69	0.09 179	0.10 38	0.21 287	0.08 45	0.13 121	0.25 333	0.14 15	0.21 151	0.10 33	0.10 35	0.09 37	0.10 77	0.08 5	0.11 69	0.05 2	0.04 2	0.08 158	0.07 157	0.04 1	0.04 4

ADLNet2	0.16 234	0.09 179	0.14 143	0.17 107	0.09 120	0.20 259	0.16 169	0.32 280	0.39 308	0.17 179	0.20 156	0.20 208	0.19 261	0.21 268	0.23 291	0.08 188	0.07 239	0.07 98	0.07 157	0.09 245	0.07 146

Patchmatch Stereo++	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

ROB_FTStereo_v2	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

ROB_FTStereo	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

HUI-Stereo	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

iGMRVC	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

iRAFT	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

CRE-IMP	0.11 69	0.09 179	0.16 204	0.19 219	0.09 120	0.10 56	0.12 23	0.18 86	0.10 6	0.14 121	0.14 77	0.14 126	0.13 158	0.12 90	0.12 119	0.07 140	0.04 2	0.08 158	0.06 81	0.08 193	0.08 209

test-2	0.11 69	0.09 179	0.08 6	0.19 219	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 58	0.17 116	0.14 126	0.12 129	0.07 1	0.07 1	0.05 2	0.05 79	0.09 224	0.07 157	0.04 1	0.04 4

cross-raft	0.10 45	0.09 179	0.09 24	0.19 219	0.07 14	0.11 77	0.24 317	0.13 9	0.15 66	0.08 4	0.10 35	0.12 88	0.10 77	0.09 10	0.11 69	0.05 2	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

RAFT	0.13 154	0.09 179	0.11 62	0.18 174	0.08 45	0.15 170	0.23 309	0.21 131	0.20 138	0.21 246	0.21 172	0.18 189	0.13 158	0.17 212	0.10 43	0.06 50	0.07 239	0.10 265	0.09 247	0.06 92	0.05 42

RAFT-IKP	0.11 69	0.09 179	0.17 223	0.19 219	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 142	0.16 100	0.14 126	0.12 129	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 193	0.07 146

ICVP	0.16 234	0.09 179	0.12 85	0.22 303	0.09 120	0.18 227	0.21 288	0.26 206	0.24 188	0.18 207	0.30 269	0.27 273	0.18 247	0.18 221	0.15 199	0.10 261	0.07 239	0.08 158	0.07 157	0.07 147	0.08 209
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 130	0.09 179	0.24 298	0.24 328	0.11 251	0.19 242	0.14 75	0.17 62	0.15 66	0.10 33	0.13 70	0.12 88	0.07 28	0.14 144	0.11 69	0.08 188	0.08 265	0.08 158	0.08 209	0.05 36	0.07 146

delet	0.17 252	0.09 179	0.18 249	0.19 219	0.11 251	0.21 269	0.22 298	0.30 263	0.38 304	0.17 179	0.27 244	0.19 193	0.19 261	0.19 240	0.21 268	0.08 188	0.08 265	0.09 224	0.11 301	0.06 92	0.07 146

UNet	0.17 252	0.09 179	0.18 249	0.19 219	0.12 279	0.28 333	0.19 261	0.33 290	0.30 250	0.21 246	0.25 217	0.23 241	0.19 261	0.20 253	0.19 249	0.07 140	0.06 185	0.08 158	0.07 157	0.08 193	0.07 146

ac_64	0.16 234	0.09 179	0.15 169	0.18 174	0.10 213	0.22 282	0.17 188	0.24 181	0.22 169	0.19 217	0.24 191	0.29 288	0.18 247	0.19 240	0.22 281	0.09 230	0.08 265	0.08 158	0.09 247	0.07 147	0.06 95

ACVNet	0.15 211	0.09 179	0.15 169	0.13 6	0.12 279	0.14 150	0.20 275	0.22 150	0.34 277	0.17 179	0.26 229	0.21 214	0.17 237	0.18 221	0.21 268	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

acv_ft	0.15 211	0.09 179	0.16 204	0.19 219	0.10 213	0.16 191	0.17 188	0.25 198	0.34 277	0.19 217	0.26 229	0.21 214	0.17 237	0.18 221	0.19 249	0.07 140	0.06 185	0.06 30	0.06 81	0.08 193	0.06 95

HGLStereo	0.17 252	0.09 179	0.19 270	0.17 107	0.12 279	0.18 227	0.18 226	0.31 276	0.33 267	0.22 255	0.33 288	0.24 250	0.18 247	0.20 253	0.21 268	0.10 261	0.09 286	0.07 98	0.07 157	0.09 245	0.10 263

DSFCA	0.16 234	0.09 179	0.14 143	0.16 60	0.10 213	0.21 269	0.19 261	0.28 239	0.31 257	0.23 268	0.25 217	0.22 230	0.16 216	0.20 253	0.20 257	0.10 261	0.07 239	0.09 224	0.09 247	0.08 193	0.08 209

DMCA	0.14 179	0.09 179	0.17 223	0.19 219	0.09 120	0.15 170	0.17 188	0.23 164	0.28 239	0.14 121	0.20 156	0.17 177	0.18 247	0.15 158	0.17 227	0.10 261	0.06 185	0.08 158	0.06 81	0.09 245	0.10 263

BEATNet_4x	0.12 130	0.09 179	0.15 169	0.18 174	0.07 14	0.15 170	0.07 1	0.23 164	0.19 121	0.16 169	0.19 147	0.19 193	0.14 187	0.17 212	0.15 199	0.07 140	0.05 79	0.05 2	0.05 31	0.06 92	0.07 146

ccs_rob	0.14 179	0.09 179	0.16 204	0.16 60	0.09 120	0.13 121	0.14 75	0.27 218	0.34 277	0.15 142	0.21 172	0.22 230	0.13 158	0.18 221	0.14 169	0.07 140	0.05 79	0.08 158	0.07 157	0.07 147	0.07 146

HSM	0.15 211	0.09 179	0.15 169	0.16 60	0.09 120	0.16 191	0.14 75	0.28 239	0.25 204	0.20 237	0.24 191	0.37 333	0.17 237	0.20 253	0.15 199	0.07 140	0.05 79	0.07 98	0.06 81	0.07 147	0.06 95

DISCO	0.20 281	0.09 179	0.22 286	0.17 107	0.10 213	0.25 307	0.18 226	0.28 239	0.45 333	0.23 268	0.32 281	0.34 324	0.26 311	0.29 329	0.29 340	0.08 188	0.06 185	0.07 98	0.07 157	0.09 245	0.10 263

LL-Strereo2	0.11 69	0.10 233	0.16 204	0.18 174	0.08 45	0.15 170	0.09 3	0.17 62	0.14 54	0.14 121	0.11 49	0.09 37	0.07 28	0.16 183	0.10 43	0.05 2	0.05 79	0.11 291	0.07 157	0.06 92	0.05 42

LL-Strereo	0.13 154	0.10 233	0.12 85	0.20 261	0.10 213	0.11 77	0.18 226	0.33 290	0.25 204	0.16 169	0.16 100	0.14 126	0.14 187	0.19 240	0.11 69	0.06 50	0.05 79	0.09 224	0.08 209	0.04 1	0.05 42

ssnet_v2	0.17 252	0.10 233	0.18 249	0.17 107	0.11 251	0.21 269	0.22 298	0.34 304	0.25 204	0.23 268	0.23 182	0.27 273	0.19 261	0.22 285	0.21 268	0.11 286	0.10 307	0.09 224	0.09 247	0.08 193	0.08 209

raft_robust	0.13 154	0.10 233	0.07 1	0.18 174	0.08 45	0.13 121	0.24 317	0.29 253	0.34 277	0.20 237	0.20 156	0.15 147	0.10 77	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.07 157	0.05 36	0.04 4

NINENet	0.16 234	0.10 233	0.16 204	0.17 107	0.11 251	0.20 259	0.14 75	0.41 352	0.37 298	0.18 207	0.21 172	0.16 161	0.14 187	0.16 183	0.14 169	0.08 188	0.08 265	0.10 265	0.07 157	0.10 270	0.09 241

test_4	0.11 69	0.10 233	0.08 6	0.19 219	0.09 120	0.08 22	0.21 288	0.15 21	0.18 107	0.12 76	0.18 136	0.12 88	0.09 64	0.08 5	0.11 69	0.04 1	0.04 2	0.08 158	0.08 209	0.04 1	0.04 4

Anonymous	0.14 179	0.10 233	0.24 298	0.23 320	0.13 299	0.18 227	0.23 309	0.20 120	0.19 121	0.14 121	0.12 59	0.11 69	0.13 158	0.17 212	0.13 145	0.08 188	0.07 239	0.08 158	0.08 209	0.12 299	0.10 263

