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

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

DLNR_Zeroshot_test	10.40 421	1.82 416	19.49 431	120.77 436	13.11 426	0.06 2	0.13 43	0.23 173	0.10 7	0.07 2	0.10 38	0.09 37	0.06 6	0.10 18	0.09 19	0.13 331	0.04 2	0.06 31	0.04 8	51.54 435	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 300	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 131	0.09 35	0.19 262	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
HH	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

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

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

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

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

cross-raft	0.10 50	0.09 190	0.09 28	0.19 227	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 53	0.12 89	0.10 88	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

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

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

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 71	0.09 37	0.08 49	0.11 45	0.10 49	0.08 190	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MyStereo07	0.10 50	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 101	0.09 19	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

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

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

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

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

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

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

StereoIM	0.09 11	0.09 190	0.08 11	0.17 115	0.09 131	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 53	0.06 3	0.06 6	0.09 10	0.13 157	0.07 141	0.06 189	0.07 98	0.05 31	0.05 40	0.04 7

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

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

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

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

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

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

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

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

CroCo-Stereo Lap2	0.09 11	0.09 190	0.08 11	0.22 304	0.09 131	0.09 35	0.19 262	0.16 42	0.12 25	0.09 15	0.10 38	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 189	0.07 98	0.05 31	0.05 40	0.05 51

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Selective-RAFT	0.11 80	0.10 237	0.11 70	0.21 291	0.08 47	0.16 199	0.13 43	0.20 123	0.22 173	0.10 40	0.10 38	0.11 74	0.10 88	0.15 166	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

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

test_3	0.10 50	0.09 190	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	0.14 15	0.21 162	0.10 40	0.10 38	0.09 37	0.09 67	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 80	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 199	0.18 231	0.15 26	0.15 69	0.10 40	0.11 53	0.11 74	0.11 109	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

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

sCroCo_RVC	0.12 135	0.09 190	0.23 299	0.24 328	0.11 254	0.19 253	0.14 69	0.17 72	0.14 58	0.10 40	0.13 71	0.12 89	0.07 31	0.14 148	0.11 85	0.08 190	0.08 268	0.08 162	0.08 211	0.05 40	0.07 157

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

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

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

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

CASnet	0.09 11	0.09 190	0.09 28	0.19 227	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 59	0.10 38	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 267	0.08 211	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 140	0.15 69	0.11 59	0.12 61	0.12 89	0.09 67	0.12 101	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

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

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

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

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

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

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

GMOStereo	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

error version	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-v	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

LCNet	0.11 80	0.07 69	0.09 28	0.19 227	0.09 131	0.08 23	0.15 115	0.21 140	0.15 69	0.11 59	0.15 94	0.16 162	0.11 109	0.12 101	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.15 341

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

RAFT-345	0.11 80	0.07 69	0.15 191	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 59	0.36 306	0.09 37	0.09 67	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

test-2	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

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

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

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

sAnonymous2	0.13 157	0.12 271	0.24 302	0.20 267	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CroCo_RVC	0.13 157	0.12 271	0.24 302	0.20 267	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

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

RAFT + AFF	0.13 157	0.07 69	0.20 280	0.20 267	0.10 216	0.14 153	0.24 321	0.26 215	0.20 149	0.11 59	0.10 38	0.12 89	0.10 88	0.15 166	0.12 127	0.07 141	0.06 189	0.09 226	0.08 211	0.06 101	0.08 217

DIP-Stereo	0.11 80	0.07 69	0.14 154	0.17 115	0.09 131	0.13 129	0.09 3	0.16 42	0.16 87	0.11 59	0.16 102	0.14 127	0.12 138	0.15 166	0.13 157	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MyStereo8	0.12 135	0.07 69	0.15 191	0.15 38	0.09 131	0.18 233	0.14 69	0.19 116	0.22 173	0.12 83	0.18 142	0.11 74	0.10 88	0.16 197	0.18 247	0.07 141	0.05 106	0.07 98	0.05 31	0.08 198	0.09 250

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

StereoVision	0.13 157	0.12 271	0.09 28	0.24 328	0.10 216	0.15 175	0.21 293	0.21 140	0.20 149	0.12 83	0.24 196	0.10 58	0.10 88	0.16 197	0.10 49	0.09 235	0.11 318	0.12 309	0.12 323	0.06 101	0.05 51

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

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

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

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

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

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

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

PSM-AAD	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.20 123	0.13 41	0.12 83	0.14 80	0.18 192	0.11 109	0.11 45	0.10 49	0.05 2	0.05 106	0.09 226	0.08 211	0.06 101	0.14 333

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

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

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

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

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

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

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

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

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

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
CoDeX	0.12 135	0.07 69	0.12 90	0.17 115	0.08 47	0.12 104	0.15 115	0.23 173	0.27 231	0.13 104	0.17 120	0.16 162	0.11 109	0.14 148	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

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

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

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

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

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

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

GwcNet-ADL	0.13 157	0.08 140	0.14 154	0.20 267	0.09 131	0.11 82	0.20 277	0.30 271	0.24 192	0.13 104	0.14 80	0.18 192	0.14 193	0.13 133	0.14 185	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

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

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

KYRaft	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.08 23	0.15 115	0.22 156	0.12 25	0.13 104	0.16 102	0.20 210	0.10 88	0.12 101	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.06 101	0.16 352

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

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

RAFT-RH_RVC	0.11 80	0.06 19	0.14 154	0.16 68	0.09 131	0.12 104	0.12 21	0.17 72	0.12 25	0.13 104	0.41 340	0.11 74	0.10 88	0.13 133	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

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

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

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

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

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

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 104	0.16 102	0.14 127	0.11 109	0.15 166	0.13 157	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MIF-Stereo (partial)	0.11 80	0.06 19	0.10 44	0.19 227	0.10 216	0.10 56	0.11 11	0.17 72	0.18 116	0.14 124	0.16 102	0.09 37	0.11 109	0.12 101	0.12 127	0.08 190	0.05 106	0.08 162	0.07 161	0.06 101	0.07 157

PCWNet_CMD	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 296	0.14 124	0.20 159	0.21 216	0.12 138	0.17 219	0.13 157	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

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

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

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

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

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

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

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

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

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

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

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

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

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

TestStereo	0.13 157	0.14 304	0.11 70	0.23 323	0.08 47	0.15 175	0.21 293	0.20 123	0.23 182	0.14 124	0.24 196	0.16 162	0.12 138	0.16 197	0.14 185	0.05 2	0.06 189	0.08 162	0.06 86	0.09 246	0.05 51

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

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

Anonymous	0.14 186	0.10 237	0.24 302	0.22 304	0.13 300	0.18 233	0.22 302	0.20 123	0.19 128	0.14 124	0.12 61	0.11 74	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.08 162	0.08 211	0.12 302	0.10 269

xxxx	0.15 219	0.07 69	0.14 154	0.14 13	0.08 47	0.23 300	0.18 231	0.31 277	0.19 128	0.14 124	0.28 256	0.22 233	0.14 193	0.15 166	0.26 328	0.09 235	0.05 106	0.07 98	0.07 161	0.08 198	0.07 157

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

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

MSMDNet	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 296	0.14 124	0.21 173	0.21 216	0.12 138	0.17 219	0.14 185	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

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

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

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

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

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

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

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

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

LL-Strereo	0.13 157	0.09 190	0.11 70	0.20 267	0.10 216	0.11 82	0.18 231	0.32 286	0.24 192	0.15 148	0.15 94	0.14 127	0.13 170	0.19 241	0.11 85	0.06 54	0.04 2	0.09 226	0.08 211	0.04 1	0.05 51

anonymousa	0.13 157	0.07 69	0.13 128	0.18 182	0.09 131	0.13 129	0.17 191	0.19 116	0.29 249	0.15 148	0.24 196	0.15 151	0.14 193	0.14 148	0.14 185	0.07 141	0.05 106	0.07 98	0.09 250	0.05 40	0.06 98

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

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

RAFT+CT+SA	0.13 157	0.11 257	0.09 28	0.19 227	0.09 131	0.15 175	0.28 352	0.22 156	0.22 173	0.15 148	0.26 240	0.10 58	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 211	0.07 155	0.06 98

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

Patchmatch Stereo++	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

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

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

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

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

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

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

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

Anonymous3	0.16 237	0.13 292	0.33 336	0.26 344	0.14 317	0.27 330	0.17 191	0.28 247	0.28 242	0.15 148	0.17 120	0.14 127	0.10 88	0.15 166	0.12 127	0.08 190	0.08 268	0.08 162	0.08 211	0.08 198	0.11 292

NVstereo2D	0.19 278	0.10 237	0.15 191	0.17 115	0.15 328	0.28 336	0.23 312	0.44 366	0.42 325	0.15 148	0.27 247	0.25 261	0.19 269	0.22 287	0.17 233	0.09 235	0.06 189	0.10 267	0.08 211	0.15 342	0.09 250

