Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

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

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

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

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

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

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

IGEV-BASED-STEREO-	0.09 78	0.10 365	0.31 477	0.15 70	0.06 13	0.08 48	0.14 149	0.10 16	0.10 35	0.07 29	0.07 36	0.06 16	0.04 1	0.11 106	0.07 1	0.12 442	0.04 21	0.07 191	0.05 104	0.05 98	0.05 120

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

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

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

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

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

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

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

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

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

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

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

DEFOM-Stereo_RVC	0.08 43	0.06 54	0.09 70	0.22 444	0.06 13	0.08 48	0.12 63	0.10 16	0.10 35	0.07 29	0.07 36	0.06 16	0.05 9	0.11 106	0.09 52	0.06 113	0.04 21	0.05 23	0.03 1	0.06 189	0.04 40

StereoAnything_RVC	0.07 4	0.15 454	0.17 372	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 11	0.06 9	0.06 12	0.05 1	0.05 9	0.09 33	0.08 17	0.08 295	0.04 21	0.05 23	0.03 1	0.05 98	0.04 40

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

AIO-test2	0.10 139	0.08 233	0.10 105	0.23 464	0.08 125	0.11 169	0.10 27	0.23 289	0.23 304	0.08 61	0.09 87	0.08 95	0.05 9	0.10 60	0.08 17	0.06 113	0.05 182	0.08 273	0.09 377	0.05 98	0.05 120

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

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

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

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

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

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

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

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

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

CroCo-Stereo Lap2	0.09 78	0.09 307	0.08 29	0.22 444	0.09 235	0.09 77	0.19 396	0.16 129	0.12 84	0.09 91	0.10 113	0.05 1	0.05 9	0.08 15	0.08 17	0.06 113	0.06 302	0.07 191	0.05 104	0.05 98	0.05 120

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RAStereo	0.10 139	0.09 307	0.08 29	0.20 400	0.08 125	0.13 242	0.18 358	0.15 103	0.17 201	0.10 123	0.12 156	0.05 1	0.06 34	0.09 33	0.08 17	0.07 235	0.05 182	0.07 191	0.05 104	0.05 98	0.04 40

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

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

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

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

test_for_model	0.09 78	0.12 407	0.14 261	0.23 464	0.11 383	0.08 48	0.13 101	0.12 42	0.12 84	0.10 123	0.07 36	0.07 62	0.06 34	0.11 106	0.10 121	0.06 113	0.05 182	0.05 23	0.03 1	0.07 254	0.04 40

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

MoCha-V2	0.08 43	0.05 17	0.10 105	0.20 400	0.07 70	0.09 77	0.14 149	0.11 27	0.08 11	0.07 29	0.08 69	0.07 62	0.06 34	0.09 33	0.08 17	0.05 26	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

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

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

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

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

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

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

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

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

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

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

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

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

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

DLNR_Zeroshot_test	10.40 570	1.82 562	19.49 576	120.77 581	13.11 574	0.06 8	0.13 101	0.23 289	0.10 35	0.07 29	0.10 113	0.09 120	0.06 34	0.10 60	0.09 52	0.13 465	0.04 21	0.06 99	0.04 34	51.54 580	0.04 40

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

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

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

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

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

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

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

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

CroCo-Stereo	0.09 78	0.08 233	0.08 29	0.22 444	0.09 235	0.09 77	0.19 396	0.15 103	0.12 84	0.07 29	0.07 36	0.08 95	0.06 34	0.08 15	0.07 1	0.07 235	0.05 182	0.06 99	0.04 34	0.05 98	0.04 40
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 78	0.04 1	0.08 29	0.13 13	0.06 13	0.11 169	0.14 149	0.15 103	0.19 242	0.11 150	0.15 201	0.10 151	0.06 34	0.12 187	0.09 52	0.07 235	0.05 182	0.05 23	0.04 34	0.06 189	0.05 120

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

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

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

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

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

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

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

AIO-test1	0.10 139	0.07 136	0.10 105	0.23 464	0.07 70	0.09 77	0.13 101	0.21 248	0.14 139	0.11 150	0.12 156	0.09 120	0.07 103	0.11 106	0.09 52	0.06 113	0.05 182	0.09 352	0.10 412	0.03 1	0.06 195

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

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

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

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

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

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

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

AIO-Stereo-zeroshot1	0.11 182	0.05 17	0.14 261	0.15 70	0.20 506	0.09 77	0.17 313	0.21 248	0.15 155	0.11 150	0.14 184	0.10 151	0.07 103	0.10 60	0.08 17	0.06 113	0.05 182	0.07 191	0.07 269	0.07 254	0.09 383

AIO-Stereo-zeroshot	0.11 182	0.05 17	0.11 146	0.15 70	0.13 435	0.13 242	0.16 280	0.23 289	0.17 201	0.10 123	0.12 156	0.10 151	0.07 103	0.11 106	0.09 52	0.06 113	0.05 182	0.06 99	0.06 182	0.07 254	0.08 339

CAS++	0.11 182	0.07 136	0.11 146	0.14 30	0.09 235	0.12 203	0.14 149	0.24 311	0.14 139	0.11 150	0.09 87	0.11 172	0.07 103	0.14 256	0.09 52	0.11 417	0.09 424	0.09 352	0.07 269	0.07 254	0.08 339
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 139	0.06 54	0.11 146	0.20 400	0.10 336	0.10 124	0.12 63	0.17 165	0.12 84	0.12 188	0.13 170	0.09 120	0.07 103	0.11 106	0.13 273	0.06 113	0.05 182	0.05 23	0.04 34	0.05 98	0.05 120

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

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

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

CASnet	0.09 78	0.09 307	0.09 70	0.19 352	0.06 13	0.07 27	0.11 46	0.18 194	0.14 139	0.11 150	0.10 113	0.09 120	0.07 103	0.10 60	0.10 121	0.06 113	0.04 21	0.10 397	0.08 333	0.05 98	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 78	0.06 54	0.13 226	0.17 215	0.08 125	0.10 124	0.16 280	0.14 74	0.10 35	0.08 61	0.09 87	0.08 95	0.07 103	0.10 60	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

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

LL-Strereo2	0.10 139	0.10 365	0.15 310	0.18 296	0.08 125	0.15 300	0.09 18	0.17 165	0.14 139	0.14 236	0.10 113	0.09 120	0.07 103	0.16 312	0.10 121	0.05 26	0.05 182	0.10 397	0.07 269	0.06 189	0.05 120

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

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

RAFT_CTSACE	0.12 247	0.09 307	0.10 105	0.22 444	0.08 125	0.12 203	0.24 464	0.18 194	0.16 182	0.20 374	0.27 385	0.13 213	0.07 103	0.13 231	0.09 52	0.05 26	0.06 302	0.08 273	0.07 269	0.04 15	0.04 40

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

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

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

CREStereo++_RVC	0.08 43	0.04 1	0.06 2	0.13 13	0.07 70	0.09 77	0.12 63	0.14 74	0.14 139	0.10 123	0.14 184	0.08 95	0.07 103	0.09 33	0.11 184	0.06 113	0.04 21	0.05 23	0.05 104	0.04 15	0.04 40
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 78	0.06 54	0.10 105	0.17 215	0.08 125	0.09 77	0.10 27	0.18 194	0.16 182	0.10 123	0.09 87	0.12 189	0.07 103	0.12 187	0.10 121	0.08 295	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120

sCroCo_RVC	0.12 247	0.09 307	0.23 441	0.24 473	0.11 383	0.19 392	0.14 149	0.17 165	0.14 139	0.10 123	0.13 170	0.12 189	0.07 103	0.14 256	0.11 184	0.08 295	0.08 398	0.08 273	0.08 333	0.05 98	0.07 275

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

PMTNet	0.09 78	0.05 17	0.09 70	0.12 4	0.06 13	0.12 203	0.14 149	0.15 103	0.11 61	0.09 91	0.13 170	0.10 151	0.07 103	0.13 231	0.10 121	0.15 482	0.04 21	0.05 23	0.03 1	0.07 254	0.06 195

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

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

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

rvit_stereo_0080	0.10 139	0.08 233	0.14 261	0.15 70	0.09 235	0.07 27	0.15 215	0.16 129	0.16 182	0.11 150	0.10 113	0.14 233	0.08 138	0.12 187	0.10 121	0.09 352	0.07 372	0.07 191	0.06 182	0.07 254	0.05 120

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

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

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

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

whm_eth	0.10 139	0.08 233	0.14 261	0.15 70	0.09 235	0.07 27	0.15 215	0.16 129	0.16 182	0.11 150	0.10 113	0.14 233	0.08 138	0.12 187	0.10 121	0.09 352	0.07 372	0.07 191	0.06 182	0.07 254	0.05 120

testlalala_base	0.10 139	0.09 307	0.14 261	0.21 429	0.08 125	0.10 124	0.14 149	0.13 58	0.10 35	0.07 29	0.15 201	0.07 62	0.08 138	0.10 60	0.12 232	0.08 295	0.05 182	0.05 23	0.03 1	0.06 189	0.05 120

AEACV	0.08 43	0.05 17	0.08 29	0.14 30	0.13 435	0.14 274	0.13 101	0.14 74	0.09 22	0.07 29	0.09 87	0.07 62	0.08 138	0.10 60	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.05 98	0.04 40

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

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

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

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

HHNet	0.11 182	0.06 54	0.16 344	0.15 70	0.14 453	0.07 27	0.13 101	0.20 226	0.17 201	0.14 236	0.25 360	0.11 172	0.08 138	0.13 231	0.10 121	0.05 26	0.04 21	0.08 273	0.06 182	0.05 98	0.09 383

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

test-1	0.10 139	0.07 136	0.16 344	0.19 352	0.08 125	0.11 169	0.24 464	0.14 74	0.18 227	0.09 91	0.07 36	0.09 120	0.08 138	0.07 4	0.09 52	0.06 113	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

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

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

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

sAnonymous2	0.13 272	0.12 407	0.24 444	0.20 400	0.12 414	0.17 351	0.13 101	0.26 345	0.21 280	0.11 150	0.11 143	0.13 213	0.08 138	0.10 60	0.10 121	0.09 352	0.05 182	0.08 273	0.06 182	0.15 486	0.10 407

CroCo_RVC	0.13 272	0.12 407	0.24 444	0.20 400	0.12 414	0.17 351	0.13 101	0.26 345	0.21 280	0.11 150	0.11 143	0.13 213	0.08 138	0.10 60	0.10 121	0.09 352	0.05 182	0.08 273	0.06 182	0.15 486	0.10 407

CREStereo	0.09 78	0.04 1	0.08 29	0.11 1	0.06 13	0.13 242	0.14 149	0.14 74	0.10 35	0.08 61	0.13 170	0.09 120	0.08 138	0.11 106	0.10 121	0.08 295	0.04 21	0.05 23	0.03 1	0.06 189	0.06 195
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 139	0.06 54	0.10 105	0.17 215	0.08 125	0.11 169	0.14 149	0.23 289	0.11 61	0.12 188	0.19 268	0.11 172	0.08 138	0.09 33	0.11 184	0.07 235	0.05 182	0.06 99	0.05 104	0.05 98	0.05 120

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

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

S2M2	0.09 78	0.08 233	0.11 146	0.13 13	0.10 336	0.08 48	0.06 1	0.10 16	0.10 35	0.10 123	0.09 87	0.10 151	0.09 164	0.11 106	0.11 184	0.13 465	0.07 372	0.08 273	0.09 377	0.10 408	0.08 339

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

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

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

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

rvit_stereo_0081_aga	0.11 182	0.09 307	0.14 261	0.18 296	0.09 235	0.13 242	0.14 149	0.14 74	0.19 242	0.10 123	0.18 259	0.16 276	0.09 164	0.12 187	0.09 52	0.10 389	0.06 302	0.08 273	0.07 269	0.07 254	0.06 195

rvit_stereo_0081	0.11 182	0.08 233	0.15 310	0.16 141	0.09 235	0.10 124	0.14 149	0.14 74	0.24 320	0.11 150	0.13 170	0.13 213	0.09 164	0.11 106	0.12 232	0.10 389	0.07 372	0.08 273	0.07 269	0.07 254	0.05 120

rvit_stereo_0082	0.11 182	0.08 233	0.15 310	0.16 141	0.09 235	0.10 124	0.14 149	0.14 74	0.24 320	0.11 150	0.13 170	0.13 213	0.09 164	0.11 106	0.12 232	0.10 389	0.07 372	0.08 273	0.07 269	0.07 254	0.05 120

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

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

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

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

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

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

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

test_4	0.10 139	0.10 365	0.08 29	0.19 352	0.09 235	0.08 48	0.22 443	0.15 103	0.17 201	0.12 188	0.18 259	0.12 189	0.09 164	0.08 15	0.11 184	0.04 11	0.04 21	0.08 273	0.08 333	0.04 15	0.03 1