MMNet	0.17 252	0.10 233	0.17 223	0.20 261	0.11 251	0.27 325	0.20 275	0.26 206	0.42 321	0.22 255	0.30 269	0.22 230	0.20 274	0.18 221	0.20 257	0.06 50	0.06 185	0.07 98	0.07 157	0.08 193	0.07 146

psm_up	0.19 274	0.10 233	0.18 249	0.21 287	0.11 251	0.17 211	0.19 261	0.38 339	0.34 277	0.22 255	0.28 253	0.29 288	0.25 304	0.20 253	0.22 281	0.09 230	0.10 307	0.11 291	0.11 301	0.08 193	0.08 209

hitnet-ft	0.18 265	0.10 233	0.17 223	0.14 11	0.09 120	0.27 325	0.20 275	0.25 198	0.26 216	0.24 279	0.32 281	0.32 314	0.23 291	0.24 302	0.21 268	0.12 309	0.07 239	0.10 265	0.08 209	0.12 299	0.11 284

DMCA-RVC	0.17 252	0.10 233	0.16 204	0.24 328	0.11 251	0.19 242	0.18 226	0.26 206	0.24 188	0.21 246	0.27 244	0.25 259	0.27 316	0.18 221	0.21 268	0.12 309	0.08 265	0.13 321	0.10 278	0.10 270	0.08 209

SuperB	0.20 281	0.10 233	0.57 369	0.16 60	0.09 120	0.19 242	0.18 226	0.25 198	0.51 350	0.27 303	0.39 324	0.17 177	0.22 285	0.22 285	0.21 268	0.08 188	0.06 185	0.06 30	0.06 81	0.12 299	0.11 284

ADCP+	0.20 281	0.10 233	0.35 342	0.21 287	0.12 279	0.22 282	0.27 343	0.31 276	0.35 288	0.26 296	0.37 310	0.22 230	0.22 285	0.27 313	0.28 333	0.09 230	0.06 185	0.08 158	0.08 209	0.10 270	0.10 263

NLCA_NET_v2_RVC	0.17 252	0.10 233	0.23 292	0.20 261	0.10 213	0.15 170	0.18 226	0.31 276	0.25 204	0.21 246	0.31 272	0.25 259	0.17 237	0.21 268	0.20 257	0.09 230	0.06 185	0.08 158	0.09 247	0.07 147	0.08 209
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 234	0.10 233	0.11 62	0.18 174	0.09 120	0.19 242	0.18 226	0.27 218	0.32 262	0.22 255	0.35 303	0.21 214	0.22 285	0.22 285	0.17 227	0.06 50	0.05 79	0.06 30	0.06 81	0.07 147	0.06 95

iResNet	0.13 154	0.10 233	0.18 249	0.19 219	0.08 45	0.14 150	0.18 226	0.21 131	0.27 226	0.16 169	0.24 191	0.15 147	0.13 158	0.14 144	0.15 199	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

MDST_ROB	0.22 299	0.10 233	0.18 249	0.18 174	0.11 251	0.40 366	0.19 261	0.44 365	0.42 321	0.40 355	0.40 327	0.29 288	0.21 278	0.27 313	0.19 249	0.11 286	0.10 307	0.14 332	0.11 301	0.10 270	0.08 209

DLCB_ROB	0.18 265	0.10 233	0.16 204	0.23 320	0.11 251	0.24 299	0.18 226	0.30 263	0.28 239	0.27 303	0.29 263	0.28 281	0.25 304	0.20 253	0.20 257	0.08 188	0.08 265	0.09 224	0.09 247	0.07 147	0.07 146

fast-acv-ft	0.18 265	0.11 251	0.20 273	0.19 219	0.12 279	0.26 317	0.21 288	0.26 206	0.35 288	0.22 255	0.34 298	0.27 273	0.21 278	0.21 268	0.23 291	0.09 230	0.09 286	0.08 158	0.10 278	0.08 193	0.07 146

ToySt	0.17 252	0.11 251	0.19 270	0.17 107	0.11 251	0.16 191	0.26 339	0.24 181	0.33 267	0.19 217	0.24 191	0.26 268	0.24 298	0.19 240	0.21 268	0.07 140	0.08 265	0.09 224	0.10 278	0.09 245	0.08 209

Selective-RAFT	0.11 69	0.11 251	0.12 85	0.21 287	0.08 45	0.16 191	0.13 45	0.21 131	0.23 178	0.10 33	0.10 35	0.11 69	0.10 77	0.15 158	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

RAFT+CT+SA	0.13 154	0.11 251	0.09 24	0.19 219	0.09 120	0.15 170	0.28 349	0.22 150	0.22 169	0.15 142	0.26 229	0.10 55	0.10 77	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.08 209	0.07 147	0.06 95

hknet	0.15 211	0.11 251	0.14 143	0.22 303	0.11 251	0.15 170	0.15 120	0.34 304	0.26 216	0.17 179	0.23 182	0.22 230	0.18 247	0.17 212	0.13 145	0.07 140	0.06 185	0.10 265	0.09 247	0.07 147	0.07 146

pcwnet_v2	0.19 274	0.11 251	0.26 308	0.18 174	0.14 314	0.18 227	0.15 120	0.37 332	0.46 341	0.19 217	0.24 191	0.21 214	0.19 261	0.21 268	0.20 257	0.13 323	0.10 307	0.10 265	0.10 278	0.11 286	0.13 312

stereogan	0.22 299	0.11 251	0.21 279	0.20 261	0.12 279	0.32 343	0.19 261	0.36 325	0.45 333	0.23 268	0.39 324	0.35 329	0.27 316	0.33 343	0.23 291	0.10 261	0.12 327	0.10 265	0.10 278	0.14 329	0.14 325

CFNet	0.15 211	0.11 251	0.17 223	0.17 107	0.08 45	0.19 242	0.10 5	0.29 253	0.26 216	0.19 217	0.24 191	0.24 250	0.18 247	0.18 221	0.15 199	0.08 188	0.06 185	0.09 224	0.10 278	0.08 193	0.07 146

CVANet_RVC	0.18 265	0.11 251	0.14 143	0.21 287	0.11 251	0.19 242	0.18 226	0.34 304	0.34 277	0.22 255	0.31 272	0.28 281	0.18 247	0.24 302	0.18 239	0.12 309	0.08 265	0.12 308	0.12 319	0.09 245	0.08 209

AdaStereo	0.15 211	0.11 251	0.16 204	0.19 219	0.09 120	0.21 269	0.11 10	0.33 290	0.28 239	0.21 246	0.23 182	0.21 214	0.13 158	0.19 240	0.15 199	0.13 323	0.05 79	0.10 265	0.07 157	0.09 245	0.07 146
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.
NVstereo2D	0.19 274	0.11 251	0.16 204	0.17 107	0.16 336	0.28 333	0.23 309	0.44 365	0.42 321	0.15 142	0.28 253	0.25 259	0.19 261	0.23 292	0.18 239	0.09 230	0.06 185	0.10 265	0.08 209	0.15 340	0.10 263

DeepPruner_ROB	0.16 234	0.11 251	0.16 204	0.17 107	0.10 213	0.17 211	0.15 120	0.32 280	0.21 151	0.19 217	0.21 172	0.22 230	0.19 261	0.21 268	0.16 216	0.13 323	0.09 286	0.09 224	0.10 278	0.11 286	0.11 284

DRN-Test	0.20 281	0.11 251	0.21 279	0.22 303	0.10 213	0.22 282	0.22 298	0.40 347	0.38 304	0.24 279	0.33 288	0.26 268	0.22 285	0.22 285	0.25 309	0.11 286	0.07 239	0.11 291	0.10 278	0.09 245	0.08 209

StereoDRNet	0.19 274	0.11 251	0.18 249	0.22 303	0.11 251	0.22 282	0.22 298	0.37 332	0.34 277	0.24 279	0.28 253	0.30 295	0.19 261	0.20 253	0.21 268	0.10 261	0.08 265	0.11 291	0.09 247	0.09 245	0.07 146

WCMA_ROB	0.24 322	0.11 251	0.24 298	0.17 107	0.14 314	0.34 349	0.16 169	0.33 290	0.33 267	0.39 352	0.54 363	0.40 350	0.35 353	0.35 351	0.26 321	0.12 309	0.12 327	0.12 308	0.11 301	0.14 329	0.14 325

CASS	0.14 179	0.12 266	0.12 85	0.23 320	0.09 120	0.15 170	0.17 188	0.19 109	0.20 138	0.17 179	0.18 136	0.15 147	0.15 205	0.15 158	0.14 169	0.09 230	0.06 185	0.10 265	0.08 209	0.09 245	0.07 146
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 179	0.12 266	0.08 6	0.20 261	0.10 213	0.14 150	0.28 349	0.21 131	0.24 188	0.19 217	0.28 253	0.11 69	0.15 205	0.12 90	0.13 145	0.06 50	0.05 79	0.07 98	0.08 209	0.08 193	0.07 146

SACVNet	0.19 274	0.12 266	0.15 169	0.17 107	0.13 299	0.22 282	0.18 226	0.31 276	0.31 257	0.24 279	0.31 272	0.30 295	0.23 291	0.23 292	0.17 227	0.11 286	0.08 265	0.10 265	0.10 278	0.12 299	0.14 325

PSMNet-ADL	0.15 211	0.12 266	0.13 108	0.22 303	0.09 120	0.13 121	0.20 275	0.26 206	0.23 178	0.18 207	0.20 156	0.23 241	0.17 237	0.18 221	0.18 239	0.09 230	0.08 265	0.08 158	0.11 301	0.08 193	0.07 146