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

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

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

ADLNet2	0.16 237	0.09 190	0.13 128	0.16 68	0.09 131	0.20 265	0.16 170	0.31 277	0.39 310	0.16 173	0.20 159	0.20 210	0.18 254	0.21 276	0.22 290	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.07 157

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

AAGNet	0.11 80	0.07 69	0.16 221	0.19 227	0.09 131	0.08 23	0.13 43	0.18 96	0.13 41	0.16 173	0.21 173	0.13 112	0.14 193	0.11 45	0.14 185	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

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

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

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

test_xeample	0.15 219	0.06 19	0.13 128	0.14 13	0.08 47	0.21 279	0.20 277	0.28 247	0.20 149	0.16 173	0.29 267	0.19 200	0.16 226	0.15 166	0.26 328	0.09 235	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

GMStereo	0.13 157	0.14 304	0.14 154	0.18 182	0.09 131	0.15 175	0.16 170	0.20 123	0.24 192	0.16 173	0.17 120	0.10 58	0.10 88	0.16 197	0.13 157	0.07 141	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 186	0.07 69	0.13 128	0.15 38	0.08 47	0.13 129	0.16 170	0.24 190	0.24 192	0.16 173	0.28 256	0.22 233	0.14 193	0.15 166	0.13 157	0.11 287	0.06 189	0.09 226	0.12 323	0.08 198	0.07 157

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

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

MyStereo04	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.29 257	0.38 307	0.17 185	0.14 80	0.16 162	0.10 88	0.15 166	0.13 157	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

1111x	0.15 219	0.08 140	0.12 90	0.18 182	0.07 18	0.18 233	0.25 334	0.31 277	0.24 192	0.17 185	0.24 196	0.26 269	0.15 206	0.13 133	0.23 300	0.07 141	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

whm_eth	0.14 186	0.09 190	0.20 280	0.20 267	0.12 283	0.12 104	0.15 115	0.18 96	0.28 242	0.17 185	0.32 283	0.09 37	0.12 138	0.18 230	0.14 185	0.07 141	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157

CASS	0.13 157	0.12 271	0.11 70	0.23 323	0.09 131	0.15 175	0.17 191	0.18 96	0.19 128	0.17 185	0.18 142	0.15 151	0.15 206	0.14 148	0.14 185	0.09 235	0.06 189	0.10 267	0.08 211	0.09 246	0.07 157
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
TestStereo1	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 360	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

BUS	0.14 186	0.09 190	0.14 154	0.22 304	0.10 216	0.19 253	0.14 69	0.34 313	0.19 128	0.17 185	0.22 182	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

BSDual-CNN	0.15 219	0.09 190	0.14 154	0.22 304	0.10 216	0.14 153	0.15 115	0.34 313	0.19 128	0.17 185	0.22 182	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

hknet	0.15 219	0.11 257	0.13 128	0.22 304	0.11 254	0.14 153	0.15 115	0.34 313	0.25 211	0.17 185	0.22 182	0.22 233	0.18 254	0.17 219	0.12 127	0.07 141	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

SA-5K	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 360	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

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

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

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

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

222	0.16 237	0.07 69	0.14 154	0.14 13	0.08 47	0.24 305	0.18 231	0.30 271	0.20 149	0.17 185	0.28 256	0.17 181	0.16 226	0.15 166	0.40 375	0.10 266	0.05 106	0.07 98	0.06 86	0.07 155	0.08 217

delet	0.17 256	0.08 140	0.17 246	0.19 227	0.11 254	0.20 265	0.21 293	0.30 271	0.37 302	0.17 185	0.26 240	0.19 200	0.19 269	0.19 241	0.21 281	0.08 190	0.08 268	0.09 226	0.11 305	0.06 101	0.06 98

UPFNet	0.16 237	0.08 140	0.12 90	0.20 267	0.12 283	0.20 265	0.23 312	0.28 247	0.26 224	0.17 185	0.24 196	0.22 233	0.19 269	0.19 241	0.21 281	0.09 235	0.07 246	0.08 162	0.09 250	0.08 198	0.06 98

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

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

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

GANet-RSSM	0.14 186	0.07 69	0.13 128	0.13 6	0.08 47	0.14 153	0.17 191	0.22 156	0.21 162	0.17 185	0.24 196	0.23 245	0.15 206	0.16 197	0.15 208	0.10 266	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

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

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

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

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

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

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

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

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

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

test_5	0.14 186	0.12 271	0.08 11	0.20 267	0.10 216	0.14 153	0.29 360	0.21 140	0.24 192	0.18 211	0.28 256	0.11 74	0.15 206	0.12 101	0.13 157	0.06 54	0.05 106	0.07 98	0.08 211	0.08 198	0.07 157

NINENet	0.16 237	0.10 237	0.15 191	0.17 115	0.11 254	0.19 253	0.14 69	0.40 351	0.36 296	0.18 211	0.21 173	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.08 268	0.10 267	0.07 161	0.10 273	0.09 250

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

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

PSMNet-ADL	0.15 219	0.12 271	0.13 128	0.22 304	0.09 131	0.13 129	0.20 277	0.26 215	0.23 182	0.18 211	0.20 159	0.24 251	0.16 226	0.18 230	0.17 233	0.08 190	0.08 268	0.08 162	0.11 305	0.08 198	0.07 157

ICVP	0.15 219	0.09 190	0.12 90	0.22 304	0.09 131	0.17 218	0.21 293	0.25 203	0.23 182	0.18 211	0.30 271	0.26 269	0.18 254	0.17 219	0.14 185	0.09 235	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 237	0.08 140	0.15 191	0.18 182	0.10 216	0.22 287	0.18 231	0.24 190	0.21 162	0.18 211	0.24 196	0.29 290	0.18 254	0.19 241	0.22 290	0.09 235	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

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

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

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

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

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

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

SDNR	0.19 278	0.08 140	0.19 272	0.16 68	0.12 283	0.77 398	0.14 69	0.25 203	0.32 268	0.19 224	0.24 196	0.19 200	0.13 170	0.19 241	0.15 208	0.16 356	0.18 363	0.14 333	0.11 305	0.08 198	0.11 292

ToySt	0.17 256	0.11 257	0.18 263	0.17 115	0.11 254	0.16 199	0.25 334	0.24 190	0.33 274	0.19 224	0.24 196	0.26 269	0.24 302	0.19 241	0.20 262	0.07 141	0.08 268	0.09 226	0.10 282	0.09 246	0.08 217

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

AASNet	0.16 237	0.08 140	0.12 90	0.19 227	0.09 131	0.18 233	0.15 115	0.37 336	0.37 302	0.19 224	0.23 188	0.20 210	0.16 226	0.17 219	0.20 262	0.10 266	0.08 268	0.08 162	0.07 161	0.09 246	0.09 250

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

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

pcwnet_v2	0.19 278	0.10 237	0.26 309	0.17 115	0.14 317	0.18 233	0.15 115	0.37 336	0.46 342	0.19 224	0.24 196	0.21 216	0.19 269	0.20 260	0.19 256	0.13 331	0.10 309	0.10 267	0.10 282	0.11 288	0.13 316

HCRNet	0.16 237	0.24 360	0.12 90	0.35 374	0.11 254	0.15 175	0.17 191	0.26 215	0.22 173	0.19 224	0.24 196	0.21 216	0.14 193	0.15 166	0.13 157	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

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

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

DeepPruner_ROB	0.16 237	0.11 257	0.15 191	0.17 115	0.10 216	0.17 218	0.15 115	0.32 286	0.21 162	0.19 224	0.21 173	0.22 233	0.18 254	0.20 260	0.15 208	0.13 331	0.09 291	0.09 226	0.09 250	0.11 288	0.10 269

HSM	0.15 219	0.08 140	0.14 154	0.16 68	0.09 131	0.16 199	0.14 69	0.28 247	0.25 211	0.19 224	0.23 188	0.37 335	0.16 226	0.20 260	0.15 208	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

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

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

RAFT_CTSACE	0.12 135	0.09 190	0.10 44	0.22 304	0.08 47	0.12 104	0.24 321	0.18 96	0.16 87	0.20 241	0.27 247	0.13 112	0.07 31	0.13 133	0.09 19	0.05 2	0.06 189	0.08 162	0.07 161	0.04 1	0.04 7

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

GEStereo_RVC	0.17 256	0.12 271	0.15 191	0.22 304	0.11 254	0.19 253	0.17 191	0.32 286	0.48 344	0.20 241	0.25 225	0.17 181	0.13 170	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.07 161	0.09 246	0.08 217

GwcNet	0.20 287	0.13 292	0.19 272	0.18 182	0.12 283	0.24 305	0.19 262	0.35 325	0.43 330	0.20 241	0.32 283	0.33 319	0.20 277	0.22 287	0.24 310	0.11 287	0.09 291	0.09 226	0.09 250	0.09 246	0.10 269

