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

GASTEREO	0.08 44	0.05 17	0.09 72	0.19 355	0.07 71	0.07 28	0.12 63	0.14 75	0.11 62	0.10 125	0.09 88	0.07 62	0.04 1	0.12 189	0.08 17	0.06 114	0.05 182	0.05 23	0.04 34	0.04 15	0.05 121

MSCF	0.08 44	0.05 17	0.08 30	0.19 355	0.08 127	0.06 8	0.12 63	0.14 75	0.11 62	0.10 125	0.09 88	0.07 62	0.04 1	0.11 107	0.08 17	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.05 121

LG-Stereo_L1	0.07 4	0.05 17	0.11 149	0.14 30	0.06 13	0.07 28	0.13 104	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo_test2	0.06 1	0.04 1	0.10 108	0.15 70	0.05 1	0.07 28	0.11 46	0.09 11	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

SCV	0.08 44	0.09 312	0.08 30	0.15 70	0.08 127	0.10 127	0.13 104	0.10 17	0.12 88	0.07 30	0.07 37	0.06 16	0.04 1	0.09 33	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.06 192	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 30	0.12 4	0.05 1	0.09 80	0.13 104	0.06 1	0.09 23	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AIO_rvc	0.07 4	0.06 56	0.08 30	0.15 70	0.06 13	0.08 51	0.14 152	0.09 11	0.08 12	0.07 30	0.08 70	0.07 62	0.04 1	0.10 61	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

GIP-stereo	0.08 44	0.06 56	0.11 149	0.14 30	0.06 13	0.09 80	0.13 104	0.14 75	0.11 62	0.07 30	0.08 70	0.05 1	0.04 1	0.10 61	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

IGEV-BASED-STEREO-	0.09 81	0.10 370	0.31 483	0.15 70	0.06 13	0.08 51	0.14 152	0.10 17	0.10 36	0.07 30	0.07 37	0.06 16	0.04 1	0.11 107	0.07 1	0.12 454	0.04 21	0.07 194	0.05 107	0.05 100	0.05 121

Selective-IGEV	0.07 4	0.06 56	0.08 30	0.17 216	0.06 13	0.08 51	0.12 63	0.13 59	0.07 8	0.08 62	0.07 37	0.06 16	0.04 1	0.10 61	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

asda	0.07 4	0.08 236	0.08 30	0.16 142	0.06 13	0.06 8	0.10 27	0.16 132	0.10 36	0.06 9	0.06 13	0.05 1	0.05 11	0.10 61	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

IGEV	0.07 4	0.04 1	0.08 30	0.13 13	0.06 13	0.09 80	0.12 63	0.14 75	0.10 36	0.06 9	0.09 88	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

111111	0.07 4	0.04 1	0.09 72	0.17 216	0.06 13	0.05 4	0.10 27	0.11 28	0.09 23	0.06 9	0.06 13	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.07 258	0.06 199

LG-Stereo_L2	0.07 4	0.05 17	0.10 108	0.14 30	0.06 13	0.07 28	0.12 63	0.09 11	0.09 23	0.06 9	0.04 1	0.05 1	0.05 11	0.08 15	0.08 17	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

MLG-Stereo_test1	0.06 1	0.05 17	0.08 30	0.17 216	0.05 1	0.06 8	0.11 46	0.08 4	0.03 1	0.05 1	0.04 1	0.06 16	0.05 11	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo	0.07 4	0.05 17	0.08 30	0.17 216	0.05 1	0.07 28	0.11 46	0.08 4	0.04 2	0.05 1	0.04 1	0.06 16	0.05 11	0.10 61	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-Stereo_Zeroshot	0.07 4	0.06 56	0.10 108	0.16 142	0.07 71	0.04 1	0.13 104	0.10 17	0.10 36	0.05 1	0.11 147	0.07 62	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

HART	0.08 44	0.07 139	0.09 72	0.17 216	0.07 71	0.10 127	0.16 284	0.13 59	0.11 62	0.08 62	0.10 117	0.07 62	0.05 11	0.10 61	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.05 100	0.04 40

GREAT-IGEV	0.07 4	0.06 56	0.08 30	0.13 13	0.07 71	0.07 28	0.14 152	0.09 11	0.09 23	0.06 9	0.07 37	0.06 16	0.05 11	0.10 61	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

SCV_C0	0.08 44	0.07 139	0.07 6	0.16 142	0.09 239	0.08 51	0.15 219	0.11 28	0.12 88	0.08 62	0.07 37	0.06 16	0.05 11	0.11 107	0.07 1	0.05 27	0.05 182	0.05 23	0.04 34	0.06 192	0.05 121

DEFOM-Stereo_RVC	0.08 44	0.06 56	0.09 72	0.22 454	0.06 13	0.08 51	0.12 63	0.10 17	0.10 36	0.07 30	0.07 37	0.06 16	0.05 11	0.11 107	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.04 40

StereoAnything_RVC	0.07 4	0.15 465	0.17 377	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 12	0.06 9	0.06 13	0.05 1	0.05 11	0.09 33	0.08 17	0.08 300	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AIO_test	0.07 4	0.05 17	0.07 6	0.15 70	0.07 71	0.06 8	0.14 152	0.10 17	0.10 36	0.07 30	0.07 37	0.06 16	0.05 11	0.08 15	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

AIO-test2	0.10 142	0.08 236	0.10 108	0.23 475	0.08 127	0.11 172	0.10 27	0.23 294	0.23 308	0.08 62	0.09 88	0.08 98	0.05 11	0.10 61	0.08 17	0.06 114	0.05 182	0.08 278	0.09 383	0.05 100	0.05 121

DEFOM-Stereo	0.07 4	0.05 17	0.07 6	0.14 30	0.06 13	0.10 127	0.13 104	0.07 2	0.13 119	0.06 9	0.07 37	0.06 16	0.05 11	0.10 61	0.09 54	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

dual_stereo	0.07 4	0.04 1	0.08 30	0.15 70	0.05 1	0.05 4	0.13 104	0.12 43	0.08 12	0.07 30	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

Occ-G	0.08 44	0.05 17	0.06 2	0.14 30	0.07 71	0.08 51	0.14 152	0.13 59	0.15 159	0.07 30	0.11 147	0.07 62	0.05 11	0.09 33	0.10 123	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.05 121

U	0.08 44	0.07 139	0.09 72	0.19 355	0.10 341	0.10 127	0.13 104	0.12 43	0.17 205	0.07 30	0.07 37	0.06 16	0.05 11	0.07 4	0.08 17	0.06 114	0.04 21	0.06 102	0.04 34	0.06 192	0.05 121

AIO-Stereo	0.08 44	0.06 56	0.09 72	0.18 298	0.06 13	0.08 51	0.12 63	0.15 106	0.09 23	0.08 62	0.08 70	0.07 62	0.05 11	0.11 107	0.08 17	0.05 27	0.05 182	0.05 23	0.04 34	0.04 15	0.04 40

RSM++	0.08 44	0.06 56	0.09 72	0.17 216	0.07 71	0.09 80	0.12 63	0.11 28	0.11 62	0.08 62	0.06 13	0.07 62	0.05 11	0.10 61	0.09 54	0.04 11	0.04 21	0.06 102	0.05 107	0.05 100	0.03 1

RSM	0.08 44	0.06 56	0.09 72	0.17 216	0.06 13	0.08 51	0.12 63	0.12 43	0.10 36	0.08 62	0.07 37	0.06 16	0.05 11	0.11 107	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

MIM_Stereo	0.09 81	0.07 139	0.11 149	0.15 70	0.07 71	0.06 8	0.12 63	0.20 229	0.14 143	0.13 219	0.13 174	0.09 123	0.05 11	0.12 189	0.08 17	0.05 27	0.06 307	0.07 194	0.06 185	0.06 192	0.05 121

EGLCR-Stereo	0.08 44	0.05 17	0.08 30	0.14 30	0.06 13	0.10 127	0.12 63	0.11 28	0.16 186	0.06 9	0.05 7	0.07 62	0.05 11	0.10 61	0.11 187	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

CroCo-Stereo Lap2	0.09 81	0.09 312	0.08 30	0.22 454	0.09 239	0.09 80	0.19 402	0.16 132	0.12 88	0.09 92	0.10 117	0.05 1	0.05 11	0.08 15	0.08 17	0.06 114	0.06 307	0.07 194	0.05 107	0.05 100	0.05 121

iRaft-Stereo_20w	0.09 81	0.05 17	0.13 229	0.14 30	0.08 127	0.12 207	0.15 219	0.18 197	0.10 36	0.11 154	0.08 70	0.08 98	0.05 11	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.05 121

AdaDepth	0.07 4	0.06 56	0.07 6	0.18 298	0.06 13	0.11 172	0.12 63	0.09 11	0.07 8	0.06 9	0.05 7	0.07 62	0.06 36	0.09 33	0.10 123	0.04 11	0.05 182	0.05 23	0.04 34	0.04 15	0.04 40

S2M2_XL	0.08 44	0.06 56	0.12 184	0.12 4	0.08 127	0.09 80	0.09 18	0.07 2	0.07 8	0.08 62	0.07 37	0.07 62	0.06 36	0.09 33	0.09 54	0.08 300	0.06 307	0.07 194	0.05 107	0.08 321	0.06 199

asd	0.07 4	0.08 236	0.07 6	0.16 142	0.07 71	0.08 51	0.08 7	0.11 28	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.10 61	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 236	0.07 6	0.15 70	0.06 13	0.07 28	0.10 27	0.18 197	0.11 62	0.07 30	0.07 37	0.06 16	0.06 36	0.10 61	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.25w	0.07 4	0.06 56	0.07 6	0.14 30	0.06 13	0.08 51	0.08 7	0.10 17	0.15 159	0.08 62	0.10 117	0.07 62	0.06 36	0.08 15	0.10 123	0.05 27	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

4.25_new	0.07 4	0.08 236	0.09 72	0.15 70	0.06 13	0.09 80	0.08 7	0.14 75	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.12 189	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 236	0.09 72	0.15 70	0.06 13	0.09 80	0.08 7	0.14 75	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.12 189	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5_new	0.07 4	0.09 312	0.08 30	0.15 70	0.07 71	0.06 8	0.10 27	0.14 75	0.11 62	0.06 9	0.08 70	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 312	0.08 30	0.15 70	0.07 71	0.06 8	0.10 27	0.14 75	0.11 62	0.06 9	0.08 70	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 236	0.09 72	0.15 70	0.06 13	0.09 80	0.08 7	0.14 75	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.12 189	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 236	0.08 30	0.16 142	0.06 13	0.07 28	0.08 7	0.12 43	0.08 12	0.07 30	0.07 37	0.05 1	0.06 36	0.09 33	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.5w	0.07 4	0.07 139	0.07 6	0.16 142	0.06 13	0.08 51	0.12 63	0.10 17	0.10 36	0.07 30	0.06 13	0.09 123	0.06 36	0.08 15	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 139	0.07 6	0.13 13	0.06 13	0.08 51	0.08 7	0.18 197	0.12 88	0.07 30	0.08 70	0.06 16	0.06 36	0.09 33	0.11 187	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

3.25w_new	0.07 4	0.06 56	0.07 6	0.15 70	0.06 13	0.10 127	0.07 3	0.12 43	0.11 62	0.08 62	0.06 13	0.07 62	0.06 36	0.11 107	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 56	0.07 6	0.15 70	0.06 13	0.10 127	0.07 3	0.12 43	0.11 62	0.08 62	0.06 13	0.07 62	0.06 36	0.11 107	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 139	0.08 30	0.16 142	0.07 71	0.07 28	0.09 18	0.16 132	0.09 23	0.07 30	0.06 13	0.05 1	0.06 36	0.09 33	0.10 123	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3w_stereo	0.08 44	0.09 312	0.10 108	0.17 216	0.07 71	0.08 51	0.10 27	0.20 229	0.13 119	0.06 9	0.07 37	0.05 1	0.06 36	0.08 15	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 44	0.08 236	0.09 72	0.16 142	0.06 13	0.08 51	0.10 27	0.20 229	0.15 159	0.08 62	0.07 37	0.06 16	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 56	0.07 6	0.16 142	0.06 13	0.07 28	0.10 27	0.14 75	0.14 143	0.07 30	0.08 70	0.05 1	0.06 36	0.09 33	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

monsters	0.07 4	0.06 56	0.06 2	0.15 70	0.06 13	0.08 51	0.09 18	0.12 43	0.08 12	0.09 92	0.07 37	0.06 16	0.06 36	0.08 15	0.08 17	0.05 27	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

MLG-Stereo_test3	0.07 4	0.05 17	0.10 108	0.14 30	0.06 13	0.07 28	0.11 46	0.08 4	0.06 4	0.06 9	0.04 1	0.06 16	0.06 36	0.07 4	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.06 199

LGtest1	0.07 4	0.04 1	0.10 108	0.15 70	0.06 13	0.07 28	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 16	0.06 36	0.10 61	0.09 54	0.07 239	0.04 21	0.05 23	0.04 34	0.06 192	0.06 199

MM-Stereo_test3	0.10 142	0.07 139	0.07 6	0.18 298	0.07 71	0.12 207	0.19 402	0.24 316	0.19 246	0.06 9	0.10 117	0.08 98	0.06 36	0.11 107	0.08 17	0.06 114	0.06 307	0.07 194	0.05 107	0.05 100	0.04 40

MM-Stereo_test2	0.09 81	0.06 56	0.09 72	0.19 355	0.08 127	0.12 207	0.18 363	0.15 106	0.14 143	0.07 30	0.10 117	0.07 62	0.06 36	0.12 189	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.03 1

MM-Stereo_test1	0.10 142	0.07 139	0.08 30	0.18 298	0.07 71	0.12 207	0.18 363	0.21 252	0.20 269	0.09 92	0.11 147	0.08 98	0.06 36	0.10 61	0.10 123	0.06 114	0.05 182	0.07 194	0.06 185	0.05 100	0.04 40

HUF	0.08 44	0.05 17	0.08 30	0.14 30	0.06 13	0.09 80	0.13 104	0.13 59	0.13 119	0.07 30	0.07 37	0.08 98	0.06 36	0.10 61	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

castereo++	0.08 44	0.05 17	0.08 30	0.15 70	0.05 1	0.14 278	0.12 63	0.11 28	0.15 159	0.07 30	0.07 37	0.07 62	0.06 36	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-RUCA	0.08 44	0.06 56	0.11 149	0.14 30	0.09 239	0.10 127	0.12 63	0.10 17	0.12 88	0.06 9	0.07 37	0.07 62	0.06 36	0.09 33	0.08 17	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.06 199

MonSter	0.07 4	0.06 56	0.05 1	0.15 70	0.05 1	0.07 28	0.10 27	0.15 106	0.15 159	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

fffft	0.09 81	0.06 56	0.12 184	0.16 142	0.07 71	0.09 80	0.17 318	0.12 43	0.11 62	0.08 62	0.07 37	0.09 123	0.06 36	0.11 107	0.12 236	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.05 121
1: 1. 1
tt45	0.09 81	0.06 56	0.11 149	0.15 70	0.07 71	0.11 172	0.16 284	0.13 59	0.11 62	0.09 92	0.06 13	0.08 98	0.06 36	0.13 234	0.10 123	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

mms	0.09 81	0.07 139	0.08 30	0.16 142	0.08 127	0.10 127	0.16 284	0.12 43	0.11 62	0.08 62	0.09 88	0.08 98	0.06 36	0.11 107	0.12 236	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.03 1

ours_stereo	0.09 81	0.07 139	0.09 72	0.17 216	0.08 127	0.11 172	0.16 284	0.11 28	0.12 88	0.08 62	0.10 117	0.08 98	0.06 36	0.12 189	0.12 236	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.03 1

WCG-NET	0.08 44	0.05 17	0.09 72	0.15 70	0.06 13	0.11 172	0.14 152	0.13 59	0.13 119	0.06 9	0.09 88	0.07 62	0.06 36	0.13 234	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-Stereo++	0.07 4	0.06 56	0.08 30	0.18 298	0.06 13	0.04 1	0.10 27	0.11 28	0.11 62	0.06 9	0.07 37	0.07 62	0.06 36	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

RAStereo	0.10 142	0.09 312	0.08 30	0.20 410	0.08 127	0.13 246	0.18 363	0.15 106	0.17 205	0.10 125	0.12 160	0.05 1	0.06 36	0.09 33	0.08 17	0.07 239	0.05 182	0.07 194	0.05 107	0.05 100	0.04 40

Pointernet	0.09 81	0.04 1	0.09 72	0.16 142	0.08 127	0.13 246	0.10 27	0.15 106	0.17 205	0.09 92	0.07 37	0.06 16	0.06 36	0.11 107	0.09 54	0.08 300	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

IGEV-Stereo+	0.07 4	0.04 1	0.08 30	0.15 70	0.06 13	0.04 1	0.09 18	0.10 17	0.09 23	0.06 9	0.06 13	0.06 16	0.06 36	0.06 1	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.06 192	0.06 199

WCG-NET（raft）	0.08 44	0.05 17	0.10 108	0.15 70	0.06 13	0.11 172	0.13 104	0.15 106	0.12 88	0.08 62	0.07 37	0.06 16	0.06 36	0.13 234	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RAFT-Stereo-weight	0.09 81	0.06 56	0.10 108	0.16 142	0.07 71	0.09 80	0.14 152	0.19 218	0.16 186	0.11 154	0.10 117	0.08 98	0.06 36	0.10 61	0.11 187	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

test_for_model	0.09 81	0.12 414	0.14 264	0.23 475	0.11 389	0.08 51	0.13 104	0.12 43	0.12 88	0.10 125	0.07 37	0.07 62	0.06 36	0.11 107	0.10 123	0.06 114	0.05 182	0.05 23	0.03 1	0.07 258	0.04 40

MGS-Stereo	0.09 81	0.07 139	0.12 184	0.15 70	0.08 127	0.09 80	0.15 219	0.12 43	0.12 88	0.07 30	0.10 117	0.08 98	0.06 36	0.10 61	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.06 192	0.05 121

MoCha-V2	0.08 44	0.05 17	0.10 108	0.20 410	0.07 71	0.09 80	0.14 152	0.11 28	0.08 12	0.07 30	0.08 70	0.07 62	0.06 36	0.09 33	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

IGEV++	0.08 44	0.06 56	0.08 30	0.18 298	0.07 71	0.09 80	0.13 104	0.10 17	0.09 23	0.08 62	0.08 70	0.06 16	0.06 36	0.13 234	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

ACVNet-DCA	0.10 142	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.23 294	0.16 186	0.09 92	0.09 88	0.06 16	0.06 36	0.10 61	0.07 1	0.06 114	0.04 21	0.06 102	0.05 107	0.07 258	0.07 279

1test111	0.11 185	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.23 294	0.16 186	0.09 92	0.09 88	0.06 16	0.06 36	0.15 282	0.16 358	0.06 114	0.04 21	0.06 102	0.05 107	0.07 258	0.07 279

cc1	0.10 142	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.16 132	0.18 231	0.09 92	0.09 88	0.06 16	0.06 36	0.10 61	0.07 1	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.06 199

ff7	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

IGEVStereo-DCA	0.09 81	0.06 56	0.11 149	0.15 70	0.10 341	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.08 98	0.06 36	0.10 61	0.08 17	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

ffff	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

rrr	0.09 81	0.06 56	0.12 184	0.15 70	0.10 341	0.11 172	0.16 284	0.16 132	0.15 159	0.10 125	0.06 13	0.08 98	0.06 36	0.10 61	0.08 17	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

11t	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

tt1	0.10 142	0.08 236	0.12 184	0.17 216	0.09 239	0.12 207	0.16 284	0.15 106	0.19 246	0.09 92	0.08 70	0.06 16	0.06 36	0.10 61	0.07 1	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.06 199

MaDis-Stereo	0.09 81	0.09 312	0.08 30	0.17 216	0.09 239	0.13 246	0.10 27	0.16 132	0.16 186	0.09 92	0.11 147	0.06 16	0.06 36	0.09 33	0.13 277	0.07 239	0.06 307	0.07 194	0.05 107	0.05 100	0.04 40

IGEV_Zeroshot_test	0.09 81	0.05 17	0.12 184	0.13 13	0.08 127	0.12 207	0.13 104	0.17 168	0.11 62	0.10 125	0.06 13	0.09 123	0.06 36	0.11 107	0.09 54	0.06 114	0.04 21	0.06 102	0.06 185	0.05 100	0.05 121

MSKI-zero shot	0.09 81	0.05 17	0.09 72	0.15 70	0.07 71	0.10 127	0.13 104	0.14 75	0.13 119	0.09 92	0.09 88	0.09 123	0.06 36	0.12 189	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

DLNR_Zeroshot_test	10.40 582	1.82 574	19.49 589	120.77 594	13.11 586	0.06 8	0.13 104	0.23 294	0.10 36	0.07 30	0.10 117	0.09 123	0.06 36	0.10 61	0.09 54	0.13 477	0.04 21	0.06 102	0.04 34	51.54 593	0.04 40

testlalala	0.08 44	0.07 139	0.17 377	0.16 142	0.08 127	0.09 80	0.12 63	0.15 106	0.10 36	0.07 30	0.09 88	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