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

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

dd	0.15 350	0.16 462	0.16 344	0.19 352	0.09 235	0.15 300	0.18 358	0.21 248	0.25 341	0.23 415	0.20 280	0.21 345	0.09 164	0.21 421	0.16 354	0.10 389	0.06 302	0.08 273	0.06 182	0.08 316	0.06 195

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

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

test_3	0.10 139	0.09 307	0.10 105	0.20 400	0.08 125	0.13 242	0.26 485	0.14 74	0.21 280	0.10 123	0.10 113	0.09 120	0.09 164	0.08 15	0.11 184	0.05 26	0.04 21	0.08 273	0.07 269	0.04 15	0.04 40

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

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

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

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

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

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

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

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

rvit_stereo_0083	0.12 247	0.08 233	0.17 372	0.16 141	0.09 235	0.11 169	0.15 215	0.14 74	0.26 355	0.11 150	0.14 184	0.13 213	0.10 196	0.12 187	0.12 232	0.10 389	0.08 398	0.09 352	0.07 269	0.07 254	0.05 120

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

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

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

MyStereo04	0.13 272	0.07 136	0.10 105	0.17 215	0.09 235	0.14 274	0.18 358	0.29 395	0.38 452	0.17 307	0.14 184	0.16 276	0.10 196	0.15 278	0.13 273	0.06 113	0.05 182	0.08 273	0.07 269	0.06 189	0.06 195

StereoVision	0.13 272	0.12 407	0.09 70	0.24 473	0.10 336	0.15 300	0.21 434	0.21 248	0.20 265	0.12 188	0.24 331	0.10 151	0.10 196	0.16 312	0.10 121	0.09 352	0.11 454	0.12 445	0.12 461	0.06 189	0.05 120

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

Selective-RAFT	0.11 182	0.10 365	0.11 146	0.21 429	0.08 125	0.16 330	0.13 101	0.20 226	0.22 294	0.10 123	0.10 113	0.11 172	0.10 196	0.15 278	0.11 184	0.05 26	0.05 182	0.06 99	0.05 104	0.06 189	0.05 120

TestStereo1	0.13 272	0.08 233	0.08 29	0.19 352	0.08 125	0.18 369	0.29 507	0.23 289	0.16 182	0.17 307	0.20 280	0.16 276	0.10 196	0.12 187	0.13 273	0.06 113	0.06 302	0.08 273	0.06 182	0.05 98	0.05 120

DisPM	0.11 182	0.07 136	0.12 181	0.16 141	0.09 235	0.06 8	0.13 101	0.17 165	0.17 201	0.14 236	0.20 280	0.12 189	0.10 196	0.11 106	0.10 121	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.11 430

raft_robust	0.13 272	0.10 365	0.07 6	0.18 296	0.08 125	0.13 242	0.24 464	0.28 385	0.33 416	0.20 374	0.19 268	0.14 233	0.10 196	0.11 106	0.12 232	0.05 26	0.05 182	0.07 191	0.07 269	0.05 98	0.04 40

RAFT+CT+SA	0.13 272	0.11 390	0.09 70	0.19 352	0.09 235	0.15 300	0.28 498	0.22 270	0.22 294	0.15 263	0.26 377	0.10 151	0.10 196	0.11 106	0.12 232	0.05 26	0.04 21	0.07 191	0.08 333	0.07 254	0.06 195

SA-5K	0.13 272	0.08 233	0.08 29	0.19 352	0.08 125	0.18 369	0.29 507	0.23 289	0.16 182	0.17 307	0.20 280	0.16 276	0.10 196	0.12 187	0.13 273	0.06 113	0.06 302	0.08 273	0.06 182	0.05 98	0.05 120

PFNet+	0.11 182	0.06 54	0.13 226	0.16 141	0.09 235	0.05 4	0.12 63	0.17 165	0.21 280	0.16 291	0.19 268	0.14 233	0.10 196	0.11 106	0.11 184	0.08 295	0.05 182	0.09 352	0.08 333	0.06 189	0.11 430

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

KYRaft	0.11 182	0.07 136	0.10 105	0.19 352	0.09 235	0.08 48	0.15 215	0.22 270	0.12 84	0.13 215	0.16 213	0.20 336	0.10 196	0.12 187	0.10 121	0.05 26	0.04 21	0.08 273	0.08 333	0.06 189	0.16 495

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

RAFT-RH_RVC	0.11 182	0.06 54	0.14 261	0.16 141	0.09 235	0.12 203	0.12 63	0.17 165	0.12 84	0.13 215	0.41 485	0.11 172	0.10 196	0.13 231	0.12 232	0.05 26	0.04 21	0.08 273	0.05 104	0.04 15	0.06 195

cross-raft	0.10 139	0.09 307	0.09 70	0.19 352	0.07 70	0.11 169	0.25 478	0.13 58	0.15 155	0.08 61	0.11 143	0.12 189	0.10 196	0.09 33	0.11 184	0.05 26	0.04 21	0.06 99	0.05 104	0.04 15	0.04 40

rafts_anoy	0.11 182	0.06 54	0.10 105	0.17 215	0.08 125	0.10 124	0.14 149	0.17 165	0.14 139	0.13 215	0.13 170	0.12 189	0.10 196	0.11 106	0.12 232	0.07 235	0.04 21	0.09 352	0.11 442	0.07 254	0.06 195

Anonymous3	0.16 373	0.13 436	0.33 483	0.26 488	0.14 453	0.27 476	0.17 313	0.28 385	0.28 378	0.15 263	0.17 234	0.14 233	0.10 196	0.15 278	0.12 232	0.08 295	0.08 398	0.08 273	0.08 333	0.08 316	0.11 430

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

RAFT + AFF	0.13 272	0.07 136	0.20 418	0.20 400	0.10 336	0.14 274	0.24 464	0.26 345	0.20 265	0.11 150	0.10 113	0.12 189	0.10 196	0.15 278	0.12 232	0.07 235	0.06 302	0.09 352	0.08 333	0.06 189	0.08 339

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

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

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

GMStereo_Zeroshot	0.16 373	0.13 436	0.24 444	0.20 400	0.10 336	0.17 351	0.13 101	0.29 395	0.25 341	0.23 415	0.32 428	0.25 399	0.11 221	0.19 380	0.14 310	0.09 352	0.06 302	0.11 428	0.06 182	0.12 442	0.08 339

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

riskmin	0.11 182	0.06 54	0.13 226	0.14 30	0.08 125	0.14 274	0.14 149	0.18 194	0.14 139	0.11 150	0.14 184	0.16 276	0.11 221	0.14 256	0.12 232	0.09 352	0.05 182	0.07 191	0.05 104	0.08 316	0.08 339

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

Sa-1000	0.12 247	0.08 233	0.08 29	0.18 296	0.08 125	0.14 274	0.22 443	0.22 270	0.18 227	0.15 263	0.20 280	0.17 296	0.11 221	0.10 60	0.10 121	0.06 113	0.05 182	0.09 352	0.09 377	0.05 98	0.05 120

SA	0.12 247	0.09 307	0.08 29	0.18 296	0.08 125	0.12 203	0.24 464	0.23 289	0.18 227	0.17 307	0.27 385	0.14 233	0.11 221	0.11 106	0.11 184	0.05 26	0.05 182	0.09 352	0.08 333	0.05 98	0.04 40

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

LCNet	0.11 182	0.07 136	0.09 70	0.19 352	0.09 235	0.08 48	0.15 215	0.21 248	0.15 155	0.11 150	0.15 201	0.16 276	0.11 221	0.12 187	0.11 184	0.05 26	0.04 21	0.08 273	0.07 269	0.06 189	0.15 484

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

NF-Stereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 442

OCTAStereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 442

PSM-softLoss	0.12 247	0.07 136	0.15 310	0.17 215	0.09 235	0.08 48	0.13 101	0.24 311	0.17 201	0.14 236	0.19 268	0.13 213	0.11 221	0.11 106	0.11 184	0.07 235	0.05 182	0.08 273	0.07 269	0.06 189	0.12 442

KMStereo	0.12 247	0.07 136	0.15 310	0.17 215	0.09 235	0.08 48	0.13 101	0.24 311	0.17 201	0.14 236	0.19 268	0.13 213	0.11 221	0.11 106	0.11 184	0.07 235	0.05 182	0.08 273	0.07 269	0.06 189	0.12 442

PSM-AAD	0.11 182	0.07 136	0.10 105	0.19 352	0.09 235	0.10 124	0.15 215	0.20 226	0.13 115	0.12 188	0.14 184	0.18 310	0.11 221	0.11 106	0.10 121	0.05 26	0.05 182	0.09 352	0.08 333	0.06 189	0.14 477

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

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

GrayStereo	0.11 182	0.06 54	0.11 146	0.19 352	0.09 235	0.09 77	0.16 280	0.18 194	0.17 201	0.14 236	0.17 234	0.17 296	0.11 221	0.12 187	0.11 184	0.05 26	0.05 182	0.07 191	0.06 182	0.05 98	0.10 407

RE-Stereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 442

TVStereo	0.11 182	0.07 136	0.13 226	0.17 215	0.09 235	0.10 124	0.14 149	0.23 289	0.19 242	0.12 188	0.17 234	0.12 189	0.11 221	0.11 106	0.11 184	0.06 113	0.04 21	0.07 191	0.06 182	0.06 189	0.12 442

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

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

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

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

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

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

ARAFT	0.12 247	0.08 233	0.17 372	0.19 352	0.09 235	0.14 274	0.18 358	0.20 226	0.12 84	0.12 188	0.13 170	0.14 233	0.11 221	0.15 278	0.12 232	0.06 113	0.05 182	0.10 397	0.09 377	0.05 98	0.04 40

HITNet	0.10 139	0.06 54	0.12 181	0.14 30	0.06 13	0.11 169	0.10 27	0.18 194	0.18 227	0.13 215	0.16 213	0.14 233	0.11 221	0.15 278	0.13 273	0.06 113	0.04 21	0.04 1	0.04 34	0.06 189	0.05 120
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
xyz-stereo-finetune2	0.11 182	0.07 136	0.13 226	0.13 13	0.07 70	0.11 169	0.19 396	0.17 165	0.12 84	0.15 263	0.15 201	0.17 296	0.12 251	0.13 231	0.11 184	0.05 26	0.04 21	0.07 191	0.05 104	0.04 15	0.06 195

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

DDVS	0.15 350	0.10 365	0.21 426	0.16 141	0.12 414	0.15 300	0.14 149	0.25 327	0.19 242	0.18 337	0.29 410	0.27 416	0.12 251	0.19 380	0.15 338	0.09 352	0.06 302	0.09 352	0.07 269	0.11 428	0.11 430

rvit_0105_6	0.14 306	0.09 307	0.18 395	0.17 215	0.10 336	0.10 124	0.16 280	0.19 215	0.26 355	0.12 188	0.18 259	0.17 296	0.12 251	0.18 365	0.12 232	0.15 482	0.11 454	0.12 445	0.10 412	0.09 377	0.06 195

rvit_0105_5	0.14 306	0.09 307	0.13 226	0.17 215	0.09 235	0.14 274	0.23 452	0.24 311	0.27 364	0.14 236	0.15 201	0.18 310	0.12 251	0.17 344	0.14 310	0.14 478	0.11 454	0.10 397	0.10 412	0.08 316	0.06 195

GCST	0.37 513	0.42 530	0.26 452	1.02 554	0.39 529	0.18 369	0.08 7	0.20 226	0.17 201	0.28 461	0.25 360	0.15 262	0.12 251	0.16 312	0.14 310	0.64 547	0.43 536	0.75 544	0.65 547	0.63 541	0.46 540

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

PCWNet_CMD	0.14 306	0.08 233	0.15 310	0.17 215	0.09 235	0.14 274	0.14 149	0.29 395	0.36 440	0.14 236	0.20 280	0.21 345	0.12 251	0.17 344	0.13 273	0.07 235	0.05 182	0.07 191	0.07 269	0.07 254	0.07 275

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

GMOStereo	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 498	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

error version	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 498	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

test-v	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 498	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

GANet-ADL	0.13 272	0.07 136	0.15 310	0.17 215	0.10 336	0.18 369	0.15 215	0.30 409	0.20 265	0.13 215	0.18 259	0.19 324	0.12 251	0.16 312	0.13 273	0.08 295	0.06 302	0.06 99	0.05 104	0.07 254	0.08 339