AdaStereo	0.15 219	0.11 257	0.15 191	0.18 182	0.09 131	0.20 265	0.11 11	0.32 286	0.28 242	0.20 241	0.23 188	0.20 210	0.13 170	0.19 241	0.14 185	0.12 311	0.05 106	0.10 267	0.07 161	0.09 246	0.07 157
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
NOSS_ROB	0.19 278	0.12 271	0.18 263	0.16 68	0.12 283	0.15 175	0.12 21	0.30 271	0.32 268	0.20 241	0.22 182	0.27 276	0.23 296	0.21 276	0.16 222	0.16 356	0.18 363	0.23 367	0.21 363	0.12 302	0.13 316

iinet-f	0.16 237	0.06 19	0.45 357	0.14 13	0.10 216	0.21 279	0.14 69	0.27 233	0.23 182	0.21 249	0.24 196	0.21 216	0.15 206	0.18 230	0.21 281	0.09 235	0.07 246	0.07 98	0.06 86	0.09 246	0.10 269

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

psm_up	0.18 268	0.10 237	0.18 263	0.20 267	0.11 254	0.17 218	0.19 262	0.37 336	0.34 285	0.21 249	0.28 256	0.29 290	0.24 302	0.20 260	0.22 290	0.09 235	0.10 309	0.11 294	0.11 305	0.08 198	0.08 217

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

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

DMCA-RVC	0.17 256	0.10 237	0.15 191	0.24 328	0.11 254	0.18 233	0.18 231	0.25 203	0.24 192	0.21 249	0.26 240	0.25 261	0.27 321	0.18 230	0.20 262	0.12 311	0.08 268	0.13 323	0.10 282	0.10 273	0.08 217

FADNet_RVC	0.16 237	0.14 304	0.40 352	0.20 267	0.11 254	0.13 129	0.13 43	0.26 215	0.22 173	0.21 249	0.23 188	0.20 210	0.17 245	0.14 148	0.16 222	0.08 190	0.08 268	0.12 309	0.09 250	0.11 288	0.10 269

STTStereo	0.18 268	0.12 271	0.27 315	0.20 267	0.11 254	0.16 199	0.21 293	0.29 257	0.23 182	0.21 249	0.30 271	0.29 290	0.18 254	0.20 260	0.19 256	0.12 311	0.11 318	0.11 294	0.14 336	0.09 246	0.08 217

RP	0.21 296	0.13 292	0.21 285	0.23 323	0.11 254	0.21 279	0.20 277	0.25 203	0.44 334	0.21 249	0.38 317	0.36 331	0.24 302	0.27 316	0.25 319	0.11 287	0.12 327	0.13 323	0.12 323	0.12 302	0.14 333

TDLM	0.17 256	0.12 271	0.13 128	0.24 328	0.10 216	0.18 233	0.18 231	0.36 331	0.30 256	0.21 249	0.28 256	0.28 283	0.18 254	0.23 298	0.18 247	0.11 287	0.07 246	0.10 267	0.10 282	0.08 198	0.08 217

NLCA_NET_v2_RVC	0.17 256	0.10 237	0.22 290	0.20 267	0.10 216	0.15 175	0.18 231	0.31 277	0.25 211	0.21 249	0.30 271	0.25 261	0.17 245	0.21 276	0.20 262	0.09 235	0.06 189	0.08 162	0.08 211	0.07 155	0.08 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
iResNetv2_ROB	0.14 186	0.08 140	0.15 191	0.16 68	0.08 47	0.16 199	0.12 21	0.25 203	0.35 292	0.21 249	0.29 267	0.24 251	0.13 170	0.14 148	0.14 185	0.06 54	0.05 106	0.06 31	0.04 8	0.09 246	0.08 217

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

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

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

HBP-ISP	0.18 268	0.13 292	0.16 221	0.15 38	0.11 254	0.08 23	0.13 43	0.28 247	0.29 249	0.22 262	0.33 296	0.21 216	0.25 310	0.23 298	0.17 233	0.14 342	0.16 356	0.21 362	0.17 355	0.10 273	0.08 217

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

MMNet	0.17 256	0.09 190	0.16 221	0.20 267	0.11 254	0.27 330	0.20 277	0.25 203	0.41 319	0.22 262	0.30 271	0.21 216	0.20 277	0.17 219	0.20 262	0.06 54	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

stereogan	0.22 305	0.11 257	0.21 285	0.20 267	0.12 283	0.31 343	0.19 262	0.35 325	0.44 334	0.22 262	0.39 325	0.35 329	0.27 321	0.33 345	0.22 290	0.10 266	0.12 327	0.10 267	0.10 282	0.14 331	0.13 316

Nwc_Net	0.23 320	0.16 317	0.21 285	0.25 339	0.14 317	0.24 305	0.26 340	0.37 336	0.38 307	0.22 262	0.41 340	0.30 298	0.28 329	0.28 327	0.25 319	0.11 287	0.10 309	0.17 349	0.20 361	0.10 273	0.10 269

PA-Net	0.23 320	0.18 338	0.33 336	0.28 358	0.22 367	0.21 279	0.38 382	0.29 257	0.39 310	0.22 262	0.32 283	0.25 261	0.26 313	0.20 260	0.25 319	0.09 235	0.23 378	0.15 341	0.22 366	0.09 246	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CVANet_RVC	0.18 268	0.10 237	0.14 154	0.21 291	0.10 216	0.18 233	0.17 191	0.34 313	0.33 274	0.22 262	0.31 279	0.28 283	0.18 254	0.23 298	0.17 233	0.12 311	0.08 268	0.12 309	0.11 305	0.09 246	0.07 157

AANet_RVC	0.16 237	0.10 237	0.10 44	0.18 182	0.09 131	0.18 233	0.19 262	0.26 215	0.31 262	0.22 262	0.35 303	0.21 216	0.21 281	0.22 287	0.16 222	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

DISCO	0.19 278	0.09 190	0.22 290	0.17 115	0.10 216	0.25 315	0.18 231	0.27 233	0.44 334	0.22 262	0.31 279	0.33 319	0.26 313	0.28 327	0.28 343	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.09 250

iResNet_ROB	0.14 186	0.07 69	0.13 128	0.14 13	0.07 18	0.18 233	0.14 69	0.26 215	0.31 262	0.22 262	0.25 225	0.23 245	0.15 206	0.15 166	0.13 157	0.07 141	0.05 106	0.05 2	0.04 8	0.08 198	0.08 217

GMStereo_Zeroshot	0.16 237	0.13 292	0.24 302	0.20 267	0.10 216	0.17 218	0.13 43	0.29 257	0.25 211	0.23 274	0.32 283	0.25 261	0.11 109	0.19 241	0.14 185	0.09 235	0.06 189	0.11 294	0.06 86	0.12 302	0.08 217

Anonymous_2	0.22 305	0.17 328	0.28 320	0.15 38	0.16 338	0.32 344	0.22 302	0.22 156	0.17 99	0.23 274	0.24 196	0.26 269	0.27 321	0.27 316	0.23 300	0.22 373	0.25 380	0.17 349	0.17 355	0.17 356	0.17 359

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

UDG	0.21 296	0.17 328	0.19 272	0.23 323	0.15 328	0.30 342	0.20 277	0.33 303	0.35 292	0.23 274	0.28 256	0.31 308	0.27 321	0.20 260	0.22 290	0.15 345	0.12 327	0.13 323	0.09 250	0.14 331	0.14 333

SACVNet	0.18 268	0.12 271	0.14 154	0.17 115	0.13 300	0.22 287	0.18 231	0.31 277	0.30 256	0.23 274	0.31 279	0.30 298	0.22 290	0.22 287	0.17 233	0.11 287	0.08 268	0.10 267	0.10 282	0.12 302	0.14 333

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

FADNet	0.21 296	0.22 356	0.36 345	0.18 182	0.17 351	0.24 305	0.13 43	0.31 277	0.31 262	0.23 274	0.25 225	0.27 276	0.21 281	0.19 241	0.15 208	0.13 331	0.15 353	0.12 309	0.15 346	0.16 349	0.18 361

S-Stereo	0.20 287	0.12 271	0.25 308	0.21 291	0.13 300	0.20 265	0.18 231	0.32 286	0.43 330	0.23 274	0.36 306	0.28 283	0.30 341	0.19 241	0.22 290	0.09 235	0.12 327	0.10 267	0.10 282	0.13 319	0.13 316

SQANet	0.23 320	0.23 357	0.30 329	0.30 367	0.19 360	0.27 330	0.13 43	0.29 257	0.33 274	0.24 282	0.37 312	0.31 308	0.22 290	0.27 316	0.23 300	0.15 345	0.10 309	0.21 362	0.16 348	0.21 364	0.15 341

WZ-Net	0.28 348	0.17 328	0.78 392	0.22 304	0.16 338	0.34 353	0.29 360	0.39 347	0.57 365	0.24 282	0.55 365	0.37 335	0.24 302	0.33 345	0.35 364	0.09 235	0.08 268	0.09 226	0.10 282	0.14 331	0.16 352

LMCR-Stereo	0.15 219	0.08 140	0.13 128	0.21 291	0.09 131	0.17 218	0.20 277	0.27 233	0.19 128	0.24 282	0.24 196	0.23 245	0.17 245	0.20 260	0.17 233	0.07 141	0.06 189	0.08 162	0.06 86	0.10 273	0.08 217