CAS	0.08 44	0.04 1	0.07 6	0.17 216	0.08 127	0.10 127	0.13 104	0.12 43	0.09 23	0.09 92	0.10 117	0.08 98	0.06 36	0.09 33	0.08 17	0.08 300	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

anonymousdsp	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.09 92	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

CES	0.08 44	0.04 1	0.08 30	0.14 30	0.07 71	0.09 80	0.14 152	0.11 28	0.09 23	0.08 62	0.09 88	0.11 175	0.06 36	0.12 189	0.08 17	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

ProNet	0.09 81	0.07 139	0.10 108	0.17 216	0.08 127	0.10 127	0.15 219	0.15 106	0.12 88	0.09 92	0.06 13	0.07 62	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.06 199

MC-Stereo	0.08 44	0.06 56	0.09 72	0.17 216	0.06 13	0.10 127	0.14 152	0.12 43	0.10 36	0.09 92	0.12 160	0.09 123	0.06 36	0.11 107	0.10 123	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

ccc-4	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

IGEV-Stereo	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.09 92	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 81	0.05 17	0.12 184	0.15 70	0.12 420	0.10 127	0.13 104	0.18 197	0.18 231	0.09 92	0.09 88	0.09 123	0.06 36	0.10 61	0.08 17	0.07 239	0.05 182	0.07 194	0.07 272	0.04 15	0.04 40

CroCo-Stereo	0.09 81	0.08 236	0.08 30	0.22 454	0.09 239	0.09 80	0.19 402	0.15 106	0.12 88	0.07 30	0.07 37	0.08 98	0.06 36	0.08 15	0.07 1	0.07 239	0.05 182	0.06 102	0.04 34	0.05 100	0.04 40
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 81	0.04 1	0.08 30	0.13 13	0.06 13	0.11 172	0.14 152	0.15 106	0.19 246	0.11 154	0.15 205	0.10 154	0.06 36	0.12 189	0.09 54	0.07 239	0.05 182	0.05 23	0.04 34	0.06 192	0.05 121

XX-Stereo	0.09 81	0.05 17	0.08 30	0.17 216	0.09 239	0.15 304	0.12 63	0.20 229	0.10 36	0.10 125	0.14 188	0.07 62	0.06 36	0.12 189	0.08 17	0.06 114	0.05 182	0.06 102	0.06 185	0.04 15	0.04 40

test_xeample3	0.09 81	0.06 56	0.12 184	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.13 119	0.10 125	0.06 13	0.08 98	0.06 36	0.10 61	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

3.5w_stereo	0.07 4	0.07 139	0.07 6	0.15 70	0.07 71	0.09 80	0.06 1	0.13 59	0.11 62	0.07 30	0.07 37	0.06 16	0.07 106	0.10 61	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

monsterstereo	0.07 4	0.06 56	0.06 2	0.16 142	0.06 13	0.08 51	0.10 27	0.16 132	0.11 62	0.07 30	0.08 70	0.06 16	0.07 106	0.08 15	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

LG-G_1	0.07 4	0.04 1	0.11 149	0.15 70	0.06 13	0.09 80	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 106	0.11 107	0.08 17	0.07 239	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LG-G	0.07 4	0.04 1	0.11 149	0.15 70	0.06 13	0.09 80	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 106	0.11 107	0.08 17	0.07 239	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LG-Stereo	0.08 44	0.07 139	0.10 108	0.18 298	0.07 71	0.10 127	0.17 318	0.11 28	0.08 12	0.05 1	0.07 37	0.05 1	0.07 106	0.09 33	0.09 54	0.04 11	0.05 182	0.07 194	0.07 272	0.04 15	0.04 40

AIO-test1	0.10 142	0.07 139	0.10 108	0.23 475	0.07 71	0.09 80	0.13 104	0.21 252	0.14 143	0.11 154	0.12 160	0.09 123	0.07 106	0.11 107	0.09 54	0.06 114	0.05 182	0.09 359	0.10 422	0.03 1	0.06 199

SMoEStereo_RVC	0.08 44	0.06 56	0.12 184	0.16 142	0.07 71	0.09 80	0.14 152	0.11 28	0.13 119	0.09 92	0.07 37	0.07 62	0.07 106	0.12 189	0.10 123	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

tg	0.10 142	0.06 56	0.10 108	0.18 298	0.08 127	0.11 172	0.16 284	0.20 229	0.12 88	0.08 62	0.11 147	0.11 175	0.07 106	0.11 107	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.04 15	0.04 40

PAM_32	0.09 81	0.05 17	0.17 377	0.15 70	0.08 127	0.10 127	0.15 219	0.14 75	0.15 159	0.09 92	0.08 70	0.09 123	0.07 106	0.14 260	0.08 17	0.06 114	0.05 182	0.06 102	0.06 185	0.05 100	0.06 199

PAM	0.10 142	0.05 17	0.16 349	0.15 70	0.08 127	0.09 80	0.16 284	0.15 106	0.16 186	0.12 192	0.09 88	0.09 123	0.07 106	0.13 234	0.08 17	0.06 114	0.05 182	0.06 102	0.06 185	0.05 100	0.06 199

UGAM-zero	0.09 81	0.05 17	0.15 315	0.15 70	0.08 127	0.09 80	0.13 104	0.19 218	0.15 159	0.11 154	0.15 205	0.07 62	0.07 106	0.09 33	0.09 54	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

model_zeroshot	0.10 142	0.04 1	0.11 149	0.15 70	0.09 239	0.12 207	0.14 152	0.20 229	0.13 119	0.11 154	0.10 117	0.12 192	0.07 106	0.12 189	0.10 123	0.07 239	0.06 307	0.06 102	0.05 107	0.06 192	0.06 199

GCAP-BAT	0.09 81	0.07 139	0.14 264	0.15 70	0.08 127	0.10 127	0.13 104	0.14 75	0.10 36	0.11 154	0.10 117	0.08 98	0.07 106	0.12 189	0.10 123	0.06 114	0.05 182	0.06 102	0.04 34	0.04 15	0.04 40

AIO-Stereo-zeroshot1	0.11 185	0.05 17	0.14 264	0.15 70	0.20 518	0.09 80	0.17 318	0.21 252	0.15 159	0.11 154	0.14 188	0.10 154	0.07 106	0.10 61	0.08 17	0.06 114	0.05 182	0.07 194	0.07 272	0.07 258	0.09 387

AIO-Stereo-zeroshot	0.11 185	0.05 17	0.11 149	0.15 70	0.13 443	0.13 246	0.16 284	0.23 294	0.17 205	0.10 125	0.12 160	0.10 154	0.07 106	0.11 107	0.09 54	0.06 114	0.05 182	0.06 102	0.06 185	0.07 258	0.08 343

CAS++	0.11 185	0.07 139	0.11 149	0.14 30	0.09 239	0.12 207	0.14 152	0.24 316	0.14 143	0.11 154	0.09 88	0.11 175	0.07 106	0.14 260	0.09 54	0.11 429	0.09 434	0.09 359	0.07 272	0.07 258	0.08 343
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 142	0.06 56	0.11 149	0.20 410	0.10 341	0.10 127	0.12 63	0.17 168	0.12 88	0.12 192	0.13 174	0.09 123	0.07 106	0.11 107	0.13 277	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.05 121

MyStereo07	0.10 142	0.07 139	0.10 108	0.17 216	0.09 239	0.14 278	0.18 363	0.15 106	0.15 159	0.09 92	0.06 13	0.06 16	0.07 106	0.12 189	0.09 54	0.06 114	0.05 182	0.08 278	0.07 272	0.06 192	0.06 199

MyStereo06	0.10 142	0.07 139	0.12 184	0.17 216	0.09 239	0.13 246	0.18 363	0.19 218	0.12 88	0.12 192	0.08 70	0.07 62	0.07 106	0.11 107	0.09 54	0.06 114	0.05 182	0.07 194	0.07 272	0.06 192	0.06 199

UniTT-Stereo	0.09 81	0.07 139	0.08 30	0.18 298	0.08 127	0.13 246	0.11 46	0.12 43	0.11 62	0.10 125	0.12 160	0.05 1	0.07 106	0.09 33	0.09 54	0.07 239	0.05 182	0.05 23	0.05 107	0.05 100	0.05 121

CASnet	0.09 81	0.09 312	0.09 72	0.19 355	0.06 13	0.07 28	0.11 46	0.18 197	0.14 143	0.11 154	0.10 117	0.09 123	0.07 106	0.10 61	0.10 123	0.06 114	0.04 21	0.10 407	0.08 337	0.05 100	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 81	0.06 56	0.13 229	0.17 216	0.08 127	0.10 127	0.16 284	0.14 75	0.10 36	0.08 62	0.09 88	0.08 98	0.07 106	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

HanStereo	0.09 81	0.06 56	0.13 229	0.17 216	0.08 127	0.10 127	0.16 284	0.14 75	0.10 36	0.08 62	0.09 88	0.08 98	0.07 106	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

LL-Strereo2	0.10 142	0.10 370	0.15 315	0.18 298	0.08 127	0.15 304	0.09 18	0.17 168	0.14 143	0.14 240	0.10 117	0.09 123	0.07 106	0.16 316	0.10 123	0.05 27	0.05 182	0.10 407	0.07 272	0.06 192	0.05 121

4D-IteraStereo	0.09 81	0.07 139	0.10 108	0.18 298	0.07 71	0.09 80	0.15 219	0.17 168	0.15 159	0.10 125	0.11 147	0.10 154	0.07 106	0.11 107	0.09 54	0.05 27	0.03 1	0.08 278	0.07 272	0.06 192	0.05 121

RCA-Stereo	0.09 81	0.06 56	0.09 72	0.16 142	0.06 13	0.09 80	0.13 104	0.18 197	0.14 143	0.09 92	0.10 117	0.08 98	0.07 106	0.12 189	0.11 187	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

RAFT_CTSACE	0.12 251	0.09 312	0.10 108	0.22 454	0.08 127	0.12 207	0.24 473	0.18 197	0.16 186	0.20 380	0.27 390	0.13 217	0.07 106	0.13 234	0.09 54	0.05 27	0.06 307	0.08 278	0.07 272	0.04 15	0.04 40

IPLG	0.10 142	0.07 139	0.15 315	0.17 216	0.08 127	0.11 172	0.14 152	0.20 229	0.15 159	0.12 192	0.17 238	0.07 62	0.07 106	0.14 260	0.13 277	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

MIPNet	0.11 185	0.08 236	0.14 264	0.17 216	0.09 239	0.12 207	0.14 152	0.20 229	0.24 324	0.11 154	0.10 117	0.09 123	0.07 106	0.13 234	0.12 236	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

iRaftStereo_RVC	0.10 142	0.07 139	0.09 72	0.17 216	0.09 239	0.11 172	0.17 318	0.18 197	0.12 88	0.09 92	0.12 160	0.10 154	0.07 106	0.11 107	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.04 15	0.04 40

CREStereo++_RVC	0.08 44	0.04 1	0.06 2	0.13 13	0.07 71	0.09 80	0.12 63	0.14 75	0.14 143	0.10 125	0.14 188	0.08 98	0.07 106	0.09 33	0.11 187	0.06 114	0.04 21	0.05 23	0.05 107	0.04 15	0.04 40
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 81	0.06 56	0.10 108	0.17 216	0.08 127	0.09 80	0.10 27	0.18 197	0.16 186	0.10 125	0.09 88	0.12 192	0.07 106	0.12 189	0.10 123	0.08 300	0.05 182	0.06 102	0.05 107	0.05 100	0.05 121

sCroCo_RVC	0.12 251	0.09 312	0.23 446	0.24 484	0.11 389	0.19 397	0.14 152	0.17 168	0.14 143	0.10 125	0.13 174	0.12 192	0.07 106	0.14 260	0.11 187	0.08 300	0.08 405	0.08 278	0.08 337	0.05 100	0.07 279

EAI-Stereo	0.09 81	0.07 139	0.11 149	0.15 70	0.06 13	0.10 127	0.15 219	0.16 132	0.09 23	0.08 62	0.09 88	0.08 98	0.07 106	0.09 33	0.11 187	0.05 27	0.04 21	0.05 23	0.05 107	0.05 100	0.04 40

PMTNet	0.09 81	0.05 17	0.09 72	0.12 4	0.06 13	0.12 207	0.14 152	0.15 106	0.11 62	0.09 92	0.13 174	0.10 154	0.07 106	0.13 234	0.10 123	0.15 494	0.04 21	0.05 23	0.03 1	0.07 258	0.06 199

Reg-Stereo(zero)	0.08 44	0.05 17	0.08 30	0.16 142	0.06 13	0.12 207	0.11 46	0.15 106	0.10 36	0.12 192	0.09 88	0.10 154	0.08 141	0.11 107	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

castereo	0.09 81	0.06 56	0.11 149	0.15 70	0.06 13	0.11 172	0.15 219	0.14 75	0.18 231	0.08 62	0.10 117	0.11 175	0.08 141	0.09 33	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

999	0.09 81	0.05 17	0.13 229	0.15 70	0.08 127	0.10 127	0.14 152	0.15 106	0.11 62	0.10 125	0.08 70	0.08 98	0.08 141	0.16 316	0.10 123	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.05 121

rvit_stereo_0080	0.10 142	0.08 236	0.14 264	0.15 70	0.09 239	0.07 28	0.15 219	0.16 132	0.16 186	0.11 154	0.10 117	0.14 237	0.08 141	0.12 189	0.10 123	0.09 359	0.07 379	0.07 194	0.06 185	0.07 258	0.05 121

gcap-zeroshot	0.09 81	0.05 17	0.10 108	0.16 142	0.07 71	0.13 246	0.13 104	0.11 28	0.12 88	0.13 219	0.12 160	0.09 123	0.08 141	0.09 33	0.09 54	0.06 114	0.05 182	0.06 102	0.05 107	0.04 15	0.04 40

trnet	0.08 44	0.05 17	0.07 6	0.12 4	0.05 1	0.12 207	0.11 46	0.13 59	0.10 36	0.08 62	0.13 174	0.09 123	0.08 141	0.11 107	0.10 123	0.08 300	0.05 182	0.05 23	0.03 1	0.06 192	0.05 121

Former-RAFT_DAM_RVC	0.10 142	0.08 236	0.12 184	0.16 142	0.08 127	0.15 304	0.16 284	0.18 197	0.18 231	0.10 125	0.09 88	0.09 123	0.08 141	0.11 107	0.12 236	0.07 239	0.05 182	0.08 278	0.06 185	0.07 258	0.06 199

AE-Stereo	0.10 142	0.08 236	0.10 108	0.18 298	0.09 239	0.10 127	0.15 219	0.14 75	0.19 246	0.09 92	0.14 188	0.12 192	0.08 141	0.11 107	0.10 123	0.05 27	0.06 307	0.07 194	0.06 185	0.05 100	0.04 40

whm_eth	0.10 142	0.08 236	0.14 264	0.15 70	0.09 239	0.07 28	0.15 219	0.16 132	0.16 186	0.11 154	0.10 117	0.14 237	0.08 141	0.12 189	0.10 123	0.09 359	0.07 379	0.07 194	0.06 185	0.07 258	0.05 121

testlalala_base	0.10 142	0.09 312	0.14 264	0.21 439	0.08 127	0.10 127	0.14 152	0.13 59	0.10 36	0.07 30	0.15 205	0.07 62	0.08 141	0.10 61	0.12 236	0.08 300	0.05 182	0.05 23	0.03 1	0.06 192	0.05 121

AEACV	0.08 44	0.05 17	0.08 30	0.14 30	0.13 443	0.14 278	0.13 104	0.14 75	0.09 23	0.07 30	0.09 88	0.07 62	0.08 141	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

GLC_STEREO	0.11 185	0.07 139	0.11 149	0.17 216	0.07 71	0.09 80	0.13 104	0.15 106	0.24 324	0.12 192	0.13 174	0.12 192	0.08 141	0.18 369	0.11 187	0.06 114	0.08 405	0.08 278	0.06 185	0.05 100	0.05 121

IPLGR	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.12 207	0.17 318	0.21 252	0.24 324	0.11 154	0.12 160	0.11 175	0.08 141	0.12 189	0.12 236	0.06 114	0.05 182	0.06 102	0.06 185	0.04 15	0.04 40

test-3	0.08 44	0.06 56	0.09 72	0.17 216	0.07 71	0.07 28	0.14 152	0.12 43	0.15 159	0.09 92	0.08 70	0.07 62	0.08 141	0.11 107	0.10 123	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.04 40

test_1	0.08 44	0.06 56	0.09 72	0.17 216	0.07 71	0.07 28	0.14 152	0.12 43	0.15 159	0.09 92	0.08 70	0.07 62	0.08 141	0.11 107	0.10 123	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.04 40

HHNet	0.11 185	0.06 56	0.16 349	0.15 70	0.14 463	0.07 28	0.13 104	0.20 229	0.17 205	0.14 240	0.25 365	0.11 175	0.08 141	0.13 234	0.10 123	0.05 27	0.04 21	0.08 278	0.06 185	0.05 100	0.09 387

AnonymousM	0.09 81	0.05 17	0.10 108	0.14 30	0.06 13	0.09 80	0.13 104	0.19 218	0.14 143	0.13 219	0.11 147	0.09 123	0.08 141	0.13 234	0.10 123	0.08 300	0.05 182	0.08 278	0.05 107	0.05 100	0.05 121

test-1	0.10 142	0.07 139	0.16 349	0.19 355	0.08 127	0.11 172	0.24 473	0.14 75	0.18 231	0.09 92	0.07 37	0.09 123	0.08 141	0.07 4	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

Prome-Stereo	0.11 185	0.06 56	0.10 108	0.18 298	0.08 127	0.12 207	0.15 219	0.22 274	0.13 119	0.12 192	0.17 238	0.13 217	0.08 141	0.12 189	0.10 123	0.05 27	0.04 21	0.07 194	0.06 185	0.06 192	0.09 387

raft+_RVC	0.11 185	0.07 139	0.09 72	0.16 142	0.07 71	0.10 127	0.11 46	0.24 316	0.20 269	0.12 192	0.15 205	0.12 192	0.08 141	0.12 189	0.13 277	0.07 239	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

XX-TBD	0.09 81	0.06 56	0.07 6	0.14 30	0.07 71	0.12 207	0.16 284	0.14 75	0.13 119	0.11 154	0.12 160	0.09 123	0.08 141	0.10 61	0.10 123	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

sAnonymous2	0.13 276	0.12 414	0.24 450	0.20 410	0.12 420	0.17 355	0.13 104	0.26 350	0.21 284	0.11 154	0.11 147	0.13 217	0.08 141	0.10 61	0.10 123	0.09 359	0.05 182	0.08 278	0.06 185	0.15 498	0.10 414

CroCo_RVC	0.13 276	0.12 414	0.24 450	0.20 410	0.12 420	0.17 355	0.13 104	0.26 350	0.21 284	0.11 154	0.11 147	0.13 217	0.08 141	0.10 61	0.10 123	0.09 359	0.05 182	0.08 278	0.06 185	0.15 498	0.10 414

CREStereo	0.09 81	0.04 1	0.08 30	0.11 1	0.06 13	0.13 246	0.14 152	0.14 75	0.10 36	0.08 62	0.13 174	0.09 123	0.08 141	0.11 107	0.10 123	0.08 300	0.04 21	0.05 23	0.03 1	0.06 192	0.06 199
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 142	0.06 56	0.10 108	0.17 216	0.08 127	0.11 172	0.14 152	0.23 294	0.11 62	0.12 192	0.19 272	0.11 175	0.08 141	0.09 33	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.05 121

RAFT-Stereo	0.10 142	0.06 56	0.10 108	0.17 216	0.08 127	0.11 172	0.14 152	0.23 294	0.11 62	0.12 192	0.19 272	0.11 175	0.08 141	0.09 33	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.05 121
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
water-stereo	0.09 81	0.06 56	0.08 30	0.16 142	0.07 71	0.09 80	0.13 104	0.15 106	0.13 119	0.11 154	0.12 160	0.08 98	0.09 167	0.07 4	0.08 17	0.06 114	0.05 182	0.05 23	0.05 107	0.04 15	0.04 40

DilatedVolume-Stereo	0.09 81	0.05 17	0.08 30	0.15 70	0.06 13	0.11 172	0.12 63	0.14 75	0.16 186	0.11 154	0.11 147	0.09 123	0.09 167	0.11 107	0.10 123	0.06 114	0.05 182	0.05 23	0.04 34	0.03 1	0.03 1

S2M2	0.09 81	0.08 236	0.11 149	0.13 13	0.10 341	0.08 51	0.06 1	0.10 17	0.10 36	0.10 125	0.09 88	0.10 154	0.09 167	0.11 107	0.11 187	0.13 477	0.07 379	0.08 278	0.09 383	0.10 414	0.08 343

SGD-Stereo	0.08 44	0.05 17	0.10 108	0.14 30	0.05 1	0.12 207	0.12 63	0.11 28	0.12 88	0.07 30	0.09 88	0.09 123	0.09 167	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.03 1