Patchmatch Stereo++	0.11 182	0.09 307	0.16 344	0.18 296	0.08 125	0.06 8	0.11 46	0.16 129	0.13 115	0.15 263	0.16 213	0.14 233	0.12 251	0.11 106	0.10 121	0.06 113	0.04 21	0.08 273	0.06 182	0.08 316	0.07 275
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 182	0.06 54	0.14 261	0.18 296	0.08 125	0.09 77	0.12 63	0.21 248	0.21 280	0.13 215	0.14 184	0.11 172	0.12 251	0.11 106	0.13 273	0.06 113	0.04 21	0.07 191	0.06 182	0.05 98	0.04 40

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

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

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

FTStereo	0.12 247	0.06 54	0.14 261	0.18 296	0.09 235	0.07 27	0.15 215	0.21 248	0.18 227	0.12 188	0.24 331	0.12 189	0.12 251	0.13 231	0.13 273	0.05 26	0.05 182	0.07 191	0.06 182	0.06 189	0.10 407

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

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

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

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

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

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

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

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

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

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

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

test-2	0.11 182	0.09 307	0.07 6	0.19 352	0.08 125	0.12 203	0.28 498	0.13 58	0.17 201	0.11 150	0.17 234	0.14 233	0.12 251	0.07 4	0.07 1	0.05 26	0.05 182	0.09 352	0.07 269	0.04 15	0.04 40

RAFT	0.13 272	0.09 307	0.11 146	0.18 296	0.08 125	0.15 300	0.24 464	0.20 226	0.19 242	0.21 388	0.21 301	0.17 296	0.12 251	0.16 312	0.09 52	0.06 113	0.07 372	0.10 397	0.09 377	0.05 98	0.05 120

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

TestStereo	0.13 272	0.14 448	0.11 146	0.23 464	0.08 125	0.15 300	0.21 434	0.20 226	0.23 304	0.14 236	0.24 331	0.16 276	0.12 251	0.16 312	0.14 310	0.05 26	0.06 302	0.08 273	0.06 182	0.09 377	0.05 120

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

DIP-Stereo	0.11 182	0.07 136	0.14 261	0.17 215	0.09 235	0.13 242	0.09 18	0.16 129	0.16 182	0.11 150	0.16 213	0.14 233	0.12 251	0.15 278	0.13 273	0.06 113	0.05 182	0.06 99	0.05 104	0.05 98	0.06 195
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 306	0.08 233	0.15 310	0.17 215	0.09 235	0.14 274	0.14 149	0.29 395	0.36 440	0.14 236	0.21 301	0.21 345	0.12 251	0.17 344	0.14 310	0.07 235	0.05 182	0.07 191	0.07 269	0.07 254	0.07 275

G2L-Stereo	0.14 306	0.07 136	0.13 226	0.17 215	0.09 235	0.13 242	0.12 63	0.27 366	0.22 294	0.16 291	0.27 385	0.21 345	0.13 288	0.17 344	0.18 387	0.09 352	0.08 398	0.08 273	0.07 269	0.07 254	0.07 275

rvit_0105_4	0.14 306	0.09 307	0.17 372	0.17 215	0.10 336	0.12 203	0.19 396	0.23 289	0.27 364	0.14 236	0.20 280	0.17 296	0.13 288	0.17 344	0.13 273	0.15 482	0.11 454	0.11 428	0.10 412	0.09 377	0.06 195

rvit_0105_3	0.15 350	0.09 307	0.14 261	0.19 352	0.12 414	0.15 300	0.25 478	0.25 327	0.29 385	0.15 263	0.17 234	0.20 336	0.13 288	0.17 344	0.14 310	0.13 465	0.11 454	0.12 445	0.14 474	0.07 254	0.06 195

UGAM	0.13 272	0.10 365	0.09 70	0.22 444	0.08 125	0.12 203	0.20 417	0.17 165	0.23 304	0.21 388	0.16 213	0.13 213	0.13 288	0.19 380	0.12 232	0.07 235	0.05 182	0.13 460	0.11 442	0.07 254	0.05 120

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

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

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

ttt	0.14 306	0.08 233	0.14 261	0.15 70	0.08 125	0.15 300	0.18 358	0.27 366	0.29 385	0.16 291	0.24 331	0.17 296	0.13 288	0.13 231	0.14 310	0.11 417	0.08 398	0.09 352	0.08 333	0.09 377	0.08 339

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

LL-Strereo	0.13 272	0.09 307	0.11 146	0.20 400	0.10 336	0.11 169	0.18 358	0.32 430	0.24 320	0.15 263	0.15 201	0.14 233	0.13 288	0.19 380	0.11 184	0.06 113	0.04 21	0.09 352	0.08 333	0.04 15	0.05 120

SDNR	0.19 418	0.08 233	0.19 406	0.16 141	0.12 414	0.77 545	0.14 149	0.25 327	0.32 409	0.19 352	0.24 331	0.19 324	0.13 288	0.19 380	0.15 338	0.16 498	0.18 506	0.14 472	0.11 442	0.08 316	0.11 430

BUS	0.14 306	0.09 307	0.14 261	0.22 444	0.10 336	0.19 392	0.14 149	0.34 458	0.19 242	0.17 307	0.22 310	0.16 276	0.13 288	0.15 278	0.13 273	0.08 295	0.06 302	0.10 397	0.09 377	0.07 254	0.07 275

NINENet	0.16 373	0.10 365	0.15 310	0.17 215	0.11 383	0.19 392	0.14 149	0.40 496	0.36 440	0.18 337	0.21 301	0.16 276	0.13 288	0.15 278	0.13 273	0.08 295	0.08 398	0.10 397	0.07 269	0.10 408	0.09 383

UDGNet	0.14 306	0.13 436	0.16 344	0.17 215	0.10 336	0.12 203	0.16 280	0.21 248	0.27 364	0.20 374	0.20 280	0.16 276	0.13 288	0.16 312	0.13 273	0.10 389	0.06 302	0.09 352	0.07 269	0.06 189	0.07 275

dad	0.17 393	0.20 490	0.20 418	0.16 141	0.11 383	0.20 407	0.18 358	0.21 248	0.28 378	0.30 471	0.24 331	0.29 432	0.13 288	0.19 380	0.16 354	0.18 504	0.09 424	0.11 428	0.09 377	0.11 428	0.07 275

GEStereo_RVC	0.17 393	0.12 407	0.15 310	0.22 444	0.11 383	0.19 392	0.17 313	0.32 430	0.48 490	0.20 374	0.25 360	0.17 296	0.13 288	0.21 421	0.16 354	0.10 389	0.06 302	0.08 273	0.07 269	0.09 377	0.08 339

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

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

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

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

AdaStereo	0.15 350	0.11 390	0.15 310	0.18 296	0.09 235	0.20 407	0.11 46	0.32 430	0.28 378	0.20 374	0.23 319	0.20 336	0.13 288	0.19 380	0.14 310	0.12 442	0.05 182	0.10 397	0.07 269	0.09 377	0.07 275
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 306	0.08 233	0.15 310	0.16 141	0.08 125	0.16 330	0.12 63	0.25 327	0.35 436	0.21 388	0.29 410	0.24 386	0.13 288	0.14 256	0.14 310	0.06 113	0.05 182	0.06 99	0.04 34	0.09 377	0.08 339

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

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

DN-CSS_ROB	0.13 272	0.13 436	0.16 344	0.18 296	0.10 336	0.16 330	0.08 7	0.22 270	0.18 227	0.17 307	0.22 310	0.13 213	0.13 288	0.12 187	0.13 273	0.05 26	0.05 182	0.10 397	0.10 412	0.08 316	0.06 195

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

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

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

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

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

CFNet_ucs	0.15 350	0.08 233	0.16 344	0.16 141	0.11 383	0.14 274	0.14 149	0.30 409	0.34 427	0.16 291	0.24 331	0.23 380	0.14 313	0.18 365	0.15 338	0.09 352	0.06 302	0.08 273	0.07 269	0.09 377	0.09 383

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

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

GwcNet-ADL	0.13 272	0.08 233	0.14 261	0.20 400	0.09 235	0.11 169	0.20 417	0.30 409	0.24 320	0.13 215	0.14 184	0.18 310	0.14 313	0.13 231	0.14 310	0.07 235	0.05 182	0.06 99	0.05 104	0.07 254	0.06 195

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

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

HCRNet	0.16 373	0.24 504	0.12 181	0.35 519	0.11 383	0.15 300	0.17 313	0.26 345	0.22 294	0.19 352	0.24 331	0.21 345	0.14 313	0.15 278	0.13 273	0.11 417	0.07 372	0.11 428	0.10 412	0.09 377	0.07 275

xxxx	0.15 350	0.07 136	0.14 261	0.14 30	0.08 125	0.23 444	0.18 358	0.31 419	0.19 242	0.14 236	0.28 398	0.22 363	0.14 313	0.15 278	0.26 475	0.09 352	0.05 182	0.07 191	0.07 269	0.08 316	0.07 275

PSMNet-RSSM	0.14 306	0.07 136	0.13 226	0.15 70	0.08 125	0.13 242	0.16 280	0.24 311	0.24 320	0.16 291	0.28 398	0.22 363	0.14 313	0.15 278	0.13 273	0.11 417	0.06 302	0.09 352	0.12 461	0.08 316	0.07 275

CFNet-ft	0.14 306	0.07 136	0.15 310	0.12 4	0.09 235	0.16 330	0.18 358	0.22 270	0.24 320	0.17 307	0.26 377	0.24 386	0.14 313	0.16 312	0.14 310	0.11 417	0.06 302	0.08 273	0.09 377	0.09 377	0.08 339

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

HSM-Net_RVC	0.14 306	0.08 233	0.11 146	0.15 70	0.08 125	0.15 300	0.15 215	0.27 366	0.29 385	0.19 352	0.21 301	0.29 432	0.14 313	0.17 344	0.13 273	0.06 113	0.06 302	0.06 99	0.06 182	0.07 254	0.06 195
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 306	0.07 136	0.15 310	0.12 4	0.09 235	0.16 330	0.18 358	0.22 270	0.24 320	0.17 307	0.26 377	0.24 386	0.14 313	0.16 312	0.14 310	0.11 417	0.06 302	0.08 273	0.09 377	0.09 377	0.08 339

DCVSM-stereo	0.14 306	0.09 307	0.16 344	0.16 141	0.10 336	0.15 300	0.09 18	0.19 215	0.23 304	0.20 374	0.23 319	0.26 408	0.15 331	0.18 365	0.14 310	0.09 352	0.07 372	0.09 352	0.08 333	0.10 408	0.12 442

ACV-stereo	0.15 350	0.10 365	0.28 464	0.18 296	0.12 414	0.14 274	0.12 63	0.23 289	0.21 280	0.19 352	0.23 319	0.22 363	0.15 331	0.23 443	0.17 369	0.07 235	0.06 302	0.07 191	0.07 269	0.07 254	0.07 275

ITSA-stereo	0.15 350	0.10 365	0.14 261	0.19 352	0.08 125	0.12 203	0.14 149	0.30 409	0.49 495	0.17 307	0.19 268	0.22 363	0.15 331	0.17 344	0.16 354	0.10 389	0.06 302	0.08 273	0.08 333	0.08 316	0.08 339

rvit_stereo_0075_2	0.17 393	0.12 407	0.25 449	0.23 464	0.16 479	0.13 242	0.10 27	0.30 409	0.27 364	0.20 374	0.28 398	0.22 363	0.15 331	0.18 365	0.13 273	0.16 498	0.10 443	0.17 492	0.10 412	0.10 408	0.09 383

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

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

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

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

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

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

1111x	0.15 350	0.08 233	0.12 181	0.18 296	0.07 70	0.18 369	0.25 478	0.31 419	0.24 320	0.17 307	0.24 331	0.26 408	0.15 331	0.13 231	0.23 446	0.07 235	0.07 372	0.08 273	0.09 377	0.07 254	0.06 195

iinet-f	0.16 373	0.06 54	0.45 505	0.14 30	0.10 336	0.21 423	0.14 149	0.27 366	0.23 304	0.21 388	0.24 331	0.21 345	0.15 331	0.18 365	0.21 425	0.09 352	0.07 372	0.07 191	0.06 182	0.09 377	0.10 407

GASNet	0.22 450	0.23 501	0.33 483	0.26 488	0.17 494	0.26 467	0.16 280	0.44 513	0.42 471	0.27 447	0.24 331	0.30 440	0.15 331	0.27 462	0.18 387	0.12 442	0.08 398	0.12 445	0.11 442	0.16 493	0.07 275