DGSMNet	0.24 328	0.19 341	0.33 336	0.21 291	0.24 370	0.24 305	0.20 277	0.35 325	0.41 319	0.24 282	0.32 283	0.38 339	0.21 281	0.29 333	0.23 300	0.12 311	0.11 318	0.14 333	0.16 348	0.23 367	0.23 372

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

FADNet-RVC-Resample	0.16 237	0.11 257	0.31 331	0.22 304	0.11 254	0.19 253	0.14 69	0.25 203	0.24 192	0.24 282	0.27 247	0.20 210	0.15 206	0.16 197	0.15 208	0.07 141	0.08 268	0.12 309	0.10 282	0.09 246	0.10 269

NCC-stereo	0.24 328	0.15 310	0.31 331	0.26 344	0.16 338	0.20 265	0.30 367	0.40 351	0.40 316	0.24 282	0.38 317	0.33 319	0.28 329	0.36 359	0.27 335	0.12 311	0.11 318	0.15 341	0.22 366	0.13 319	0.13 316

Abc-Net	0.24 328	0.15 310	0.31 331	0.26 344	0.16 338	0.20 265	0.30 367	0.40 351	0.40 316	0.24 282	0.38 317	0.33 319	0.28 329	0.36 359	0.27 335	0.12 311	0.11 318	0.15 341	0.22 366	0.13 319	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 328	0.11 257	0.47 361	0.22 304	0.12 283	0.34 353	0.29 360	0.29 257	0.56 363	0.24 282	0.46 352	0.30 298	0.30 341	0.29 333	0.29 346	0.08 190	0.07 246	0.09 226	0.09 250	0.10 273	0.10 269

RYNet	0.22 305	0.12 271	0.22 290	0.19 227	0.17 351	0.46 369	0.26 340	0.38 343	0.48 344	0.24 282	0.28 256	0.34 325	0.23 296	0.20 260	0.30 350	0.10 266	0.06 189	0.09 226	0.09 250	0.13 319	0.15 341

DRN-Test	0.19 278	0.11 257	0.20 280	0.22 304	0.10 216	0.22 287	0.22 302	0.39 347	0.37 302	0.24 282	0.32 283	0.26 269	0.21 281	0.22 287	0.24 310	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

StereoDRNet	0.18 268	0.11 257	0.17 246	0.22 304	0.11 254	0.21 279	0.22 302	0.37 336	0.33 274	0.24 282	0.28 256	0.30 298	0.19 269	0.20 260	0.20 262	0.09 235	0.08 268	0.11 294	0.09 250	0.09 246	0.07 157

SGM-Forest	0.20 287	0.14 304	0.18 263	0.19 227	0.13 300	0.20 265	0.22 302	0.33 303	0.30 256	0.24 282	0.29 267	0.28 283	0.19 269	0.23 298	0.17 233	0.15 345	0.16 356	0.15 341	0.14 336	0.12 302	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-LNSev-Ref	0.18 268	0.09 190	0.29 326	0.15 38	0.10 216	0.22 287	0.20 277	0.26 215	0.39 310	0.25 295	0.42 345	0.24 251	0.15 206	0.20 260	0.19 256	0.07 141	0.05 106	0.06 31	0.05 31	0.10 273	0.09 250

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

FINET	0.21 296	0.18 338	0.26 309	0.18 182	0.16 338	0.23 300	0.23 312	0.32 286	0.48 344	0.25 295	0.32 283	0.22 233	0.22 290	0.22 287	0.17 233	0.18 361	0.16 356	0.11 294	0.10 282	0.15 342	0.13 316

AF-Net	0.22 305	0.17 328	0.17 246	0.26 344	0.13 300	0.25 315	0.24 321	0.32 286	0.50 351	0.25 295	0.33 296	0.38 339	0.26 313	0.28 327	0.25 319	0.11 287	0.10 309	0.16 347	0.11 305	0.11 288	0.10 269

Anonymous Stereo	0.23 320	0.19 341	0.50 363	0.24 328	0.17 351	0.21 279	0.21 293	0.33 303	0.44 334	0.25 295	0.34 300	0.26 269	0.18 254	0.31 337	0.27 335	0.13 331	0.12 327	0.12 309	0.13 332	0.11 288	0.14 333

FADNet-RVC	0.20 287	0.20 346	0.38 349	0.21 291	0.16 338	0.20 265	0.15 115	0.26 215	0.26 224	0.26 300	0.32 283	0.26 269	0.21 281	0.22 287	0.19 256	0.12 311	0.13 340	0.12 309	0.14 336	0.13 319	0.18 361

SuperB	0.20 287	0.10 237	0.56 371	0.16 68	0.09 131	0.18 233	0.18 231	0.24 190	0.50 351	0.26 300	0.39 325	0.17 181	0.21 281	0.22 287	0.21 281	0.08 190	0.06 189	0.06 31	0.06 86	0.12 302	0.10 269

ADCRef	0.19 278	0.12 271	0.41 354	0.20 267	0.12 283	0.22 287	0.18 231	0.32 286	0.36 296	0.26 300	0.32 283	0.17 181	0.23 296	0.24 306	0.24 310	0.07 141	0.06 189	0.09 226	0.09 250	0.08 198	0.08 217

DeepPrunerF	0.24 328	0.17 328	0.42 355	0.26 344	0.16 338	0.22 287	0.28 352	0.37 336	0.50 351	0.26 300	0.29 267	0.24 251	0.28 329	0.21 276	0.22 290	0.15 345	0.11 318	0.20 361	0.18 359	0.12 302	0.13 316

ADCP+	0.20 287	0.10 237	0.33 336	0.20 267	0.12 283	0.22 287	0.26 340	0.31 277	0.34 285	0.26 300	0.37 312	0.22 233	0.22 290	0.27 316	0.27 335	0.09 235	0.06 189	0.08 162	0.08 211	0.09 246	0.10 269

StereoDRNet-Refined	0.17 256	0.12 271	0.15 191	0.20 267	0.09 131	0.18 233	0.18 231	0.26 215	0.23 182	0.26 300	0.40 330	0.22 233	0.17 245	0.21 276	0.20 262	0.08 190	0.05 106	0.09 226	0.10 282	0.07 155	0.07 157
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
GASNet	0.22 305	0.23 357	0.33 336	0.26 344	0.17 351	0.26 323	0.16 170	0.44 366	0.42 325	0.27 306	0.24 196	0.30 298	0.15 206	0.27 316	0.18 247	0.12 311	0.08 268	0.12 309	0.11 305	0.16 349	0.07 157

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

APVNet	0.22 305	0.12 271	0.19 272	0.18 182	0.14 317	0.32 344	0.31 373	0.39 347	0.32 268	0.27 306	0.40 330	0.30 298	0.29 337	0.26 313	0.25 319	0.11 287	0.12 327	0.11 294	0.14 336	0.12 302	0.12 303

FAT-Stereo	0.20 287	0.12 271	0.22 290	0.21 291	0.12 283	0.17 218	0.18 231	0.34 313	0.39 310	0.27 306	0.37 312	0.34 325	0.32 348	0.21 276	0.20 262	0.09 235	0.11 318	0.10 267	0.09 250	0.11 288	0.14 333

RGC	0.25 337	0.20 346	0.29 326	0.28 358	0.16 338	0.22 287	0.23 312	0.32 286	0.44 334	0.27 306	0.40 330	0.38 339	0.27 321	0.36 359	0.22 290	0.11 287	0.13 340	0.17 349	0.17 355	0.14 331	0.16 352

RTSC	0.23 320	0.12 271	0.28 320	0.21 291	0.13 300	0.28 336	0.16 170	0.35 325	0.66 379	0.27 306	0.33 296	0.30 298	0.21 281	0.31 337	0.29 346	0.10 266	0.08 268	0.09 226	0.10 282	0.13 319	0.13 316

PS-NSSS	0.20 287	0.21 352	0.23 299	0.20 267	0.10 216	0.19 253	0.17 191	0.36 331	0.25 211	0.27 306	0.33 296	0.27 276	0.24 302	0.20 260	0.20 262	0.15 345	0.12 327	0.17 349	0.14 336	0.10 273	0.08 217

CBMV_ROB	0.19 278	0.13 292	0.17 246	0.16 68	0.11 254	0.15 175	0.13 43	0.26 215	0.28 242	0.27 306	0.30 271	0.27 276	0.24 302	0.23 298	0.16 222	0.15 345	0.17 361	0.22 366	0.20 361	0.10 273	0.11 292

DLCB_ROB	0.18 268	0.10 237	0.15 191	0.23 323	0.11 254	0.24 305	0.18 231	0.29 257	0.28 242	0.27 306	0.28 256	0.28 283	0.24 302	0.19 241	0.20 262	0.08 190	0.08 268	0.09 226	0.09 250	0.07 155	0.07 157