HI	0.11 185	0.06 56	0.11 149	0.13 13	0.09 239	0.09 80	0.14 152	0.21 252	0.10 36	0.19 357	0.17 238	0.14 237	0.09 167	0.16 316	0.08 17	0.05 27	0.04 21	0.07 194	0.08 337	0.07 258	0.06 199

CoSv	0.11 185	0.06 56	0.11 149	0.13 13	0.09 239	0.09 80	0.14 152	0.21 252	0.10 36	0.19 357	0.17 238	0.14 237	0.09 167	0.16 316	0.08 17	0.05 27	0.04 21	0.07 194	0.08 337	0.07 258	0.06 199

fffy	0.09 81	0.08 236	0.09 72	0.16 142	0.07 71	0.13 246	0.17 318	0.13 59	0.12 88	0.08 62	0.09 88	0.08 98	0.09 167	0.13 234	0.11 187	0.05 27	0.05 182	0.07 194	0.05 107	0.04 15	0.05 121

rvit_stereo_0081_aga	0.11 185	0.09 312	0.14 264	0.18 298	0.09 239	0.13 246	0.14 152	0.14 75	0.19 246	0.10 125	0.18 263	0.16 280	0.09 167	0.12 189	0.09 54	0.10 400	0.06 307	0.08 278	0.07 272	0.07 258	0.06 199

rvit_stereo_0081	0.11 185	0.08 236	0.15 315	0.16 142	0.09 239	0.10 127	0.14 152	0.14 75	0.24 324	0.11 154	0.13 174	0.13 217	0.09 167	0.11 107	0.12 236	0.10 400	0.07 379	0.08 278	0.07 272	0.07 258	0.05 121

rvit_stereo_0082	0.11 185	0.08 236	0.15 315	0.16 142	0.09 239	0.10 127	0.14 152	0.14 75	0.24 324	0.11 154	0.13 174	0.13 217	0.09 167	0.11 107	0.12 236	0.10 400	0.07 379	0.08 278	0.07 272	0.07 258	0.05 121

EKT-Stereo	0.11 185	0.07 139	0.14 264	0.15 70	0.10 341	0.13 246	0.14 152	0.18 197	0.21 284	0.11 154	0.08 70	0.12 192	0.09 167	0.11 107	0.12 236	0.08 300	0.06 307	0.07 194	0.06 185	0.08 321	0.07 279

GCAP-Stereo	0.09 81	0.07 139	0.13 229	0.18 298	0.06 13	0.11 172	0.07 3	0.13 59	0.12 88	0.09 92	0.10 117	0.07 62	0.09 167	0.13 234	0.10 123	0.06 114	0.05 182	0.05 23	0.04 34	0.04 15	0.05 121

Any-RAFT	0.10 142	0.05 17	0.09 72	0.14 30	0.07 71	0.13 246	0.14 152	0.21 252	0.15 159	0.11 154	0.12 160	0.12 192	0.09 167	0.12 189	0.09 54	0.07 239	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

RAFT-Test	0.09 81	0.06 56	0.10 108	0.15 70	0.07 71	0.11 172	0.15 219	0.16 132	0.13 119	0.09 92	0.10 117	0.10 154	0.09 167	0.12 189	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

LoS_RVC	0.08 44	0.05 17	0.07 6	0.15 70	0.07 71	0.08 51	0.15 219	0.11 28	0.10 36	0.08 62	0.09 88	0.06 16	0.09 167	0.10 61	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

anonymousdsp2	0.11 185	0.07 139	0.10 108	0.16 142	0.09 239	0.13 246	0.14 152	0.18 197	0.22 298	0.13 219	0.14 188	0.12 192	0.09 167	0.14 260	0.11 187	0.05 27	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

LoS	0.09 81	0.05 17	0.11 149	0.13 13	0.07 71	0.14 278	0.11 46	0.15 106	0.15 159	0.09 92	0.09 88	0.12 192	0.09 167	0.15 282	0.10 123	0.07 239	0.05 182	0.05 23	0.03 1	0.05 100	0.05 121
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 185	0.05 17	0.12 184	0.13 13	0.07 71	0.15 304	0.14 152	0.19 218	0.13 119	0.11 154	0.17 238	0.13 217	0.09 167	0.13 234	0.11 187	0.08 300	0.05 182	0.06 102	0.05 107	0.08 321	0.07 279

test_4	0.10 142	0.10 370	0.08 30	0.19 355	0.09 239	0.08 51	0.22 450	0.15 106	0.17 205	0.12 192	0.18 263	0.12 192	0.09 167	0.08 15	0.11 187	0.04 11	0.04 21	0.08 278	0.08 337	0.04 15	0.03 1

iRaft-Stereo_5w	0.12 251	0.09 312	0.12 184	0.19 355	0.08 127	0.09 80	0.12 63	0.21 252	0.21 284	0.19 357	0.14 188	0.11 175	0.09 167	0.20 409	0.16 358	0.05 27	0.05 182	0.07 194	0.06 185	0.05 100	0.06 199

CIPLG	0.11 185	0.08 236	0.14 264	0.17 216	0.08 127	0.12 207	0.15 219	0.17 168	0.15 159	0.14 240	0.11 147	0.16 280	0.09 167	0.16 316	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

dd	0.15 354	0.16 473	0.16 349	0.19 355	0.09 239	0.15 304	0.18 363	0.21 252	0.25 345	0.23 422	0.20 284	0.21 349	0.09 167	0.21 426	0.16 358	0.10 400	0.06 307	0.08 278	0.06 185	0.08 321	0.06 199

IPLGR_C	0.11 185	0.08 236	0.14 264	0.17 216	0.08 127	0.12 207	0.15 219	0.17 168	0.15 159	0.14 240	0.10 117	0.16 280	0.09 167	0.16 316	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

ACRE	0.11 185	0.08 236	0.14 264	0.17 216	0.08 127	0.12 207	0.15 219	0.17 168	0.14 143	0.14 240	0.10 117	0.16 280	0.09 167	0.16 316	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

test_3	0.10 142	0.09 312	0.10 108	0.20 410	0.08 127	0.13 246	0.26 496	0.14 75	0.21 284	0.10 125	0.10 117	0.09 123	0.09 167	0.08 15	0.11 187	0.05 27	0.04 21	0.08 278	0.07 272	0.04 15	0.04 40

Pruner-Stereo	0.11 185	0.07 139	0.12 184	0.17 216	0.09 239	0.06 8	0.12 63	0.17 168	0.17 205	0.13 219	0.19 272	0.13 217	0.09 167	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.08 343

RAFT-345	0.11 185	0.07 139	0.15 315	0.16 142	0.08 127	0.08 51	0.12 63	0.15 106	0.10 36	0.11 154	0.36 457	0.09 123	0.09 167	0.11 107	0.12 236	0.05 27	0.05 182	0.07 194	0.06 185	0.04 15	0.05 121

RALAANet	0.11 185	0.08 236	0.10 108	0.17 216	0.09 239	0.14 278	0.10 27	0.20 229	0.15 159	0.14 240	0.13 174	0.16 280	0.09 167	0.12 189	0.11 187	0.06 114	0.05 182	0.07 194	0.06 185	0.05 100	0.04 40

RAFT-Stereo + iAFF	0.09 81	0.06 56	0.10 108	0.17 216	0.06 13	0.10 127	0.16 284	0.17 168	0.14 143	0.09 92	0.10 117	0.08 98	0.09 167	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.06 185	0.04 15	0.03 1

AFF-stereo	0.09 81	0.06 56	0.10 108	0.17 216	0.07 71	0.10 127	0.16 284	0.17 168	0.09 23	0.10 125	0.12 160	0.09 123	0.09 167	0.12 189	0.09 54	0.05 27	0.04 21	0.07 194	0.07 272	0.04 15	0.03 1

CFNet-RSSM	0.09 81	0.07 139	0.09 72	0.16 142	0.07 71	0.09 80	0.15 219	0.16 132	0.17 205	0.08 62	0.12 160	0.10 154	0.09 167	0.11 107	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

Gwc-CoAtRS	0.09 81	0.06 56	0.10 108	0.16 142	0.07 71	0.10 127	0.14 152	0.17 168	0.17 205	0.08 62	0.10 117	0.12 192	0.09 167	0.12 189	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

xyz-stereo-finetune	0.11 185	0.08 236	0.13 229	0.14 30	0.06 13	0.10 127	0.19 402	0.17 168	0.19 246	0.12 192	0.14 188	0.15 266	0.10 199	0.13 234	0.11 187	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.05 121

rvit_stereo_0083	0.12 251	0.08 236	0.17 377	0.16 142	0.09 239	0.11 172	0.15 219	0.14 75	0.26 359	0.11 154	0.14 188	0.13 217	0.10 199	0.12 189	0.12 236	0.10 400	0.08 405	0.09 359	0.07 272	0.07 258	0.05 121

rvit_stereo_ft	0.12 251	0.07 139	0.13 229	0.19 355	0.10 341	0.12 207	0.17 318	0.16 132	0.16 186	0.12 192	0.13 174	0.15 266	0.10 199	0.14 260	0.13 277	0.09 359	0.06 307	0.08 278	0.07 272	0.07 258	0.05 121

H2IRNET	0.10 142	0.09 312	0.09 72	0.18 298	0.09 239	0.12 207	0.15 219	0.14 75	0.21 284	0.10 125	0.10 117	0.10 154	0.10 199	0.10 61	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.06 192	0.05 121

MyStereo8	0.12 251	0.07 139	0.15 315	0.15 70	0.09 239	0.18 374	0.14 152	0.19 218	0.22 298	0.12 192	0.18 263	0.11 175	0.10 199	0.16 316	0.18 391	0.07 239	0.05 182	0.07 194	0.05 107	0.08 321	0.09 387

MyStereo04	0.13 276	0.07 139	0.10 108	0.17 216	0.09 239	0.14 278	0.18 363	0.29 401	0.38 459	0.17 311	0.14 188	0.16 280	0.10 199	0.15 282	0.13 277	0.06 114	0.05 182	0.08 278	0.07 272	0.06 192	0.06 199

StereoVision	0.13 276	0.12 414	0.09 72	0.24 484	0.10 341	0.15 304	0.21 440	0.21 252	0.20 269	0.12 192	0.24 336	0.10 154	0.10 199	0.16 316	0.10 123	0.09 359	0.11 466	0.12 457	0.12 473	0.06 192	0.05 121

DCRE	0.11 185	0.07 139	0.13 229	0.16 142	0.11 389	0.11 172	0.17 318	0.18 197	0.17 205	0.11 154	0.18 263	0.10 154	0.10 199	0.15 282	0.11 187	0.06 114	0.05 182	0.06 102	0.06 185	0.05 100	0.04 40

Selective-RAFT	0.11 185	0.10 370	0.11 149	0.21 439	0.08 127	0.16 334	0.13 104	0.20 229	0.22 298	0.10 125	0.10 117	0.11 175	0.10 199	0.15 282	0.11 187	0.05 27	0.05 182	0.06 102	0.05 107	0.06 192	0.05 121

TestStereo1	0.13 276	0.08 236	0.08 30	0.19 355	0.08 127	0.18 374	0.29 518	0.23 294	0.16 186	0.17 311	0.20 284	0.16 280	0.10 199	0.12 189	0.13 277	0.06 114	0.06 307	0.08 278	0.06 185	0.05 100	0.05 121

DisPM	0.11 185	0.07 139	0.12 184	0.16 142	0.09 239	0.06 8	0.13 104	0.17 168	0.17 205	0.14 240	0.20 284	0.12 192	0.10 199	0.11 107	0.10 123	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.11 440

raft_robust	0.13 276	0.10 370	0.07 6	0.18 298	0.08 127	0.13 246	0.24 473	0.28 390	0.33 420	0.20 380	0.19 272	0.14 237	0.10 199	0.11 107	0.12 236	0.05 27	0.05 182	0.07 194	0.07 272	0.05 100	0.04 40

RAFT+CT+SA	0.13 276	0.11 396	0.09 72	0.19 355	0.09 239	0.15 304	0.28 509	0.22 274	0.22 298	0.15 267	0.26 382	0.10 154	0.10 199	0.11 107	0.12 236	0.05 27	0.04 21	0.07 194	0.08 337	0.07 258	0.06 199

SA-5K	0.13 276	0.08 236	0.08 30	0.19 355	0.08 127	0.18 374	0.29 518	0.23 294	0.16 186	0.17 311	0.20 284	0.16 280	0.10 199	0.12 189	0.13 277	0.06 114	0.06 307	0.08 278	0.06 185	0.05 100	0.05 121

PFNet+	0.11 185	0.06 56	0.13 229	0.16 142	0.09 239	0.05 4	0.12 63	0.17 168	0.21 284	0.16 295	0.19 272	0.14 237	0.10 199	0.11 107	0.11 187	0.08 300	0.05 182	0.09 359	0.08 337	0.06 192	0.11 440

STrans-v2	0.10 142	0.07 139	0.12 184	0.18 298	0.07 71	0.10 127	0.14 152	0.21 252	0.11 62	0.11 154	0.15 205	0.12 192	0.10 199	0.11 107	0.12 236	0.05 27	0.04 21	0.06 102	0.06 185	0.04 15	0.04 40

KYRaft	0.11 185	0.07 139	0.10 108	0.19 355	0.09 239	0.08 51	0.15 219	0.22 274	0.12 88	0.13 219	0.16 217	0.20 340	0.10 199	0.12 189	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.06 192	0.16 507

ASMatch	0.11 185	0.06 56	0.13 229	0.16 142	0.10 341	0.07 28	0.14 152	0.17 168	0.17 205	0.12 192	0.16 217	0.16 280	0.10 199	0.13 234	0.10 123	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.08 343

RAFT-RH_RVC	0.11 185	0.06 56	0.14 264	0.16 142	0.09 239	0.12 207	0.12 63	0.17 168	0.12 88	0.13 219	0.41 494	0.11 175	0.10 199	0.13 234	0.12 236	0.05 27	0.04 21	0.08 278	0.05 107	0.04 15	0.06 199

cross-raft	0.10 142	0.09 312	0.09 72	0.19 355	0.07 71	0.11 172	0.25 488	0.13 59	0.15 159	0.08 62	0.11 147	0.12 192	0.10 199	0.09 33	0.11 187	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

rafts_anoy	0.11 185	0.06 56	0.10 108	0.17 216	0.08 127	0.10 127	0.14 152	0.17 168	0.14 143	0.13 219	0.13 174	0.12 192	0.10 199	0.11 107	0.12 236	0.07 239	0.04 21	0.09 359	0.11 454	0.07 258	0.06 199

Anonymous3	0.16 377	0.13 443	0.33 489	0.26 500	0.14 463	0.27 485	0.17 318	0.28 390	0.28 382	0.15 267	0.17 238	0.14 237	0.10 199	0.15 282	0.12 236	0.08 300	0.08 405	0.08 278	0.08 337	0.08 321	0.11 440

RALCasStereoNet	0.10 142	0.06 56	0.09 72	0.16 142	0.08 127	0.12 207	0.14 152	0.17 168	0.11 62	0.12 192	0.17 238	0.14 237	0.10 199	0.12 189	0.11 187	0.07 239	0.06 307	0.06 102	0.05 107	0.08 321	0.07 279

RAFT + AFF	0.13 276	0.07 139	0.20 423	0.20 410	0.10 341	0.14 278	0.24 473	0.26 350	0.20 269	0.11 154	0.10 117	0.12 192	0.10 199	0.15 282	0.12 236	0.07 239	0.06 307	0.09 359	0.08 337	0.06 192	0.08 343

GMStereo	0.13 276	0.14 455	0.14 264	0.18 298	0.09 239	0.15 304	0.16 284	0.20 229	0.24 324	0.16 295	0.17 238	0.10 154	0.10 199	0.16 316	0.13 277	0.07 239	0.06 307	0.06 102	0.06 185	0.07 258	0.06 199
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MultiAttention	0.29 508	0.08 236	0.14 264	0.19 355	0.12 420	1.45 571	1.33 572	0.36 486	0.37 452	0.19 357	0.21 305	0.24 391	0.11 224	0.38 522	0.18 391	0.06 114	0.05 182	0.08 278	0.08 337	0.10 414	0.09 387

depthmonostereo	0.09 81	0.06 56	0.09 72	0.15 70	0.06 13	0.10 127	0.13 104	0.14 75	0.14 143	0.10 125	0.10 117	0.09 123	0.11 224	0.08 15	0.09 54	0.06 114	0.05 182	0.06 102	0.04 34	0.04 15	0.03 1

MyStereo05	0.13 276	0.07 139	0.10 108	0.17 216	0.09 239	0.13 246	0.18 363	0.27 371	0.35 441	0.17 311	0.14 188	0.15 266	0.11 224	0.15 282	0.13 277	0.06 114	0.05 182	0.07 194	0.07 272	0.06 192	0.06 199

CoDeX	0.12 251	0.07 139	0.12 184	0.17 216	0.08 127	0.12 207	0.15 219	0.23 294	0.27 368	0.13 219	0.17 238	0.16 280	0.11 224	0.14 260	0.11 187	0.07 239	0.05 182	0.07 194	0.06 185	0.06 192	0.05 121

GMStereo_Zeroshot	0.16 377	0.13 443	0.24 450	0.20 410	0.10 341	0.17 355	0.13 104	0.29 401	0.25 345	0.23 422	0.32 434	0.25 405	0.11 224	0.19 384	0.14 314	0.09 359	0.06 307	0.11 438	0.06 185	0.12 452	0.08 343

MIF-Stereo (partial)	0.11 185	0.06 56	0.10 108	0.19 355	0.10 341	0.10 127	0.11 46	0.17 168	0.18 231	0.14 240	0.16 217	0.09 123	0.11 224	0.12 189	0.12 236	0.08 300	0.05 182	0.08 278	0.07 272	0.06 192	0.07 279

riskmin	0.11 185	0.06 56	0.13 229	0.14 30	0.08 127	0.14 278	0.14 152	0.18 197	0.14 143	0.11 154	0.14 188	0.16 280	0.11 224	0.14 260	0.12 236	0.09 359	0.05 182	0.07 194	0.05 107	0.08 321	0.08 343

fff	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.09 80	0.17 318	0.16 132	0.20 269	0.13 219	0.16 217	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

Sa-1000	0.12 251	0.08 236	0.08 30	0.18 298	0.08 127	0.14 278	0.22 450	0.22 274	0.18 231	0.15 267	0.20 284	0.17 300	0.11 224	0.10 61	0.10 123	0.06 114	0.05 182	0.09 359	0.09 383	0.05 100	0.05 121

SA	0.12 251	0.09 312	0.08 30	0.18 298	0.08 127	0.12 207	0.24 473	0.23 294	0.18 231	0.17 311	0.27 390	0.14 237	0.11 224	0.11 107	0.11 187	0.05 27	0.05 182	0.09 359	0.08 337	0.05 100	0.04 40

CrosDoStereo	0.12 251	0.06 56	0.12 184	0.14 30	0.08 127	0.12 207	0.15 219	0.17 168	0.22 298	0.19 357	0.24 336	0.15 266	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.07 194	0.07 272	0.05 100	0.05 121

LCNet	0.11 185	0.07 139	0.09 72	0.19 355	0.09 239	0.08 51	0.15 219	0.21 252	0.15 159	0.11 154	0.15 205	0.16 280	0.11 224	0.12 189	0.11 187	0.05 27	0.04 21	0.08 278	0.07 272	0.06 192	0.15 496

TransformOpticalFlow	0.10 142	0.08 236	0.13 229	0.18 298	0.07 71	0.09 80	0.15 219	0.19 218	0.15 159	0.12 192	0.17 238	0.11 175	0.11 224	0.11 107	0.10 123	0.05 27	0.04 21	0.06 102	0.06 185	0.05 100	0.05 121

NF-Stereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

OCTAStereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

PSM-softLoss	0.12 251	0.07 139	0.15 315	0.17 216	0.09 239	0.08 51	0.13 104	0.24 316	0.17 205	0.14 240	0.19 272	0.13 217	0.11 224	0.11 107	0.11 187	0.07 239	0.05 182	0.08 278	0.07 272	0.06 192	0.12 453

KMStereo	0.12 251	0.07 139	0.15 315	0.17 216	0.09 239	0.08 51	0.13 104	0.24 316	0.17 205	0.14 240	0.19 272	0.13 217	0.11 224	0.11 107	0.11 187	0.07 239	0.05 182	0.08 278	0.07 272	0.06 192	0.12 453

PSM-AAD	0.11 185	0.07 139	0.10 108	0.19 355	0.09 239	0.10 127	0.15 219	0.20 229	0.13 119	0.12 192	0.14 188	0.18 314	0.11 224	0.11 107	0.10 123	0.05 27	0.05 182	0.09 359	0.08 337	0.06 192	0.14 489

DeepStereo_LL	0.12 251	0.06 56	0.12 184	0.14 30	0.08 127	0.12 207	0.15 219	0.17 168	0.22 298	0.19 357	0.24 336	0.15 266	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.07 194	0.07 272	0.05 100	0.05 121

PFNet	0.12 251	0.06 56	0.17 377	0.17 216	0.08 127	0.09 80	0.15 219	0.26 350	0.20 269	0.16 295	0.16 217	0.14 237	0.11 224	0.12 189	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