GEStereo_RVC	0.17 252	0.12 266	0.16 204	0.22 303	0.11 251	0.19 242	0.18 226	0.32 280	0.49 345	0.20 237	0.25 217	0.17 177	0.13 158	0.21 268	0.16 216	0.10 261	0.06 185	0.08 158	0.07 157	0.09 245	0.08 209

sAnonymous2	0.13 154	0.12 266	0.25 302	0.20 261	0.12 279	0.18 227	0.14 75	0.27 218	0.21 151	0.11 58	0.12 59	0.13 110	0.08 48	0.11 41	0.11 69	0.09 230	0.05 79	0.08 158	0.06 81	0.15 340	0.10 263

CroCo_RVC	0.13 154	0.12 266	0.25 302	0.20 261	0.12 279	0.18 227	0.14 75	0.27 218	0.21 151	0.11 58	0.12 59	0.13 110	0.08 48	0.11 41	0.11 69	0.09 230	0.05 79	0.08 158	0.06 81	0.15 340	0.10 263

APVNet	0.23 312	0.12 266	0.20 273	0.18 174	0.14 314	0.32 343	0.31 366	0.40 347	0.33 267	0.27 303	0.40 327	0.30 295	0.29 328	0.27 313	0.25 309	0.11 286	0.12 327	0.11 291	0.14 335	0.12 299	0.13 312

FADNet-RVC-Resample	0.17 252	0.12 266	0.32 332	0.22 303	0.12 279	0.19 242	0.14 75	0.25 198	0.24 188	0.24 279	0.27 244	0.20 208	0.15 205	0.17 212	0.16 216	0.07 140	0.08 265	0.12 308	0.10 278	0.09 245	0.11 284

S-Stereo	0.21 291	0.12 266	0.25 302	0.21 287	0.13 299	0.21 269	0.19 261	0.33 290	0.45 333	0.23 268	0.36 307	0.28 281	0.29 328	0.20 253	0.23 291	0.09 230	0.12 327	0.10 265	0.10 278	0.13 314	0.14 325

ADCL	0.25 329	0.12 266	0.49 361	0.22 303	0.12 279	0.36 357	0.29 359	0.30 263	0.57 363	0.24 279	0.47 354	0.30 295	0.31 344	0.30 335	0.30 346	0.09 230	0.07 239	0.09 224	0.09 247	0.10 270	0.10 263

ADCRef	0.20 281	0.12 266	0.43 354	0.20 261	0.12 279	0.23 293	0.18 226	0.32 280	0.37 298	0.26 296	0.33 288	0.18 189	0.23 291	0.25 307	0.26 321	0.07 140	0.06 185	0.09 224	0.09 247	0.08 193	0.09 241

RYNet	0.23 312	0.12 266	0.22 286	0.19 219	0.17 346	0.47 371	0.26 339	0.39 344	0.49 345	0.24 279	0.29 263	0.34 324	0.24 298	0.20 253	0.31 350	0.10 261	0.06 185	0.09 224	0.09 247	0.14 329	0.15 340

TDLM	0.18 265	0.12 266	0.14 143	0.24 328	0.10 213	0.18 227	0.18 226	0.37 332	0.30 250	0.22 255	0.28 253	0.28 281	0.18 247	0.23 292	0.19 249	0.11 286	0.07 239	0.10 265	0.10 278	0.08 193	0.08 209

SGM-ForestM	0.33 360	0.12 266	0.17 223	0.16 60	0.11 251	0.42 368	0.20 275	0.43 361	0.53 359	0.53 375	0.57 369	1.41 406	0.44 373	0.42 373	0.29 340	0.14 341	0.16 356	0.16 346	0.16 348	0.12 299	0.13 312

StereoDRNet-Refined	0.17 252	0.12 266	0.16 204	0.20 261	0.10 213	0.18 227	0.18 226	0.27 218	0.24 188	0.26 296	0.41 337	0.23 241	0.18 247	0.21 268	0.21 268	0.09 230	0.05 79	0.09 224	0.10 278	0.07 147	0.07 146
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
XPNet_ROB	0.22 299	0.12 266	0.20 273	0.22 303	0.13 299	0.22 282	0.19 261	0.35 319	0.40 312	0.30 325	0.40 327	0.38 339	0.27 316	0.26 311	0.29 340	0.15 343	0.10 307	0.10 265	0.10 278	0.13 314	0.12 302

PSMNet_ROB	0.22 299	0.12 266	0.15 169	0.27 351	0.15 324	0.25 307	0.36 377	0.43 361	0.37 298	0.27 303	0.33 288	0.32 314	0.23 291	0.21 268	0.27 326	0.12 309	0.08 265	0.13 321	0.11 301	0.10 270	0.09 241

SGM_RVC	0.24 322	0.12 266	0.16 204	0.15 35	0.09 120	0.34 349	0.19 261	0.35 319	0.32 262	0.44 367	0.38 317	0.53 374	0.36 356	0.36 355	0.26 321	0.13 323	0.13 339	0.13 321	0.13 329	0.11 286	0.11 284
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 234	0.13 285	0.25 302	0.20 261	0.10 213	0.17 211	0.13 45	0.30 263	0.25 204	0.23 268	0.32 281	0.25 259	0.11 101	0.19 240	0.14 169	0.09 230	0.06 185	0.11 291	0.06 81	0.12 299	0.08 209

StereoVision	0.14 179	0.13 285	0.10 38	0.24 328	0.10 213	0.16 191	0.21 288	0.21 131	0.20 138	0.12 76	0.25 217	0.10 55	0.10 77	0.16 183	0.10 43	0.09 230	0.10 307	0.12 308	0.12 319	0.06 92	0.05 42

HBP-ISP	0.18 265	0.13 285	0.17 223	0.15 35	0.11 251	0.08 22	0.13 45	0.28 239	0.30 250	0.22 255	0.33 288	0.21 214	0.25 304	0.23 292	0.18 239	0.15 343	0.17 360	0.21 362	0.17 355	0.10 270	0.09 241

Wz-Net-MNSev	0.23 312	0.13 285	0.33 333	0.20 261	0.15 324	0.36 357	0.25 333	0.34 304	0.45 333	0.29 320	0.41 337	0.39 344	0.19 261	0.25 307	0.27 326	0.09 230	0.07 239	0.09 224	0.09 247	0.12 299	0.10 263

UDGNet	0.14 179	0.13 285	0.17 223	0.18 174	0.10 213	0.12 102	0.16 169	0.21 131	0.27 226	0.20 237	0.20 156	0.17 177	0.13 158	0.16 183	0.14 169	0.10 261	0.06 185	0.09 224	0.07 157	0.07 147	0.07 146

FAT-Stereo	0.21 291	0.13 285	0.22 286	0.21 287	0.12 279	0.18 227	0.18 226	0.35 319	0.40 312	0.28 315	0.37 310	0.33 320	0.33 349	0.21 268	0.20 257	0.09 230	0.11 319	0.10 265	0.09 247	0.11 286	0.14 325

STTStereo	0.18 265	0.13 285	0.28 312	0.20 261	0.11 251	0.16 191	0.21 288	0.29 253	0.23 178	0.22 255	0.30 269	0.29 288	0.18 247	0.20 253	0.20 257	0.12 309	0.11 319	0.11 291	0.14 335	0.09 245	0.08 209

RP	0.22 299	0.13 285	0.22 286	0.23 320	0.12 279	0.21 269	0.20 275	0.26 206	0.45 333	0.22 255	0.38 317	0.37 333	0.25 304	0.28 321	0.25 309	0.11 286	0.12 327	0.13 321	0.12 319	0.13 314	0.14 325

RTSC	0.23 312	0.13 285	0.30 325	0.21 287	0.13 299	0.29 335	0.17 188	0.36 325	0.68 378	0.27 303	0.34 298	0.30 295	0.22 285	0.32 340	0.31 350	0.10 261	0.08 265	0.09 224	0.10 278	0.13 314	0.14 325

GANet	0.22 299	0.13 285	0.21 279	0.25 334	0.14 314	0.23 293	0.22 298	0.42 356	0.27 226	0.31 330	0.43 346	0.37 333	0.29 328	0.23 292	0.23 291	0.10 261	0.12 327	0.10 265	0.09 247	0.10 270	0.08 209

CBMV_ROB	0.19 274	0.13 285	0.18 249	0.16 60	0.11 251	0.16 191	0.12 23	0.27 218	0.29 245	0.27 303	0.31 272	0.27 273	0.24 298	0.24 302	0.16 216	0.15 343	0.18 362	0.22 366	0.20 361	0.10 270	0.12 302

NOSS_ROB	0.19 274	0.13 285	0.18 249	0.16 60	0.12 279	0.16 191	0.12 23	0.30 263	0.33 267	0.20 237	0.22 181	0.27 273	0.24 298	0.21 268	0.16 216	0.16 355	0.18 362	0.23 367	0.21 363	0.13 314	0.13 312

DN-CSS_ROB	0.13 154	0.13 285	0.17 223	0.18 174	0.10 213	0.16 191	0.08 2	0.22 150	0.19 121	0.17 179	0.23 182	0.13 110	0.13 158	0.13 127	0.14 169	0.05 2	0.05 79	0.10 265	0.10 278	0.08 193	0.06 95