CASS	0.13 272	0.12 407	0.11 146	0.23 464	0.09 235	0.15 300	0.17 313	0.18 194	0.19 242	0.17 307	0.18 259	0.15 262	0.15 331	0.14 256	0.14 310	0.09 352	0.06 302	0.10 397	0.08 333	0.09 377	0.07 275
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 406	0.09 307	0.29 472	0.15 70	0.10 336	0.22 431	0.20 417	0.26 345	0.39 455	0.25 437	0.42 491	0.24 386	0.15 331	0.20 405	0.19 399	0.07 235	0.05 182	0.06 99	0.05 104	0.10 408	0.09 383

test_5	0.14 306	0.12 407	0.08 29	0.20 400	0.10 336	0.14 274	0.29 507	0.21 248	0.24 320	0.18 337	0.28 398	0.11 172	0.15 331	0.12 187	0.13 273	0.06 113	0.05 182	0.07 191	0.08 333	0.08 316	0.07 275

CSP-Net	0.16 373	0.09 307	0.14 261	0.16 141	0.09 235	0.19 392	0.17 313	0.25 327	0.32 409	0.25 437	0.30 416	0.24 386	0.15 331	0.21 421	0.18 387	0.09 352	0.06 302	0.07 191	0.07 269	0.08 316	0.07 275

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

SepStereo	0.15 350	0.08 233	0.18 395	0.19 352	0.10 336	0.19 392	0.17 313	0.27 366	0.29 385	0.18 337	0.25 360	0.21 345	0.15 331	0.25 457	0.12 232	0.08 295	0.06 302	0.06 99	0.06 182	0.07 254	0.07 275

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

GANet-RSSM	0.14 306	0.07 136	0.13 226	0.13 13	0.08 125	0.14 274	0.17 313	0.22 270	0.21 280	0.17 307	0.24 331	0.23 380	0.15 331	0.16 312	0.15 338	0.10 389	0.06 302	0.07 191	0.08 333	0.08 316	0.07 275

DSFCA	0.16 373	0.09 307	0.14 261	0.16 141	0.10 336	0.20 407	0.19 396	0.28 385	0.31 402	0.23 415	0.24 331	0.22 363	0.15 331	0.19 380	0.20 405	0.10 389	0.07 372	0.09 352	0.09 377	0.08 316	0.08 339

FADNet-RVC-Resample	0.16 373	0.11 390	0.31 477	0.22 444	0.11 383	0.19 392	0.14 149	0.25 327	0.24 320	0.24 424	0.27 385	0.20 336	0.15 331	0.16 312	0.15 338	0.07 235	0.08 398	0.12 445	0.10 412	0.09 377	0.10 407

UCFNet_RVC	0.14 306	0.08 233	0.13 226	0.11 1	0.10 336	0.20 407	0.10 27	0.24 311	0.22 294	0.17 307	0.20 280	0.23 380	0.15 331	0.17 344	0.15 338	0.12 442	0.07 372	0.10 397	0.13 471	0.11 428	0.10 407

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

PWCDC_ROB	0.20 430	0.13 436	0.22 432	0.24 473	0.11 383	0.19 392	0.15 215	0.33 449	0.54 507	0.29 468	0.50 506	0.21 345	0.15 331	0.27 462	0.20 405	0.11 417	0.09 424	0.10 397	0.08 333	0.11 428	0.09 383

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

G2L-Stereo_test	0.14 306	0.07 136	0.11 146	0.13 13	0.08 125	0.12 203	0.16 280	0.30 409	0.28 378	0.20 374	0.23 319	0.20 336	0.16 357	0.17 344	0.18 387	0.07 235	0.05 182	0.05 23	0.05 104	0.07 254	0.06 195

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

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

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

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

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

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

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

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

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

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

BSDual-CNN	0.15 350	0.09 307	0.14 261	0.22 444	0.10 336	0.14 274	0.15 215	0.34 458	0.19 242	0.17 307	0.22 310	0.25 399	0.16 357	0.15 278	0.14 310	0.08 295	0.06 302	0.10 397	0.09 377	0.07 254	0.07 275

psmg	0.14 306	0.09 307	0.14 261	0.17 215	0.10 336	0.15 300	0.17 313	0.29 395	0.19 242	0.17 307	0.21 301	0.25 399	0.16 357	0.15 278	0.14 310	0.08 295	0.06 302	0.08 273	0.08 333	0.07 254	0.06 195

AASNet	0.16 373	0.08 233	0.12 181	0.19 352	0.09 235	0.18 369	0.15 215	0.37 481	0.37 447	0.19 352	0.23 319	0.20 336	0.16 357	0.17 344	0.20 405	0.10 389	0.08 398	0.08 273	0.07 269	0.09 377	0.09 383

PSMNet-ADL	0.15 350	0.12 407	0.13 226	0.22 444	0.09 235	0.13 242	0.20 417	0.26 345	0.23 304	0.18 337	0.20 280	0.24 386	0.16 357	0.18 365	0.17 369	0.08 295	0.08 398	0.08 273	0.11 442	0.08 316	0.07 275

ADLNet	0.16 373	0.08 233	0.15 310	0.16 141	0.10 336	0.16 330	0.17 313	0.32 430	0.27 364	0.22 403	0.27 385	0.24 386	0.16 357	0.18 365	0.21 425	0.10 389	0.06 302	0.10 397	0.10 412	0.08 316	0.09 383

222	0.16 373	0.07 136	0.14 261	0.14 30	0.08 125	0.24 449	0.18 358	0.30 409	0.20 265	0.17 307	0.28 398	0.17 296	0.16 357	0.15 278	0.40 522	0.10 389	0.05 182	0.07 191	0.06 182	0.07 254	0.08 339

test_xeample	0.15 350	0.06 54	0.13 226	0.14 30	0.08 125	0.21 423	0.20 417	0.28 385	0.20 265	0.16 291	0.29 410	0.19 324	0.16 357	0.15 278	0.26 475	0.09 352	0.05 182	0.07 191	0.07 269	0.07 254	0.07 275

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

cf-r	0.13 272	0.07 136	0.12 181	0.16 141	0.08 125	0.14 274	0.19 396	0.20 226	0.25 341	0.17 307	0.25 360	0.21 345	0.16 357	0.14 256	0.14 310	0.10 389	0.05 182	0.06 99	0.08 333	0.06 189	0.06 195

GwcNet-RSSM	0.14 306	0.07 136	0.12 181	0.15 70	0.08 125	0.15 300	0.20 417	0.21 248	0.27 364	0.18 337	0.27 385	0.22 363	0.16 357	0.14 256	0.15 338	0.10 389	0.05 182	0.07 191	0.09 377	0.07 254	0.07 275

HSM	0.15 350	0.08 233	0.14 261	0.16 141	0.09 235	0.16 330	0.14 149	0.28 385	0.25 341	0.19 352	0.23 319	0.37 480	0.16 357	0.20 405	0.15 338	0.07 235	0.05 182	0.07 191	0.06 182	0.07 254	0.06 195

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

ISRNet	0.18 406	0.08 233	0.19 406	0.19 352	0.13 435	0.15 300	0.12 63	0.30 409	0.32 409	0.21 388	0.25 360	0.27 416	0.17 380	0.17 344	0.20 405	0.20 511	0.08 398	0.14 472	0.14 474	0.14 471	0.17 503

rvit_105_1	0.19 418	0.11 390	0.25 449	0.21 429	0.16 479	0.21 423	0.27 492	0.31 419	0.41 464	0.19 352	0.20 280	0.22 363	0.17 380	0.19 380	0.17 369	0.12 442	0.12 468	0.13 460	0.15 489	0.08 316	0.07 275

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

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

CRFU-Net	0.16 373	0.08 233	0.14 261	0.17 215	0.09 235	0.19 392	0.14 149	0.26 345	0.20 265	0.28 461	0.27 385	0.29 432	0.17 380	0.19 380	0.17 369	0.09 352	0.09 424	0.07 191	0.07 269	0.08 316	0.08 339

AACVNet	0.16 373	0.08 233	0.14 261	0.15 70	0.10 336	0.18 369	0.15 215	0.23 289	0.24 320	0.27 447	0.27 385	0.28 425	0.17 380	0.19 380	0.16 354	0.09 352	0.07 372	0.09 352	0.07 269	0.10 408	0.09 383

LMCR-Stereo	0.15 350	0.08 233	0.13 226	0.21 429	0.09 235	0.17 351	0.20 417	0.27 366	0.19 242	0.24 424	0.24 331	0.23 380	0.17 380	0.20 405	0.17 369	0.07 235	0.06 302	0.08 273	0.06 182	0.10 408	0.08 339

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

FADNet_RVC	0.16 373	0.14 448	0.40 499	0.20 400	0.11 383	0.13 242	0.13 101	0.26 345	0.22 294	0.21 388	0.23 319	0.20 336	0.17 380	0.14 256	0.16 354	0.08 295	0.08 398	0.12 445	0.09 377	0.11 428	0.10 407

CFNet	0.15 350	0.10 365	0.17 372	0.17 215	0.08 125	0.18 369	0.09 18	0.28 385	0.25 341	0.19 352	0.24 331	0.24 386	0.17 380	0.17 344	0.14 310	0.08 295	0.06 302	0.09 352	0.10 412	0.07 254	0.06 195

NLCA_NET_v2_RVC	0.17 393	0.10 365	0.22 432	0.20 400	0.10 336	0.15 300	0.18 358	0.31 419	0.25 341	0.21 388	0.30 416	0.25 399	0.17 380	0.21 421	0.20 405	0.09 352	0.06 302	0.08 273	0.08 333	0.07 254	0.08 339
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 393	0.12 407	0.15 310	0.20 400	0.09 235	0.18 369	0.18 358	0.26 345	0.23 304	0.26 441	0.40 475	0.22 363	0.17 380	0.21 421	0.20 405	0.08 295	0.05 182	0.09 352	0.10 412	0.07 254	0.07 275
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 430	0.12 407	0.19 406	0.20 400	0.14 453	0.26 467	0.23 452	0.32 430	0.34 427	0.27 447	0.34 444	0.30 440	0.18 393	0.18 365	0.22 434	0.10 389	0.13 481	0.10 397	0.10 412	0.08 316	0.09 383

YMNet_1	0.20 430	0.12 407	0.19 406	0.20 400	0.14 453	0.26 467	0.23 452	0.32 430	0.34 427	0.27 447	0.34 444	0.30 440	0.18 393	0.18 365	0.22 434	0.10 389	0.13 481	0.10 397	0.10 412	0.08 316	0.09 383

ssnet_v2	0.17 393	0.10 365	0.17 372	0.17 215	0.11 383	0.21 423	0.21 434	0.33 449	0.25 341	0.22 403	0.22 310	0.27 416	0.18 393	0.22 432	0.20 405	0.11 417	0.09 424	0.09 352	0.09 377	0.08 316	0.08 339

Wz-Net-LNSev	0.22 450	0.16 462	0.38 496	0.21 429	0.13 435	0.25 459	0.23 452	0.32 430	0.43 476	0.30 471	0.41 485	0.31 452	0.18 393	0.22 432	0.25 466	0.10 389	0.09 424	0.08 273	0.08 333	0.12 442	0.11 430

hknet	0.15 350	0.11 390	0.13 226	0.22 444	0.11 383	0.14 274	0.15 215	0.34 458	0.25 341	0.17 307	0.22 310	0.22 363	0.18 393	0.17 344	0.12 232	0.07 235	0.06 302	0.10 397	0.09 377	0.07 254	0.07 275

ADLNet2	0.16 373	0.09 307	0.13 226	0.16 141	0.09 235	0.20 407	0.16 280	0.31 419	0.39 455	0.16 291	0.20 280	0.20 336	0.18 393	0.21 421	0.22 434	0.08 295	0.06 302	0.07 191	0.07 269	0.09 377	0.07 275

ICVP	0.15 350	0.09 307	0.12 181	0.22 444	0.09 235	0.17 351	0.21 434	0.25 327	0.23 304	0.18 337	0.30 416	0.26 408	0.18 393	0.17 344	0.14 310	0.09 352	0.07 372	0.08 273	0.07 269	0.07 254	0.07 275
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 373	0.08 233	0.15 310	0.18 296	0.10 336	0.22 431	0.18 358	0.24 311	0.21 280	0.18 337	0.24 331	0.29 432	0.18 393	0.19 380	0.22 434	0.09 352	0.07 372	0.08 273	0.09 377	0.07 254	0.06 195

HGLStereo	0.17 393	0.08 233	0.19 406	0.17 215	0.12 414	0.18 369	0.18 358	0.31 419	0.32 409	0.21 388	0.32 428	0.25 399	0.18 393	0.19 380	0.20 405	0.09 352	0.09 424	0.07 191	0.07 269	0.09 377	0.10 407

DMCA	0.14 306	0.09 307	0.16 344	0.19 352	0.09 235	0.15 300	0.17 313	0.23 289	0.27 364	0.14 236	0.19 268	0.17 296	0.18 393	0.15 278	0.17 369	0.10 389	0.06 302	0.08 273	0.06 182	0.09 377	0.10 407