GrayStereo	0.11 185	0.06 56	0.11 149	0.19 355	0.09 239	0.09 80	0.16 284	0.18 197	0.17 205	0.14 240	0.17 238	0.17 300	0.11 224	0.12 189	0.11 187	0.05 27	0.05 182	0.07 194	0.06 185	0.05 100	0.10 414

RE-Stereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

TVStereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

GMM-Stereo	0.11 185	0.07 139	0.10 108	0.18 298	0.09 239	0.08 51	0.15 219	0.23 294	0.16 186	0.11 154	0.15 205	0.13 217	0.11 224	0.11 107	0.11 187	0.05 27	0.04 21	0.08 278	0.07 272	0.06 192	0.09 387

s12784h	0.09 81	0.06 56	0.07 6	0.15 70	0.05 1	0.16 334	0.18 363	0.15 106	0.15 159	0.10 125	0.11 147	0.11 175	0.11 224	0.10 61	0.12 236	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

DCANet	0.10 142	0.06 56	0.12 184	0.16 142	0.06 13	0.09 80	0.17 318	0.15 106	0.19 246	0.13 219	0.17 238	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

csc	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.09 80	0.17 318	0.16 132	0.20 269	0.13 219	0.16 217	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

cscssc	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.09 80	0.17 318	0.16 132	0.20 269	0.13 219	0.16 217	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

111	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.10 127	0.14 152	0.21 252	0.23 308	0.11 154	0.12 160	0.14 237	0.11 224	0.13 234	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.05 100	0.05 121

ARAFT	0.12 251	0.08 236	0.17 377	0.19 355	0.09 239	0.14 278	0.18 363	0.20 229	0.12 88	0.12 192	0.13 174	0.14 237	0.11 224	0.15 282	0.12 236	0.06 114	0.05 182	0.10 407	0.09 383	0.05 100	0.04 40

HITNet	0.10 142	0.06 56	0.12 184	0.14 30	0.06 13	0.11 172	0.10 27	0.18 197	0.18 231	0.13 219	0.16 217	0.14 237	0.11 224	0.15 282	0.13 277	0.06 114	0.04 21	0.04 1	0.04 34	0.06 192	0.05 121
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
FlowAnything_test	0.11 185	0.08 236	0.14 264	0.15 70	0.09 239	0.07 28	0.14 152	0.20 229	0.11 62	0.09 92	0.09 88	0.12 192	0.12 255	0.13 234	0.11 187	0.09 359	0.06 307	0.09 359	0.09 383	0.06 192	0.09 387

xyz-stereo-finetune2	0.11 185	0.07 139	0.13 229	0.13 13	0.07 71	0.11 172	0.19 402	0.17 168	0.12 88	0.15 267	0.15 205	0.17 300	0.12 255	0.13 234	0.11 187	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.06 199

DFGA-Net	0.13 276	0.11 396	0.18 400	0.17 216	0.10 341	0.12 207	0.13 104	0.22 274	0.25 345	0.16 295	0.16 217	0.13 217	0.12 255	0.16 316	0.14 314	0.07 239	0.05 182	0.08 278	0.07 272	0.05 100	0.05 121

DDVS	0.15 354	0.10 370	0.21 431	0.16 142	0.12 420	0.15 304	0.14 152	0.25 332	0.19 246	0.18 341	0.29 416	0.27 422	0.12 255	0.19 384	0.15 342	0.09 359	0.06 307	0.09 359	0.07 272	0.11 437	0.11 440

rvit_0105_6	0.14 310	0.09 312	0.18 400	0.17 216	0.10 341	0.10 127	0.16 284	0.19 218	0.26 359	0.12 192	0.18 263	0.17 300	0.12 255	0.18 369	0.12 236	0.15 494	0.11 466	0.12 457	0.10 422	0.09 382	0.06 199

rvit_0105_5	0.14 310	0.09 312	0.13 229	0.17 216	0.09 239	0.14 278	0.23 461	0.24 316	0.27 368	0.14 240	0.15 205	0.18 314	0.12 255	0.17 348	0.14 314	0.14 490	0.11 466	0.10 407	0.10 422	0.08 321	0.06 199

GCST	0.37 525	0.42 542	0.26 458	1.02 566	0.39 541	0.18 374	0.08 7	0.20 229	0.17 205	0.28 470	0.25 365	0.15 266	0.12 255	0.16 316	0.14 314	0.64 559	0.43 548	0.75 556	0.65 559	0.63 553	0.46 552

plain	0.10 142	0.08 236	0.10 108	0.19 355	0.09 239	0.10 127	0.15 219	0.14 75	0.13 119	0.13 219	0.15 205	0.09 123	0.12 255	0.13 234	0.12 236	0.07 239	0.05 182	0.09 359	0.06 185	0.06 192	0.06 199

PCWNet_CMD	0.14 310	0.08 236	0.15 315	0.17 216	0.09 239	0.14 278	0.14 152	0.29 401	0.36 445	0.14 240	0.20 284	0.21 349	0.12 255	0.17 348	0.13 277	0.07 239	0.05 182	0.07 194	0.07 272	0.07 258	0.07 279

ADStereo(finetuned)	0.10 142	0.06 56	0.12 184	0.16 142	0.06 13	0.09 80	0.17 318	0.15 106	0.19 246	0.13 219	0.17 238	0.10 154	0.12 255	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

GMOStereo	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

error version	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

test-v	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

GANet-ADL	0.13 276	0.07 139	0.15 315	0.17 216	0.10 341	0.18 374	0.15 219	0.30 415	0.20 269	0.13 219	0.18 263	0.19 328	0.12 255	0.16 316	0.13 277	0.08 300	0.06 307	0.06 102	0.05 107	0.07 258	0.08 343

Patchmatch Stereo++	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.11 46	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 185	0.06 56	0.14 264	0.18 298	0.08 127	0.09 80	0.12 63	0.21 252	0.21 284	0.13 219	0.14 188	0.11 175	0.12 255	0.11 107	0.13 277	0.06 114	0.04 21	0.07 194	0.06 185	0.05 100	0.04 40

IIG-Stereo	0.11 185	0.06 56	0.13 229	0.17 216	0.08 127	0.11 172	0.12 63	0.22 274	0.17 205	0.14 240	0.17 238	0.11 175	0.12 255	0.12 189	0.12 236	0.06 114	0.05 182	0.07 194	0.06 185	0.05 100	0.04 40

NRIStereo	0.11 185	0.08 236	0.14 264	0.18 298	0.08 127	0.10 127	0.14 152	0.16 132	0.15 159	0.12 192	0.14 188	0.13 217	0.12 255	0.13 234	0.10 123	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.07 279

PSM-adaLoss	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

FTStereo	0.12 251	0.06 56	0.14 264	0.18 298	0.09 239	0.07 28	0.15 219	0.21 252	0.18 231	0.12 192	0.24 336	0.12 192	0.12 255	0.13 234	0.13 277	0.05 27	0.05 182	0.07 194	0.06 185	0.06 192	0.10 414

ROB_FTStereo_v2	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

ROB_FTStereo	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.11 46	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

HUI-Stereo	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

SST-Stereo	0.10 142	0.07 139	0.15 315	0.18 298	0.09 239	0.06 8	0.12 63	0.17 168	0.11 62	0.15 267	0.17 238	0.13 217	0.12 255	0.10 61	0.11 187	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.05 121

THIR-Stereo	0.12 251	0.07 139	0.11 149	0.15 70	0.08 127	0.14 278	0.16 284	0.17 168	0.25 345	0.16 295	0.24 336	0.14 237	0.12 255	0.12 189	0.14 314	0.06 114	0.04 21	0.07 194	0.07 272	0.05 100	0.05 121

RAFT_R40	0.11 185	0.07 139	0.14 264	0.18 298	0.09 239	0.06 8	0.13 104	0.17 168	0.16 186	0.14 240	0.18 263	0.15 266	0.12 255	0.10 61	0.11 187	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.05 121

DeepStereo_RVC	0.11 185	0.08 236	0.16 349	0.18 298	0.08 127	0.08 51	0.12 63	0.17 168	0.12 88	0.13 219	0.14 188	0.12 192	0.12 255	0.12 189	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.07 258	0.08 343

iGMRVC	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

IRAFT_RVC	0.12 251	0.08 236	0.16 349	0.19 355	0.08 127	0.07 28	0.15 219	0.24 316	0.23 308	0.14 240	0.14 188	0.15 266	0.12 255	0.12 189	0.10 123	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.06 199

iRAFT	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.11 46	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

CRE-IMP	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.10 127	0.12 63	0.18 197	0.10 36	0.14 240	0.13 174	0.13 217	0.12 255	0.12 189	0.11 187	0.07 239	0.04 21	0.08 278	0.06 185	0.08 321	0.08 343

test-2	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

RAFT	0.13 276	0.09 312	0.11 149	0.18 298	0.08 127	0.15 304	0.24 473	0.20 229	0.19 246	0.21 394	0.21 305	0.17 300	0.12 255	0.16 316	0.09 54	0.06 114	0.07 379	0.10 407	0.09 383	0.05 100	0.05 121

RAFT-IKP	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

TestStereo	0.13 276	0.14 455	0.11 149	0.23 475	0.08 127	0.15 304	0.21 440	0.20 229	0.23 308	0.14 240	0.24 336	0.16 280	0.12 255	0.16 316	0.14 314	0.05 27	0.06 307	0.08 278	0.06 185	0.09 382	0.05 121

FENet	0.13 276	0.08 236	0.12 184	0.16 142	0.08 127	0.14 278	0.15 219	0.22 274	0.23 308	0.17 311	0.23 324	0.16 280	0.12 255	0.14 260	0.15 342	0.08 300	0.05 182	0.08 278	0.08 337	0.07 258	0.07 279

DIP-Stereo	0.11 185	0.07 139	0.14 264	0.17 216	0.09 239	0.13 246	0.09 18	0.16 132	0.16 186	0.11 154	0.16 217	0.14 237	0.12 255	0.15 282	0.13 277	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199
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	0.14 310	0.08 236	0.15 315	0.17 216	0.09 239	0.14 278	0.14 152	0.29 401	0.36 445	0.14 240	0.21 305	0.21 349	0.12 255	0.17 348	0.14 314	0.07 239	0.05 182	0.07 194	0.07 272	0.07 258	0.07 279

G2L-Stereo	0.14 310	0.07 139	0.13 229	0.17 216	0.09 239	0.13 246	0.12 63	0.27 371	0.22 298	0.16 295	0.27 390	0.21 349	0.13 293	0.17 348	0.18 391	0.09 359	0.08 405	0.08 278	0.07 272	0.07 258	0.07 279

rvit_0105_4	0.14 310	0.09 312	0.17 377	0.17 216	0.10 341	0.12 207	0.19 402	0.23 294	0.27 368	0.14 240	0.20 284	0.17 300	0.13 293	0.17 348	0.13 277	0.15 494	0.11 466	0.11 438	0.10 422	0.09 382	0.06 199

rvit_0105_3	0.15 354	0.09 312	0.14 264	0.19 355	0.12 420	0.15 304	0.25 488	0.25 332	0.29 389	0.15 267	0.17 238	0.20 340	0.13 293	0.17 348	0.14 314	0.13 477	0.11 466	0.12 457	0.14 486	0.07 258	0.06 199

UGAM	0.13 276	0.10 370	0.09 72	0.22 454	0.08 127	0.12 207	0.20 423	0.17 168	0.23 308	0.21 394	0.16 217	0.13 217	0.13 293	0.19 384	0.12 236	0.07 239	0.05 182	0.13 472	0.11 454	0.07 258	0.05 121

ffm	0.12 251	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.15 106	0.19 246	0.15 267	0.25 365	0.19 328	0.13 293	0.10 61	0.07 1	0.06 114	0.04 21	0.09 359	0.08 337	0.06 192	0.06 199

ff1	0.13 276	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.15 106	0.19 246	0.15 267	0.25 365	0.19 328	0.13 293	0.14 260	0.20 410	0.06 114	0.04 21	0.09 359	0.08 337	0.06 192	0.06 199

mmx	0.14 310	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.27 371	0.25 345	0.15 267	0.25 365	0.19 328	0.13 293	0.14 260	0.20 410	0.08 300	0.06 307	0.09 359	0.08 337	0.08 321	0.08 343

ttt	0.14 310	0.08 236	0.14 264	0.15 70	0.08 127	0.15 304	0.18 363	0.27 371	0.29 389	0.16 295	0.24 336	0.17 300	0.13 293	0.13 234	0.14 314	0.11 429	0.08 405	0.09 359	0.08 337	0.09 382	0.08 343

xxx	0.14 310	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.27 371	0.25 345	0.15 267	0.25 365	0.19 328	0.13 293	0.14 260	0.20 410	0.08 300	0.06 307	0.09 359	0.08 337	0.08 321	0.08 343

LL-Strereo	0.13 276	0.09 312	0.11 149	0.20 410	0.10 341	0.11 172	0.18 363	0.32 436	0.24 324	0.15 267	0.15 205	0.14 237	0.13 293	0.19 384	0.11 187	0.06 114	0.04 21	0.09 359	0.08 337	0.04 15	0.05 121

SDNR	0.19 423	0.08 236	0.19 411	0.16 142	0.12 420	0.77 556	0.14 152	0.25 332	0.32 413	0.19 357	0.24 336	0.19 328	0.13 293	0.19 384	0.15 342	0.16 510	0.18 518	0.14 484	0.11 454	0.08 321	0.11 440

BUS	0.14 310	0.09 312	0.14 264	0.22 454	0.10 341	0.19 397	0.14 152	0.34 464	0.19 246	0.17 311	0.22 315	0.16 280	0.13 293	0.15 282	0.13 277	0.08 300	0.06 307	0.10 407	0.09 383	0.07 258	0.07 279

NINENet	0.16 377	0.10 370	0.15 315	0.17 216	0.11 389	0.19 397	0.14 152	0.40 508	0.36 445	0.18 341	0.21 305	0.16 280	0.13 293	0.15 282	0.13 277	0.08 300	0.08 405	0.10 407	0.07 272	0.10 414	0.09 387

UDGNet	0.14 310	0.13 443	0.16 349	0.17 216	0.10 341	0.12 207	0.16 284	0.21 252	0.27 368	0.20 380	0.20 284	0.16 280	0.13 293	0.16 316	0.13 277	0.10 400	0.06 307	0.09 359	0.07 272	0.06 192	0.07 279

dad	0.17 397	0.20 502	0.20 423	0.16 142	0.11 389	0.20 412	0.18 363	0.21 252	0.28 382	0.30 482	0.24 336	0.29 440	0.13 293	0.19 384	0.16 358	0.18 516	0.09 434	0.11 438	0.09 383	0.11 437	0.07 279

GEStereo_RVC	0.17 397	0.12 414	0.15 315	0.22 454	0.11 389	0.19 397	0.17 318	0.32 436	0.48 497	0.20 380	0.25 365	0.17 300	0.13 293	0.21 426	0.16 358	0.10 400	0.06 307	0.08 278	0.07 272	0.09 382	0.08 343

CFNet_pseudo	0.14 310	0.08 236	0.15 315	0.16 142	0.09 239	0.13 246	0.14 152	0.27 371	0.34 432	0.14 240	0.21 305	0.22 367	0.13 293	0.18 369	0.14 314	0.07 239	0.05 182	0.08 278	0.06 185	0.07 258	0.07 279

GES	0.14 310	0.08 236	0.16 349	0.15 70	0.10 341	0.13 246	0.13 104	0.28 390	0.25 345	0.16 295	0.23 324	0.18 314	0.13 293	0.16 316	0.13 277	0.08 300	0.07 379	0.07 194	0.06 185	0.08 321	0.09 387

SFCPSM	0.13 276	0.07 139	0.14 264	0.17 216	0.09 239	0.15 304	0.16 284	0.28 390	0.27 368	0.14 240	0.17 238	0.12 192	0.13 293	0.14 260	0.11 187	0.08 300	0.05 182	0.07 194	0.07 272	0.07 258	0.06 199

ccs_rob	0.14 310	0.08 236	0.15 315	0.16 142	0.09 239	0.12 207	0.14 152	0.27 371	0.34 432	0.14 240	0.21 305	0.22 367	0.13 293	0.18 369	0.14 314	0.07 239	0.05 182	0.08 278	0.07 272	0.07 258	0.07 279

AdaStereo	0.15 354	0.11 396	0.15 315	0.18 298	0.09 239	0.20 412	0.11 46	0.32 436	0.28 382	0.20 380	0.23 324	0.20 340	0.13 293	0.19 384	0.14 314	0.12 454	0.05 182	0.10 407	0.07 272	0.09 382	0.07 279
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 310	0.08 236	0.15 315	0.16 142	0.08 127	0.16 334	0.12 63	0.25 332	0.35 441	0.21 394	0.29 416	0.24 391	0.13 293	0.14 260	0.14 314	0.06 114	0.05 182	0.06 102	0.04 34	0.09 382	0.08 343

MLCV	0.12 251	0.07 139	0.16 349	0.18 298	0.06 13	0.15 304	0.17 318	0.19 218	0.21 284	0.18 341	0.25 365	0.17 300	0.13 293	0.14 260	0.13 277	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

iResNet	0.13 276	0.10 370	0.18 400	0.19 355	0.08 127	0.13 246	0.18 363	0.20 229	0.26 359	0.15 267	0.23 324	0.15 266	0.13 293	0.14 260	0.14 314	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.05 121

DN-CSS_ROB	0.13 276	0.13 443	0.16 349	0.18 298	0.10 341	0.16 334	0.08 7	0.22 274	0.18 231	0.17 311	0.22 315	0.13 217	0.13 293	0.12 189	0.13 277	0.05 27	0.05 182	0.10 407	0.10 422	0.08 321	0.06 199

G2L-ROB	0.13 276	0.06 56	0.13 229	0.13 13	0.08 127	0.14 278	0.16 284	0.25 332	0.18 231	0.19 357	0.18 263	0.20 340	0.14 318	0.17 348	0.16 358	0.08 300	0.05 182	0.06 102	0.05 107	0.08 321	0.09 387

test_sample6	0.14 310	0.08 236	0.13 229	0.16 142	0.08 127	0.17 355	0.19 402	0.25 332	0.17 205	0.17 311	0.27 390	0.19 328	0.14 318	0.15 282	0.13 277	0.08 300	0.05 182	0.08 278	0.07 272	0.08 321	0.08 343

test_sample5	0.14 310	0.08 236	0.14 264	0.16 142	0.08 127	0.18 374	0.18 363	0.25 332	0.17 205	0.17 311	0.27 390	0.18 314	0.14 318	0.16 316	0.13 277	0.08 300	0.05 182	0.08 278	0.07 272	0.08 321	0.08 343

test_sample4	0.14 310	0.08 236	0.14 264	0.15 70	0.08 127	0.19 397	0.18 363	0.26 350	0.17 205	0.16 295	0.25 365	0.18 314	0.14 318	0.16 316	0.13 277	0.08 300	0.06 307	0.08 278	0.06 185	0.08 321	0.08 343

DualNet	0.14 310	0.08 236	0.14 264	0.16 142	0.08 127	0.18 374	0.18 363	0.25 332	0.17 205	0.17 311	0.27 390	0.18 314	0.14 318	0.16 316	0.13 277	0.08 300	0.05 182	0.08 278	0.07 272	0.08 321	0.08 343

CFNet_ucs	0.15 354	0.08 236	0.16 349	0.16 142	0.11 389	0.14 278	0.14 152	0.30 415	0.34 432	0.16 295	0.24 336	0.23 385	0.14 318	0.18 369	0.15 342	0.09 359	0.06 307	0.08 278	0.07 272	0.09 382	0.09 387

anonymousa	0.13 276	0.07 139	0.13 229	0.18 298	0.09 239	0.13 246	0.17 318	0.19 218	0.29 389	0.15 267	0.24 336	0.15 266	0.14 318	0.14 260	0.14 314	0.07 239	0.05 182	0.07 194	0.09 383	0.05 100	0.06 199

DCANet-4	0.10 142	0.06 56	0.12 184	0.16 142	0.06 13	0.09 80	0.17 318	0.18 197	0.19 246	0.13 219	0.16 217	0.09 123	0.14 318	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

GwcNet-ADL	0.13 276	0.08 236	0.14 264	0.20 410	0.09 239	0.11 172	0.20 423	0.30 415	0.24 324	0.13 219	0.14 188	0.18 314	0.14 318	0.13 234	0.14 314	0.07 239	0.05 182	0.06 102	0.05 107	0.07 258	0.06 199

AAGNet	0.11 185	0.07 139	0.16 349	0.19 355	0.09 239	0.08 51	0.13 104	0.18 197	0.13 119	0.16 295	0.21 305	0.13 217	0.14 318	0.11 107	0.14 314	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.05 121

DEmStereo	0.12 251	0.06 56	0.14 264	0.14 30	0.10 341	0.16 334	0.15 219	0.16 132	0.24 324	0.17 311	0.24 336	0.13 217	0.14 318	0.12 189	0.13 277	0.05 27	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