PWCDC_ROB	0.21 291	0.13 285	0.23 292	0.25 334	0.12 279	0.20 259	0.15 120	0.34 304	0.55 360	0.29 320	0.49 356	0.21 214	0.15 205	0.28 321	0.20 257	0.11 286	0.09 286	0.10 265	0.08 209	0.11 286	0.09 241

MeshStereo	0.27 345	0.13 285	0.18 249	0.15 35	0.11 251	0.33 345	0.24 317	0.41 352	0.36 294	0.53 375	0.58 371	0.67 384	0.41 365	0.36 355	0.27 326	0.14 341	0.13 339	0.13 321	0.11 301	0.11 286	0.11 284
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
Anonymous3	0.16 234	0.14 300	0.34 336	0.26 344	0.14 314	0.27 325	0.18 226	0.28 239	0.28 239	0.15 142	0.17 116	0.14 126	0.11 101	0.16 183	0.12 119	0.08 188	0.08 265	0.08 158	0.08 209	0.08 193	0.11 284

GwcNet	0.20 281	0.14 300	0.20 273	0.18 174	0.12 279	0.25 307	0.20 275	0.36 325	0.45 333	0.20 237	0.33 288	0.33 320	0.21 278	0.22 285	0.25 309	0.11 286	0.09 286	0.09 224	0.09 247	0.09 245	0.10 263

FADNet_RVC	0.17 252	0.14 300	0.41 351	0.20 261	0.11 251	0.13 121	0.13 45	0.27 218	0.22 169	0.21 246	0.23 182	0.20 208	0.18 247	0.15 158	0.17 227	0.08 188	0.08 265	0.12 308	0.09 247	0.11 286	0.10 263

edge stereo	0.23 312	0.14 300	0.21 279	0.21 287	0.13 299	0.24 299	0.16 169	0.32 280	0.42 321	0.32 337	0.40 327	0.39 344	0.35 353	0.25 307	0.25 309	0.13 323	0.11 319	0.14 332	0.11 301	0.12 299	0.14 325

SANet	0.25 329	0.14 300	0.29 320	0.21 287	0.11 251	0.29 335	0.25 333	0.40 347	0.65 377	0.36 344	0.40 327	0.42 354	0.27 316	0.27 313	0.25 309	0.12 309	0.09 286	0.10 265	0.09 247	0.13 314	0.12 302

SGM-Forest	0.20 281	0.14 300	0.18 249	0.20 261	0.13 299	0.21 269	0.22 298	0.33 290	0.31 257	0.24 279	0.29 263	0.28 281	0.20 274	0.23 292	0.18 239	0.15 343	0.16 356	0.15 339	0.14 335	0.13 314	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
TestStereo	0.14 179	0.15 306	0.11 62	0.23 320	0.08 45	0.15 170	0.21 288	0.20 120	0.23 178	0.14 121	0.25 217	0.16 161	0.13 158	0.16 183	0.14 169	0.06 50	0.06 185	0.08 158	0.06 81	0.09 245	0.05 42

GMStereo	0.13 154	0.15 306	0.14 143	0.18 174	0.09 120	0.16 191	0.16 169	0.20 120	0.25 204	0.17 179	0.17 116	0.11 69	0.11 101	0.16 183	0.13 145	0.07 140	0.06 185	0.06 30	0.06 81	0.07 147	0.06 95
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
NCC-stereo	0.25 329	0.15 306	0.31 328	0.26 344	0.17 346	0.21 269	0.31 366	0.41 352	0.40 312	0.24 279	0.38 317	0.33 320	0.29 328	0.37 359	0.28 333	0.13 323	0.11 319	0.15 339	0.22 366	0.13 314	0.13 312

Abc-Net	0.25 329	0.15 306	0.31 328	0.26 344	0.17 346	0.21 269	0.31 366	0.41 352	0.40 312	0.24 279	0.38 317	0.33 320	0.29 328	0.37 359	0.28 333	0.13 323	0.11 319	0.15 339	0.22 366	0.13 314	0.13 312
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 340	0.15 306	0.31 328	0.24 328	0.18 355	0.23 293	0.15 120	0.39 344	0.72 383	0.32 337	0.42 343	0.36 331	0.29 328	0.33 343	0.30 346	0.13 323	0.11 319	0.14 332	0.13 329	0.16 348	0.20 367

ADCMid	0.26 340	0.15 306	0.42 353	0.20 261	0.14 314	0.25 307	0.26 339	0.35 319	0.40 312	0.37 349	0.45 350	0.34 324	0.42 368	0.36 355	0.36 362	0.10 261	0.09 286	0.11 291	0.11 301	0.13 314	0.13 312

NCCL2	0.24 322	0.15 306	0.18 249	0.34 373	0.18 355	0.24 299	0.24 317	0.34 304	0.29 245	0.31 330	0.38 317	0.38 339	0.29 328	0.23 292	0.25 309	0.15 343	0.12 327	0.18 357	0.21 363	0.13 314	0.13 312

CBMV	0.20 281	0.15 306	0.18 249	0.18 174	0.10 213	0.20 259	0.11 10	0.30 263	0.31 257	0.29 320	0.31 272	0.31 307	0.23 291	0.28 321	0.19 249	0.13 323	0.15 351	0.17 349	0.16 348	0.10 270	0.10 263
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.22 299	0.16 314	0.41 351	0.22 303	0.13 299	0.25 307	0.24 317	0.33 290	0.44 330	0.30 325	0.42 343	0.32 314	0.19 261	0.23 292	0.27 326	0.10 261	0.09 286	0.08 158	0.08 209	0.12 299	0.11 284

Syn2CoEx	0.22 299	0.16 314	0.29 320	0.29 364	0.15 324	0.26 317	0.21 288	0.34 304	0.32 262	0.29 320	0.36 307	0.28 281	0.25 304	0.20 253	0.25 309	0.16 355	0.12 327	0.14 332	0.11 301	0.09 245	0.08 209

psmorigin	0.25 329	0.16 314	0.35 342	0.17 107	0.13 299	0.24 299	0.14 75	0.34 304	0.34 277	0.41 359	0.55 364	0.41 352	0.38 359	0.35 351	0.28 333	0.11 286	0.15 351	0.11 291	0.11 301	0.12 299	0.17 357

AnyNet_C32	0.26 340	0.16 314	0.39 347	0.20 261	0.17 346	0.26 317	0.31 366	0.32 280	0.45 333	0.31 330	0.50 358	0.30 295	0.34 350	0.41 372	0.36 362	0.12 309	0.12 327	0.12 308	0.14 335	0.14 329	0.15 340

DANet	0.21 291	0.16 314	0.29 320	0.25 334	0.13 299	0.23 293	0.19 261	0.28 239	0.27 226	0.28 315	0.32 281	0.35 329	0.32 347	0.31 336	0.24 302	0.11 286	0.09 286	0.11 291	0.10 278	0.13 314	0.11 284
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 347	0.16 314	0.33 333	0.18 174	0.13 299	0.55 377	0.42 385	0.52 377	0.68 378	0.29 320	0.38 317	0.39 344	0.30 339	0.32 340	0.23 291	0.11 286	0.10 307	0.11 291	0.08 209	0.20 363	0.16 349

PDISCO_ROB	0.28 347	0.16 314	0.28 312	0.28 357	0.20 362	0.33 345	0.27 343	0.45 367	0.58 366	0.28 315	0.41 337	0.45 361	0.30 339	0.34 346	0.35 361	0.12 309	0.09 286	0.17 349	0.16 348	0.17 355	0.13 312

LALA_ROB	0.25 329	0.16 314	0.23 292	0.27 351	0.17 346	0.27 325	0.27 343	0.42 356	0.38 304	0.33 341	0.39 324	0.51 371	0.26 311	0.29 329	0.28 333	0.16 355	0.09 286	0.13 321	0.12 319	0.13 314	0.13 312

PWC_ROB	0.21 291	0.16 314	0.27 310	0.18 174	0.11 251	0.22 282	0.13 45	0.33 290	0.49 345	0.30 325	0.40 327	0.32 314	0.25 304	0.31 336	0.23 291	0.10 261	0.07 239	0.11 291	0.08 209	0.11 286	0.10 263

Anonymous_2	0.22 299	0.17 323	0.28 312	0.15 35	0.16 336	0.33 345	0.22 298	0.23 164	0.18 107	0.23 268	0.24 191	0.26 268	0.27 316	0.27 313	0.24 302	0.22 372	0.26 381	0.17 349	0.17 355	0.16 348	0.18 359

Wz-Net-SNSev	0.26 340	0.17 323	0.46 356	0.25 334	0.14 314	0.26 317	0.24 317	0.38 339	0.57 363	0.30 325	0.56 365	0.39 344	0.26 311	0.24 302	0.32 355	0.10 261	0.09 286	0.10 265	0.11 301	0.11 286	0.11 284

WZ-Net	0.29 350	0.17 323	0.82 393	0.23 320	0.16 336	0.35 353	0.29 359	0.40 347	0.59 368	0.24 279	0.57 369	0.37 333	0.25 304	0.34 346	0.37 366	0.09 230	0.08 265	0.09 224	0.10 278	0.14 329	0.16 349

dd	0.15 211	0.17 323	0.17 223	0.19 219	0.09 120	0.15 170	0.18 226	0.22 150	0.26 216	0.23 268	0.20 156	0.21 214	0.10 77	0.21 268	0.17 227	0.10 261	0.06 185	0.08 158	0.06 81	0.08 193	0.07 146