STTStereo	0.18 406	0.12 407	0.27 459	0.20 400	0.11 383	0.16 330	0.21 434	0.29 395	0.23 304	0.21 388	0.30 416	0.29 432	0.18 393	0.20 405	0.19 399	0.12 442	0.11 454	0.11 428	0.14 474	0.09 377	0.08 339

RASNet	0.14 306	0.07 136	0.14 261	0.16 141	0.08 125	0.18 369	0.14 149	0.29 395	0.20 265	0.17 307	0.25 360	0.21 345	0.18 393	0.20 405	0.19 399	0.07 235	0.06 302	0.06 99	0.08 333	0.06 189	0.06 195

TDLM	0.17 393	0.12 407	0.13 226	0.24 473	0.10 336	0.18 369	0.18 358	0.36 476	0.30 395	0.21 388	0.28 398	0.28 425	0.18 393	0.23 443	0.18 387	0.11 417	0.07 372	0.10 397	0.10 412	0.08 316	0.08 339

CVANet_RVC	0.18 406	0.10 365	0.14 261	0.21 429	0.10 336	0.18 369	0.17 313	0.34 458	0.33 416	0.22 403	0.31 424	0.28 425	0.18 393	0.23 443	0.17 369	0.12 442	0.08 398	0.12 445	0.11 442	0.09 377	0.07 275

DeepPruner_ROB	0.16 373	0.11 390	0.15 310	0.17 215	0.10 336	0.17 351	0.15 215	0.32 430	0.21 280	0.19 352	0.21 301	0.22 363	0.18 393	0.20 405	0.15 338	0.13 465	0.09 424	0.09 352	0.09 377	0.11 428	0.10 407

pmcnn	0.15 350	0.07 136	0.19 406	0.15 70	0.07 70	0.20 407	0.15 215	0.24 311	0.26 355	0.21 388	0.34 444	0.28 425	0.18 393	0.18 365	0.17 369	0.07 235	0.05 182	0.05 23	0.04 34	0.07 254	0.06 195

TCMNet	0.19 418	0.12 407	0.19 406	0.20 400	0.18 500	0.20 407	0.24 464	0.27 366	0.36 440	0.23 415	0.26 377	0.25 399	0.19 409	0.19 380	0.23 446	0.13 465	0.11 454	0.11 428	0.12 461	0.13 458	0.12 442

DualNet (step1)	0.16 373	0.12 407	0.20 418	0.12 4	0.14 453	0.17 351	0.13 101	0.27 366	0.23 304	0.20 374	0.20 280	0.24 386	0.19 409	0.16 312	0.16 354	0.15 482	0.06 302	0.14 472	0.14 474	0.14 471	0.12 442

test_sample9	0.18 406	0.12 407	0.20 418	0.12 4	0.14 453	0.17 351	0.13 101	0.27 366	0.23 304	0.20 374	0.20 280	0.24 386	0.19 409	0.19 380	0.17 369	0.15 482	0.30 529	0.14 472	0.14 474	0.14 471	0.12 442

test_sample7	0.15 350	0.10 365	0.16 344	0.14 30	0.11 383	0.16 330	0.16 280	0.27 366	0.23 304	0.20 374	0.20 280	0.24 386	0.19 409	0.16 312	0.16 354	0.12 442	0.06 302	0.10 397	0.09 377	0.10 408	0.10 407

Wz-Net-MNSev	0.22 450	0.13 436	0.31 477	0.20 400	0.14 453	0.36 508	0.24 464	0.33 449	0.44 481	0.28 461	0.40 475	0.38 484	0.19 409	0.24 452	0.25 466	0.09 352	0.07 372	0.09 352	0.09 377	0.12 442	0.10 407

pcwnet_v2	0.19 418	0.10 365	0.26 452	0.17 215	0.14 453	0.18 369	0.15 215	0.37 481	0.46 488	0.19 352	0.24 331	0.21 345	0.19 409	0.20 405	0.19 399	0.13 465	0.10 443	0.10 397	0.10 412	0.11 428	0.13 460

delet	0.17 393	0.08 233	0.17 372	0.19 352	0.11 383	0.20 407	0.21 434	0.30 409	0.37 447	0.17 307	0.26 377	0.19 324	0.19 409	0.19 380	0.21 425	0.08 295	0.08 398	0.09 352	0.11 442	0.06 189	0.06 195

UNet	0.17 393	0.09 307	0.18 395	0.19 352	0.12 414	0.27 476	0.19 396	0.33 449	0.29 385	0.21 388	0.24 331	0.23 380	0.19 409	0.19 380	0.18 387	0.07 235	0.06 302	0.08 273	0.07 269	0.08 316	0.06 195

UPFNet	0.16 373	0.08 233	0.12 181	0.20 400	0.12 414	0.20 407	0.23 452	0.28 385	0.26 355	0.17 307	0.24 331	0.22 363	0.19 409	0.19 380	0.21 425	0.09 352	0.07 372	0.08 273	0.09 377	0.08 316	0.06 195

NVstereo2D	0.19 418	0.10 365	0.15 310	0.17 215	0.15 469	0.28 482	0.23 452	0.44 513	0.42 471	0.15 263	0.27 385	0.25 399	0.19 409	0.22 432	0.17 369	0.09 352	0.06 302	0.10 397	0.08 333	0.15 486	0.09 383

StereoDRNet	0.18 406	0.11 390	0.17 372	0.22 444	0.11 383	0.21 423	0.22 443	0.37 481	0.33 416	0.24 424	0.28 398	0.30 440	0.19 409	0.20 405	0.20 405	0.09 352	0.08 398	0.11 428	0.09 377	0.09 377	0.07 275

SGM-Forest	0.20 430	0.14 448	0.18 395	0.19 352	0.13 435	0.20 407	0.22 443	0.33 449	0.30 395	0.24 424	0.29 410	0.28 425	0.19 409	0.23 443	0.17 369	0.15 482	0.16 499	0.15 484	0.14 474	0.12 442	0.12 442
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 406	0.11 390	0.19 406	0.19 352	0.12 414	0.24 449	0.21 434	0.25 327	0.34 427	0.22 403	0.34 444	0.27 416	0.20 421	0.21 421	0.23 446	0.09 352	0.09 424	0.08 273	0.10 412	0.08 316	0.07 275

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

MMNet	0.17 393	0.09 307	0.16 344	0.20 400	0.11 383	0.27 476	0.20 417	0.25 327	0.41 464	0.22 403	0.30 416	0.21 345	0.20 421	0.17 344	0.20 405	0.06 113	0.06 302	0.07 191	0.07 269	0.08 316	0.07 275

GwcNet	0.20 430	0.13 436	0.19 406	0.18 296	0.12 414	0.24 449	0.19 396	0.35 470	0.43 476	0.20 374	0.32 428	0.33 463	0.20 421	0.22 432	0.24 457	0.11 417	0.09 424	0.09 352	0.09 377	0.09 377	0.10 407

DGSMNet	0.24 472	0.19 486	0.33 483	0.21 429	0.24 515	0.24 449	0.20 417	0.35 470	0.41 464	0.24 424	0.32 428	0.38 484	0.21 425	0.29 479	0.23 446	0.12 442	0.11 454	0.14 472	0.16 493	0.23 512	0.23 517

FADNet-RVC	0.20 430	0.20 490	0.38 496	0.21 429	0.16 479	0.20 407	0.15 215	0.26 345	0.26 355	0.26 441	0.32 428	0.26 408	0.21 425	0.22 432	0.19 399	0.12 442	0.13 481	0.12 445	0.14 474	0.13 458	0.18 506

FADNet	0.21 441	0.22 500	0.36 492	0.18 296	0.17 494	0.24 449	0.13 101	0.31 419	0.31 402	0.23 415	0.25 360	0.27 416	0.21 425	0.19 380	0.15 338	0.13 465	0.15 496	0.12 445	0.15 489	0.16 493	0.18 506

MaskLacGwcNet_RVC	0.22 450	0.21 496	0.24 444	0.26 488	0.11 383	0.23 444	0.14 149	0.39 492	0.24 320	0.32 483	0.36 451	0.30 440	0.21 425	0.19 380	0.21 425	0.17 503	0.14 490	0.21 506	0.16 493	0.12 442	0.12 442

SuperB	0.20 430	0.10 365	0.56 518	0.16 141	0.09 235	0.18 369	0.18 358	0.24 311	0.50 498	0.26 441	0.39 470	0.17 296	0.21 425	0.22 432	0.21 425	0.08 295	0.06 302	0.06 99	0.06 182	0.12 442	0.10 407

RTSC	0.23 465	0.12 407	0.28 464	0.21 429	0.13 435	0.28 482	0.16 280	0.35 470	0.66 526	0.27 447	0.33 440	0.30 440	0.21 425	0.31 483	0.29 492	0.10 389	0.08 398	0.09 352	0.10 412	0.13 458	0.13 460

AANet_RVC	0.16 373	0.10 365	0.10 105	0.18 296	0.09 235	0.18 369	0.19 396	0.26 345	0.31 402	0.22 403	0.35 448	0.21 345	0.21 425	0.22 432	0.16 354	0.06 113	0.05 182	0.06 99	0.06 182	0.07 254	0.06 195

DRN-Test	0.19 418	0.11 390	0.20 418	0.22 444	0.10 336	0.22 431	0.22 443	0.39 492	0.37 447	0.24 424	0.32 428	0.26 408	0.21 425	0.22 432	0.24 457	0.11 417	0.07 372	0.11 428	0.10 412	0.09 377	0.07 275

MDST_ROB	0.22 450	0.10 365	0.17 372	0.18 296	0.11 383	0.37 509	0.19 396	0.43 511	0.41 464	0.39 499	0.39 470	0.29 432	0.21 425	0.26 459	0.18 387	0.11 417	0.10 443	0.14 472	0.11 442	0.10 408	0.08 339

SQANet	0.23 465	0.23 501	0.30 475	0.30 512	0.19 503	0.27 476	0.13 101	0.29 395	0.33 416	0.24 424	0.37 457	0.31 452	0.22 434	0.27 462	0.23 446	0.15 482	0.10 443	0.21 506	0.16 493	0.21 508	0.15 484

SACVNet	0.18 406	0.12 407	0.14 261	0.17 215	0.13 435	0.22 431	0.18 358	0.31 419	0.30 395	0.23 415	0.31 424	0.30 440	0.22 434	0.22 432	0.17 369	0.11 417	0.08 398	0.10 397	0.10 412	0.12 442	0.14 477

FINET	0.21 441	0.18 483	0.26 452	0.18 296	0.16 479	0.23 444	0.23 452	0.32 430	0.48 490	0.25 437	0.32 428	0.22 363	0.22 434	0.22 432	0.17 369	0.18 504	0.16 499	0.11 428	0.10 412	0.15 486	0.13 460

hitnet-ft	0.18 406	0.09 307	0.17 372	0.14 30	0.09 235	0.26 467	0.20 417	0.25 327	0.26 355	0.24 424	0.32 428	0.31 452	0.22 434	0.24 452	0.21 425	0.12 442	0.07 372	0.10 397	0.08 333	0.12 442	0.11 430

ADCP+	0.20 430	0.10 365	0.33 483	0.20 400	0.12 414	0.22 431	0.26 485	0.31 419	0.34 427	0.26 441	0.37 457	0.22 363	0.22 434	0.27 462	0.27 482	0.09 352	0.06 302	0.08 273	0.08 333	0.09 377	0.10 407

PSMNet_ROB	0.21 441	0.11 390	0.15 310	0.27 500	0.15 469	0.24 449	0.35 524	0.43 511	0.37 447	0.27 447	0.32 428	0.32 460	0.22 434	0.21 421	0.26 475	0.12 442	0.08 398	0.13 460	0.11 442	0.09 377	0.09 383

ADCRef	0.19 418	0.12 407	0.41 501	0.20 400	0.12 414	0.22 431	0.18 358	0.32 430	0.36 440	0.26 441	0.32 428	0.17 296	0.23 440	0.24 452	0.24 457	0.07 235	0.06 302	0.09 352	0.09 377	0.08 316	0.08 339

RYNet	0.22 450	0.12 407	0.22 432	0.19 352	0.17 494	0.46 516	0.26 485	0.38 488	0.48 490	0.24 424	0.28 398	0.34 469	0.23 440	0.20 405	0.30 497	0.10 389	0.06 302	0.09 352	0.09 377	0.13 458	0.15 484

NaN_ROB	0.22 450	0.19 486	0.24 444	0.25 483	0.13 435	0.29 485	0.26 485	0.33 449	0.41 464	0.31 477	0.31 424	0.32 460	0.23 440	0.30 482	0.21 425	0.11 417	0.17 504	0.10 397	0.10 412	0.08 316	0.09 383