DispFullNet	0.27 345	0.21 352	0.65 378	0.28 358	0.16 338	0.26 323	0.17 191	0.33 303	0.58 368	0.27 306	0.38 317	0.43 356	0.23 296	0.38 364	0.23 300	0.12 311	0.06 189	0.19 359	0.11 305	0.21 364	0.15 341

PSMNet_ROB	0.21 296	0.11 257	0.15 191	0.27 355	0.15 328	0.24 305	0.35 377	0.43 364	0.37 302	0.27 306	0.32 283	0.32 316	0.22 290	0.21 276	0.26 328	0.12 311	0.08 268	0.13 323	0.11 305	0.09 246	0.09 250

Wz-Net-MNSev	0.22 305	0.13 292	0.31 331	0.20 267	0.14 317	0.36 362	0.24 321	0.33 303	0.44 334	0.28 317	0.40 330	0.38 339	0.19 269	0.24 306	0.25 319	0.09 235	0.07 246	0.09 226	0.09 250	0.12 302	0.10 269

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

Syn2CoEx	0.21 296	0.16 317	0.27 315	0.29 365	0.14 317	0.26 323	0.20 277	0.33 303	0.31 262	0.28 317	0.36 306	0.27 276	0.25 310	0.19 241	0.24 310	0.16 356	0.12 327	0.14 333	0.11 305	0.09 246	0.08 217

DANet	0.21 296	0.15 310	0.28 320	0.25 339	0.13 300	0.22 287	0.19 262	0.27 233	0.27 231	0.28 317	0.32 283	0.35 329	0.31 345	0.31 337	0.23 300	0.11 287	0.09 291	0.11 294	0.10 282	0.13 319	0.11 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ETE_ROB	0.23 320	0.17 328	0.22 290	0.25 339	0.13 300	0.26 323	0.29 360	0.31 277	0.36 296	0.28 317	0.36 306	0.45 360	0.26 313	0.27 316	0.26 328	0.11 287	0.08 268	0.12 309	0.09 250	0.14 331	0.13 316

PDISCO_ROB	0.27 345	0.16 317	0.26 309	0.28 358	0.20 363	0.32 344	0.26 340	0.44 366	0.57 365	0.28 317	0.40 330	0.45 360	0.29 337	0.33 345	0.34 363	0.12 311	0.09 291	0.17 349	0.16 348	0.17 356	0.13 316

DPSNet	0.28 348	0.16 317	0.31 331	0.18 182	0.13 300	0.54 377	0.42 386	0.51 378	0.67 380	0.29 323	0.38 317	0.38 339	0.29 337	0.31 337	0.23 300	0.11 287	0.10 309	0.11 294	0.08 211	0.20 363	0.16 352

PWCDC_ROB	0.20 287	0.13 292	0.22 290	0.24 328	0.11 254	0.19 253	0.15 115	0.33 303	0.54 360	0.29 323	0.50 360	0.21 216	0.15 206	0.27 316	0.20 262	0.11 287	0.09 291	0.10 267	0.08 211	0.11 288	0.09 250

CBMV	0.19 278	0.14 304	0.17 246	0.18 182	0.10 216	0.20 265	0.11 11	0.29 257	0.30 256	0.29 323	0.30 271	0.30 298	0.23 296	0.27 316	0.19 256	0.13 331	0.15 353	0.17 349	0.16 348	0.10 273	0.10 269
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-SNSev	0.25 337	0.17 328	0.44 356	0.25 339	0.14 317	0.26 323	0.23 312	0.38 343	0.56 363	0.30 326	0.55 365	0.39 347	0.26 313	0.23 298	0.30 350	0.10 266	0.09 291	0.09 226	0.10 282	0.11 288	0.11 292

Wz-Net-LNSev	0.22 305	0.16 317	0.38 349	0.21 291	0.13 300	0.25 315	0.23 312	0.32 286	0.43 330	0.30 326	0.41 340	0.31 308	0.18 254	0.22 287	0.25 319	0.10 266	0.09 291	0.08 162	0.08 211	0.12 302	0.11 292

dad	0.17 256	0.20 346	0.20 280	0.16 68	0.11 254	0.20 265	0.18 231	0.21 140	0.28 242	0.30 326	0.24 196	0.29 290	0.13 170	0.19 241	0.16 222	0.18 361	0.09 291	0.11 294	0.09 250	0.11 288	0.07 157

ADCPNet	0.25 337	0.16 317	0.61 375	0.21 291	0.15 328	0.35 361	0.25 334	0.32 286	0.35 292	0.30 326	0.40 330	0.36 331	0.28 329	0.28 327	0.32 358	0.12 311	0.10 309	0.11 294	0.12 323	0.14 331	0.13 316

XPNet_ROB	0.22 305	0.11 257	0.19 272	0.22 304	0.13 300	0.22 287	0.19 262	0.34 313	0.40 316	0.30 326	0.39 325	0.39 347	0.26 313	0.26 313	0.28 343	0.15 345	0.10 309	0.10 267	0.10 282	0.13 319	0.12 303

PWC_ROB	0.21 296	0.16 317	0.26 309	0.18 182	0.11 254	0.22 287	0.13 43	0.32 286	0.49 349	0.30 326	0.40 330	0.32 316	0.24 302	0.31 337	0.22 290	0.10 266	0.07 246	0.11 294	0.08 211	0.11 288	0.10 269

DDUNet	0.22 305	0.17 328	0.21 285	0.22 304	0.15 328	0.25 315	0.24 321	0.29 257	0.30 256	0.31 332	0.36 306	0.33 319	0.25 310	0.24 306	0.20 262	0.18 361	0.13 340	0.17 349	0.11 305	0.16 349	0.16 352

XQC	0.28 348	0.23 357	0.51 364	0.28 358	0.19 360	0.34 353	0.27 347	0.36 331	0.57 365	0.31 332	0.30 271	0.37 335	0.30 341	0.38 364	0.38 371	0.13 331	0.09 291	0.15 341	0.12 323	0.17 356	0.18 361

AnyNet_C32	0.26 343	0.16 317	0.36 345	0.20 267	0.16 338	0.25 315	0.30 367	0.32 286	0.44 334	0.31 332	0.49 356	0.30 298	0.33 349	0.40 371	0.33 361	0.12 311	0.12 327	0.12 309	0.14 336	0.14 331	0.15 341

GANet	0.21 296	0.12 271	0.21 285	0.24 328	0.13 300	0.22 287	0.22 302	0.41 356	0.26 224	0.31 332	0.42 345	0.37 335	0.28 329	0.23 298	0.22 290	0.10 266	0.12 327	0.10 267	0.09 250	0.10 273	0.08 217

NCCL2	0.23 320	0.15 310	0.17 246	0.34 372	0.18 358	0.24 305	0.23 312	0.34 313	0.28 242	0.31 332	0.38 317	0.38 339	0.28 329	0.23 298	0.24 310	0.15 345	0.12 327	0.18 357	0.21 363	0.13 319	0.13 316

NaN_ROB	0.22 305	0.19 341	0.24 302	0.25 339	0.13 300	0.29 339	0.26 340	0.33 303	0.41 319	0.31 332	0.31 279	0.32 316	0.23 296	0.30 336	0.21 281	0.11 287	0.17 361	0.10 267	0.10 282	0.08 198	0.09 250

Consistency-Raft	0.44 375	0.40 382	0.45 357	0.37 377	0.43 386	0.46 369	0.41 383	0.57 386	0.55 361	0.32 338	0.73 383	0.33 319	0.48 377	0.42 374	0.49 386	0.39 386	0.35 386	0.45 386	0.51 394	0.42 386	0.29 381

MaskLacGwcNet_RVC	0.22 305	0.21 352	0.24 302	0.26 344	0.11 254	0.23 300	0.14 69	0.39 347	0.24 192	0.32 338	0.36 306	0.30 298	0.21 281	0.19 241	0.21 281	0.17 360	0.14 347	0.21 362	0.16 348	0.12 302	0.12 303

edge stereo	0.22 305	0.13 292	0.20 280	0.21 291	0.13 300	0.23 300	0.16 170	0.32 286	0.42 325	0.32 338	0.40 330	0.38 339	0.35 355	0.25 311	0.24 310	0.13 331	0.11 318	0.14 333	0.11 305	0.12 302	0.13 316

SHD	0.26 343	0.15 310	0.30 329	0.24 328	0.18 358	0.22 287	0.15 115	0.38 343	0.71 383	0.32 338	0.41 340	0.36 331	0.28 329	0.32 343	0.29 346	0.12 311	0.11 318	0.14 333	0.13 332	0.16 349	0.20 367

LALA_ROB	0.25 337	0.16 317	0.22 290	0.26 344	0.17 351	0.27 330	0.27 347	0.42 361	0.37 302	0.33 342	0.38 317	0.51 370	0.26 313	0.28 327	0.27 335	0.16 356	0.09 291	0.12 309	0.11 305	0.13 319	0.12 303