UDG	0.21 291	0.17 323	0.20 273	0.23 320	0.15 324	0.31 341	0.20 275	0.33 290	0.35 288	0.24 279	0.28 253	0.31 307	0.29 328	0.21 268	0.23 291	0.15 343	0.12 327	0.13 321	0.09 247	0.14 329	0.15 340

aanetorigin	0.22 299	0.17 323	0.57 369	0.18 174	0.10 213	0.16 191	0.19 261	0.20 120	0.33 267	0.49 372	0.48 355	0.30 295	0.28 325	0.21 268	0.24 302	0.08 188	0.07 239	0.08 158	0.07 157	0.10 270	0.09 241

AF-Net	0.23 312	0.17 323	0.17 223	0.27 351	0.13 299	0.26 317	0.24 317	0.33 290	0.51 350	0.25 292	0.33 288	0.39 344	0.27 316	0.28 321	0.26 321	0.11 286	0.10 307	0.16 346	0.12 319	0.11 286	0.11 284

G-Net	0.25 329	0.17 323	0.38 346	0.23 320	0.16 336	0.51 374	0.23 309	0.29 253	0.35 288	0.36 344	0.38 317	0.31 307	0.29 328	0.28 321	0.27 326	0.11 286	0.09 286	0.12 308	0.10 278	0.16 348	0.14 325

Nwc_Net	0.23 312	0.17 323	0.22 286	0.25 334	0.15 324	0.25 307	0.27 343	0.38 339	0.39 308	0.22 255	0.41 337	0.30 295	0.29 328	0.28 321	0.25 309	0.11 286	0.10 307	0.17 349	0.20 361	0.10 270	0.11 284

DeepPrunerF	0.24 322	0.17 323	0.45 355	0.26 344	0.16 336	0.23 293	0.29 359	0.37 332	0.51 350	0.27 303	0.31 272	0.24 250	0.28 325	0.22 285	0.23 291	0.15 343	0.11 319	0.20 361	0.18 359	0.12 299	0.14 325

ADCPNet	0.26 340	0.17 323	0.62 374	0.21 287	0.15 324	0.36 357	0.25 333	0.33 290	0.37 298	0.31 330	0.41 337	0.36 331	0.29 328	0.29 329	0.34 360	0.12 309	0.10 307	0.11 291	0.12 319	0.14 329	0.13 312

FBW_ROB	0.25 329	0.17 323	0.23 292	0.27 351	0.14 314	0.26 317	0.22 298	0.42 356	0.43 328	0.42 361	0.41 337	0.43 357	0.27 316	0.32 340	0.24 302	0.09 230	0.15 351	0.15 339	0.12 319	0.12 299	0.10 263

ETE_ROB	0.23 312	0.17 323	0.23 292	0.25 334	0.14 314	0.26 317	0.29 359	0.32 280	0.37 298	0.28 315	0.37 310	0.45 361	0.27 316	0.28 321	0.27 326	0.11 286	0.09 286	0.12 308	0.10 278	0.14 329	0.13 312

DDUNet	0.23 312	0.18 336	0.22 286	0.22 303	0.15 324	0.25 307	0.24 317	0.30 263	0.31 257	0.31 330	0.37 310	0.34 324	0.26 311	0.25 307	0.21 268	0.18 360	0.13 339	0.17 349	0.11 301	0.16 348	0.17 357

FINET	0.22 299	0.18 336	0.28 312	0.19 219	0.16 336	0.24 299	0.24 317	0.33 290	0.49 345	0.26 296	0.33 288	0.22 230	0.23 291	0.23 292	0.18 239	0.18 360	0.16 356	0.11 291	0.10 278	0.15 340	0.14 325

PA-Net	0.24 322	0.18 336	0.34 336	0.28 357	0.22 366	0.22 282	0.39 382	0.29 253	0.39 308	0.22 255	0.33 288	0.25 259	0.26 311	0.21 268	0.25 309	0.10 261	0.23 379	0.15 339	0.22 366	0.09 245	0.13 312
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.25 329	0.19 339	0.34 336	0.21 287	0.24 369	0.24 299	0.21 288	0.36 325	0.42 321	0.25 292	0.32 281	0.38 339	0.21 278	0.29 329	0.24 302	0.13 323	0.11 319	0.14 332	0.16 348	0.23 366	0.23 373

RTS	0.46 377	0.19 339	3.33 411	0.25 334	0.15 324	0.72 390	0.21 288	0.37 332	0.78 389	0.42 361	0.44 348	0.31 307	0.43 371	0.55 383	0.37 366	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 340

RTSA	0.46 377	0.19 339	3.33 411	0.25 334	0.15 324	0.72 390	0.21 288	0.37 332	0.78 389	0.42 361	0.44 348	0.31 307	0.43 371	0.55 383	0.37 366	0.10 261	0.09 286	0.13 321	0.13 329	0.15 340	0.15 340

ADCS	0.30 353	0.19 339	0.48 360	0.21 287	0.18 355	0.29 335	0.24 317	0.42 356	0.64 375	0.40 355	0.50 358	0.40 350	0.37 357	0.40 367	0.43 376	0.13 323	0.13 339	0.13 321	0.14 335	0.16 348	0.16 349

Anonymous Stereo	0.24 322	0.19 339	0.52 363	0.25 334	0.18 355	0.21 269	0.22 298	0.34 304	0.45 333	0.25 292	0.35 303	0.26 268	0.19 261	0.31 336	0.29 340	0.13 323	0.12 327	0.12 308	0.13 329	0.12 299	0.14 325

Wz-Net-TNSev	0.29 350	0.20 344	0.69 385	0.19 219	0.15 324	0.38 363	0.27 343	0.36 325	0.56 362	0.35 342	0.42 343	0.45 361	0.39 360	0.33 343	0.31 350	0.13 323	0.13 339	0.10 265	0.12 319	0.15 340	0.15 340

dad	0.18 265	0.20 344	0.21 279	0.17 107	0.11 251	0.20 259	0.19 261	0.21 131	0.28 239	0.30 325	0.24 191	0.30 295	0.13 158	0.19 240	0.17 227	0.18 360	0.09 286	0.11 291	0.09 247	0.11 286	0.07 146

FADNet-RVC	0.21 291	0.20 344	0.40 349	0.21 287	0.16 336	0.21 269	0.15 120	0.27 218	0.27 226	0.26 296	0.32 281	0.26 268	0.21 278	0.22 285	0.19 249	0.12 309	0.13 339	0.12 308	0.14 335	0.13 314	0.18 359

RGC	0.25 329	0.20 344	0.29 320	0.28 357	0.16 336	0.22 282	0.23 309	0.33 290	0.44 330	0.27 303	0.40 327	0.38 339	0.28 325	0.37 359	0.23 291	0.11 286	0.13 339	0.17 349	0.17 355	0.15 340	0.16 349

NaN_ROB	0.23 312	0.20 344	0.25 302	0.25 334	0.13 299	0.31 341	0.27 343	0.34 304	0.41 319	0.31 330	0.31 272	0.32 314	0.23 291	0.31 336	0.22 281	0.11 286	0.17 360	0.10 265	0.11 301	0.08 193	0.09 241

MaskLacGwcNet_RVC	0.22 299	0.21 349	0.25 302	0.26 344	0.11 251	0.24 299	0.14 75	0.39 344	0.24 188	0.32 337	0.36 307	0.30 295	0.21 278	0.19 240	0.22 281	0.17 359	0.14 347	0.21 362	0.16 348	0.13 314	0.12 302

PVD	0.40 369	0.21 349	0.40 349	0.32 371	0.23 367	0.30 338	0.45 389	0.53 379	0.97 396	0.55 377	0.80 389	0.54 375	0.60 386	0.53 381	0.40 372	0.19 364	0.14 347	0.17 349	0.14 335	0.24 373	0.32 385

LSM	0.34 365	0.21 349	0.62 374	0.27 351	0.62 400	0.35 353	0.26 339	0.43 361	0.49 345	0.45 369	0.60 374	0.42 354	0.37 357	0.35 351	0.26 321	0.13 323	0.21 375	0.14 332	0.16 348	0.18 357	0.34 387

PS-NSSS	0.20 281	0.21 349	0.23 292	0.20 261	0.10 213	0.19 242	0.17 188	0.36 325	0.26 216	0.27 303	0.34 298	0.27 273	0.24 298	0.20 253	0.20 257	0.15 343	0.12 327	0.17 349	0.14 335	0.10 270	0.09 241

MFN_U_SF_RVC	0.33 360	0.22 353	0.58 372	0.31 368	0.15 324	0.36 357	0.17 188	0.54 380	0.46 341	0.47 371	0.56 365	0.58 377	0.39 360	0.36 355	0.38 369	0.15 343	0.15 351	0.18 357	0.21 363	0.16 348	0.16 349

DispFullNet	0.27 345	0.22 353	0.66 377	0.28 357	0.17 346	0.27 325	0.17 188	0.34 304	0.57 363	0.27 303	0.37 310	0.43 357	0.24 298	0.39 364	0.25 309	0.12 309	0.06 185	0.19 359	0.11 301	0.23 366	0.16 349