NOSS_ROB	0.19 418	0.12 407	0.18 395	0.16 141	0.12 414	0.15 300	0.12 63	0.30 409	0.32 409	0.20 374	0.22 310	0.27 416	0.23 440	0.21 421	0.16 354	0.16 498	0.18 506	0.23 511	0.21 508	0.12 442	0.13 460

DispFullNet	0.27 489	0.21 496	0.65 525	0.28 503	0.16 479	0.26 467	0.17 313	0.33 449	0.58 515	0.27 447	0.38 462	0.43 502	0.23 440	0.38 511	0.23 446	0.12 442	0.06 302	0.19 503	0.11 442	0.21 508	0.15 484

CBMV	0.19 418	0.14 448	0.17 372	0.18 296	0.10 336	0.20 407	0.11 46	0.29 395	0.30 395	0.29 468	0.30 416	0.30 440	0.23 440	0.27 462	0.19 399	0.13 465	0.15 496	0.17 492	0.16 493	0.10 408	0.10 407
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 393	0.11 390	0.18 395	0.17 215	0.11 383	0.16 330	0.25 478	0.24 311	0.33 416	0.19 352	0.24 331	0.26 408	0.24 446	0.19 380	0.20 405	0.07 235	0.08 398	0.09 352	0.10 412	0.09 377	0.08 339

WZ-Net	0.28 493	0.17 473	0.78 539	0.22 444	0.16 479	0.34 499	0.29 507	0.39 492	0.57 512	0.24 424	0.55 511	0.37 480	0.24 446	0.33 491	0.35 511	0.09 352	0.08 398	0.09 352	0.10 412	0.14 471	0.16 495

psm_up	0.18 406	0.10 365	0.18 395	0.20 400	0.11 383	0.17 351	0.19 396	0.37 481	0.34 427	0.21 388	0.28 398	0.29 432	0.24 446	0.20 405	0.22 434	0.09 352	0.10 443	0.11 428	0.11 442	0.08 316	0.08 339

RP	0.21 441	0.13 436	0.21 426	0.23 464	0.11 383	0.21 423	0.20 417	0.25 327	0.44 481	0.21 388	0.38 462	0.36 475	0.24 446	0.27 462	0.25 466	0.11 417	0.12 468	0.13 460	0.12 461	0.12 442	0.14 477

PS-NSSS	0.20 430	0.21 496	0.23 441	0.20 400	0.10 336	0.19 392	0.17 313	0.36 476	0.25 341	0.27 447	0.33 440	0.27 416	0.24 446	0.20 405	0.20 405	0.15 482	0.12 468	0.17 492	0.14 474	0.10 408	0.08 339

CBMV_ROB	0.19 418	0.13 436	0.17 372	0.16 141	0.11 383	0.15 300	0.13 101	0.26 345	0.28 378	0.27 447	0.30 416	0.27 416	0.24 446	0.23 443	0.16 354	0.15 482	0.17 504	0.22 510	0.20 506	0.10 408	0.11 430

DLCB_ROB	0.18 406	0.10 365	0.15 310	0.23 464	0.11 383	0.24 449	0.18 358	0.29 395	0.28 378	0.27 447	0.28 398	0.28 425	0.24 446	0.19 380	0.20 405	0.08 295	0.08 398	0.09 352	0.09 377	0.07 254	0.07 275

PWC_ROB	0.21 441	0.16 462	0.26 452	0.18 296	0.11 383	0.22 431	0.13 101	0.32 430	0.49 495	0.30 471	0.40 475	0.32 460	0.24 446	0.31 483	0.22 434	0.10 389	0.07 372	0.11 428	0.08 333	0.11 428	0.10 407

PSMNet-RUCA	0.27 489	0.33 522	0.41 501	0.36 521	0.32 528	0.18 369	0.19 396	0.42 507	0.30 395	0.33 487	0.41 485	0.39 492	0.25 454	0.31 483	0.20 405	0.18 504	0.10 443	0.25 513	0.15 489	0.21 508	0.16 495

test_sample8	0.19 418	0.12 407	0.20 418	0.12 4	0.14 453	0.17 351	0.13 101	0.31 419	0.21 280	0.27 447	0.22 310	0.36 475	0.25 454	0.19 380	0.17 369	0.15 482	0.30 529	0.14 472	0.14 474	0.14 471	0.12 442

HBP-ISP	0.18 406	0.13 436	0.16 344	0.15 70	0.11 383	0.08 48	0.13 101	0.28 385	0.29 385	0.22 403	0.33 440	0.21 345	0.25 454	0.23 443	0.17 369	0.14 478	0.16 499	0.21 506	0.17 500	0.10 408	0.08 339

DDUNet	0.22 450	0.17 473	0.21 426	0.22 444	0.15 469	0.25 459	0.24 464	0.29 395	0.30 395	0.31 477	0.36 451	0.33 463	0.25 454	0.24 452	0.20 405	0.18 504	0.13 481	0.17 492	0.11 442	0.16 493	0.16 495

Syn2CoEx	0.21 441	0.16 462	0.27 459	0.29 510	0.14 453	0.26 467	0.20 417	0.33 449	0.31 402	0.28 461	0.36 451	0.27 416	0.25 454	0.19 380	0.24 457	0.16 498	0.12 468	0.14 472	0.11 442	0.09 377	0.08 339

Wz-Net-SNSev	0.25 481	0.17 473	0.44 504	0.25 483	0.14 453	0.26 467	0.23 452	0.38 488	0.56 510	0.30 471	0.55 511	0.39 492	0.26 459	0.23 443	0.30 497	0.10 389	0.09 424	0.09 352	0.10 412	0.11 428	0.11 430

AF-Net	0.22 450	0.17 473	0.17 372	0.26 488	0.13 435	0.25 459	0.24 464	0.32 430	0.50 498	0.25 437	0.33 440	0.38 484	0.26 459	0.28 473	0.25 466	0.11 417	0.10 443	0.16 490	0.11 442	0.11 428	0.10 407

PA-Net	0.23 465	0.18 483	0.33 483	0.28 503	0.22 511	0.21 423	0.38 529	0.29 395	0.39 455	0.22 403	0.32 428	0.25 399	0.26 459	0.20 405	0.25 466	0.09 352	0.23 523	0.15 484	0.22 511	0.09 377	0.13 460
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 418	0.09 307	0.22 432	0.17 215	0.10 336	0.25 459	0.18 358	0.27 366	0.44 481	0.22 403	0.31 424	0.33 463	0.26 459	0.28 473	0.28 489	0.08 295	0.06 302	0.07 191	0.07 269	0.09 377	0.09 383

SANet	0.24 472	0.14 448	0.28 464	0.21 429	0.11 383	0.27 476	0.24 464	0.38 488	0.64 523	0.36 492	0.40 475	0.43 502	0.26 459	0.27 462	0.24 457	0.12 442	0.09 424	0.10 397	0.09 377	0.13 458	0.11 430

XPNet_ROB	0.22 450	0.11 390	0.19 406	0.22 444	0.13 435	0.22 431	0.19 396	0.34 458	0.40 461	0.30 471	0.39 470	0.39 492	0.26 459	0.26 459	0.28 489	0.15 482	0.10 443	0.10 397	0.10 412	0.13 458	0.12 442

ETE_ROB	0.23 465	0.17 473	0.22 432	0.25 483	0.13 435	0.26 467	0.29 507	0.31 419	0.36 440	0.28 461	0.36 451	0.45 506	0.26 459	0.27 462	0.26 475	0.11 417	0.08 398	0.12 445	0.09 377	0.14 471	0.13 460

LALA_ROB	0.25 481	0.16 462	0.22 432	0.26 488	0.17 494	0.27 476	0.27 492	0.42 507	0.37 447	0.33 487	0.38 462	0.51 516	0.26 459	0.28 473	0.27 482	0.16 498	0.09 424	0.12 445	0.11 442	0.13 458	0.12 442

ACVNet-4b	0.39 514	0.53 533	0.55 516	0.45 529	0.24 515	0.47 518	0.18 358	0.49 522	0.64 523	0.42 509	0.45 497	0.60 524	0.27 467	0.34 494	0.24 457	0.33 530	0.14 490	0.48 533	0.42 533	0.30 526	0.26 525

Anonymous_2	0.22 450	0.17 473	0.28 464	0.15 70	0.16 479	0.32 490	0.22 443	0.22 270	0.17 201	0.23 415	0.24 331	0.26 408	0.27 467	0.27 462	0.23 446	0.22 519	0.25 525	0.17 492	0.17 500	0.17 500	0.17 503

UDG	0.21 441	0.17 473	0.19 406	0.23 464	0.15 469	0.30 488	0.20 417	0.33 449	0.35 436	0.23 415	0.28 398	0.31 452	0.27 467	0.20 405	0.22 434	0.15 482	0.12 468	0.13 460	0.09 377	0.14 471	0.14 477

aanetorigin	0.22 450	0.17 473	0.56 518	0.17 215	0.10 336	0.15 300	0.19 396	0.20 226	0.33 416	0.49 518	0.48 501	0.29 432	0.27 467	0.20 405	0.23 446	0.08 295	0.07 372	0.08 273	0.07 269	0.10 408	0.09 383

DMCA-RVC	0.17 393	0.10 365	0.15 310	0.24 473	0.11 383	0.18 369	0.18 358	0.25 327	0.24 320	0.21 388	0.26 377	0.25 399	0.27 467	0.18 365	0.20 405	0.12 442	0.08 398	0.13 460	0.10 412	0.10 408	0.08 339

RGC	0.25 481	0.20 490	0.29 472	0.28 503	0.16 479	0.22 431	0.23 452	0.32 430	0.44 481	0.27 447	0.40 475	0.38 484	0.27 467	0.36 505	0.22 434	0.11 417	0.13 481	0.17 492	0.17 500	0.14 471	0.16 495

stereogan	0.22 450	0.11 390	0.21 426	0.20 400	0.12 414	0.31 489	0.19 396	0.35 470	0.44 481	0.22 403	0.39 470	0.35 473	0.27 467	0.33 491	0.22 434	0.10 389	0.12 468	0.10 397	0.10 412	0.14 471	0.13 460

FBW_ROB	0.24 472	0.17 473	0.22 432	0.26 488	0.14 453	0.25 459	0.22 443	0.41 502	0.41 464	0.41 506	0.41 485	0.42 499	0.27 467	0.31 483	0.23 446	0.09 352	0.14 490	0.14 472	0.12 461	0.11 428	0.09 383

NCC-stereo	0.24 472	0.15 454	0.31 477	0.26 488	0.16 479	0.20 407	0.30 514	0.40 496	0.40 461	0.24 424	0.38 462	0.33 463	0.28 475	0.36 505	0.27 482	0.12 442	0.11 454	0.15 484	0.22 511	0.13 458	0.13 460

Nwc_Net	0.23 465	0.16 462	0.21 426	0.25 483	0.14 453	0.24 449	0.26 485	0.37 481	0.38 452	0.22 403	0.41 485	0.30 440	0.28 475	0.28 473	0.25 466	0.11 417	0.10 443	0.17 492	0.20 506	0.10 408	0.10 407

Abc-Net	0.24 472	0.15 454	0.31 477	0.26 488	0.16 479	0.20 407	0.30 514	0.40 496	0.40 461	0.24 424	0.38 462	0.33 463	0.28 475	0.36 505	0.27 482	0.12 442	0.11 454	0.15 484	0.22 511	0.13 458	0.13 460
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 487	0.15 454	0.30 475	0.24 473	0.18 500	0.22 431	0.15 215	0.38 488	0.71 530	0.32 483	0.41 485	0.36 475	0.28 475	0.32 489	0.29 492	0.12 442	0.11 454	0.14 472	0.13 471	0.16 493	0.20 512

DeepPrunerF	0.24 472	0.17 473	0.42 503	0.26 488	0.16 479	0.22 431	0.28 498	0.37 481	0.50 498	0.26 441	0.29 410	0.24 386	0.28 475	0.21 421	0.22 434	0.15 482	0.11 454	0.20 505	0.18 504	0.12 442	0.13 460

ADCPNet	0.25 481	0.16 462	0.61 522	0.21 429	0.15 469	0.35 507	0.25 478	0.32 430	0.35 436	0.30 471	0.40 475	0.36 475	0.28 475	0.28 473	0.32 505	0.12 442	0.10 443	0.11 428	0.12 461	0.14 471	0.13 460

GANet	0.21 441	0.12 407	0.21 426	0.24 473	0.13 435	0.22 431	0.22 443	0.41 502	0.26 355	0.31 477	0.42 491	0.37 480	0.28 475	0.23 443	0.22 434	0.10 389	0.12 468	0.10 397	0.09 377	0.10 408	0.08 339