HCRNet	0.16 377	0.24 516	0.12 184	0.35 531	0.11 389	0.15 304	0.17 318	0.26 350	0.22 298	0.19 357	0.24 336	0.21 349	0.14 318	0.15 282	0.13 277	0.11 429	0.07 379	0.11 438	0.10 422	0.09 382	0.07 279

xxxx	0.15 354	0.07 139	0.14 264	0.14 30	0.08 127	0.23 450	0.18 363	0.31 425	0.19 246	0.14 240	0.28 404	0.22 367	0.14 318	0.15 282	0.26 484	0.09 359	0.05 182	0.07 194	0.07 272	0.08 321	0.07 279

PSMNet-RSSM	0.14 310	0.07 139	0.13 229	0.15 70	0.08 127	0.13 246	0.16 284	0.24 316	0.24 324	0.16 295	0.28 404	0.22 367	0.14 318	0.15 282	0.13 277	0.11 429	0.06 307	0.09 359	0.12 473	0.08 321	0.07 279

CFNet-ft	0.14 310	0.07 139	0.15 315	0.12 4	0.09 239	0.16 334	0.18 363	0.22 274	0.24 324	0.17 311	0.26 382	0.24 391	0.14 318	0.16 316	0.14 314	0.11 429	0.06 307	0.08 278	0.09 383	0.09 382	0.08 343

BEATNet_4x	0.12 251	0.08 236	0.14 264	0.18 298	0.07 71	0.15 304	0.07 3	0.22 274	0.18 231	0.16 295	0.19 272	0.18 314	0.14 318	0.16 316	0.15 342	0.07 239	0.05 182	0.05 23	0.05 107	0.06 192	0.06 199

HSM-Net_RVC	0.14 310	0.08 236	0.11 149	0.15 70	0.08 127	0.15 304	0.15 219	0.27 371	0.29 389	0.19 357	0.21 305	0.29 440	0.14 318	0.17 348	0.13 277	0.06 114	0.06 307	0.06 102	0.06 185	0.07 258	0.06 199
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 310	0.07 139	0.15 315	0.12 4	0.09 239	0.16 334	0.18 363	0.22 274	0.24 324	0.17 311	0.26 382	0.24 391	0.14 318	0.16 316	0.14 314	0.11 429	0.06 307	0.08 278	0.09 383	0.09 382	0.08 343

DCVSM-stereo	0.14 310	0.09 312	0.16 349	0.16 142	0.10 341	0.15 304	0.09 18	0.19 218	0.23 308	0.20 380	0.23 324	0.26 414	0.15 336	0.18 369	0.14 314	0.09 359	0.07 379	0.09 359	0.08 337	0.10 414	0.12 453

ACV-stereo	0.15 354	0.10 370	0.28 470	0.18 298	0.12 420	0.14 278	0.12 63	0.23 294	0.21 284	0.19 357	0.23 324	0.22 367	0.15 336	0.23 450	0.17 373	0.07 239	0.06 307	0.07 194	0.07 272	0.07 258	0.07 279

ITSA-stereo	0.15 354	0.10 370	0.14 264	0.19 355	0.08 127	0.12 207	0.14 152	0.30 415	0.49 503	0.17 311	0.19 272	0.22 367	0.15 336	0.17 348	0.16 358	0.10 400	0.06 307	0.08 278	0.08 337	0.08 321	0.08 343

rvit_stereo_0075_2	0.17 397	0.12 414	0.25 455	0.23 475	0.16 491	0.13 246	0.10 27	0.30 415	0.27 368	0.20 380	0.28 404	0.22 367	0.15 336	0.18 369	0.13 277	0.16 510	0.10 454	0.17 504	0.10 422	0.10 414	0.09 387

test_sample3	0.14 310	0.08 236	0.15 315	0.14 30	0.09 239	0.19 397	0.17 318	0.26 350	0.18 231	0.16 295	0.22 315	0.19 328	0.15 336	0.17 348	0.13 277	0.08 300	0.06 307	0.07 194	0.06 185	0.09 382	0.08 343

test_sample2	0.12 251	0.07 139	0.12 184	0.14 30	0.08 127	0.16 334	0.18 363	0.21 252	0.16 186	0.14 240	0.20 284	0.19 328	0.15 336	0.15 282	0.12 236	0.08 300	0.05 182	0.07 194	0.06 185	0.08 321	0.07 279

SMFormer	0.14 310	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.17 373	0.08 300	0.05 182	0.07 194	0.06 185	0.07 258	0.06 199

tta	0.14 310	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.17 373	0.08 300	0.05 182	0.07 194	0.06 185	0.06 192	0.06 199

qqq1	0.13 276	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.11 187	0.08 300	0.05 182	0.05 23	0.05 107	0.06 192	0.06 199

fff1	0.13 276	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.11 187	0.08 300	0.05 182	0.05 23	0.05 107	0.06 192	0.06 199

1111x	0.15 354	0.08 236	0.12 184	0.18 298	0.07 71	0.18 374	0.25 488	0.31 425	0.24 324	0.17 311	0.24 336	0.26 414	0.15 336	0.13 234	0.23 451	0.07 239	0.07 379	0.08 278	0.09 383	0.07 258	0.06 199

iinet-f	0.16 377	0.06 56	0.45 513	0.14 30	0.10 341	0.21 429	0.14 152	0.27 371	0.23 308	0.21 394	0.24 336	0.21 349	0.15 336	0.18 369	0.21 430	0.09 359	0.07 379	0.07 194	0.06 185	0.09 382	0.10 414

GASNet	0.22 456	0.23 513	0.33 489	0.26 500	0.17 506	0.26 475	0.16 284	0.44 525	0.42 478	0.27 455	0.24 336	0.30 449	0.15 336	0.27 469	0.18 391	0.12 454	0.08 405	0.12 457	0.11 454	0.16 505	0.07 279

CASS	0.13 276	0.12 414	0.11 149	0.23 475	0.09 239	0.15 304	0.17 318	0.18 197	0.19 246	0.17 311	0.18 263	0.15 266	0.15 336	0.14 260	0.14 314	0.09 359	0.06 307	0.10 407	0.08 337	0.09 382	0.07 279
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 411	0.09 312	0.29 478	0.15 70	0.10 341	0.22 437	0.20 423	0.26 350	0.39 462	0.25 444	0.42 500	0.24 391	0.15 336	0.20 409	0.19 404	0.07 239	0.05 182	0.06 102	0.05 107	0.10 414	0.09 387

test_5	0.14 310	0.12 414	0.08 30	0.20 410	0.10 341	0.14 278	0.29 518	0.21 252	0.24 324	0.18 341	0.28 404	0.11 175	0.15 336	0.12 189	0.13 277	0.06 114	0.05 182	0.07 194	0.08 337	0.08 321	0.07 279

CSP-Net	0.16 377	0.09 312	0.14 264	0.16 142	0.09 239	0.19 397	0.17 318	0.25 332	0.32 413	0.25 444	0.30 422	0.24 391	0.15 336	0.21 426	0.18 391	0.09 359	0.06 307	0.07 194	0.07 272	0.08 321	0.07 279

DAS	0.15 354	0.08 236	0.18 400	0.19 355	0.10 341	0.19 397	0.17 318	0.27 371	0.29 389	0.18 341	0.25 365	0.21 349	0.15 336	0.16 316	0.12 236	0.08 300	0.06 307	0.06 102	0.06 185	0.07 258	0.07 279

SepStereo	0.15 354	0.08 236	0.18 400	0.19 355	0.10 341	0.19 397	0.17 318	0.27 371	0.29 389	0.18 341	0.25 365	0.21 349	0.15 336	0.25 464	0.12 236	0.08 300	0.06 307	0.06 102	0.06 185	0.07 258	0.07 279

DRaft	0.12 251	0.06 56	0.11 149	0.14 30	0.09 239	0.14 278	0.17 318	0.21 252	0.30 399	0.17 311	0.28 404	0.10 154	0.15 336	0.10 61	0.12 236	0.05 27	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

GANet-RSSM	0.14 310	0.07 139	0.13 229	0.13 13	0.08 127	0.14 278	0.17 318	0.22 274	0.21 284	0.17 311	0.24 336	0.23 385	0.15 336	0.16 316	0.15 342	0.10 400	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

DSFCA	0.16 377	0.09 312	0.14 264	0.16 142	0.10 341	0.20 412	0.19 402	0.28 390	0.31 406	0.23 422	0.24 336	0.22 367	0.15 336	0.19 384	0.20 410	0.10 400	0.07 379	0.09 359	0.09 383	0.08 321	0.08 343

FADNet-RVC-Resample	0.16 377	0.11 396	0.31 483	0.22 454	0.11 389	0.19 397	0.14 152	0.25 332	0.24 324	0.24 431	0.27 390	0.20 340	0.15 336	0.16 316	0.15 342	0.07 239	0.08 405	0.12 457	0.10 422	0.09 382	0.10 414

UCFNet_RVC	0.14 310	0.08 236	0.13 229	0.11 1	0.10 341	0.20 412	0.10 27	0.24 316	0.22 298	0.17 311	0.20 284	0.23 385	0.15 336	0.17 348	0.15 342	0.12 454	0.07 379	0.10 407	0.13 483	0.11 437	0.10 414

iResNet_ROB	0.14 310	0.07 139	0.13 229	0.14 30	0.07 71	0.18 374	0.14 152	0.26 350	0.31 406	0.22 410	0.25 365	0.23 385	0.15 336	0.15 282	0.13 277	0.07 239	0.05 182	0.05 23	0.04 34	0.08 321	0.08 343

PWCDC_ROB	0.20 435	0.13 443	0.22 437	0.24 484	0.11 389	0.19 397	0.15 219	0.33 455	0.54 515	0.29 478	0.50 515	0.21 349	0.15 336	0.27 469	0.20 410	0.11 429	0.09 434	0.10 407	0.08 337	0.11 437	0.09 387

xyz-stereo	0.13 276	0.07 139	0.20 423	0.15 70	0.05 1	0.20 412	0.15 219	0.17 168	0.31 406	0.15 267	0.29 416	0.26 414	0.16 362	0.13 234	0.12 236	0.05 27	0.05 182	0.06 102	0.05 107	0.04 15	0.04 40

G2L-Stereo_test	0.14 310	0.07 139	0.11 149	0.13 13	0.08 127	0.12 207	0.16 284	0.30 415	0.28 382	0.20 380	0.23 324	0.20 340	0.16 362	0.17 348	0.18 391	0.07 239	0.05 182	0.05 23	0.05 107	0.07 258	0.06 199

FACV-RUCA	0.13 276	0.11 396	0.12 184	0.19 355	0.12 420	0.15 304	0.15 219	0.22 274	0.20 269	0.15 267	0.16 217	0.14 237	0.16 362	0.14 260	0.13 277	0.07 239	0.05 182	0.08 278	0.06 185	0.10 414	0.08 343

test_sample1	0.13 276	0.07 139	0.14 264	0.13 13	0.08 127	0.19 397	0.16 284	0.20 229	0.15 159	0.14 240	0.22 315	0.18 314	0.16 362	0.17 348	0.14 314	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.07 279

xx1	0.11 185	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.16 132	0.18 231	0.09 92	0.09 88	0.16 280	0.16 362	0.10 61	0.07 1	0.06 114	0.04 21	0.08 278	0.08 337	0.07 258	0.07 279

mmm	0.14 310	0.08 236	0.17 377	0.17 216	0.09 239	0.17 355	0.18 363	0.21 252	0.15 159	0.15 267	0.23 324	0.21 349	0.16 362	0.16 316	0.17 373	0.08 300	0.05 182	0.08 278	0.07 272	0.07 258	0.07 279

11t1	0.12 251	0.06 56	0.13 229	0.14 30	0.08 127	0.17 355	0.15 219	0.18 197	0.15 159	0.15 267	0.15 205	0.16 280	0.16 362	0.15 282	0.13 277	0.08 300	0.05 182	0.06 102	0.05 107	0.08 321	0.07 279

CBFPSM	0.14 310	0.06 56	0.26 458	0.17 216	0.09 239	0.13 246	0.15 219	0.22 274	0.23 308	0.20 380	0.27 390	0.24 391	0.16 362	0.16 316	0.18 391	0.06 114	0.06 307	0.06 102	0.07 272	0.07 258	0.07 279

gwcnet-sp	0.14 310	0.07 139	0.12 184	0.18 298	0.09 239	0.16 334	0.17 318	0.24 316	0.24 324	0.18 341	0.24 336	0.15 266	0.16 362	0.15 282	0.15 342	0.08 300	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

scenet	0.14 310	0.07 139	0.12 184	0.18 298	0.09 239	0.16 334	0.17 318	0.24 316	0.24 324	0.18 341	0.24 336	0.15 266	0.16 362	0.15 282	0.15 342	0.08 300	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

ssnet	0.14 310	0.07 139	0.12 184	0.18 298	0.09 239	0.16 334	0.17 318	0.24 316	0.24 324	0.18 341	0.24 336	0.15 266	0.16 362	0.15 282	0.15 342	0.08 300	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

qqq	0.13 276	0.09 312	0.15 315	0.16 142	0.08 127	0.13 246	0.15 219	0.23 294	0.16 186	0.15 267	0.19 272	0.16 280	0.16 362	0.15 282	0.16 358	0.07 239	0.06 307	0.08 278	0.08 337	0.07 258	0.07 279

BSDual-CNN	0.15 354	0.09 312	0.14 264	0.22 454	0.10 341	0.14 278	0.15 219	0.34 464	0.19 246	0.17 311	0.22 315	0.25 405	0.16 362	0.15 282	0.14 314	0.08 300	0.06 307	0.10 407	0.09 383	0.07 258	0.07 279

psmg	0.14 310	0.09 312	0.14 264	0.17 216	0.10 341	0.15 304	0.17 318	0.29 401	0.19 246	0.17 311	0.21 305	0.25 405	0.16 362	0.15 282	0.14 314	0.08 300	0.06 307	0.08 278	0.08 337	0.07 258	0.06 199

AASNet	0.16 377	0.08 236	0.12 184	0.19 355	0.09 239	0.18 374	0.15 219	0.37 492	0.37 452	0.19 357	0.23 324	0.20 340	0.16 362	0.17 348	0.20 410	0.10 400	0.08 405	0.08 278	0.07 272	0.09 382	0.09 387

PSMNet-ADL	0.15 354	0.12 414	0.13 229	0.22 454	0.09 239	0.13 246	0.20 423	0.26 350	0.23 308	0.18 341	0.20 284	0.24 391	0.16 362	0.18 369	0.17 373	0.08 300	0.08 405	0.08 278	0.11 454	0.08 321	0.07 279

ADLNet	0.16 377	0.08 236	0.15 315	0.16 142	0.10 341	0.16 334	0.17 318	0.32 436	0.27 368	0.22 410	0.27 390	0.24 391	0.16 362	0.18 369	0.21 430	0.10 400	0.06 307	0.10 407	0.10 422	0.08 321	0.09 387

222	0.16 377	0.07 139	0.14 264	0.14 30	0.08 127	0.24 455	0.18 363	0.30 415	0.20 269	0.17 311	0.28 404	0.17 300	0.16 362	0.15 282	0.40 534	0.10 400	0.05 182	0.07 194	0.06 185	0.07 258	0.08 343

test_xeample	0.15 354	0.06 56	0.13 229	0.14 30	0.08 127	0.21 429	0.20 423	0.28 390	0.20 269	0.16 295	0.29 416	0.19 328	0.16 362	0.15 282	0.26 484	0.09 359	0.05 182	0.07 194	0.07 272	0.07 258	0.07 279

ACVNet	0.15 354	0.09 312	0.15 315	0.13 13	0.12 420	0.14 278	0.20 423	0.22 274	0.33 420	0.17 311	0.26 382	0.21 349	0.16 362	0.17 348	0.21 430	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.06 199

cf-r	0.13 276	0.07 139	0.12 184	0.16 142	0.08 127	0.14 278	0.19 402	0.20 229	0.25 345	0.17 311	0.25 365	0.21 349	0.16 362	0.14 260	0.14 314	0.10 400	0.05 182	0.06 102	0.08 337	0.06 192	0.06 199

GwcNet-RSSM	0.14 310	0.07 139	0.12 184	0.15 70	0.08 127	0.15 304	0.20 423	0.21 252	0.27 368	0.18 341	0.27 390	0.22 367	0.16 362	0.14 260	0.15 342	0.10 400	0.05 182	0.07 194	0.09 383	0.07 258	0.07 279

HSM	0.15 354	0.08 236	0.14 264	0.16 142	0.09 239	0.16 334	0.14 152	0.28 390	0.25 345	0.19 357	0.23 324	0.37 491	0.16 362	0.20 409	0.15 342	0.07 239	0.05 182	0.07 194	0.06 185	0.07 258	0.06 199

z-ln-s-r	0.17 397	0.10 370	0.40 506	0.19 355	0.08 127	0.17 355	0.18 363	0.22 274	0.33 420	0.18 341	0.40 483	0.22 367	0.17 385	0.20 409	0.23 451	0.07 239	0.05 182	0.07 194	0.07 272	0.07 258	0.05 121

coex_refinement	0.14 310	0.07 139	0.12 184	0.17 216	0.10 341	0.15 304	0.15 219	0.26 350	0.29 389	0.18 341	0.20 284	0.22 367	0.17 385	0.16 316	0.18 391	0.08 300	0.05 182	0.06 102	0.06 185	0.09 382	0.08 343

ISRNet	0.18 411	0.08 236	0.19 411	0.19 355	0.13 443	0.15 304	0.12 63	0.30 415	0.32 413	0.21 394	0.25 365	0.27 422	0.17 385	0.17 348	0.20 410	0.20 523	0.08 405	0.14 484	0.14 486	0.14 483	0.17 515

rvit_105_1	0.19 423	0.11 396	0.25 455	0.21 439	0.16 491	0.21 429	0.27 503	0.31 425	0.41 471	0.19 357	0.20 284	0.22 367	0.17 385	0.19 384	0.17 373	0.12 454	0.12 480	0.13 472	0.15 501	0.08 321	0.07 279

DispNO	0.14 310	0.08 236	0.17 377	0.19 355	0.12 420	0.11 172	0.21 440	0.23 294	0.29 389	0.17 311	0.23 324	0.18 314	0.17 385	0.15 282	0.15 342	0.07 239	0.05 182	0.08 278	0.08 337	0.07 258	0.06 199

x	0.13 276	0.07 139	0.14 264	0.14 30	0.08 127	0.18 374	0.14 152	0.22 274	0.20 269	0.15 267	0.19 272	0.19 328	0.17 385	0.18 369	0.18 391	0.07 239	0.05 182	0.06 102	0.06 185	0.07 258	0.07 279

CRFU-Net	0.16 377	0.08 236	0.14 264	0.17 216	0.09 239	0.19 397	0.14 152	0.26 350	0.20 269	0.28 470	0.27 390	0.29 440	0.17 385	0.19 384	0.17 373	0.09 359	0.09 434	0.07 194	0.07 272	0.08 321	0.08 343

AACVNet	0.16 377	0.08 236	0.14 264	0.15 70	0.10 341	0.18 374	0.15 219	0.23 294	0.24 324	0.27 455	0.27 390	0.28 432	0.17 385	0.19 384	0.16 358	0.09 359	0.07 379	0.09 359	0.07 272	0.10 414	0.09 387

LMCR-Stereo	0.15 354	0.08 236	0.13 229	0.21 439	0.09 239	0.17 355	0.20 423	0.27 371	0.19 246	0.24 431	0.24 336	0.23 385	0.17 385	0.20 409	0.17 373	0.07 239	0.06 307	0.08 278	0.06 185	0.10 414	0.08 343

acv_ft	0.15 354	0.09 312	0.15 315	0.19 355	0.10 341	0.16 334	0.17 318	0.25 332	0.33 420	0.19 357	0.26 382	0.21 349	0.17 385	0.17 348	0.18 391	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.06 199

FADNet_RVC	0.16 377	0.14 455	0.40 506	0.20 410	0.11 389	0.13 246	0.13 104	0.26 350	0.22 298	0.21 394	0.23 324	0.20 340	0.17 385	0.14 260	0.16 358	0.08 300	0.08 405	0.12 457	0.09 383	0.11 437	0.10 414

CFNet	0.15 354	0.10 370	0.17 377	0.17 216	0.08 127	0.18 374	0.09 18	0.28 390	0.25 345	0.19 357	0.24 336	0.24 391	0.17 385	0.17 348	0.14 314	0.08 300	0.06 307	0.09 359	0.10 422	0.07 258	0.06 199

NLCA_NET_v2_RVC	0.17 397	0.10 370	0.22 437	0.20 410	0.10 341	0.15 304	0.18 363	0.31 425	0.25 345	0.21 394	0.30 422	0.25 405	0.17 385	0.21 426	0.20 410	0.09 359	0.06 307	0.08 278	0.08 337	0.07 258	0.08 343
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 397	0.12 414	0.15 315	0.20 410	0.09 239	0.18 374	0.18 363	0.26 350	0.23 308	0.26 449	0.40 483	0.22 367	0.17 385	0.21 426	0.20 410	0.08 300	0.05 182	0.09 359	0.10 422	0.07 258	0.07 279
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 435	0.12 414	0.19 411	0.20 410	0.14 463	0.26 475	0.23 461	0.32 436	0.34 432	0.27 455	0.34 450	0.30 449	0.18 399	0.18 369	0.22 439	0.10 400	0.13 493	0.10 407	0.10 422	0.08 321	0.09 387