HCRNet	0.16 234	0.23 355	0.12 85	0.35 375	0.11 251	0.15 170	0.17 188	0.26 206	0.22 169	0.19 217	0.24 191	0.21 214	0.14 187	0.15 158	0.13 145	0.11 286	0.07 239	0.11 291	0.10 278	0.09 245	0.07 146

FADNet	0.21 291	0.23 355	0.37 345	0.18 174	0.17 346	0.25 307	0.13 45	0.32 280	0.32 262	0.23 268	0.25 217	0.27 273	0.21 278	0.19 240	0.16 216	0.13 323	0.15 351	0.12 308	0.15 346	0.17 355	0.18 359

XQC	0.29 350	0.23 355	0.53 364	0.29 364	0.19 359	0.36 357	0.28 349	0.37 332	0.58 366	0.31 330	0.31 272	0.37 333	0.30 339	0.39 364	0.39 370	0.13 323	0.09 286	0.15 339	0.12 319	0.18 357	0.18 359

SQANet	0.24 322	0.24 358	0.31 328	0.31 368	0.19 359	0.27 325	0.13 45	0.30 263	0.33 267	0.25 292	0.37 310	0.31 307	0.22 285	0.27 313	0.23 291	0.15 343	0.10 307	0.21 362	0.16 348	0.22 364	0.16 349

GASNet	0.22 299	0.24 358	0.34 336	0.26 344	0.17 346	0.27 325	0.16 169	0.45 367	0.42 321	0.27 303	0.24 191	0.30 295	0.16 216	0.27 313	0.18 239	0.12 309	0.09 286	0.12 308	0.11 301	0.16 348	0.08 209

EDNetEfficient	0.30 353	0.24 358	1.18 401	0.18 174	0.10 213	0.20 259	0.20 275	0.21 131	0.61 370	0.74 389	0.56 365	0.30 295	0.40 364	0.23 292	0.32 355	0.09 230	0.07 239	0.08 158	0.07 157	0.11 286	0.10 263

MFN_U_SF_DS_RVC	0.30 353	0.24 358	0.30 325	0.36 377	0.16 336	0.36 357	0.31 366	0.34 304	0.43 328	0.41 359	0.46 352	0.38 339	0.30 339	0.35 351	0.29 340	0.19 364	0.20 368	0.26 369	0.29 378	0.18 357	0.19 364

CSAN	0.30 353	0.24 358	0.28 312	0.34 373	0.19 359	0.34 349	0.42 385	0.38 339	0.51 350	0.38 351	0.40 327	0.44 360	0.34 350	0.29 329	0.31 350	0.19 364	0.16 356	0.19 359	0.19 360	0.14 329	0.15 340

PASM	0.33 360	0.25 363	0.51 362	0.28 357	0.27 377	0.30 338	0.31 366	0.35 319	0.51 350	0.36 344	0.40 327	0.47 368	0.35 353	0.34 346	0.36 362	0.23 377	0.26 381	0.26 369	0.28 377	0.23 366	0.21 368

AnyNet_C01	0.37 366	0.26 364	1.41 404	0.22 303	0.17 346	0.51 374	0.28 349	0.36 325	0.40 312	0.39 352	0.75 385	0.46 365	0.39 360	0.46 375	0.50 386	0.13 323	0.13 339	0.13 321	0.14 335	0.14 329	0.16 349

STTRV1_RVC	0.25 329	0.26 364	0.39 347	0.19 219	0.26 376	0.30 338	0.24 317	0.35 319	0.35 288	0.36 344	0.34 298	0.31 307	0.31 344	0.28 321	0.25 309	0.18 360	0.10 307	0.16 346	0.14 335	0.18 357	0.12 302

MSMD_ROB	0.31 358	0.26 364	0.26 308	0.24 328	0.21 364	0.34 349	0.25 333	0.34 304	0.39 308	0.40 355	0.69 379	0.45 361	0.41 365	0.34 346	0.28 333	0.20 368	0.20 368	0.26 369	0.25 372	0.23 366	0.22 371

ccnet	0.30 353	0.28 367	0.24 298	0.20 261	0.28 378	0.41 367	0.22 298	0.46 370	0.33 267	0.37 349	0.46 352	0.37 333	0.30 339	0.40 367	0.43 376	0.23 377	0.14 347	0.21 362	0.17 355	0.23 366	0.19 364

FCDSN-DC	0.33 360	0.28 367	0.28 312	0.30 366	0.24 369	0.39 365	0.28 349	0.43 361	0.42 321	0.44 367	0.53 362	0.51 371	0.42 368	0.37 359	0.30 346	0.21 370	0.20 368	0.27 372	0.26 373	0.25 375	0.25 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
BEATNet-Init1	0.54 383	0.28 367	0.68 384	0.31 368	0.21 364	0.85 398	0.31 366	0.57 382	0.69 381	0.89 396	1.00 397	2.17 414	0.66 389	0.58 387	0.44 379	0.19 364	0.18 362	0.23 367	0.22 366	0.22 364	0.21 368

SAMSARA	0.41 370	0.28 367	0.34 336	0.55 390	0.39 384	0.85 398	1.25 413	0.49 373	0.52 356	0.36 344	0.35 303	0.56 376	0.39 360	0.39 364	0.41 373	0.15 343	0.20 368	0.15 339	0.14 335	0.23 366	0.21 368

MANE	0.47 379	0.28 367	0.28 312	0.27 351	0.24 369	0.50 372	0.32 374	0.57 382	0.62 373	0.74 389	1.20 407	1.21 399	0.64 388	0.54 382	0.39 370	0.22 372	0.20 368	0.27 372	0.31 381	0.26 377	0.25 375

FC-DCNN	0.33 360	0.28 367	0.28 312	0.26 344	0.23 367	0.38 363	0.29 359	0.40 347	0.44 330	0.46 370	0.56 365	0.51 371	0.41 365	0.38 363	0.31 350	0.21 370	0.20 368	0.27 372	0.26 373	0.25 375	0.24 374

ELAS_RVC	0.42 372	0.29 373	0.33 333	0.28 357	0.24 369	0.56 378	0.38 380	0.50 374	0.61 370	0.74 389	0.76 386	0.67 384	0.56 382	0.55 383	0.42 375	0.22 372	0.21 375	0.27 372	0.26 373	0.27 379	0.26 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 372	0.29 373	0.34 336	0.28 357	0.24 369	0.63 382	0.37 378	0.52 377	0.52 356	0.72 386	0.82 390	0.68 386	0.56 382	0.52 379	0.45 382	0.22 372	0.21 375	0.27 372	0.26 373	0.26 377	0.26 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.28 347	0.31 375	0.36 344	0.30 366	0.15 324	0.25 307	0.19 261	0.45 367	0.34 277	0.39 352	0.37 310	0.39 344	0.31 344	0.27 313	0.27 326	0.24 379	0.18 362	0.30 380	0.23 370	0.19 361	0.15 340

EDNetEfficientorigin	7.92 418	0.32 376	152.98 437	0.20 261	0.10 213	0.22 282	0.17 188	0.23 164	0.60 369	0.73 387	0.67 376	0.41 352	0.51 379	0.24 302	0.41 373	0.08 188	0.07 239	0.09 224	0.07 157	0.12 299	0.11 284

GANetREF_RVC	0.31 358	0.34 377	0.29 320	0.35 375	0.16 336	0.33 345	0.42 385	0.48 372	0.52 356	0.35 342	0.35 303	0.34 324	0.32 347	0.40 367	0.33 358	0.27 381	0.20 368	0.29 378	0.15 346	0.19 361	0.18 359
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
FADE		0.34 377		0.33 372	0.25 375			0.64 390	1.07 397	0.43 366		0.42 354		0.72 393		0.30 382	0.21 375	0.41 386	0.38 386	0.23 366	0.22 371

coex-ft	3.24 412	0.35 379	57.83 436	0.18 174	0.13 299	0.27 325	0.23 309	0.28 239	0.72 383	1.89 414	0.70 380	0.43 357	0.47 374	0.29 329	0.43 376	0.09 230	0.09 286	0.12 308	0.09 247	0.14 329	0.14 325

NVStereoNet_ROB	0.47 379	0.37 380	0.47 359	0.42 382	0.29 381	0.35 353	0.35 376	0.50 374	0.61 370	0.73 387	0.94 394	0.70 388	0.68 390	0.48 376	0.62 393	0.22 372	0.33 386	0.34 382	0.34 385	0.30 380	0.31 384
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 367	0.38 381	0.53 364	0.44 383	0.28 378	0.57 379	0.24 317	0.42 356	0.62 373	0.40 355	0.50 358	0.46 365	0.34 350	0.40 367	0.33 358	0.30 382	0.30 385	0.39 384	0.33 383	0.30 380	0.29 381

MSC_U_SF_DS_RVC	0.44 374	0.39 382	0.56 367	0.40 379	0.20 362	0.66 385	0.33 375	0.54 380	0.72 383	0.71 385	0.72 382	0.62 379	0.55 380	0.52 379	0.47 383	0.20 368	0.19 367	0.29 378	0.30 380	0.24 373	0.19 364