NCCL2	0.23 465	0.15 454	0.17 372	0.34 517	0.18 500	0.24 449	0.23 452	0.34 458	0.28 378	0.31 477	0.38 462	0.38 484	0.28 475	0.23 443	0.24 457	0.15 482	0.12 468	0.18 501	0.21 508	0.13 458	0.13 460

APVNet	0.22 450	0.12 407	0.19 406	0.18 296	0.14 453	0.32 490	0.31 520	0.39 492	0.32 409	0.27 447	0.40 475	0.30 440	0.29 483	0.26 459	0.25 466	0.11 417	0.12 468	0.11 428	0.14 474	0.12 442	0.12 442

G-Net	0.24 472	0.16 462	0.36 492	0.22 444	0.16 479	0.51 522	0.23 452	0.29 395	0.34 427	0.36 492	0.38 462	0.31 452	0.29 483	0.27 462	0.26 475	0.11 417	0.09 424	0.12 445	0.09 377	0.16 493	0.13 460

DPSNet	0.28 493	0.16 462	0.31 477	0.18 296	0.13 435	0.54 524	0.42 533	0.51 525	0.67 527	0.29 468	0.38 462	0.38 484	0.29 483	0.31 483	0.23 446	0.11 417	0.10 443	0.11 428	0.08 333	0.20 507	0.16 495

PDISCO_ROB	0.27 489	0.16 462	0.26 452	0.28 503	0.20 506	0.32 490	0.26 485	0.44 513	0.57 512	0.28 461	0.40 475	0.45 506	0.29 483	0.33 491	0.34 510	0.12 442	0.09 424	0.17 492	0.16 493	0.17 500	0.13 460

ccnet	0.29 497	0.28 515	0.23 441	0.20 400	0.28 522	0.41 515	0.21 434	0.45 516	0.33 416	0.36 492	0.46 498	0.36 475	0.30 487	0.39 514	0.42 526	0.23 523	0.14 490	0.21 506	0.17 500	0.23 512	0.18 506

S-Stereo	0.20 430	0.12 407	0.25 449	0.21 429	0.13 435	0.20 407	0.18 358	0.32 430	0.43 476	0.23 415	0.36 451	0.28 425	0.30 487	0.19 380	0.22 434	0.09 352	0.12 468	0.10 397	0.10 412	0.13 458	0.13 460

XQC	0.28 493	0.23 501	0.51 511	0.28 503	0.19 503	0.34 499	0.27 492	0.36 476	0.57 512	0.31 477	0.30 416	0.37 480	0.30 487	0.38 511	0.38 518	0.13 465	0.09 424	0.15 484	0.12 461	0.17 500	0.18 506

ADCL	0.24 472	0.11 390	0.47 509	0.22 444	0.12 414	0.34 499	0.29 507	0.29 395	0.56 510	0.24 424	0.46 498	0.30 440	0.30 487	0.29 479	0.29 492	0.08 295	0.07 372	0.09 352	0.09 377	0.10 408	0.10 407

MFN_U_SF_DS_RVC	0.30 502	0.24 504	0.29 472	0.36 521	0.16 479	0.34 499	0.30 514	0.32 430	0.42 471	0.40 502	0.46 498	0.38 484	0.31 491	0.34 494	0.28 489	0.19 509	0.20 512	0.26 514	0.29 524	0.18 503	0.19 511

CC-Net-ROB	0.28 493	0.31 520	0.36 492	0.29 510	0.15 469	0.25 459	0.19 396	0.45 516	0.33 416	0.39 499	0.37 457	0.39 492	0.31 491	0.27 462	0.26 475	0.24 525	0.19 509	0.30 526	0.23 515	0.18 503	0.15 484

DANet	0.21 441	0.15 454	0.28 464	0.25 483	0.13 435	0.22 431	0.19 396	0.27 366	0.27 364	0.28 461	0.32 428	0.35 473	0.31 491	0.31 483	0.23 446	0.11 417	0.09 424	0.11 428	0.10 412	0.13 458	0.11 430
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 430	0.12 407	0.22 432	0.21 429	0.12 414	0.17 351	0.18 358	0.34 458	0.39 455	0.27 447	0.37 457	0.34 469	0.32 494	0.21 421	0.20 405	0.09 352	0.11 454	0.10 397	0.09 377	0.11 428	0.14 477

otaku	0.39 514	0.37 526	0.52 512	0.44 528	0.28 522	0.58 526	0.24 464	0.41 502	0.62 521	0.40 502	0.49 502	0.46 510	0.33 495	0.40 518	0.32 505	0.30 528	0.30 529	0.39 530	0.33 529	0.29 525	0.28 526

AnyNet_C32	0.26 487	0.16 462	0.36 492	0.20 400	0.16 479	0.25 459	0.30 514	0.32 430	0.44 481	0.31 477	0.49 502	0.30 440	0.33 495	0.40 518	0.33 508	0.12 442	0.12 468	0.12 445	0.14 474	0.14 471	0.15 484

GANetREF_RVC	0.31 503	0.34 523	0.27 459	0.35 519	0.16 479	0.32 490	0.41 530	0.48 520	0.51 505	0.35 490	0.35 448	0.34 469	0.33 495	0.39 514	0.32 505	0.27 527	0.20 512	0.29 524	0.15 489	0.18 503	0.17 503
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	0.29 497	0.24 504	0.27 459	0.34 517	0.19 503	0.33 496	0.42 533	0.37 481	0.50 498	0.38 497	0.40 475	0.44 504	0.33 495	0.28 473	0.30 497	0.20 511	0.16 499	0.19 503	0.19 505	0.14 471	0.15 484

PASM	0.32 505	0.24 504	0.48 510	0.28 503	0.27 521	0.29 485	0.30 514	0.34 458	0.49 495	0.35 490	0.39 470	0.46 510	0.34 499	0.34 494	0.35 511	0.23 523	0.25 525	0.26 514	0.28 523	0.23 512	0.21 514

WCMA_ROB	0.24 472	0.11 390	0.22 432	0.17 215	0.14 453	0.32 490	0.15 215	0.32 430	0.32 409	0.38 497	0.53 508	0.40 496	0.34 499	0.34 494	0.25 466	0.11 417	0.12 468	0.12 445	0.10 412	0.14 471	0.14 477

edge stereo	0.22 450	0.13 436	0.20 418	0.21 429	0.13 435	0.23 444	0.16 280	0.32 430	0.42 471	0.32 483	0.40 475	0.38 484	0.35 501	0.25 457	0.24 457	0.13 465	0.11 454	0.14 472	0.11 442	0.12 442	0.13 460

SGM_RVC	0.23 465	0.12 407	0.15 310	0.15 70	0.09 235	0.33 496	0.18 358	0.34 458	0.31 402	0.44 513	0.37 457	0.53 520	0.35 501	0.35 500	0.24 457	0.13 465	0.13 481	0.13 460	0.13 471	0.10 408	0.11 430
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 497	0.18 483	0.45 505	0.21 429	0.17 494	0.28 482	0.23 452	0.41 502	0.63 522	0.40 502	0.49 502	0.40 496	0.36 503	0.39 514	0.40 522	0.13 465	0.12 468	0.13 460	0.14 474	0.16 493	0.16 495

LSM	0.33 508	0.20 490	0.58 520	0.26 488	0.60 545	0.34 499	0.25 478	0.42 507	0.48 490	0.45 514	0.58 520	0.42 499	0.36 503	0.35 500	0.25 466	0.12 442	0.20 512	0.14 472	0.16 493	0.19 506	0.33 532

psmorigin	0.25 481	0.15 454	0.34 491	0.17 215	0.13 435	0.23 444	0.14 149	0.34 458	0.33 416	0.41 506	0.55 511	0.41 498	0.37 505	0.34 494	0.27 482	0.11 417	0.15 496	0.11 428	0.11 442	0.12 442	0.16 495

Wz-Net-TNSev	0.29 497	0.20 490	0.65 525	0.19 352	0.15 469	0.38 512	0.27 492	0.35 470	0.55 508	0.34 489	0.42 491	0.45 506	0.38 506	0.32 489	0.30 497	0.12 442	0.13 481	0.10 397	0.12 461	0.15 486	0.14 477

AnyNet_C01	0.36 512	0.25 509	1.37 551	0.22 444	0.17 494	0.48 520	0.27 492	0.35 470	0.39 455	0.39 499	0.74 532	0.46 510	0.38 506	0.45 522	0.47 531	0.13 465	0.13 481	0.13 460	0.14 474	0.14 471	0.15 484

EDNetEfficient	0.29 497	0.24 504	1.13 548	0.18 296	0.10 336	0.19 392	0.20 417	0.20 226	0.60 519	0.74 537	0.56 516	0.31 452	0.39 508	0.22 432	0.30 497	0.09 352	0.07 372	0.08 273	0.07 269	0.11 428	0.09 383

MFN_U_SF_RVC	0.32 505	0.21 496	0.55 516	0.30 512	0.15 469	0.34 499	0.17 313	0.52 526	0.46 488	0.46 517	0.55 511	0.59 523	0.39 508	0.35 500	0.37 516	0.15 482	0.14 490	0.18 501	0.21 508	0.16 493	0.15 484

SAMSARA	0.40 517	0.28 515	0.33 483	0.55 535	0.39 529	0.82 546	1.23 560	0.47 519	0.51 505	0.36 492	0.35 448	0.55 522	0.39 508	0.38 511	0.39 520	0.15 482	0.20 512	0.15 484	0.14 474	0.23 512	0.20 512

FC-DCNN v2	0.33 508	0.27 511	0.28 464	0.26 488	0.23 513	0.37 509	0.28 498	0.40 496	0.43 476	0.45 514	0.56 516	0.51 516	0.40 511	0.37 509	0.29 492	0.21 515	0.20 512	0.27 517	0.26 518	0.25 519	0.24 518

ADCMid	0.25 481	0.15 454	0.40 499	0.20 400	0.14 453	0.25 459	0.26 485	0.34 458	0.38 452	0.36 492	0.44 496	0.34 469	0.40 511	0.35 500	0.33 508	0.10 389	0.09 424	0.11 428	0.11 442	0.13 458	0.12 442

FC-DCNN	0.33 508	0.27 511	0.28 464	0.26 488	0.23 513	0.37 509	0.28 498	0.40 496	0.43 476	0.45 514	0.55 511	0.51 516	0.40 511	0.37 509	0.30 497	0.21 515	0.20 512	0.27 517	0.26 518	0.25 519	0.24 518

MSMD_ROB	0.31 503	0.26 510	0.26 452	0.24 473	0.21 509	0.34 499	0.25 478	0.34 458	0.39 455	0.40 502	0.69 526	0.45 506	0.40 511	0.34 494	0.27 482	0.20 511	0.19 509	0.26 514	0.25 517	0.23 512	0.22 516

MeshStereo	0.27 489	0.13 436	0.18 395	0.15 70	0.11 383	0.32 490	0.24 464	0.40 496	0.36 440	0.52 520	0.57 518	0.67 531	0.40 511	0.35 500	0.26 475	0.14 478	0.13 481	0.13 460	0.11 442	0.11 428	0.10 407
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	0.33 508	0.28 515	0.28 464	0.30 512	0.24 515	0.39 513	0.28 498	0.42 507	0.42 471	0.43 512	0.53 508	0.51 516	0.41 516	0.36 505	0.30 497	0.21 515	0.20 512	0.27 517	0.26 518	0.25 519	0.24 518
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 524	0.19 486	3.26 557	0.24 473	0.15 469	0.74 539	0.20 417	0.36 476	0.76 537	0.42 509	0.43 494	0.31 452	0.41 516	0.53 530	0.35 511	0.10 389	0.08 398	0.13 460	0.12 461	0.15 486	0.15 484

RTSA	0.45 524	0.19 486	3.26 557	0.24 473	0.15 469	0.74 539	0.20 417	0.36 476	0.76 537	0.42 509	0.43 494	0.31 452	0.41 516	0.53 530	0.35 511	0.10 389	0.08 398	0.13 460	0.12 461	0.15 486	0.15 484

Ntro	0.40 517	0.40 528	0.53 513	0.46 532	0.30 526	0.65 532	0.24 464	0.46 518	0.68 528	0.41 506	0.49 502	0.48 514	0.42 519	0.39 514	0.31 504	0.32 529	0.28 527	0.37 529	0.30 526	0.32 530	0.29 527

SGM-ForestM	0.32 505	0.12 407	0.16 344	0.16 141	0.11 383	0.39 513	0.19 396	0.41 502	0.50 498	0.52 520	0.54 510	1.32 550	0.42 519	0.40 518	0.27 482	0.14 478	0.16 499	0.16 490	0.16 493	0.12 442	0.12 442