YMNet_1	0.20 435	0.12 414	0.19 411	0.20 410	0.14 463	0.26 475	0.23 461	0.32 436	0.34 432	0.27 455	0.34 450	0.30 449	0.18 399	0.18 369	0.22 439	0.10 400	0.13 493	0.10 407	0.10 422	0.08 321	0.09 387

ssnet_v2	0.17 397	0.10 370	0.17 377	0.17 216	0.11 389	0.21 429	0.21 440	0.33 455	0.25 345	0.22 410	0.22 315	0.27 422	0.18 399	0.22 439	0.20 410	0.11 429	0.09 434	0.09 359	0.09 383	0.08 321	0.08 343

Wz-Net-LNSev	0.22 456	0.16 473	0.38 503	0.21 439	0.13 443	0.25 466	0.23 461	0.32 436	0.43 483	0.30 482	0.41 494	0.31 462	0.18 399	0.22 439	0.25 473	0.10 400	0.09 434	0.08 278	0.08 337	0.12 452	0.11 440

hknet	0.15 354	0.11 396	0.13 229	0.22 454	0.11 389	0.14 278	0.15 219	0.34 464	0.25 345	0.17 311	0.22 315	0.22 367	0.18 399	0.17 348	0.12 236	0.07 239	0.06 307	0.10 407	0.09 383	0.07 258	0.07 279

ADLNet2	0.16 377	0.09 312	0.13 229	0.16 142	0.09 239	0.20 412	0.16 284	0.31 425	0.39 462	0.16 295	0.20 284	0.20 340	0.18 399	0.21 426	0.22 439	0.08 300	0.06 307	0.07 194	0.07 272	0.09 382	0.07 279

ICVP	0.15 354	0.09 312	0.12 184	0.22 454	0.09 239	0.17 355	0.21 440	0.25 332	0.23 308	0.18 341	0.30 422	0.26 414	0.18 399	0.17 348	0.14 314	0.09 359	0.07 379	0.08 278	0.07 272	0.07 258	0.07 279
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 377	0.08 236	0.15 315	0.18 298	0.10 341	0.22 437	0.18 363	0.24 316	0.21 284	0.18 341	0.24 336	0.29 440	0.18 399	0.19 384	0.22 439	0.09 359	0.07 379	0.08 278	0.09 383	0.07 258	0.06 199

HGLStereo	0.17 397	0.08 236	0.19 411	0.17 216	0.12 420	0.18 374	0.18 363	0.31 425	0.32 413	0.21 394	0.32 434	0.25 405	0.18 399	0.19 384	0.20 410	0.09 359	0.09 434	0.07 194	0.07 272	0.09 382	0.10 414

DMCA	0.14 310	0.09 312	0.16 349	0.19 355	0.09 239	0.15 304	0.17 318	0.23 294	0.27 368	0.14 240	0.19 272	0.17 300	0.18 399	0.15 282	0.17 373	0.10 400	0.06 307	0.08 278	0.06 185	0.09 382	0.10 414

STTStereo	0.18 411	0.12 414	0.27 465	0.20 410	0.11 389	0.16 334	0.21 440	0.29 401	0.23 308	0.21 394	0.30 422	0.29 440	0.18 399	0.20 409	0.19 404	0.12 454	0.11 466	0.11 438	0.14 486	0.09 382	0.08 343

RASNet	0.14 310	0.07 139	0.14 264	0.16 142	0.08 127	0.18 374	0.14 152	0.29 401	0.20 269	0.17 311	0.25 365	0.21 349	0.18 399	0.20 409	0.19 404	0.07 239	0.06 307	0.06 102	0.08 337	0.06 192	0.06 199

TDLM	0.17 397	0.12 414	0.13 229	0.24 484	0.10 341	0.18 374	0.18 363	0.36 486	0.30 399	0.21 394	0.28 404	0.28 432	0.18 399	0.23 450	0.18 391	0.11 429	0.07 379	0.10 407	0.10 422	0.08 321	0.08 343

CVANet_RVC	0.18 411	0.10 370	0.14 264	0.21 439	0.10 341	0.18 374	0.17 318	0.34 464	0.33 420	0.22 410	0.31 430	0.28 432	0.18 399	0.23 450	0.17 373	0.12 454	0.08 405	0.12 457	0.11 454	0.09 382	0.07 279

DeepPruner_ROB	0.16 377	0.11 396	0.15 315	0.17 216	0.10 341	0.17 355	0.15 219	0.32 436	0.21 284	0.19 357	0.21 305	0.22 367	0.18 399	0.20 409	0.15 342	0.13 477	0.09 434	0.09 359	0.09 383	0.11 437	0.10 414

pmcnn	0.15 354	0.07 139	0.19 411	0.15 70	0.07 71	0.20 412	0.15 219	0.24 316	0.26 359	0.21 394	0.34 450	0.28 432	0.18 399	0.18 369	0.17 373	0.07 239	0.05 182	0.05 23	0.04 34	0.07 258	0.06 199

TCMNet	0.19 423	0.12 414	0.19 411	0.20 410	0.18 512	0.20 412	0.24 473	0.27 371	0.36 445	0.23 422	0.26 382	0.25 405	0.19 415	0.19 384	0.23 451	0.13 477	0.11 466	0.11 438	0.12 473	0.13 470	0.12 453

DualNet (step1)	0.16 377	0.12 414	0.20 423	0.12 4	0.14 463	0.17 355	0.13 104	0.27 371	0.23 308	0.20 380	0.20 284	0.24 391	0.19 415	0.16 316	0.16 358	0.15 494	0.06 307	0.14 484	0.14 486	0.14 483	0.12 453

test_sample9	0.18 411	0.12 414	0.20 423	0.12 4	0.14 463	0.17 355	0.13 104	0.27 371	0.23 308	0.20 380	0.20 284	0.24 391	0.19 415	0.19 384	0.17 373	0.15 494	0.30 541	0.14 484	0.14 486	0.14 483	0.12 453

test_sample7	0.15 354	0.10 370	0.16 349	0.14 30	0.11 389	0.16 334	0.16 284	0.27 371	0.23 308	0.20 380	0.20 284	0.24 391	0.19 415	0.16 316	0.16 358	0.12 454	0.06 307	0.10 407	0.09 383	0.10 414	0.10 414

Wz-Net-MNSev	0.22 456	0.13 443	0.31 483	0.20 410	0.14 463	0.36 519	0.24 473	0.33 455	0.44 488	0.28 470	0.40 483	0.38 495	0.19 415	0.24 459	0.25 473	0.09 359	0.07 379	0.09 359	0.09 383	0.12 452	0.10 414

pcwnet_v2	0.19 423	0.10 370	0.26 458	0.17 216	0.14 463	0.18 374	0.15 219	0.37 492	0.46 495	0.19 357	0.24 336	0.21 349	0.19 415	0.20 409	0.19 404	0.13 477	0.10 454	0.10 407	0.10 422	0.11 437	0.13 472

delet	0.17 397	0.08 236	0.17 377	0.19 355	0.11 389	0.20 412	0.21 440	0.30 415	0.37 452	0.17 311	0.26 382	0.19 328	0.19 415	0.19 384	0.21 430	0.08 300	0.08 405	0.09 359	0.11 454	0.06 192	0.06 199

UNet	0.17 397	0.09 312	0.18 400	0.19 355	0.12 420	0.27 485	0.19 402	0.33 455	0.29 389	0.21 394	0.24 336	0.23 385	0.19 415	0.19 384	0.18 391	0.07 239	0.06 307	0.08 278	0.07 272	0.08 321	0.06 199

UPFNet	0.16 377	0.08 236	0.12 184	0.20 410	0.12 420	0.20 412	0.23 461	0.28 390	0.26 359	0.17 311	0.24 336	0.22 367	0.19 415	0.19 384	0.21 430	0.09 359	0.07 379	0.08 278	0.09 383	0.08 321	0.06 199

NVstereo2D	0.19 423	0.10 370	0.15 315	0.17 216	0.15 481	0.28 492	0.23 461	0.44 525	0.42 478	0.15 267	0.27 390	0.25 405	0.19 415	0.22 439	0.17 373	0.09 359	0.06 307	0.10 407	0.08 337	0.15 498	0.09 387

StereoDRNet	0.18 411	0.11 396	0.17 377	0.22 454	0.11 389	0.21 429	0.22 450	0.37 492	0.33 420	0.24 431	0.28 404	0.30 449	0.19 415	0.20 409	0.20 410	0.09 359	0.08 405	0.11 438	0.09 383	0.09 382	0.07 279

SGM-Forest	0.20 435	0.14 455	0.18 400	0.19 355	0.13 443	0.20 412	0.22 450	0.33 455	0.30 399	0.24 431	0.29 416	0.28 432	0.19 415	0.23 450	0.17 373	0.15 494	0.16 511	0.15 496	0.14 486	0.12 452	0.12 453
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 411	0.11 396	0.19 411	0.19 355	0.12 420	0.24 455	0.21 440	0.25 332	0.34 432	0.22 410	0.34 450	0.27 422	0.20 427	0.21 426	0.23 451	0.09 359	0.09 434	0.08 278	0.10 422	0.08 321	0.07 279

IER	0.14 310	0.07 139	0.13 229	0.17 216	0.09 239	0.14 278	0.16 284	0.25 332	0.26 359	0.18 341	0.25 365	0.17 300	0.20 427	0.16 316	0.14 314	0.08 300	0.05 182	0.07 194	0.06 185	0.08 321	0.07 279

MMNet	0.17 397	0.09 312	0.16 349	0.20 410	0.11 389	0.27 485	0.20 423	0.25 332	0.41 471	0.22 410	0.30 422	0.21 349	0.20 427	0.17 348	0.20 410	0.06 114	0.06 307	0.07 194	0.07 272	0.08 321	0.07 279

GwcNet	0.20 435	0.13 443	0.19 411	0.18 298	0.12 420	0.24 455	0.19 402	0.35 479	0.43 483	0.20 380	0.32 434	0.33 474	0.20 427	0.22 439	0.24 464	0.11 429	0.09 434	0.09 359	0.09 383	0.09 382	0.10 414

DGSMNet	0.24 479	0.19 498	0.33 489	0.21 439	0.24 527	0.24 455	0.20 423	0.35 479	0.41 471	0.24 431	0.32 434	0.38 495	0.21 431	0.29 486	0.23 451	0.12 454	0.11 466	0.14 484	0.16 505	0.23 524	0.23 529

FADNet-RVC	0.20 435	0.20 502	0.38 503	0.21 439	0.16 491	0.20 412	0.15 219	0.26 350	0.26 359	0.26 449	0.32 434	0.26 414	0.21 431	0.22 439	0.19 404	0.12 454	0.13 493	0.12 457	0.14 486	0.13 470	0.18 518

FADNet	0.21 447	0.22 512	0.36 498	0.18 298	0.17 506	0.24 455	0.13 104	0.31 425	0.31 406	0.23 422	0.25 365	0.27 422	0.21 431	0.19 384	0.15 342	0.13 477	0.15 508	0.12 457	0.15 501	0.16 505	0.18 518

MaskLacGwcNet_RVC	0.22 456	0.21 508	0.24 450	0.26 500	0.11 389	0.23 450	0.14 152	0.39 504	0.24 324	0.32 494	0.36 457	0.30 449	0.21 431	0.19 384	0.21 430	0.17 515	0.14 502	0.21 518	0.16 505	0.12 452	0.12 453

SuperB	0.20 435	0.10 370	0.56 529	0.16 142	0.09 239	0.18 374	0.18 363	0.24 316	0.50 506	0.26 449	0.39 477	0.17 300	0.21 431	0.22 439	0.21 430	0.08 300	0.06 307	0.06 102	0.06 185	0.12 452	0.10 414

RTSC	0.23 472	0.12 414	0.28 470	0.21 439	0.13 443	0.28 492	0.16 284	0.35 479	0.66 538	0.27 455	0.33 446	0.30 449	0.21 431	0.31 490	0.29 502	0.10 400	0.08 405	0.09 359	0.10 422	0.13 470	0.13 472

AANet_RVC	0.16 377	0.10 370	0.10 108	0.18 298	0.09 239	0.18 374	0.19 402	0.26 350	0.31 406	0.22 410	0.35 454	0.21 349	0.21 431	0.22 439	0.16 358	0.06 114	0.05 182	0.06 102	0.06 185	0.07 258	0.06 199

DRN-Test	0.19 423	0.11 396	0.20 423	0.22 454	0.10 341	0.22 437	0.22 450	0.39 504	0.37 452	0.24 431	0.32 434	0.26 414	0.21 431	0.22 439	0.24 464	0.11 429	0.07 379	0.11 438	0.10 422	0.09 382	0.07 279

MDST_ROB	0.22 456	0.10 370	0.17 377	0.18 298	0.11 389	0.37 520	0.19 402	0.43 523	0.41 471	0.39 511	0.39 477	0.29 440	0.21 431	0.26 466	0.18 391	0.11 429	0.10 454	0.14 484	0.11 454	0.10 414	0.08 343

w-ln-seven-2	0.20 435	0.14 455	0.37 502	0.22 454	0.12 420	0.20 412	0.21 440	0.28 390	0.37 452	0.25 444	0.37 463	0.27 422	0.22 440	0.21 426	0.23 451	0.08 300	0.08 405	0.09 359	0.09 383	0.10 414	0.09 387

w-ln-seven	0.24 479	0.14 455	0.55 526	0.19 355	0.14 463	0.26 475	0.22 450	0.35 479	0.60 528	0.29 478	0.39 477	0.30 449	0.22 440	0.21 426	0.26 484	0.09 359	0.09 434	0.11 438	0.10 422	0.11 437	0.10 414

SQANet	0.23 472	0.23 513	0.30 481	0.30 524	0.19 515	0.27 485	0.13 104	0.29 401	0.33 420	0.24 431	0.37 463	0.31 462	0.22 440	0.27 469	0.23 451	0.15 494	0.10 454	0.21 518	0.16 505	0.21 520	0.15 496

SACVNet	0.18 411	0.12 414	0.14 264	0.17 216	0.13 443	0.22 437	0.18 363	0.31 425	0.30 399	0.23 422	0.31 430	0.30 449	0.22 440	0.22 439	0.17 373	0.11 429	0.08 405	0.10 407	0.10 422	0.12 452	0.14 489

FINET	0.21 447	0.18 495	0.26 458	0.18 298	0.16 491	0.23 450	0.23 461	0.32 436	0.48 497	0.25 444	0.32 434	0.22 367	0.22 440	0.22 439	0.17 373	0.18 516	0.16 511	0.11 438	0.10 422	0.15 498	0.13 472

hitnet-ft	0.18 411	0.09 312	0.17 377	0.14 30	0.09 239	0.26 475	0.20 423	0.25 332	0.26 359	0.24 431	0.32 434	0.31 462	0.22 440	0.24 459	0.21 430	0.12 454	0.07 379	0.10 407	0.08 337	0.12 452	0.11 440

ADCP+	0.20 435	0.10 370	0.33 489	0.20 410	0.12 420	0.22 437	0.26 496	0.31 425	0.34 432	0.26 449	0.37 463	0.22 367	0.22 440	0.27 469	0.27 492	0.09 359	0.06 307	0.08 278	0.08 337	0.09 382	0.10 414

PSMNet_ROB	0.21 447	0.11 396	0.15 315	0.27 512	0.15 481	0.24 455	0.35 535	0.43 523	0.37 452	0.27 455	0.32 434	0.32 471	0.22 440	0.21 426	0.26 484	0.12 454	0.08 405	0.13 472	0.11 454	0.09 382	0.09 387

ADCRef	0.19 423	0.12 414	0.41 509	0.20 410	0.12 420	0.22 437	0.18 363	0.32 436	0.36 445	0.26 449	0.32 434	0.17 300	0.23 448	0.24 459	0.24 464	0.07 239	0.06 307	0.09 359	0.09 383	0.08 321	0.08 343

RYNet	0.22 456	0.12 414	0.22 437	0.19 355	0.17 506	0.46 527	0.26 496	0.38 500	0.48 497	0.24 431	0.28 404	0.34 480	0.23 448	0.20 409	0.30 507	0.10 400	0.06 307	0.09 359	0.09 383	0.13 470	0.15 496

NaN_ROB	0.22 456	0.19 498	0.24 450	0.25 495	0.13 443	0.29 496	0.26 496	0.33 455	0.41 471	0.31 488	0.31 430	0.32 471	0.23 448	0.30 489	0.21 430	0.11 429	0.17 516	0.10 407	0.10 422	0.08 321	0.09 387

NOSS_ROB	0.19 423	0.12 414	0.18 400	0.16 142	0.12 420	0.15 304	0.12 63	0.30 415	0.32 413	0.20 380	0.22 315	0.27 422	0.23 448	0.21 426	0.16 358	0.16 510	0.18 518	0.23 523	0.21 520	0.12 452	0.13 472

DispFullNet	0.27 500	0.21 508	0.65 537	0.28 515	0.16 491	0.26 475	0.17 318	0.33 455	0.58 524	0.27 455	0.38 469	0.43 513	0.23 448	0.38 522	0.23 451	0.12 454	0.06 307	0.19 515	0.11 454	0.21 520	0.15 496

CBMV	0.19 423	0.14 455	0.17 377	0.18 298	0.10 341	0.20 412	0.11 46	0.29 401	0.30 399	0.29 478	0.30 422	0.30 449	0.23 448	0.27 469	0.19 404	0.13 477	0.15 508	0.17 504	0.16 505	0.10 414	0.10 414
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 479	0.14 455	0.45 513	0.19 355	0.13 443	0.28 492	0.25 488	0.34 464	0.62 531	0.27 455	0.56 526	0.29 440	0.24 454	0.32 497	0.25 473	0.08 300	0.08 405	0.08 278	0.08 337	0.10 414	0.10 414

ToySt	0.17 397	0.11 396	0.18 400	0.17 216	0.11 389	0.16 334	0.25 488	0.24 316	0.33 420	0.19 357	0.24 336	0.26 414	0.24 454	0.19 384	0.20 410	0.07 239	0.08 405	0.09 359	0.10 422	0.09 382	0.08 343

WZ-Net	0.28 504	0.17 484	0.78 551	0.22 454	0.16 491	0.34 510	0.29 518	0.39 504	0.57 521	0.24 431	0.55 521	0.37 491	0.24 454	0.33 500	0.35 522	0.09 359	0.08 405	0.09 359	0.10 422	0.14 483	0.16 507

psm_up	0.18 411	0.10 370	0.18 400	0.20 410	0.11 389	0.17 355	0.19 402	0.37 492	0.34 432	0.21 394	0.28 404	0.29 440	0.24 454	0.20 409	0.22 439	0.09 359	0.10 454	0.11 438	0.11 454	0.08 321	0.08 343

RP	0.21 447	0.13 443	0.21 431	0.23 475	0.11 389	0.21 429	0.20 423	0.25 332	0.44 488	0.21 394	0.38 469	0.36 486	0.24 454	0.27 469	0.25 473	0.11 429	0.12 480	0.13 472	0.12 473	0.12 452	0.14 489

PS-NSSS	0.20 435	0.21 508	0.23 446	0.20 410	0.10 341	0.19 397	0.17 318	0.36 486	0.25 345	0.27 455	0.33 446	0.27 422	0.24 454	0.20 409	0.20 410	0.15 494	0.12 480	0.17 504	0.14 486	0.10 414	0.08 343

CBMV_ROB	0.19 423	0.13 443	0.17 377	0.16 142	0.11 389	0.15 304	0.13 104	0.26 350	0.28 382	0.27 455	0.30 422	0.27 422	0.24 454	0.23 450	0.16 358	0.15 494	0.17 516	0.22 522	0.20 518	0.10 414	0.11 440

DLCB_ROB	0.18 411	0.10 370	0.15 315	0.23 475	0.11 389	0.24 455	0.18 363	0.29 401	0.28 382	0.27 455	0.28 404	0.28 432	0.24 454	0.19 384	0.20 410	0.08 300	0.08 405	0.09 359	0.09 383	0.07 258	0.07 279

PWC_ROB	0.21 447	0.16 473	0.26 458	0.18 298	0.11 389	0.22 437	0.13 104	0.32 436	0.49 503	0.30 482	0.40 483	0.32 471	0.24 454	0.31 490	0.22 439	0.10 400	0.07 379	0.11 438	0.08 337	0.11 437	0.10 414

zh-mn7	0.25 490	0.14 455	0.56 529	0.19 355	0.14 463	0.24 455	0.22 450	0.34 464	0.62 531	0.35 501	0.65 534	0.31 462	0.25 463	0.31 490	0.25 473	0.09 359	0.08 405	0.09 359	0.09 383	0.09 382	0.11 440