Wz-Net-TNSev	0.29 352	0.20 346	0.65 378	0.19 227	0.15 328	0.38 365	0.27 347	0.35 325	0.55 361	0.34 343	0.42 345	0.45 360	0.38 360	0.32 343	0.30 350	0.12 311	0.13 340	0.10 267	0.12 323	0.15 342	0.14 333

GANetREF_RVC	0.31 358	0.34 377	0.27 315	0.35 374	0.16 338	0.32 344	0.41 383	0.48 373	0.51 358	0.35 344	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
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
PASM	0.32 360	0.24 360	0.48 362	0.28 358	0.27 376	0.29 339	0.30 367	0.34 313	0.49 349	0.35 344	0.39 325	0.46 364	0.34 353	0.34 348	0.35 364	0.23 377	0.25 380	0.26 369	0.28 377	0.23 367	0.21 369

ccnet	0.29 352	0.28 370	0.23 299	0.20 267	0.28 377	0.41 368	0.21 293	0.45 369	0.33 274	0.36 346	0.46 352	0.36 331	0.30 341	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

G-Net	0.24 328	0.16 317	0.36 345	0.22 304	0.16 338	0.51 375	0.23 312	0.29 257	0.34 285	0.36 346	0.38 317	0.31 308	0.29 337	0.27 316	0.26 328	0.11 287	0.09 291	0.12 309	0.09 250	0.16 349	0.13 316

SAMSARA	0.40 370	0.28 370	0.33 336	0.55 389	0.39 383	0.82 399	1.23 413	0.47 372	0.51 358	0.36 346	0.35 303	0.55 375	0.39 362	0.38 364	0.39 373	0.15 345	0.20 369	0.15 341	0.14 336	0.23 367	0.20 367

ADCMid	0.25 337	0.15 310	0.40 352	0.20 267	0.14 317	0.25 315	0.26 340	0.34 313	0.38 307	0.36 346	0.44 350	0.34 325	0.40 365	0.35 354	0.33 361	0.10 266	0.09 291	0.11 294	0.11 305	0.13 319	0.12 303

SANet	0.24 328	0.14 304	0.28 320	0.21 291	0.11 254	0.27 330	0.24 321	0.38 343	0.64 376	0.36 346	0.40 330	0.43 356	0.26 313	0.27 316	0.24 310	0.12 311	0.09 291	0.10 267	0.09 250	0.13 319	0.11 292

CSAN	0.29 352	0.24 360	0.27 315	0.34 372	0.19 360	0.33 350	0.42 386	0.37 336	0.50 351	0.38 351	0.40 330	0.44 358	0.33 349	0.28 327	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 331	0.15 341

WCMA_ROB	0.24 328	0.11 257	0.22 290	0.17 115	0.14 317	0.32 344	0.15 115	0.32 286	0.32 268	0.38 351	0.53 362	0.40 350	0.34 353	0.34 348	0.25 319	0.11 287	0.12 327	0.12 309	0.10 282	0.14 331	0.14 333

AnyNet_C01	0.36 366	0.25 365	1.37 404	0.22 304	0.17 351	0.48 373	0.27 347	0.35 325	0.39 310	0.39 353	0.74 385	0.46 364	0.38 360	0.45 375	0.47 384	0.13 331	0.13 340	0.13 323	0.14 336	0.14 331	0.15 341

CC-Net-ROB	0.28 348	0.31 375	0.36 345	0.29 365	0.15 328	0.25 315	0.19 262	0.45 369	0.33 274	0.39 353	0.37 312	0.39 347	0.31 345	0.27 316	0.26 328	0.24 379	0.19 366	0.30 380	0.23 370	0.18 359	0.15 341

MDST_ROB	0.22 305	0.10 237	0.17 246	0.18 182	0.11 254	0.37 363	0.19 262	0.43 364	0.41 319	0.39 353	0.39 325	0.29 290	0.21 281	0.26 313	0.18 247	0.11 287	0.10 309	0.14 333	0.11 305	0.10 273	0.08 217

otaku	0.39 367	0.37 380	0.52 365	0.44 382	0.28 377	0.58 379	0.24 321	0.41 356	0.62 374	0.40 356	0.49 356	0.46 364	0.33 349	0.40 371	0.32 358	0.30 382	0.30 384	0.39 384	0.33 383	0.29 379	0.28 380

MFN_U_SF_DS_RVC	0.30 357	0.24 360	0.29 326	0.36 376	0.16 338	0.34 353	0.30 367	0.32 286	0.42 325	0.40 356	0.46 352	0.38 339	0.31 345	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

ADCS	0.29 352	0.18 338	0.45 357	0.21 291	0.17 351	0.28 336	0.23 312	0.41 356	0.63 375	0.40 356	0.49 356	0.40 350	0.36 357	0.39 367	0.40 375	0.13 331	0.12 327	0.13 323	0.14 336	0.16 349	0.16 352

MSMD_ROB	0.31 358	0.26 366	0.26 309	0.24 328	0.21 365	0.34 353	0.25 334	0.34 313	0.39 310	0.40 356	0.69 379	0.45 360	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

Ntro	0.40 370	0.40 382	0.53 366	0.46 386	0.30 381	0.65 385	0.24 321	0.46 371	0.68 381	0.41 360	0.49 356	0.48 368	0.42 372	0.39 367	0.31 357	0.32 383	0.28 382	0.37 383	0.30 380	0.32 384	0.29 381

psmorigin	0.25 337	0.15 310	0.34 344	0.17 115	0.13 300	0.23 300	0.14 69	0.34 313	0.33 274	0.41 360	0.55 365	0.41 352	0.37 359	0.34 348	0.27 335	0.11 287	0.15 353	0.11 294	0.11 305	0.12 302	0.16 352

FBW_ROB	0.24 328	0.17 328	0.22 290	0.26 344	0.14 317	0.25 315	0.22 302	0.41 356	0.41 319	0.41 360	0.41 340	0.42 353	0.27 321	0.31 337	0.23 300	0.09 235	0.14 347	0.14 333	0.12 323	0.11 288	0.09 250

ACVNet-4b	0.39 367	0.53 386	0.55 369	0.45 383	0.24 370	0.47 371	0.18 231	0.49 375	0.64 376	0.42 363	0.45 351	0.60 377	0.27 321	0.34 348	0.24 310	0.33 384	0.14 347	0.48 387	0.42 387	0.30 380	0.26 379

RTS	0.45 377	0.19 341	3.26 410	0.24 328	0.15 328	0.74 392	0.20 277	0.36 331	0.76 389	0.42 363	0.43 348	0.31 308	0.41 369	0.53 383	0.35 364	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 341

RTSA	0.45 377	0.19 341	3.26 410	0.24 328	0.15 328	0.74 392	0.20 277	0.36 331	0.76 389	0.42 363	0.43 348	0.31 308	0.41 369	0.53 383	0.35 364	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 341

FCDSN-DC	0.33 363	0.28 370	0.28 320	0.30 367	0.24 370	0.39 366	0.28 352	0.42 361	0.42 325	0.43 366	0.53 362	0.51 370	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 374	0.24 373
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SGM_RVC	0.23 320	0.12 271	0.15 191	0.15 38	0.09 131	0.33 350	0.18 231	0.34 313	0.31 262	0.44 367	0.37 312	0.53 373	0.35 355	0.35 354	0.24 310	0.13 331	0.13 340	0.13 323	0.13 332	0.10 273	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
FC-DCNN	0.33 363	0.27 367	0.28 320	0.26 344	0.23 369	0.37 363	0.28 352	0.40 351	0.43 330	0.45 368	0.55 365	0.51 370	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 374	0.24 373

LSM	0.33 363	0.20 346	0.58 373	0.26 344	0.60 398	0.34 353	0.25 334	0.42 361	0.48 344	0.45 368	0.58 373	0.42 353	0.36 357	0.35 354	0.25 319	0.12 311	0.20 369	0.14 333	0.16 348	0.19 362	0.33 386

MFN_U_SF_RVC	0.32 360	0.21 352	0.55 369	0.30 367	0.15 328	0.34 353	0.17 191	0.52 379	0.46 342	0.46 370	0.55 365	0.59 376	0.39 362	0.35 354	0.37 369	0.15 345	0.14 347	0.18 357	0.21 363	0.16 349	0.15 341

aanetorigin	0.22 305	0.17 328	0.56 371	0.17 115	0.10 216	0.15 175	0.19 262	0.20 123	0.33 274	0.49 371	0.48 355	0.29 290	0.27 321	0.20 260	0.23 300	0.08 190	0.07 246	0.08 162	0.07 161	0.10 273	0.09 250

RainbowNet	0.54 384	0.61 390	0.70 390	0.57 390	0.43 386	0.65 385	0.37 381	0.60 388	0.87 393	0.50 372	0.66 376	0.64 380	0.47 376	0.49 377	0.43 382	0.47 392	0.48 394	0.52 391	0.41 386	0.52 389	0.40 391

MADNet+	0.75 394	0.71 396	3.70 413	0.66 392	0.41 384	0.98 404	0.97 411	0.69 391	0.73 387	0.52 373	0.57 371	0.64 380	0.68 392	0.86 401	1.01 409	0.34 385	0.36 387	0.28 377	0.23 370	0.36 385	0.31 384