Ntro	0.41 370	0.40 383	0.54 366	0.46 387	0.30 382	0.64 383	0.24 317	0.47 371	0.68 378	0.42 361	0.49 356	0.47 368	0.42 368	0.40 367	0.32 355	0.32 384	0.28 383	0.37 383	0.31 381	0.33 385	0.29 381

Consistency-Raft	0.44 374	0.40 383	0.46 356	0.37 378	0.43 387	0.42 368	0.41 383	0.57 382	0.55 360	0.32 337	0.73 383	0.32 314	0.50 377	0.42 373	0.49 385	0.39 387	0.36 387	0.45 387	0.52 397	0.42 387	0.30 383

JetBlue	0.73 393	0.46 385	1.21 402	0.52 389	0.47 389	2.16 413	0.67 401	0.78 393	0.72 383	0.70 384	0.79 388	1.21 399	0.84 397	1.06 410	1.04 409	0.40 388	0.28 383	0.33 381	0.33 383	0.30 380	0.34 387

ACVNet_1	0.45 376	0.51 386	0.61 373	0.45 384	0.28 378	0.50 372	0.28 349	0.58 387	0.71 382	0.63 380	0.59 373	0.74 389	0.50 377	0.50 377	0.36 362	0.26 380	0.25 380	0.39 384	0.29 378	0.32 384	0.25 375

ACVNet-4b	0.39 367	0.53 387	0.56 367	0.45 384	0.24 369	0.46 370	0.18 226	0.50 374	0.64 375	0.42 361	0.45 350	0.60 378	0.27 316	0.34 346	0.24 302	0.33 385	0.14 347	0.48 388	0.42 388	0.31 383	0.27 380

anonymity	0.53 382	0.58 388	0.66 377	0.41 380	0.61 399	0.54 376	0.41 383	0.57 382	0.41 319	0.56 378	0.50 358	0.50 370	0.55 380	0.59 388	0.50 386	0.58 398	0.50 399	0.51 390	0.51 395	0.52 389	0.58 396

SGM+DAISY	0.57 385	0.58 388	0.67 381	0.41 380	0.55 393	0.68 387	0.51 391	0.57 382	0.46 341	0.67 381	0.70 380	0.69 387	0.57 384	0.64 390	0.58 391	0.59 399	0.49 396	0.50 389	0.50 394	0.52 389	0.59 399

SPS-STEREO	0.58 386	0.59 390	0.66 377	0.45 384	0.55 393	0.65 384	0.44 388	0.63 389	0.51 350	0.69 383	0.65 375	0.66 383	0.58 385	0.62 389	0.62 393	0.62 401	0.47 394	0.51 390	0.49 392	0.55 392	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 383	0.61 391	0.71 390	0.57 391	0.43 387	0.66 385	0.37 378	0.60 388	0.87 393	0.51 373	0.67 376	0.63 380	0.47 374	0.50 377	0.44 379	0.47 393	0.48 395	0.53 392	0.41 387	0.53 391	0.41 392

IMH-64-1	0.66 388	0.62 392	0.69 385	0.72 394	0.51 390	0.60 380	0.51 391	0.92 397	0.84 391	0.75 392	1.02 398	0.81 390	0.78 395	0.80 395	0.50 386	0.43 389	0.46 390	0.72 396	0.48 390	0.55 392	0.40 390

IMH-64	0.66 388	0.62 392	0.69 385	0.72 394	0.51 390	0.60 380	0.51 391	0.92 397	0.84 391	0.75 392	1.02 398	0.81 390	0.78 395	0.80 395	0.50 386	0.43 389	0.46 390	0.72 396	0.48 390	0.55 392	0.40 390

IMH	0.72 391	0.65 394	0.70 388	0.77 396	0.54 392	0.71 389	0.56 394	0.99 405	1.08 398	0.82 395	1.09 401	0.89 392	0.88 399	0.88 403	0.53 390	0.44 392	0.50 399	0.75 399	0.51 395	0.58 395	0.42 393

MFMNet_re	0.65 387	0.66 395	0.66 377	0.51 388	0.69 404	0.70 388	0.58 395	0.65 391	0.75 387	0.61 379	0.73 383	0.63 380	0.68 390	0.65 391	0.60 392	0.66 402	0.58 408	0.63 394	0.59 398	0.68 399	0.69 406

ACVNet_2	0.67 390	0.68 396	0.70 388	0.64 392	0.41 385	0.75 393	0.50 390	0.98 403	1.38 407	0.90 397	1.09 401	1.04 394	0.74 393	0.55 383	0.48 384	0.43 389	0.40 389	0.53 392	0.45 389	0.48 388	0.36 389

MADNet+	0.76 394	0.72 397	3.76 414	0.67 393	0.41 385	0.99 404	0.97 411	0.72 392	0.75 387	0.52 374	0.58 371	0.64 382	0.68 390	0.89 404	1.04 409	0.35 386	0.36 387	0.28 377	0.23 370	0.38 386	0.33 386

TorneroNet-64	0.76 394	0.73 398	0.77 391	0.78 398	0.58 398	0.94 403	0.58 395	0.85 396	1.26 402	0.67 381	0.88 392	1.41 406	0.76 394	0.87 401	0.68 396	0.49 394	0.46 390	0.73 398	0.59 398	0.68 399	0.54 395

TorneroNet	0.83 398	0.75 399	0.83 395	0.85 401	0.63 401	1.03 407	0.65 399	0.96 401	1.14 400	0.80 394	1.10 403	1.36 404	0.88 399	0.95 406	0.82 404	0.57 396	0.49 396	0.79 403	0.66 402	0.74 405	0.64 405

WAO-7	0.80 396	0.78 400	0.57 369	0.85 401	0.67 403	0.76 394	0.69 404	1.07 407	1.30 404	0.90 397	1.20 407	1.05 395	0.93 401	0.71 392	0.68 396	0.60 400	0.62 409	0.67 395	0.68 403	0.64 396	0.59 399

WAO-6	0.82 397	0.81 401	0.63 376	0.87 403	0.63 401	0.79 395	0.60 397	0.98 403	1.52 411	0.91 399	0.97 396	1.08 396	1.04 405	0.72 393	0.70 399	0.72 403	0.49 396	0.91 406	0.71 404	0.70 401	0.59 399

WAO-8	0.92 401	0.83 402	0.67 381	0.94 406	0.70 405	0.92 401	0.68 402	1.08 409	1.80 414	1.06 405	1.42 411	1.29 401	1.08 407	0.86 399	0.80 402	0.74 405	0.54 402	0.86 404	0.75 405	0.71 402	0.63 403

Venus	0.92 401	0.83 402	0.67 381	0.94 406	0.70 405	0.92 401	0.68 402	1.08 409	1.80 414	1.06 405	1.42 411	1.29 401	1.08 407	0.86 399	0.80 402	0.74 405	0.54 402	0.86 404	0.75 405	0.71 402	0.63 403

LVE	0.84 399	0.87 404	0.86 396	0.81 399	0.56 395	1.09 409	0.66 400	1.07 407	1.45 409	0.97 401	1.23 409	1.11 397	0.86 398	0.84 398	0.72 400	0.49 394	0.56 405	0.76 400	0.60 400	0.66 397	0.60 402

Dean	0.88 400	0.88 405	0.81 392	0.82 400	0.57 396	0.91 400	0.62 398	1.17 412	1.71 412	1.15 407	1.16 405	1.31 403	1.00 404	0.82 397	0.83 405	0.57 396	0.56 405	0.78 402	0.65 401	0.67 398	0.58 396

SPstereo	13.84 427	0.95 406	1.53 407	1.24 412	0.90 411	29.09 430	47.98 430	26.78 438	29.57 437	22.38 436	22.47 434	23.18 436	24.63 435	24.46 436	15.07 427	0.91 410	0.71 411	1.85 417	1.62 417	0.74 405	0.79 410

PWCK	0.72 391	0.95 406	0.99 399	0.77 396	0.32 383	0.79 395	0.38 380	0.92 397	0.90 394	0.96 400	0.76 386	0.97 393	0.62 387	0.87 401	0.68 396	0.73 404	0.46 390	0.76 400	0.49 392	0.71 402	0.44 394

UNDER WATER-64	0.97 403	0.96 408	1.48 406	0.88 404	0.57 396	1.24 412	0.90 409	0.78 393	0.96 395	1.05 403	0.85 391	1.56 411	1.26 411	0.97 408	0.99 407	0.88 409	0.57 407	1.04 409	0.88 409	0.81 407	0.75 407

UNDER WATER	0.99 405	1.00 409	1.47 405	1.00 408	0.71 407	1.18 411	0.86 407	0.81 395	1.09 399	1.02 402	0.90 393	1.53 410	1.26 411	1.06 410	1.02 408	0.79 407	0.54 402	1.02 408	0.88 409	0.83 408	0.75 407

notaker	0.98 404	1.13 410	1.02 400	1.14 410	0.81 408	0.73 392	0.69 404	0.94 400	1.15 401	1.19 409	1.19 406	1.41 406	1.17 410	1.10 412	0.74 401	0.82 408	0.64 410	1.18 411	0.79 407	1.02 410	0.82 411