PSMNet-RUCA	0.27 500	0.33 534	0.41 509	0.36 533	0.32 540	0.18 374	0.19 402	0.42 519	0.30 399	0.33 498	0.41 494	0.39 503	0.25 463	0.31 490	0.20 410	0.18 516	0.10 454	0.25 525	0.15 501	0.21 520	0.16 507

test_sample8	0.19 423	0.12 414	0.20 423	0.12 4	0.14 463	0.17 355	0.13 104	0.31 425	0.21 284	0.27 455	0.22 315	0.36 486	0.25 463	0.19 384	0.17 373	0.15 494	0.30 541	0.14 484	0.14 486	0.14 483	0.12 453

HBP-ISP	0.18 411	0.13 443	0.16 349	0.15 70	0.11 389	0.08 51	0.13 104	0.28 390	0.29 389	0.22 410	0.33 446	0.21 349	0.25 463	0.23 450	0.17 373	0.14 490	0.16 511	0.21 518	0.17 512	0.10 414	0.08 343

DDUNet	0.22 456	0.17 484	0.21 431	0.22 454	0.15 481	0.25 466	0.24 473	0.29 401	0.30 399	0.31 488	0.36 457	0.33 474	0.25 463	0.24 459	0.20 410	0.18 516	0.13 493	0.17 504	0.11 454	0.16 505	0.16 507

Syn2CoEx	0.21 447	0.16 473	0.27 465	0.29 522	0.14 463	0.26 475	0.20 423	0.33 455	0.31 406	0.28 470	0.36 457	0.27 422	0.25 463	0.19 384	0.24 464	0.16 510	0.12 480	0.14 484	0.11 454	0.09 382	0.08 343

Wz-Net-SNSev	0.25 490	0.17 484	0.44 512	0.25 495	0.14 463	0.26 475	0.23 461	0.38 500	0.56 519	0.30 482	0.55 521	0.39 503	0.26 469	0.23 450	0.30 507	0.10 400	0.09 434	0.09 359	0.10 422	0.11 437	0.11 440

AF-Net	0.22 456	0.17 484	0.17 377	0.26 500	0.13 443	0.25 466	0.24 473	0.32 436	0.50 506	0.25 444	0.33 446	0.38 495	0.26 469	0.28 480	0.25 473	0.11 429	0.10 454	0.16 502	0.11 454	0.11 437	0.10 414

PA-Net	0.23 472	0.18 495	0.33 489	0.28 515	0.22 523	0.21 429	0.38 540	0.29 401	0.39 462	0.22 410	0.32 434	0.25 405	0.26 469	0.20 409	0.25 473	0.09 359	0.23 535	0.15 496	0.22 523	0.09 382	0.13 472
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 423	0.09 312	0.22 437	0.17 216	0.10 341	0.25 466	0.18 363	0.27 371	0.44 488	0.22 410	0.31 430	0.33 474	0.26 469	0.28 480	0.28 499	0.08 300	0.06 307	0.07 194	0.07 272	0.09 382	0.09 387

SANet	0.24 479	0.14 455	0.28 470	0.21 439	0.11 389	0.27 485	0.24 473	0.38 500	0.64 535	0.36 504	0.40 483	0.43 513	0.26 469	0.27 469	0.24 464	0.12 454	0.09 434	0.10 407	0.09 383	0.13 470	0.11 440

XPNet_ROB	0.22 456	0.11 396	0.19 411	0.22 454	0.13 443	0.22 437	0.19 402	0.34 464	0.40 468	0.30 482	0.39 477	0.39 503	0.26 469	0.26 466	0.28 499	0.15 494	0.10 454	0.10 407	0.10 422	0.13 470	0.12 453

ETE_ROB	0.23 472	0.17 484	0.22 437	0.25 495	0.13 443	0.26 475	0.29 518	0.31 425	0.36 445	0.28 470	0.36 457	0.45 517	0.26 469	0.27 469	0.26 484	0.11 429	0.08 405	0.12 457	0.09 383	0.14 483	0.13 472

LALA_ROB	0.25 490	0.16 473	0.22 437	0.26 500	0.17 506	0.27 485	0.27 503	0.42 519	0.37 452	0.33 498	0.38 469	0.51 528	0.26 469	0.28 480	0.27 492	0.16 510	0.09 434	0.12 457	0.11 454	0.13 470	0.12 453

MSAF-DinoV2	0.22 456	0.11 396	0.23 446	0.17 216	0.10 341	0.27 485	0.16 284	0.37 492	0.55 516	0.21 394	0.27 390	0.47 524	0.27 477	0.35 509	0.39 531	0.09 359	0.06 307	0.07 194	0.09 383	0.12 452	0.10 414

ACVNet-4b	0.39 526	0.53 545	0.55 526	0.45 541	0.24 527	0.47 529	0.18 363	0.49 534	0.64 535	0.42 521	0.45 506	0.60 536	0.27 477	0.34 503	0.24 464	0.33 542	0.14 502	0.48 545	0.42 545	0.30 538	0.26 537

Anonymous_2	0.22 456	0.17 484	0.28 470	0.15 70	0.16 491	0.32 501	0.22 450	0.22 274	0.17 205	0.23 422	0.24 336	0.26 414	0.27 477	0.27 469	0.23 451	0.22 531	0.25 537	0.17 504	0.17 512	0.17 512	0.17 515

UDG	0.21 447	0.17 484	0.19 411	0.23 475	0.15 481	0.30 499	0.20 423	0.33 455	0.35 441	0.23 422	0.28 404	0.31 462	0.27 477	0.20 409	0.22 439	0.15 494	0.12 480	0.13 472	0.09 383	0.14 483	0.14 489

aanetorigin	0.22 456	0.17 484	0.56 529	0.17 216	0.10 341	0.15 304	0.19 402	0.20 229	0.33 420	0.49 530	0.48 510	0.29 440	0.27 477	0.20 409	0.23 451	0.08 300	0.07 379	0.08 278	0.07 272	0.10 414	0.09 387

DMCA-RVC	0.17 397	0.10 370	0.15 315	0.24 484	0.11 389	0.18 374	0.18 363	0.25 332	0.24 324	0.21 394	0.26 382	0.25 405	0.27 477	0.18 369	0.20 410	0.12 454	0.08 405	0.13 472	0.10 422	0.10 414	0.08 343

RGC	0.25 490	0.20 502	0.29 478	0.28 515	0.16 491	0.22 437	0.23 461	0.32 436	0.44 488	0.27 455	0.40 483	0.38 495	0.27 477	0.36 515	0.22 439	0.11 429	0.13 493	0.17 504	0.17 512	0.14 483	0.16 507

stereogan	0.22 456	0.11 396	0.21 431	0.20 410	0.12 420	0.31 500	0.19 402	0.35 479	0.44 488	0.22 410	0.39 477	0.35 484	0.27 477	0.33 500	0.22 439	0.10 400	0.12 480	0.10 407	0.10 422	0.14 483	0.13 472

FBW_ROB	0.24 479	0.17 484	0.22 437	0.26 500	0.14 463	0.25 466	0.22 450	0.41 514	0.41 471	0.41 518	0.41 494	0.42 510	0.27 477	0.31 490	0.23 451	0.09 359	0.14 502	0.14 484	0.12 473	0.11 437	0.09 387

NCC-stereo	0.24 479	0.15 465	0.31 483	0.26 500	0.16 491	0.20 412	0.30 525	0.40 508	0.40 468	0.24 431	0.38 469	0.33 474	0.28 486	0.36 515	0.27 492	0.12 454	0.11 466	0.15 496	0.22 523	0.13 470	0.13 472

Nwc_Net	0.23 472	0.16 473	0.21 431	0.25 495	0.14 463	0.24 455	0.26 496	0.37 492	0.38 459	0.22 410	0.41 494	0.30 449	0.28 486	0.28 480	0.25 473	0.11 429	0.10 454	0.17 504	0.20 518	0.10 414	0.10 414

Abc-Net	0.24 479	0.15 465	0.31 483	0.26 500	0.16 491	0.20 412	0.30 525	0.40 508	0.40 468	0.24 431	0.38 469	0.33 474	0.28 486	0.36 515	0.27 492	0.12 454	0.11 466	0.15 496	0.22 523	0.13 470	0.13 472
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 498	0.15 465	0.30 481	0.24 484	0.18 512	0.22 437	0.15 219	0.38 500	0.71 542	0.32 494	0.41 494	0.36 486	0.28 486	0.32 497	0.29 502	0.12 454	0.11 466	0.14 484	0.13 483	0.16 505	0.20 524

DeepPrunerF	0.24 479	0.17 484	0.42 511	0.26 500	0.16 491	0.22 437	0.28 509	0.37 492	0.50 506	0.26 449	0.29 416	0.24 391	0.28 486	0.21 426	0.22 439	0.15 494	0.11 466	0.20 517	0.18 516	0.12 452	0.13 472

ADCPNet	0.25 490	0.16 473	0.61 534	0.21 439	0.15 481	0.35 518	0.25 488	0.32 436	0.35 441	0.30 482	0.40 483	0.36 486	0.28 486	0.28 480	0.32 515	0.12 454	0.10 454	0.11 438	0.12 473	0.14 483	0.13 472

GANet	0.21 447	0.12 414	0.21 431	0.24 484	0.13 443	0.22 437	0.22 450	0.41 514	0.26 359	0.31 488	0.42 500	0.37 491	0.28 486	0.23 450	0.22 439	0.10 400	0.12 480	0.10 407	0.09 383	0.10 414	0.08 343

NCCL2	0.23 472	0.15 465	0.17 377	0.34 529	0.18 512	0.24 455	0.23 461	0.34 464	0.28 382	0.31 488	0.38 469	0.38 495	0.28 486	0.23 450	0.24 464	0.15 494	0.12 480	0.18 513	0.21 520	0.13 470	0.13 472

APVNet	0.22 456	0.12 414	0.19 411	0.18 298	0.14 463	0.32 501	0.31 531	0.39 504	0.32 413	0.27 455	0.40 483	0.30 449	0.29 494	0.26 466	0.25 473	0.11 429	0.12 480	0.11 438	0.14 486	0.12 452	0.12 453

G-Net	0.24 479	0.16 473	0.36 498	0.22 454	0.16 491	0.51 533	0.23 461	0.29 401	0.34 432	0.36 504	0.38 469	0.31 462	0.29 494	0.27 469	0.26 484	0.11 429	0.09 434	0.12 457	0.09 383	0.16 505	0.13 472

DPSNet	0.28 504	0.16 473	0.31 483	0.18 298	0.13 443	0.54 535	0.42 544	0.51 537	0.67 539	0.29 478	0.38 469	0.38 495	0.29 494	0.31 490	0.23 451	0.11 429	0.10 454	0.11 438	0.08 337	0.20 519	0.16 507

PDISCO_ROB	0.27 500	0.16 473	0.26 458	0.28 515	0.20 518	0.32 501	0.26 496	0.44 525	0.57 521	0.28 470	0.40 483	0.45 517	0.29 494	0.33 500	0.34 521	0.12 454	0.09 434	0.17 504	0.16 505	0.17 512	0.13 472

ccnet	0.29 508	0.28 527	0.23 446	0.20 410	0.28 534	0.41 526	0.21 440	0.45 528	0.33 420	0.36 504	0.46 507	0.36 486	0.30 498	0.39 526	0.42 538	0.23 535	0.14 502	0.21 518	0.17 512	0.23 524	0.18 518

S-Stereo	0.20 435	0.12 414	0.25 455	0.21 439	0.13 443	0.20 412	0.18 363	0.32 436	0.43 483	0.23 422	0.36 457	0.28 432	0.30 498	0.19 384	0.22 439	0.09 359	0.12 480	0.10 407	0.10 422	0.13 470	0.13 472

XQC	0.28 504	0.23 513	0.51 521	0.28 515	0.19 515	0.34 510	0.27 503	0.36 486	0.57 521	0.31 488	0.30 422	0.37 491	0.30 498	0.38 522	0.38 529	0.13 477	0.09 434	0.15 496	0.12 473	0.17 512	0.18 518

ADCL	0.24 479	0.11 396	0.47 518	0.22 454	0.12 420	0.34 510	0.29 518	0.29 401	0.56 519	0.24 431	0.46 507	0.30 449	0.30 498	0.29 486	0.29 502	0.08 300	0.07 379	0.09 359	0.09 383	0.10 414	0.10 414

zh-sn7	0.25 490	0.17 484	0.50 520	0.24 484	0.13 443	0.25 466	0.24 473	0.34 464	0.48 497	0.28 470	0.54 519	0.28 432	0.31 502	0.36 515	0.32 515	0.10 400	0.10 454	0.11 438	0.10 422	0.12 452	0.12 453

MFN_U_SF_DS_RVC	0.30 514	0.24 516	0.29 478	0.36 533	0.16 491	0.34 510	0.30 525	0.32 436	0.42 478	0.40 514	0.46 507	0.38 495	0.31 502	0.34 503	0.28 499	0.19 521	0.20 524	0.26 526	0.29 536	0.18 515	0.19 523

CC-Net-ROB	0.28 504	0.31 532	0.36 498	0.29 522	0.15 481	0.25 466	0.19 402	0.45 528	0.33 420	0.39 511	0.37 463	0.39 503	0.31 502	0.27 469	0.26 484	0.24 537	0.19 521	0.30 538	0.23 527	0.18 515	0.15 496

DANet	0.21 447	0.15 465	0.28 470	0.25 495	0.13 443	0.22 437	0.19 402	0.27 371	0.27 368	0.28 470	0.32 434	0.35 484	0.31 502	0.31 490	0.23 451	0.11 429	0.09 434	0.11 438	0.10 422	0.13 470	0.11 440
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 435	0.12 414	0.22 437	0.21 439	0.12 420	0.17 355	0.18 363	0.34 464	0.39 462	0.27 455	0.37 463	0.34 480	0.32 506	0.21 426	0.20 410	0.09 359	0.11 466	0.10 407	0.09 383	0.11 437	0.14 489

otaku	0.39 526	0.37 538	0.52 522	0.44 540	0.28 534	0.58 537	0.24 473	0.41 514	0.62 531	0.40 514	0.49 511	0.46 521	0.33 507	0.40 530	0.32 515	0.30 540	0.30 541	0.39 542	0.33 541	0.29 537	0.28 538

AnyNet_C32	0.26 498	0.16 473	0.36 498	0.20 410	0.16 491	0.25 466	0.30 525	0.32 436	0.44 488	0.31 488	0.49 511	0.30 449	0.33 507	0.40 530	0.33 519	0.12 454	0.12 480	0.12 457	0.14 486	0.14 483	0.15 496

GANetREF_RVC	0.31 515	0.34 535	0.27 465	0.35 531	0.16 491	0.32 501	0.41 541	0.48 532	0.51 513	0.35 501	0.35 454	0.34 480	0.33 507	0.39 526	0.32 515	0.27 539	0.20 524	0.29 536	0.15 501	0.18 515	0.17 515
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
CSAN	0.29 508	0.24 516	0.27 465	0.34 529	0.19 515	0.33 507	0.42 544	0.37 492	0.50 506	0.38 509	0.40 483	0.44 515	0.33 507	0.28 480	0.30 507	0.20 523	0.16 511	0.19 515	0.19 517	0.14 483	0.15 496

PASM	0.32 517	0.24 516	0.48 519	0.28 515	0.27 533	0.29 496	0.30 525	0.34 464	0.49 503	0.35 501	0.39 477	0.46 521	0.34 511	0.34 503	0.35 522	0.23 535	0.25 537	0.26 526	0.28 535	0.23 524	0.21 526

WCMA_ROB	0.24 479	0.11 396	0.22 437	0.17 216	0.14 463	0.32 501	0.15 219	0.32 436	0.32 413	0.38 509	0.53 517	0.40 507	0.34 511	0.34 503	0.25 473	0.11 429	0.12 480	0.12 457	0.10 422	0.14 483	0.14 489

edge stereo	0.22 456	0.13 443	0.20 423	0.21 439	0.13 443	0.23 450	0.16 284	0.32 436	0.42 478	0.32 494	0.40 483	0.38 495	0.35 513	0.25 464	0.24 464	0.13 477	0.11 466	0.14 484	0.11 454	0.12 452	0.13 472

SGM_RVC	0.23 472	0.12 414	0.15 315	0.15 70	0.09 239	0.33 507	0.18 363	0.34 464	0.31 406	0.44 525	0.37 463	0.53 532	0.35 513	0.35 509	0.24 464	0.13 477	0.13 493	0.13 472	0.13 483	0.10 414	0.11 440
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 508	0.18 495	0.45 513	0.21 439	0.17 506	0.28 492	0.23 461	0.41 514	0.63 534	0.40 514	0.49 511	0.40 507	0.36 515	0.39 526	0.40 534	0.13 477	0.12 480	0.13 472	0.14 486	0.16 505	0.16 507

LSM	0.33 520	0.20 502	0.58 532	0.26 500	0.60 557	0.34 510	0.25 488	0.42 519	0.48 497	0.45 526	0.58 531	0.42 510	0.36 515	0.35 509	0.25 473	0.12 454	0.20 524	0.14 484	0.16 505	0.19 518	0.33 544

psmorigin	0.25 490	0.15 465	0.34 497	0.17 216	0.13 443	0.23 450	0.14 152	0.34 464	0.33 420	0.41 518	0.55 521	0.41 509	0.37 517	0.34 503	0.27 492	0.11 429	0.15 508	0.11 438	0.11 454	0.12 452	0.16 507

Wz-Net-TNSev	0.29 508	0.20 502	0.65 537	0.19 355	0.15 481	0.38 523	0.27 503	0.35 479	0.55 516	0.34 500	0.42 500	0.45 517	0.38 518	0.32 497	0.30 507	0.12 454	0.13 493	0.10 407	0.12 473	0.15 498	0.14 489

AnyNet_C01	0.36 524	0.25 521	1.37 563	0.22 454	0.17 506	0.48 531	0.27 503	0.35 479	0.39 462	0.39 511	0.74 544	0.46 521	0.38 518	0.45 534	0.47 543	0.13 477	0.13 493	0.13 472	0.14 486	0.14 483	0.15 496

EDNetEfficient	0.29 508	0.24 516	1.13 560	0.18 298	0.10 341	0.19 397	0.20 423	0.20 229	0.60 528	0.74 549	0.56 526	0.31 462	0.39 520	0.22 439	0.30 507	0.09 359	0.07 379	0.08 278	0.07 272	0.11 437	0.09 387

MFN_U_SF_RVC	0.32 517	0.21 508	0.55 526	0.30 524	0.15 481	0.34 510	0.17 318	0.52 538	0.46 495	0.46 529	0.55 521	0.59 535	0.39 520	0.35 509	0.37 527	0.15 494	0.14 502	0.18 513	0.21 520	0.16 505	0.15 496

SAMSARA	0.40 529	0.28 527	0.33 489	0.55 547	0.39 541	0.82 557	1.23 571	0.47 531	0.51 513	0.36 504	0.35 454	0.55 534	0.39 520	0.38 522	0.39 531	0.15 494	0.20 524	0.15 496	0.14 486	0.23 524	0.20 524

FC-DCNN v2	0.33 520	0.27 523	0.28 470	0.26 500	0.23 525	0.37 520	0.28 509	0.40 508	0.43 483	0.45 526	0.56 526	0.51 528	0.40 523	0.37 520	0.29 502	0.21 527	0.20 524	0.27 529	0.26 530	0.25 531	0.24 530

ADCMid	0.25 490	0.15 465	0.40 506	0.20 410	0.14 463	0.25 466	0.26 496	0.34 464	0.38 459	0.36 504	0.44 505	0.34 480	0.40 523	0.35 509	0.33 519	0.10 400	0.09 434	0.11 438	0.11 454	0.13 470	0.12 453

FC-DCNN	0.33 520	0.27 523	0.28 470	0.26 500	0.23 525	0.37 520	0.28 509	0.40 508	0.43 483	0.45 526	0.55 521	0.51 528	0.40 523	0.37 520	0.30 507	0.21 527	0.20 524	0.27 529	0.26 530	0.25 531	0.24 530

MSMD_ROB	0.31 515	0.26 522	0.26 458	0.24 484	0.21 521	0.34 510	0.25 488	0.34 464	0.39 462	0.40 514	0.69 538	0.45 517	0.40 523	0.34 503	0.27 492	0.20 523	0.19 521	0.26 526	0.25 529	0.23 524	0.22 528

MeshStereo	0.27 500	0.13 443	0.18 400	0.15 70	0.11 389	0.32 501	0.24 473	0.40 508	0.36 445	0.52 532	0.57 529	0.67 543	0.40 523	0.35 509	0.26 484	0.14 490	0.13 493	0.13 472	0.11 454	0.11 437	0.10 414
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 520	0.28 527	0.28 470	0.30 524	0.24 527	0.39 524	0.28 509	0.42 519	0.42 478	0.43 524	0.53 517	0.51 528	0.41 528	0.36 515	0.30 507	0.21 527	0.20 524	0.27 529	0.26 530	0.25 531	0.24 530
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 536	0.19 498	3.26 569	0.24 484	0.15 481	0.74 550	0.20 423	0.36 486	0.76 549	0.42 521	0.43 503	0.31 462	0.41 528	0.53 542	0.35 522	0.10 400	0.08 405	0.13 472	0.12 473	0.15 498	0.15 496