SGM-ForestM	0.32 360	0.12 271	0.16 221	0.16 68	0.11 254	0.39 366	0.19 262	0.41 356	0.50 351	0.52 373	0.54 364	1.32 403	0.42 372	0.40 371	0.27 335	0.14 342	0.16 356	0.16 347	0.16 348	0.12 302	0.12 303

MeshStereo	0.27 345	0.13 292	0.18 263	0.15 38	0.11 254	0.32 344	0.24 321	0.40 351	0.36 296	0.52 373	0.57 371	0.67 384	0.40 365	0.35 354	0.26 328	0.14 342	0.13 340	0.13 323	0.11 305	0.11 288	0.10 269
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
anonymity	0.53 383	0.58 388	0.65 378	0.41 380	0.61 399	0.53 376	0.41 383	0.56 384	0.41 319	0.55 376	0.50 360	0.49 369	0.55 383	0.58 388	0.50 389	0.58 397	0.50 398	0.51 389	0.51 394	0.51 388	0.57 395

PVD	0.39 367	0.20 346	0.39 351	0.31 371	0.22 367	0.29 339	0.43 388	0.52 379	0.96 396	0.55 376	0.79 389	0.53 373	0.59 386	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 336	0.24 373	0.31 384

MFMNet_re	0.64 387	0.66 394	0.65 378	0.51 387	0.69 403	0.69 388	0.57 396	0.64 390	0.73 387	0.60 378	0.73 383	0.62 379	0.67 391	0.65 391	0.60 393	0.66 401	0.58 407	0.63 393	0.59 397	0.68 399	0.69 405

ACVNet_1	0.44 375	0.49 385	0.60 374	0.45 383	0.28 377	0.49 374	0.27 347	0.57 386	0.72 384	0.62 379	0.58 373	0.74 388	0.49 378	0.50 378	0.35 364	0.26 380	0.24 379	0.39 384	0.29 378	0.31 383	0.24 373

TorneroNet-64	0.76 395	0.72 397	0.74 391	0.78 397	0.58 397	0.91 403	0.56 395	0.84 395	1.29 402	0.66 380	0.90 392	1.40 405	0.75 394	0.85 400	0.67 399	0.49 393	0.46 389	0.72 397	0.59 397	0.67 398	0.53 394

SGM+DAISY	0.56 385	0.57 387	0.65 378	0.40 378	0.54 391	0.66 387	0.49 390	0.56 384	0.45 341	0.66 380	0.69 379	0.67 384	0.56 384	0.63 390	0.56 391	0.59 398	0.48 394	0.50 388	0.50 393	0.52 389	0.58 396

SPS-STEREO	0.57 386	0.58 388	0.65 378	0.45 383	0.55 393	0.62 383	0.44 389	0.62 389	0.50 351	0.68 382	0.64 375	0.66 383	0.57 385	0.61 389	0.60 393	0.62 400	0.47 393	0.51 389	0.49 391	0.55 393	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	0.71 391	0.45 384	1.14 402	0.51 387	0.47 388	2.02 413	0.64 400	0.75 392	0.70 382	0.69 383	0.77 388	1.22 399	0.83 397	1.03 409	1.01 409	0.40 387	0.28 382	0.33 381	0.33 383	0.30 380	0.34 387

MSC_U_SF_DS_RVC	0.43 374	0.39 381	0.54 367	0.40 378	0.20 363	0.64 384	0.32 375	0.53 381	0.72 384	0.71 384	0.72 382	0.61 378	0.54 380	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

ELAS	0.41 372	0.29 373	0.33 336	0.27 355	0.24 370	0.60 382	0.36 378	0.50 377	0.50 351	0.71 384	0.79 389	0.67 384	0.54 380	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 377	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 417	0.31 375	153.02 436	0.19 227	0.09 131	0.21 279	0.16 170	0.22 156	0.59 369	0.72 386	0.67 377	0.42 353	0.50 379	0.24 306	0.39 373	0.08 190	0.07 246	0.08 162	0.07 161	0.12 302	0.10 269

MANE	0.45 377	0.27 367	0.27 315	0.27 355	0.24 370	0.47 371	0.31 373	0.55 383	0.59 369	0.72 386	1.13 405	1.15 397	0.61 387	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 374	0.24 373

NVStereoNet_ROB	0.46 380	0.36 379	0.46 360	0.41 380	0.28 377	0.34 353	0.34 376	0.48 373	0.60 372	0.72 386	0.93 394	0.70 387	0.66 390	0.47 376	0.60 393	0.22 373	0.33 385	0.34 382	0.34 385	0.30 380	0.30 383
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.41 372	0.29 373	0.33 336	0.28 358	0.24 370	0.54 377	0.36 378	0.49 375	0.59 369	0.72 386	0.74 385	0.65 382	0.54 380	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 377	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
IMH-64-1	0.65 388	0.61 390	0.68 386	0.71 393	0.51 389	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 389	0.78 395	0.79 394	0.49 386	0.42 388	0.46 389	0.71 395	0.47 389	0.52 389	0.39 389

IMH-64	0.65 388	0.61 390	0.68 386	0.71 393	0.51 389	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 389	0.78 395	0.79 394	0.49 386	0.42 388	0.46 389	0.71 395	0.47 389	0.52 389	0.39 389

EDNetEfficient	0.29 352	0.24 360	1.13 401	0.18 182	0.10 216	0.19 253	0.20 277	0.20 123	0.60 372	0.74 390	0.56 370	0.31 308	0.39 362	0.22 287	0.30 350	0.09 235	0.07 246	0.08 162	0.07 161	0.11 288	0.09 250

TorneroNet	0.82 398	0.74 398	0.81 396	0.84 400	0.63 400	0.99 405	0.63 398	0.96 401	1.16 399	0.80 393	1.11 403	1.36 404	0.86 399	0.93 405	0.80 404	0.56 395	0.49 396	0.78 402	0.66 401	0.73 404	0.63 404

IMH	0.71 391	0.64 393	0.68 386	0.76 395	0.54 391	0.69 388	0.54 394	0.98 403	1.10 398	0.82 394	1.09 401	0.89 391	0.88 400	0.87 402	0.52 390	0.44 391	0.50 398	0.75 398	0.51 394	0.56 394	0.41 392

BEATNet-Init1	0.52 382	0.27 367	0.62 376	0.30 367	0.21 365	0.76 396	0.29 360	0.54 382	0.65 378	0.86 395	0.95 396	2.07 412	0.62 389	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

ACVNet_2	0.66 390	0.66 394	0.68 386	0.63 391	0.41 384	0.71 390	0.49 390	0.96 401	1.39 405	0.89 396	1.09 401	1.04 393	0.73 393	0.54 385	0.47 384	0.43 390	0.40 388	0.53 392	0.44 388	0.47 387	0.35 388

WAO-7	0.79 396	0.78 399	0.54 367	0.85 401	0.67 402	0.74 392	0.68 404	1.05 406	1.32 403	0.90 397	1.20 408	1.04 393	0.92 401	0.69 392	0.66 396	0.60 399	0.62 408	0.67 394	0.68 402	0.64 395	0.58 396

WAO-6	0.81 397	0.80 400	0.62 376	0.86 402	0.63 400	0.76 396	0.58 397	0.98 403	1.54 410	0.90 397	0.96 397	1.07 395	1.03 405	0.70 393	0.66 396	0.72 402	0.49 396	0.90 405	0.71 403	0.68 399	0.58 396

LVE	0.83 399	0.85 403	0.85 397	0.80 398	0.56 394	1.04 409	0.65 401	1.05 406	1.47 408	0.96 399	1.22 409	1.10 396	0.85 398	0.83 397	0.71 401	0.49 393	0.55 404	0.76 400	0.60 399	0.65 396	0.59 401

PWCK	0.71 391	0.94 406	0.95 399	0.76 395	0.31 382	0.74 392	0.36 378	0.90 396	0.90 394	0.96 399	0.75 387	0.95 392	0.61 387	0.87 402	0.66 396	0.72 402	0.46 389	0.75 398	0.49 391	0.69 401	0.44 393

UNDER WATER	0.97 404	0.97 408	1.42 405	0.99 407	0.70 406	1.12 411	0.84 407	0.80 394	1.08 397	1.01 401	0.90 392	1.55 409	1.22 412	1.03 409	1.00 408	0.78 406	0.53 401	1.02 407	0.87 408	0.80 407	0.74 407

UNDER WATER-64	0.95 403	0.94 406	1.43 406	0.87 403	0.56 394	1.18 412	0.87 408	0.77 393	0.94 395	1.04 402	0.85 391	1.58 410	1.21 411	0.94 406	0.96 407	0.87 408	0.57 406	1.03 408	0.88 409	0.78 406	0.73 406

ktn	1.01 406	1.21 411	0.80 395	1.23 412	0.86 409	1.01 407	0.87 408	0.94 400	1.39 405	1.04 402	1.12 404	1.15 397	1.07 406	0.94 406	0.59 392	1.28 413	0.71 411	1.38 413	0.83 407	1.02 411	0.75 408