KSHMR	1.10 407	1.19 411	0.90 398	1.26 414	1.00 413	0.99 404	0.96 410	1.13 411	1.35 405	1.16 408	1.28 410	1.40 405	0.97 403	1.03 409	0.93 406	1.03 412	1.08 414	1.20 412	1.03 413	1.03 411	0.98 413

ktn	1.02 406	1.23 412	0.82 393	1.24 412	0.86 410	1.00 406	0.86 407	0.96 401	1.37 406	1.05 403	1.12 404	1.16 398	1.06 406	0.95 406	0.62 393	1.28 415	0.71 411	1.39 415	0.83 408	1.06 412	0.77 409

DPSimNet_ROB	1.14 408	1.25 413	0.87 397	1.15 411	0.90 411	1.15 410	1.18 412	1.20 413	1.26 402	1.45 411	1.05 400	1.44 409	1.13 409	0.92 405	1.70 412	1.47 416	0.52 401	1.22 413	1.04 414	0.92 409	1.03 414

HanzoNet	1.31 409	1.29 414	1.22 403	1.13 409	0.85 409	1.05 408	0.84 406	1.06 406	1.47 410	1.66 412	1.63 413	2.48 416	1.78 413	1.63 414	1.69 411	1.27 414	0.80 413	1.32 414	1.02 412	1.07 413	0.90 412

JetRed	1.66 410	1.51 415	3.09 410	0.93 405	1.21 414	5.28 415	1.61 415	1.29 414	1.42 408	1.84 413	1.77 414	1.59 412	0.95 402	1.43 413	2.51 415	0.91 410	1.61 416	0.93 407	0.91 411	1.36 414	1.03 414

MADNet++	1.97 411	1.75 416	1.66 408	1.83 416	1.69 416	2.38 414	1.45 414	2.36 416	2.11 416	2.58 416	2.37 415	2.25 415	2.21 414	2.28 415	2.36 414	1.87 417	1.67 417	1.53 416	1.34 416	1.87 416	1.78 418

DLNR_Zeroshot_test	10.48 422	2.27 417	19.78 432	120.28 438	13.29 428	0.06 2	0.13 45	0.24 181	0.10 6	0.08 4	0.10 35	0.09 37	0.07 28	0.10 15	0.09 16	0.13 323	0.04 2	0.06 30	0.04 7	52.68 437	0.04 4

ASD4	3.59 413	3.47 418	2.05 409	1.75 415	2.54 418	9.22 419	17.86 420	2.29 415	5.54 418	2.49 415	2.86 416	2.05 413	3.46 415	2.77 416	5.29 416	1.23 413	1.36 415	1.13 410	1.33 415	1.71 415	1.50 417

DPSMNet_ROB	8.06 419	4.50 419	8.69 423	5.36 423	10.74 425	8.32 417	22.71 422	5.47 419	13.38 424	5.13 418	9.98 420	5.10 418	10.47 422	5.53 419	12.77 423	3.80 422	8.00 423	3.49 419	6.95 422	3.75 422	7.09 424

DGTPSM_ROB	8.06 419	4.50 419	8.69 423	5.34 421	10.73 424	8.32 417	22.71 422	5.47 419	13.38 424	5.13 418	9.98 420	5.10 418	10.47 422	5.53 419	12.77 423	3.79 421	8.00 423	3.49 419	6.95 422	3.74 421	7.09 424

xxxxx1	7.75 415	5.06 421	7.26 416	3.15 418	3.91 419	16.37 423	22.88 424	5.87 421	8.68 420	7.99 420	8.55 417	9.13 422	8.46 419	10.05 422	10.47 419	2.43 418	2.48 419	3.56 421	12.26 425	3.48 418	3.02 420

tt_ll	7.75 415	5.06 421	7.26 416	3.15 418	3.91 419	16.37 423	22.88 424	5.87 421	8.68 420	7.99 420	8.55 417	9.13 422	8.46 419	10.05 422	10.47 419	2.43 418	2.48 419	3.56 421	12.26 425	3.48 418	3.02 420

ff	7.75 415	5.06 421	7.26 416	3.15 418	3.91 419	16.37 423	22.88 424	5.87 421	8.68 420	7.99 420	8.55 417	9.13 422	8.46 419	10.05 422	10.47 419	2.43 418	2.48 419	3.56 421	12.26 425	3.48 418	3.02 420

Anonymous_1	10.87 424	7.82 424	7.41 419	10.29 424	10.08 423	18.64 427	26.11 427	11.02 425	13.45 426	9.43 423	10.10 422	9.73 425	11.31 424	10.69 425	12.47 422	6.42 425	8.38 425	5.70 424	10.22 424	11.41 426	6.65 423

DPSM_ROB	11.10 425	8.47 425	7.95 420	10.84 425	11.58 426	19.10 428	26.50 428	12.02 426	14.09 427	10.38 424	10.91 423	10.39 426	11.92 425	11.67 426	13.39 425	6.99 426	8.79 426	5.82 425	6.92 420	6.97 423	7.31 426

DPSM	11.10 425	8.47 425	7.95 420	10.84 425	11.58 426	19.10 428	26.50 428	12.02 426	14.09 427	10.38 424	10.91 423	10.39 426	11.92 425	11.67 426	13.39 425	6.99 426	8.79 426	5.82 425	6.92 420	6.97 423	7.31 426

PML	8.57 421	9.39 427	6.24 415	5.34 421	6.36 422	13.21 422	20.99 421	5.35 418	6.68 419	17.75 428	26.46 436	7.58 420	6.08 418	7.89 421	5.76 417	5.33 423	1.83 418	5.95 427	1.93 418	8.75 425	2.53 419

LRCNet_RVC	10.76 423	13.97 428	7.97 422	19.07 428	2.04 417	0.35 353	0.31 366	5.29 417	0.48 344	13.02 426	17.65 426	8.69 421	5.73 417	4.78 418	2.22 413	23.53 435	2.69 422	27.60 436	25.75 436	17.60 433	16.54 434

MyStereo03	22.37 431	17.11 429	16.16 427	21.87 430	23.27 431	38.30 431	53.36 432	24.10 432	28.51 433	20.93 433	21.96 431	20.94 430	24.00 429	23.43 432	27.22 433	14.07 429	17.72 433	11.70 428	13.96 430	14.00 427	14.72 429

MyStereo02	22.37 431	17.11 429	16.16 427	21.87 430	23.27 431	38.30 431	53.36 432	24.10 432	28.51 433	20.93 433	21.96 431	20.94 430	24.00 429	23.43 432	27.22 433	14.07 429	17.72 433	11.70 428	13.96 430	14.00 427	14.72 429

MyStereo	22.37 431	17.11 429	16.16 427	21.87 430	23.27 431	38.30 431	53.36 432	24.10 432	28.51 433	20.93 433	21.96 431	20.94 430	24.00 429	23.43 432	27.22 433	14.07 429	17.72 433	11.70 428	13.96 430	14.00 427	14.72 429

CasAABBNet	22.33 430	17.11 429	15.84 425	21.94 433	23.28 434	38.30 431	53.40 436	24.05 431	28.44 432	20.66 430	21.86 429	21.03 434	24.04 433	23.35 430	27.03 432	14.06 428	17.69 431	11.70 428	13.94 429	14.04 430	14.76 432

Selective-RAFT-Error	22.39 434	17.14 433	16.01 426	22.00 434	23.34 435	38.37 435	53.36 432	24.24 436	28.53 436	20.80 431	21.94 430	20.94 430	24.02 432	23.48 435	27.33 436	14.07 429	17.70 432	11.70 428	13.93 428	14.05 431	14.83 433

LSM0	22.80 435	17.22 434	19.17 430	22.12 435	28.90 437	38.38 436	53.27 431	24.21 435	28.36 431	20.84 432	21.11 428	21.63 435	24.25 434	23.42 431	26.98 431	14.08 433	17.39 430	11.72 433	13.98 433	14.22 432	14.66 428

HaxPig	15.73 428	18.55 435	19.19 431	16.92 427	15.89 429	7.80 416	7.57 416	13.37 428	10.80 423	15.40 427	14.87 425	15.95 428	14.81 427	15.67 428	15.97 428	18.96 434	16.72 429	19.47 434	18.10 434	19.45 434	19.06 435

MEDIAN_ROB	20.38 429	24.05 436	23.36 433	21.18 429	21.62 430	10.51 421	8.17 417	17.68 429	15.46 429	20.04 429	19.65 427	20.30 429	20.16 428	21.17 429	21.03 429	23.81 436	21.77 436	24.98 435	23.75 435	25.01 435	23.94 436

AVERAGE_ROB	24.89 436	29.12 437	27.98 434	24.83 436	24.59 436	17.82 426	11.61 418	21.45 430	19.91 430	25.04 437	24.38 435	25.06 437	25.31 436	24.69 437	22.86 430	29.74 437	27.09 437	28.97 437	27.94 437	30.07 436	29.35 437

test_example2	97.69 437	92.93 438	45.57 435	96.02 437	109.84 438	88.44 437	93.70 437	25.54 437	94.63 438	130.46 438	126.87 437	58.93 438	75.48 437	87.99 438	77.94 437	150.16 438	221.11 438	76.29 438	98.21 438	108.42 438	95.33 438

Low-res two-view benchmark