RTSA	0.45 536	0.19 498	3.26 569	0.24 484	0.15 481	0.74 550	0.20 423	0.36 486	0.76 549	0.42 521	0.43 503	0.31 462	0.41 528	0.53 542	0.35 522	0.10 400	0.08 405	0.13 472	0.12 473	0.15 498	0.15 496

Ntro	0.40 529	0.40 540	0.53 523	0.46 544	0.30 538	0.65 543	0.24 473	0.46 530	0.68 540	0.41 518	0.49 511	0.48 526	0.42 531	0.39 526	0.31 514	0.32 541	0.28 539	0.37 541	0.30 538	0.32 542	0.29 539

SGM-ForestM	0.32 517	0.12 414	0.16 349	0.16 142	0.11 389	0.39 524	0.19 402	0.41 514	0.50 506	0.52 532	0.54 519	1.32 562	0.42 531	0.40 530	0.27 492	0.14 490	0.16 511	0.16 502	0.16 505	0.12 452	0.12 453

LE_ROB	0.50 540	0.07 139	0.14 264	0.15 70	0.08 127	0.24 455	0.16 284	0.22 274	1.81 572	4.63 575	0.67 536	0.47 524	0.44 533	0.20 409	0.29 502	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.06 199

coex-ft	3.30 571	0.34 535	59.09 593	0.18 298	0.13 443	0.26 475	0.22 450	0.27 371	0.72 543	1.90 573	0.70 540	0.44 515	0.45 534	0.29 486	0.41 537	0.09 359	0.09 434	0.12 457	0.09 383	0.14 483	0.13 472

RainbowNet	0.54 543	0.61 549	0.70 549	0.57 548	0.43 545	0.65 543	0.37 539	0.60 547	0.87 553	0.50 531	0.66 535	0.64 539	0.47 535	0.49 536	0.43 541	0.47 550	0.48 554	0.52 549	0.41 544	0.52 547	0.40 549

Consistency-Raft	0.44 534	0.40 540	0.45 513	0.37 535	0.43 545	0.46 527	0.41 541	0.57 545	0.55 516	0.32 494	0.73 542	0.33 474	0.48 536	0.42 533	0.49 545	0.39 544	0.35 545	0.45 544	0.51 552	0.42 544	0.29 539

ACVNet_1	0.44 534	0.49 544	0.60 533	0.45 541	0.28 534	0.49 532	0.27 503	0.57 545	0.72 543	0.62 538	0.58 531	0.74 547	0.49 537	0.50 537	0.35 522	0.26 538	0.24 536	0.39 542	0.29 536	0.31 541	0.24 530

EDNetEfficientorigin	7.91 578	0.31 532	153.02 594	0.19 355	0.09 239	0.21 429	0.16 284	0.22 274	0.59 525	0.72 545	0.67 536	0.42 510	0.50 538	0.24 459	0.39 531	0.08 300	0.07 379	0.08 278	0.07 272	0.12 452	0.10 414

TCMNet-wrong-test	3.67 572	5.48 582	3.89 573	12.18 584	11.75 585	4.65 574	3.88 575	1.06 567	0.72 543	1.09 565	2.15 574	6.30 578	0.53 539	3.43 575	2.36 574	0.89 568	0.20 524	1.87 575	1.69 574	5.57 580	3.62 580

MSC_U_SF_DS_RVC	0.43 533	0.39 539	0.54 524	0.40 536	0.20 518	0.64 542	0.32 533	0.53 540	0.72 543	0.71 543	0.72 541	0.61 537	0.54 540	0.51 538	0.46 542	0.20 523	0.19 521	0.29 536	0.30 538	0.23 524	0.18 518

ELAS_RVC	0.41 531	0.29 530	0.33 489	0.28 515	0.24 527	0.54 535	0.36 536	0.49 534	0.59 525	0.72 545	0.74 544	0.65 541	0.54 540	0.54 544	0.40 534	0.22 531	0.20 524	0.27 529	0.26 530	0.26 535	0.25 535
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 531	0.29 530	0.33 489	0.27 512	0.24 527	0.60 540	0.36 536	0.50 536	0.50 506	0.71 543	0.79 548	0.67 543	0.54 540	0.51 538	0.42 538	0.22 531	0.20 524	0.27 529	0.26 530	0.26 535	0.25 535
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 542	0.58 547	0.65 537	0.41 538	0.61 558	0.53 534	0.41 541	0.56 543	0.41 471	0.55 535	0.50 515	0.49 527	0.55 543	0.58 547	0.50 548	0.58 555	0.50 558	0.51 547	0.51 552	0.51 546	0.57 554

SGM+DAISY	0.56 544	0.57 546	0.65 537	0.40 536	0.54 550	0.66 545	0.49 548	0.56 543	0.45 494	0.66 539	0.69 538	0.67 543	0.56 544	0.63 549	0.56 550	0.59 556	0.48 554	0.50 546	0.50 551	0.52 547	0.58 555

SPS-STEREO	0.57 545	0.58 547	0.65 537	0.45 541	0.55 552	0.62 541	0.44 547	0.62 548	0.50 506	0.68 541	0.64 533	0.66 542	0.57 545	0.61 548	0.60 552	0.62 558	0.47 553	0.51 547	0.49 549	0.55 551	0.58 555
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 526	0.20 502	0.39 505	0.31 528	0.22 523	0.29 496	0.43 546	0.52 538	0.96 556	0.55 535	0.79 548	0.53 532	0.59 546	0.52 540	0.38 529	0.19 521	0.14 502	0.17 504	0.14 486	0.24 530	0.31 542

MANE	0.45 536	0.27 523	0.27 465	0.27 512	0.24 527	0.47 529	0.31 531	0.55 542	0.59 525	0.72 545	1.13 564	1.15 556	0.61 547	0.52 540	0.37 527	0.21 527	0.20 524	0.27 529	0.31 540	0.25 531	0.24 530

PWCK	0.71 550	0.94 564	0.95 558	0.76 553	0.31 539	0.74 550	0.36 536	0.90 555	0.90 554	0.96 558	0.75 546	0.95 551	0.61 547	0.87 561	0.66 555	0.72 561	0.46 549	0.75 556	0.49 549	0.69 560	0.44 551

BEATNet-Init1	0.52 541	0.27 523	0.62 535	0.30 524	0.21 521	0.76 554	0.29 518	0.54 541	0.65 537	0.86 554	0.95 555	2.07 571	0.62 549	0.56 546	0.42 538	0.18 516	0.18 518	0.23 523	0.22 523	0.22 523	0.21 526

NVStereoNet_ROB	0.46 539	0.36 537	0.46 517	0.41 538	0.28 534	0.34 510	0.34 534	0.48 532	0.60 528	0.72 545	0.93 553	0.70 546	0.66 550	0.47 535	0.60 552	0.22 531	0.33 544	0.34 540	0.34 543	0.30 538	0.30 541
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 546	0.66 553	0.65 537	0.51 545	0.69 562	0.69 546	0.57 554	0.64 549	0.73 547	0.60 537	0.73 542	0.62 538	0.67 551	0.65 550	0.60 552	0.66 560	0.58 567	0.63 551	0.59 555	0.68 558	0.69 564

MADNet+	0.75 553	0.71 555	3.70 572	0.66 550	0.41 543	0.98 562	0.97 569	0.69 550	0.73 547	0.52 532	0.57 529	0.64 539	0.68 552	0.86 560	1.01 568	0.34 543	0.36 546	0.28 535	0.23 527	0.36 543	0.31 542

ACVNet_2	0.66 549	0.66 553	0.68 545	0.63 549	0.41 543	0.71 548	0.49 548	0.96 560	1.39 565	0.89 555	1.09 560	1.04 552	0.73 553	0.54 544	0.47 543	0.43 548	0.40 547	0.53 550	0.44 546	0.47 545	0.35 546

TorneroNet-64	0.76 554	0.72 556	0.74 550	0.78 555	0.58 556	0.91 561	0.56 553	0.84 554	1.29 562	0.66 539	0.90 551	1.40 564	0.75 554	0.85 559	0.67 558	0.49 551	0.46 549	0.72 555	0.59 555	0.67 557	0.53 553

IMH-64-1	0.65 547	0.61 549	0.68 545	0.71 551	0.51 548	0.59 538	0.49 548	0.91 556	0.85 551	0.74 549	1.02 557	0.81 548	0.78 555	0.79 553	0.49 545	0.42 546	0.46 549	0.71 553	0.47 547	0.52 547	0.39 547

IMH-64	0.65 547	0.61 549	0.68 545	0.71 551	0.51 548	0.59 538	0.49 548	0.91 556	0.85 551	0.74 549	1.02 557	0.81 548	0.78 555	0.79 553	0.49 545	0.42 546	0.46 549	0.71 553	0.47 547	0.52 547	0.39 547

JetBlue	0.71 550	0.45 543	1.14 561	0.51 545	0.47 547	2.02 572	0.64 558	0.75 551	0.70 541	0.69 542	0.77 547	1.22 558	0.83 557	1.03 568	1.01 568	0.40 545	0.28 539	0.33 539	0.33 541	0.30 538	0.34 545

LVE	0.83 558	0.85 562	0.85 556	0.80 556	0.56 553	1.04 567	0.65 559	1.05 565	1.47 568	0.96 558	1.22 568	1.10 555	0.85 558	0.83 556	0.71 560	0.49 551	0.55 564	0.76 559	0.60 557	0.65 555	0.59 560

TorneroNet	0.82 557	0.74 557	0.81 555	0.84 558	0.63 559	0.99 563	0.63 556	0.96 560	1.16 559	0.80 552	1.11 562	1.36 563	0.86 559	0.93 564	0.80 563	0.56 553	0.49 556	0.78 561	0.66 560	0.73 563	0.63 563

IMH	0.71 550	0.64 552	0.68 545	0.76 553	0.54 550	0.69 546	0.54 552	0.98 562	1.10 558	0.82 553	1.09 560	0.89 550	0.88 560	0.87 561	0.52 549	0.44 549	0.50 558	0.75 556	0.51 552	0.56 552	0.41 550

WAO-7	0.79 555	0.78 558	0.54 524	0.85 559	0.67 561	0.74 550	0.68 562	1.05 565	1.32 563	0.90 556	1.20 567	1.04 552	0.92 561	0.69 551	0.66 555	0.60 557	0.62 568	0.67 552	0.68 561	0.64 554	0.58 555

JetRed	1.62 569	1.46 572	2.98 567	0.92 562	1.21 571	4.99 575	1.53 574	1.27 573	1.39 565	1.83 572	1.74 573	1.60 570	0.95 562	1.41 571	2.45 575	0.90 569	1.60 573	0.93 565	0.90 569	1.35 571	0.99 571

KSHMR	1.09 566	1.17 568	0.88 557	1.25 571	1.00 570	0.99 563	0.96 568	1.13 570	1.37 564	1.16 567	1.29 569	1.41 565	0.96 563	1.01 567	0.92 565	1.03 570	1.08 572	1.20 569	1.03 571	1.01 568	0.97 570

Dean	0.87 559	0.86 563	0.79 553	0.81 557	0.56 553	0.90 558	0.63 556	1.15 571	1.73 571	1.15 566	1.15 565	1.31 561	0.99 564	0.81 555	0.81 564	0.57 554	0.56 565	0.77 560	0.64 558	0.66 556	0.58 555

WAO-6	0.81 556	0.80 559	0.62 535	0.86 560	0.63 559	0.76 554	0.58 555	0.98 562	1.54 570	0.90 556	0.96 556	1.07 554	1.03 565	0.70 552	0.66 555	0.72 561	0.49 556	0.90 564	0.71 562	0.68 558	0.58 555

WAO-8	0.91 560	0.81 560	0.65 537	0.94 563	0.69 562	0.90 558	0.67 560	1.07 568	1.83 573	1.06 563	1.45 570	1.30 559	1.07 566	0.84 557	0.78 561	0.74 563	0.53 561	0.86 562	0.75 563	0.69 560	0.62 561

ktn	1.01 565	1.21 569	0.80 554	1.23 570	0.86 568	1.01 565	0.87 566	0.94 559	1.39 565	1.04 561	1.12 563	1.15 556	1.07 566	0.94 565	0.59 551	1.28 572	0.71 570	1.38 572	0.83 566	1.02 569	0.75 567

Venus	0.91 560	0.81 560	0.65 537	0.94 563	0.69 562	0.90 558	0.67 560	1.07 568	1.83 573	1.06 563	1.45 570	1.30 559	1.07 566	0.84 557	0.78 561	0.74 563	0.53 561	0.86 562	0.75 563	0.69 560	0.62 561

DPSimNet_ROB	1.11 567	1.23 570	0.78 551	1.13 568	0.88 569	1.10 568	1.13 570	1.16 572	1.23 561	1.43 570	1.02 557	1.41 565	1.10 569	0.90 563	1.60 570	1.46 573	0.51 560	1.21 570	1.03 571	0.90 566	1.01 572

notaker	0.97 563	1.11 567	0.98 559	1.13 568	0.81 566	0.73 549	0.68 562	0.93 558	1.16 559	1.18 568	1.18 566	1.41 565	1.16 570	1.08 570	0.69 559	0.81 566	0.64 569	1.17 568	0.79 565	0.98 567	0.80 568

UNDER WATER-64	0.95 562	0.94 564	1.43 565	0.87 561	0.56 553	1.18 570	0.87 566	0.77 552	0.94 555	1.04 561	0.85 550	1.58 569	1.21 571	0.94 565	0.96 566	0.87 567	0.57 566	1.03 567	0.88 568	0.78 564	0.73 565

UNDER WATER	0.97 563	0.97 566	1.42 564	0.99 565	0.70 565	1.12 569	0.84 565	0.80 553	1.08 557	1.01 560	0.90 551	1.55 568	1.22 572	1.03 568	1.00 567	0.78 565	0.53 561	1.02 566	0.87 567	0.80 565	0.74 566

HanzoNet	1.29 568	1.26 571	1.19 562	1.12 567	0.85 567	1.02 566	0.83 564	1.03 564	1.48 569	1.64 571	1.61 572	2.50 573	1.72 573	1.61 572	1.61 571	1.26 571	0.80 571	1.31 571	1.01 570	1.02 569	0.86 569

MADNet++	1.95 570	1.75 573	1.59 566	1.82 572	1.69 573	2.33 573	1.40 573	2.35 574	2.09 575	2.57 574	2.36 575	2.24 572	2.17 574	2.28 573	2.34 573	1.87 574	1.66 574	1.54 573	1.34 573	1.92 572	1.77 574

tt	4.67 573	0.06 56	3.55 571	2.02 573	1.55 572	10.25 579	16.71 579	8.91 583	5.03 576	1.31 569	0.94 554	4.71 574	4.76 575	3.33 574	5.87 577	6.06 582	10.30 586	1.88 576	2.11 576	2.75 574	1.21 573

LRCNet_RVC	10.62 583	13.42 587	7.30 575	18.92 586	2.07 574	0.33 507	0.30 525	5.59 578	0.48 497	13.03 585	17.94 586	8.87 580	5.65 576	4.79 576	1.89 572	23.51 591	2.73 579	27.55 592	25.71 592	16.07 589	16.33 590

PML	8.91 581	9.34 586	6.13 574	5.35 577	6.41 578	14.99 582	23.38 586	5.27 575	6.83 577	18.04 587	28.19 593	7.67 579	6.83 577	7.85 580	5.75 576	5.35 581	1.83 575	5.95 585	1.93 575	8.64 583	2.52 576

USTest	6.22 574	2.73 575	3.00 568	6.57 580	7.29 579	14.37 581	21.57 580	7.00 582	9.56 581	5.34 578	6.10 576	5.72 577	7.64 578	6.41 579	6.96 578	1.97 575	3.42 580	1.64 574	2.15 577	2.66 573	2.36 575

xxxxx1	7.79 575	5.02 579	7.31 576	3.12 574	3.85 575	16.35 583	22.88 581	5.86 579	8.69 578	7.97 579	8.54 577	9.12 581	8.27 579	10.18 581	10.92 579	2.42 576	2.45 576	3.56 579	12.37 583	3.77 575	3.06 577

tt_ll	7.79 575	5.02 579	7.31 576	3.12 574	3.85 575	16.35 583	22.88 581	5.86 579	8.69 578	7.97 579	8.54 577	9.12 581	8.27 579	10.18 581	10.92 579	2.42 576	2.45 576	3.56 579	12.37 583	3.77 575	3.06 577

ff	7.79 575	5.02 579	7.31 576	3.12 574	3.85 575	16.35 583	22.88 581	5.86 579	8.69 578	7.97 579	8.54 577	9.12 581	8.27 579	10.18 581	10.92 579	2.42 576	2.45 576	3.56 579	12.37 583	3.77 575	3.06 577

DPSMNet_ROB	8.06 579	4.48 577	8.63 582	5.37 579	10.74 582	8.32 577	22.98 585	5.46 576	13.36 584	5.12 576	9.92 580	5.08 575	10.40 582	5.53 578	12.58 582	3.80 580	8.00 581	3.50 577	7.02 580	3.83 578	7.14 582

DGTPSM_ROB	8.06 579	4.48 577	8.63 582	5.35 577	10.72 581	8.32 577	22.97 584	5.46 576	13.35 583	5.12 576	9.92 580	5.08 575	10.40 582	5.52 577	12.58 582	3.79 579	8.00 581	3.50 577	7.02 580	3.83 578	7.14 582

Anonymous_1	10.96 584	7.92 583	7.46 579	10.33 581	10.06 580	18.65 587	26.34 587	11.06 584	13.44 585	9.40 582	10.05 582	9.67 584	11.23 584	10.73 584	12.72 584	6.42 583	8.38 583	5.77 582	10.61 582	12.12 584	6.77 581

DPSM_ROB	11.15 585	8.58 584	8.00 580	10.88 582	11.58 583	19.10 588	26.71 588	12.05 585	14.07 586	10.36 583	10.84 583	10.33 585	11.86 585	11.70 585	13.54 585	6.99 584	8.79 584	5.89 583	6.95 578	7.29 581	7.42 584

DPSM	11.15 585	8.58 584	8.00 580	10.88 582	11.58 583	19.10 588	26.71 588	12.05 585	14.07 586	10.36 583	10.84 583	10.33 585	11.86 585	11.70 585	13.54 585	6.99 584	8.79 584	5.89 583	6.95 578	7.29 581	7.42 584

HaxPig	15.71 587	18.52 592	19.18 588	16.89 585	15.89 587	7.73 576	7.60 576	13.31 587	10.82 582	15.42 586	14.91 585	15.98 587	14.92 587	15.58 587	15.98 587	18.95 590	16.73 587	19.46 590	18.08 590	19.26 590	19.05 591

MEDIAN_ROB	20.38 588	24.04 593	23.31 590	21.23 587	21.71 588	10.40 580	7.92 577	17.64 588	15.50 588	20.12 588	19.70 587	20.34 588	20.32 588	21.19 588	21.13 588	23.81 592	21.81 592	24.98 591	23.76 591	24.71 591	23.93 592

FlowAnything	22.44 590	17.35 590	16.14 586	22.07 590	23.23 589	38.39 591	53.77 591	24.25 591	28.44 592	20.96 592	21.82 590	20.70 589	23.84 589	23.49 590	27.14 590	14.04 586	17.79 591	11.75 586	14.15 589	14.65 585	14.89 586

Selective-RAFT-Error	22.47 591	17.37 591	16.09 585	22.06 589	23.34 591	38.39 591	53.83 593	24.29 593	28.47 593	20.74 590	21.83 591	20.81 590	23.90 590	23.54 592	27.53 593	14.08 588	17.69 589	11.82 587	14.00 586	14.69 587	15.00 589

CasAABBNet	22.42 589	17.33 589	16.01 584	22.01 588	23.28 590	38.32 590	53.80 592	24.14 590	28.41 591	20.60 589	21.77 589	20.89 591	23.91 591	23.43 589	27.36 591	14.07 587	17.69 589	11.83 588	14.01 587	14.67 586	14.95 588

LSM0	22.87 592	17.28 588	18.96 587	22.19 591	29.04 593	38.42 593	53.71 590	24.28 592	28.31 590	20.78 591	21.00 588	21.43 592	24.16 592	23.50 591	27.39 592	14.09 589	17.38 588	11.84 589	14.04 588	14.73 588	14.89 586

AVERAGE_ROB	24.90 593	29.20 594	28.14 591	24.89 592	24.64 592	17.75 586	11.12 578	21.45 589	19.93 589	25.12 593	24.46 592	25.12 593	25.46 593	24.69 593	22.83 589	29.76 593	27.13 593	28.97 593	27.95 593	29.91 592	29.47 593

test_example2	98.32 594	94.13 595	45.89 592	96.35 593	109.85 594	88.61 594	95.45 594	25.75 594	94.37 594	130.00 595	126.06 594	58.17 594	74.63 594	88.51 594	79.96 594	150.23 594	221.02 594	77.62 594	99.10 594	113.75 594	96.94 594

ccccc		285.66 596		368.85 595	370.60 595	123.16 595		115.05 595		126.68 594		122.83 595		252.94 595		384.56 595	353.86 595	254.69 595	223.00 595	425.87 595

ASD4		3.38 576

Low-res two-view benchmark