WAO-8	0.91 401	0.81 401	0.65 378	0.94 405	0.69 403	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 400	1.07 406	0.84 398	0.78 402	0.74 404	0.53 401	0.86 403	0.75 404	0.69 401	0.62 402

Venus	0.91 401	0.81 401	0.65 378	0.94 405	0.69 403	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 400	1.07 406	0.84 398	0.78 402	0.74 404	0.53 401	0.86 403	0.75 404	0.69 401	0.62 402

Dean	0.87 400	0.86 404	0.79 394	0.81 399	0.56 394	0.90 400	0.63 398	1.15 411	1.73 411	1.15 406	1.15 406	1.31 402	0.99 404	0.81 396	0.81 405	0.57 396	0.56 405	0.77 401	0.64 400	0.66 397	0.58 396

KSHMR	1.09 407	1.17 410	0.88 398	1.25 413	1.00 412	0.99 405	0.96 410	1.13 410	1.37 404	1.16 407	1.29 410	1.41 406	0.96 403	1.01 408	0.92 406	1.03 411	1.08 413	1.20 410	1.03 412	1.01 410	0.97 412

notaker	0.97 404	1.11 409	0.98 400	1.13 409	0.81 407	0.73 391	0.68 404	0.93 399	1.16 399	1.18 408	1.18 407	1.41 406	1.16 410	1.08 411	0.69 400	0.81 407	0.64 409	1.17 409	0.79 406	0.98 409	0.80 410

tt	4.67 413	0.06 19	3.55 412	2.02 415	1.55 414	10.25 419	16.71 419	8.91 422	5.03 416	1.31 409	0.94 395	4.71 415	4.76 415	3.33 415	5.87 417	6.06 422	10.30 426	1.88 416	2.11 417	2.75 415	1.21 415

DPSimNet_ROB	1.11 408	1.23 412	0.78 392	1.13 409	0.88 410	1.10 410	1.13 412	1.16 412	1.23 401	1.43 410	1.02 398	1.41 406	1.10 409	0.90 404	1.60 411	1.46 414	0.51 400	1.21 411	1.03 412	0.90 408	1.01 414

HanzoNet	1.29 409	1.26 413	1.19 403	1.12 408	0.85 408	1.02 408	0.83 406	1.03 405	1.48 409	1.64 411	1.61 413	2.50 414	1.72 413	1.61 413	1.61 412	1.26 412	0.80 412	1.31 412	1.01 411	1.02 411	0.86 411

JetRed	1.62 410	1.46 414	2.98 409	0.92 404	1.21 413	4.99 415	1.53 415	1.27 413	1.39 405	1.83 412	1.74 414	1.60 411	0.95 402	1.41 412	2.45 415	0.90 410	1.60 414	0.93 406	0.90 410	1.35 413	0.99 413

coex-ft	3.30 412	0.34 377	59.09 435	0.18 182	0.13 300	0.26 323	0.22 302	0.27 233	0.72 384	1.90 413	0.70 381	0.44 358	0.45 375	0.29 333	0.41 378	0.09 235	0.09 291	0.12 309	0.09 250	0.14 331	0.13 316

MADNet++	1.95 411	1.75 415	1.59 408	1.82 414	1.69 415	2.33 414	1.40 414	2.35 414	2.09 415	2.57 414	2.36 415	2.24 413	2.17 414	2.28 414	2.34 414	1.87 415	1.66 415	1.54 414	1.34 414	1.92 414	1.77 416

LE_ROB	0.50 381	0.07 69	0.14 154	0.15 38	0.08 47	0.24 305	0.16 170	0.22 156	1.81 412	4.63 415	0.67 377	0.47 367	0.44 374	0.20 260	0.29 346	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

DPSMNet_ROB	8.06 418	4.48 418	8.63 422	5.37 421	10.74 423	8.32 417	22.98 424	5.46 416	13.36 423	5.12 416	9.92 419	5.08 416	10.40 421	5.53 418	12.58 421	3.80 420	8.00 421	3.50 417	7.02 420	3.83 419	7.14 422

DGTPSM_ROB	8.06 418	4.48 418	8.63 422	5.35 419	10.72 422	8.32 417	22.97 423	5.46 416	13.35 422	5.12 416	9.92 419	5.08 416	10.40 421	5.52 417	12.58 421	3.79 419	8.00 421	3.50 417	7.02 420	3.83 419	7.14 422

xxxxx1	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

tt_ll	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

ff	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

Anonymous_1	10.96 423	7.92 423	7.46 419	10.33 422	10.06 421	18.65 426	26.34 426	11.06 423	13.44 424	9.40 421	10.05 421	9.67 423	11.23 423	10.73 423	12.72 423	6.42 423	8.38 423	5.77 422	10.61 422	12.12 424	6.77 421

DPSM_ROB	11.15 424	8.58 424	8.00 420	10.88 423	11.58 424	19.10 427	26.71 427	12.05 424	14.07 425	10.36 422	10.84 422	10.33 424	11.86 424	11.70 424	13.54 424	6.99 424	8.79 424	5.89 423	6.95 418	7.29 421	7.42 424

DPSM	11.15 424	8.58 424	8.00 420	10.88 423	11.58 424	19.10 427	26.71 427	12.05 424	14.07 425	10.36 422	10.84 422	10.33 424	11.86 424	11.70 424	13.54 424	6.99 424	8.79 424	5.89 423	6.95 418	7.29 421	7.42 424

LRCNet_RVC	10.62 422	13.42 427	7.30 415	18.92 426	2.07 416	0.33 350	0.30 367	5.59 418	0.48 344	13.03 424	17.94 425	8.87 419	5.65 416	4.79 416	1.89 413	23.51 433	2.73 420	27.55 434	25.71 434	16.07 431	16.33 432

HaxPig	15.71 427	18.52 434	19.18 430	16.89 425	15.89 427	7.73 416	7.60 416	13.31 426	10.82 421	15.42 425	14.91 424	15.98 426	14.92 426	15.58 426	15.98 427	18.95 432	16.73 427	19.46 432	18.08 432	19.26 432	19.05 433

PML	8.91 420	9.34 426	6.13 414	5.35 419	6.41 420	14.99 421	23.38 425	5.27 415	6.83 417	18.04 426	28.19 435	7.67 418	6.83 417	7.85 419	5.75 416	5.35 421	1.83 416	5.95 425	1.93 416	8.64 423	2.52 417

MEDIAN_ROB	20.38 428	24.04 435	23.31 432	21.23 427	21.71 428	10.40 420	7.92 417	17.64 427	15.50 427	20.12 427	19.70 426	20.34 427	20.32 427	21.19 427	21.13 428	23.81 434	21.81 434	24.98 433	23.76 433	24.71 433	23.93 434

CasAABBNet	22.42 429	17.33 429	16.01 424	22.01 431	23.28 432	38.32 430	53.80 434	24.14 429	28.41 430	20.60 428	21.77 428	20.89 432	23.91 432	23.43 428	27.36 430	14.07 426	17.69 429	11.83 430	14.01 427	14.67 428	14.95 430

Selective-RAFT-Error	22.47 433	17.37 433	16.09 425	22.06 432	23.34 433	38.39 434	53.83 435	24.29 434	28.47 434	20.74 429	21.83 429	20.81 431	23.90 431	23.54 433	27.53 435	14.08 427	17.69 429	11.82 426	14.00 426	14.69 429	15.00 431

LSM0	22.87 434	17.28 428	18.96 429	22.19 433	29.04 435	38.42 435	53.71 430	24.28 433	28.31 429	20.78 430	21.00 427	21.43 433	24.16 433	23.50 432	27.39 431	14.09 431	17.38 428	11.84 431	14.04 431	14.73 430	14.89 426

MyStereo03	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

MyStereo02	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

MyStereo	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

SPstereo	13.84 426	0.93 405	1.50 407	1.22 411	0.88 410	28.82 429	48.26 429	26.77 436	29.54 435	22.37 434	22.60 433	23.23 434	24.68 434	24.53 434	15.06 426	0.88 409	0.69 410	1.83 415	1.60 415	0.74 405	0.77 409

AVERAGE_ROB	24.90 435	29.20 436	28.14 433	24.89 434	24.64 434	17.75 425	11.12 418	21.45 428	19.93 428	25.12 435	24.46 434	25.12 435	25.46 435	24.69 435	22.83 429	29.76 435	27.13 435	28.97 435	27.95 435	29.91 434	29.47 435

test_example2	98.32 436	94.13 437	45.89 434	96.35 435	109.85 436	88.61 436	95.45 436	25.75 435	94.37 436	130.00 436	126.06 436	58.17 436	74.63 436	88.51 436	79.96 436	150.23 436	221.02 436	77.62 436	99.10 436	113.75 436	96.94 436

ASD4		3.38 417

Low-res two-view benchmark