LE_ROB	0.50 528	0.07 136	0.14 261	0.15 70	0.08 125	0.24 449	0.16 280	0.22 270	1.81 560	4.63 563	0.67 524	0.47 513	0.44 521	0.20 405	0.29 492	0.07 235	0.06 302	0.06 99	0.06 182	0.08 316	0.06 195

coex-ft	3.30 559	0.34 523	59.09 580	0.18 296	0.13 435	0.26 467	0.22 443	0.27 366	0.72 531	1.90 561	0.70 528	0.44 504	0.45 522	0.29 479	0.41 525	0.09 352	0.09 424	0.12 445	0.09 377	0.14 471	0.13 460

RainbowNet	0.54 531	0.61 537	0.70 537	0.57 536	0.43 533	0.65 532	0.37 528	0.60 535	0.87 541	0.50 519	0.66 523	0.64 527	0.47 523	0.49 524	0.43 529	0.47 538	0.48 542	0.52 537	0.41 532	0.52 535	0.40 537

Consistency-Raft	0.44 522	0.40 528	0.45 505	0.37 523	0.43 533	0.46 516	0.41 530	0.57 533	0.55 508	0.32 483	0.73 530	0.33 463	0.48 524	0.42 521	0.49 533	0.39 532	0.35 533	0.45 532	0.51 540	0.42 532	0.29 527

ACVNet_1	0.44 522	0.49 532	0.60 521	0.45 529	0.28 522	0.49 521	0.27 492	0.57 533	0.72 531	0.62 526	0.58 520	0.74 535	0.49 525	0.50 525	0.35 511	0.26 526	0.24 524	0.39 530	0.29 524	0.31 529	0.24 518

EDNetEfficientorigin	7.91 566	0.31 520	153.02 581	0.19 352	0.09 235	0.21 423	0.16 280	0.22 270	0.59 516	0.72 533	0.67 524	0.42 499	0.50 526	0.24 452	0.39 520	0.08 295	0.07 372	0.08 273	0.07 269	0.12 442	0.10 407

TCMNet-wrong-test	3.67 560	5.48 570	3.89 561	12.18 572	11.75 573	4.65 562	3.88 563	1.06 555	0.72 531	1.09 553	2.15 562	6.30 566	0.53 527	3.43 563	2.36 562	0.89 556	0.20 512	1.87 563	1.69 562	5.57 568	3.62 568

MSC_U_SF_DS_RVC	0.43 521	0.39 527	0.54 514	0.40 524	0.20 506	0.64 531	0.32 522	0.53 528	0.72 531	0.71 531	0.72 529	0.61 525	0.54 528	0.51 526	0.46 530	0.20 511	0.19 509	0.29 524	0.30 526	0.23 512	0.18 506

ELAS_RVC	0.41 519	0.29 518	0.33 483	0.28 503	0.24 515	0.54 524	0.36 525	0.49 522	0.59 516	0.72 533	0.74 532	0.65 529	0.54 528	0.54 532	0.40 522	0.22 519	0.20 512	0.27 517	0.26 518	0.26 523	0.25 523
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 519	0.29 518	0.33 483	0.27 500	0.24 515	0.60 529	0.36 525	0.50 524	0.50 498	0.71 531	0.79 536	0.67 531	0.54 528	0.51 526	0.42 526	0.22 519	0.20 512	0.27 517	0.26 518	0.26 523	0.25 523
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 530	0.58 535	0.65 525	0.41 526	0.61 546	0.53 523	0.41 530	0.56 531	0.41 464	0.55 523	0.50 506	0.49 515	0.55 531	0.58 535	0.50 536	0.58 543	0.50 546	0.51 535	0.51 540	0.51 534	0.57 542

SGM+DAISY	0.56 532	0.57 534	0.65 525	0.40 524	0.54 538	0.66 534	0.49 537	0.56 531	0.45 487	0.66 527	0.69 526	0.67 531	0.56 532	0.63 537	0.56 538	0.59 544	0.48 542	0.50 534	0.50 539	0.52 535	0.58 543

SPS-STEREO	0.57 533	0.58 535	0.65 525	0.45 529	0.55 540	0.62 530	0.44 536	0.62 536	0.50 498	0.68 529	0.64 522	0.66 530	0.57 533	0.61 536	0.60 540	0.62 546	0.47 541	0.51 535	0.49 537	0.55 539	0.58 543
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 514	0.20 490	0.39 498	0.31 516	0.22 511	0.29 485	0.43 535	0.52 526	0.96 544	0.55 523	0.79 536	0.53 520	0.59 534	0.52 528	0.38 518	0.19 509	0.14 490	0.17 492	0.14 474	0.24 518	0.31 530

MANE	0.45 524	0.27 511	0.27 459	0.27 500	0.24 515	0.47 518	0.31 520	0.55 530	0.59 516	0.72 533	1.13 552	1.15 544	0.61 535	0.52 528	0.37 516	0.21 515	0.20 512	0.27 517	0.31 528	0.25 519	0.24 518

PWCK	0.71 538	0.94 552	0.95 546	0.76 541	0.31 527	0.74 539	0.36 525	0.90 543	0.90 542	0.96 546	0.75 534	0.95 539	0.61 535	0.87 549	0.66 543	0.72 549	0.46 537	0.75 544	0.49 537	0.69 548	0.44 539

BEATNet-Init1	0.52 529	0.27 511	0.62 523	0.30 512	0.21 509	0.76 543	0.29 507	0.54 529	0.65 525	0.86 542	0.95 543	2.07 559	0.62 537	0.56 534	0.42 526	0.18 504	0.18 506	0.23 511	0.22 511	0.22 511	0.21 514

NVStereoNet_ROB	0.46 527	0.36 525	0.46 508	0.41 526	0.28 522	0.34 499	0.34 523	0.48 520	0.60 519	0.72 533	0.93 541	0.70 534	0.66 538	0.47 523	0.60 540	0.22 519	0.33 532	0.34 528	0.34 531	0.30 526	0.30 529
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	0.64 534	0.66 541	0.65 525	0.51 533	0.69 550	0.69 535	0.57 543	0.64 537	0.73 535	0.60 525	0.73 530	0.62 526	0.67 539	0.65 538	0.60 540	0.66 548	0.58 555	0.63 539	0.59 543	0.68 546	0.69 552

MADNet+	0.75 541	0.71 543	3.70 560	0.66 538	0.41 531	0.98 551	0.97 558	0.69 538	0.73 535	0.52 520	0.57 518	0.64 527	0.68 540	0.86 548	1.01 556	0.34 531	0.36 534	0.28 523	0.23 515	0.36 531	0.31 530

ACVNet_2	0.66 537	0.66 541	0.68 533	0.63 537	0.41 531	0.71 537	0.49 537	0.96 548	1.39 553	0.89 543	1.09 548	1.04 540	0.73 541	0.54 532	0.47 531	0.43 536	0.40 535	0.53 538	0.44 534	0.47 533	0.35 534

TorneroNet-64	0.76 542	0.72 544	0.74 538	0.78 543	0.58 544	0.91 550	0.56 542	0.84 542	1.29 550	0.66 527	0.90 539	1.40 552	0.75 542	0.85 547	0.67 546	0.49 539	0.46 537	0.72 543	0.59 543	0.67 545	0.53 541

IMH-64-1	0.65 535	0.61 537	0.68 533	0.71 539	0.51 536	0.59 527	0.49 537	0.91 544	0.85 539	0.74 537	1.02 545	0.81 536	0.78 543	0.79 541	0.49 533	0.42 534	0.46 537	0.71 541	0.47 535	0.52 535	0.39 535

IMH-64	0.65 535	0.61 537	0.68 533	0.71 539	0.51 536	0.59 527	0.49 537	0.91 544	0.85 539	0.74 537	1.02 545	0.81 536	0.78 543	0.79 541	0.49 533	0.42 534	0.46 537	0.71 541	0.47 535	0.52 535	0.39 535

JetBlue	0.71 538	0.45 531	1.14 549	0.51 533	0.47 535	2.02 560	0.64 547	0.75 539	0.70 529	0.69 530	0.77 535	1.22 546	0.83 545	1.03 556	1.01 556	0.40 533	0.28 527	0.33 527	0.33 529	0.30 526	0.34 533

LVE	0.83 546	0.85 550	0.85 544	0.80 544	0.56 541	1.04 556	0.65 548	1.05 553	1.47 556	0.96 546	1.22 556	1.10 543	0.85 546	0.83 544	0.71 548	0.49 539	0.55 552	0.76 547	0.60 545	0.65 543	0.59 548

TorneroNet	0.82 545	0.74 545	0.81 543	0.84 546	0.63 547	0.99 552	0.63 545	0.96 548	1.16 547	0.80 540	1.11 550	1.36 551	0.86 547	0.93 552	0.80 551	0.56 541	0.49 544	0.78 549	0.66 548	0.73 551	0.63 551

IMH	0.71 538	0.64 540	0.68 533	0.76 541	0.54 538	0.69 535	0.54 541	0.98 550	1.10 546	0.82 541	1.09 548	0.89 538	0.88 548	0.87 549	0.52 537	0.44 537	0.50 546	0.75 544	0.51 540	0.56 540	0.41 538

WAO-7	0.79 543	0.78 546	0.54 514	0.85 547	0.67 549	0.74 539	0.68 551	1.05 553	1.32 551	0.90 544	1.20 555	1.04 540	0.92 549	0.69 539	0.66 543	0.60 545	0.62 556	0.67 540	0.68 549	0.64 542	0.58 543

JetRed	1.62 557	1.46 560	2.98 555	0.92 550	1.21 559	4.99 563	1.53 562	1.27 561	1.39 553	1.83 560	1.74 561	1.60 558	0.95 550	1.41 559	2.45 563	0.90 557	1.60 561	0.93 553	0.90 557	1.35 559	0.99 559

KSHMR	1.09 554	1.17 556	0.88 545	1.25 559	1.00 558	0.99 552	0.96 557	1.13 558	1.37 552	1.16 555	1.29 557	1.41 553	0.96 551	1.01 555	0.92 553	1.03 558	1.08 560	1.20 557	1.03 559	1.01 556	0.97 558

Dean	0.87 547	0.86 551	0.79 541	0.81 545	0.56 541	0.90 547	0.63 545	1.15 559	1.73 559	1.15 554	1.15 553	1.31 549	0.99 552	0.81 543	0.81 552	0.57 542	0.56 553	0.77 548	0.64 546	0.66 544	0.58 543

WAO-6	0.81 544	0.80 547	0.62 523	0.86 548	0.63 547	0.76 543	0.58 544	0.98 550	1.54 558	0.90 544	0.96 544	1.07 542	1.03 553	0.70 540	0.66 543	0.72 549	0.49 544	0.90 552	0.71 550	0.68 546	0.58 543

WAO-8	0.91 548	0.81 548	0.65 525	0.94 551	0.69 550	0.90 547	0.67 549	1.07 556	1.83 561	1.06 551	1.45 558	1.30 547	1.07 554	0.84 545	0.78 549	0.74 551	0.53 549	0.86 550	0.75 551	0.69 548	0.62 549

ktn	1.01 553	1.21 557	0.80 542	1.23 558	0.86 556	1.01 554	0.87 555	0.94 547	1.39 553	1.04 549	1.12 551	1.15 544	1.07 554	0.94 553	0.59 539	1.28 560	0.71 558	1.38 560	0.83 554	1.02 557	0.75 555

Venus	0.91 548	0.81 548	0.65 525	0.94 551	0.69 550	0.90 547	0.67 549	1.07 556	1.83 561	1.06 551	1.45 558	1.30 547	1.07 554	0.84 545	0.78 549	0.74 551	0.53 549	0.86 550	0.75 551	0.69 548	0.62 549

DPSimNet_ROB	1.11 555	1.23 558	0.78 539	1.13 556	0.88 557	1.10 557	1.13 559	1.16 560	1.23 549	1.43 558	1.02 545	1.41 553	1.10 557	0.90 551	1.60 558	1.46 561	0.51 548	1.21 558	1.03 559	0.90 554	1.01 560

notaker	0.97 551	1.11 555	0.98 547	1.13 556	0.81 554	0.73 538	0.68 551	0.93 546	1.16 547	1.18 556	1.18 554	1.41 553	1.16 558	1.08 558	0.69 547	0.81 554	0.64 557	1.17 556	0.79 553	0.98 555	0.80 556

UNDER WATER-64	0.95 550	0.94 552	1.43 553	0.87 549	0.56 541	1.18 559	0.87 555	0.77 540	0.94 543	1.04 549	0.85 538	1.58 557	1.21 559	0.94 553	0.96 554	0.87 555	0.57 554	1.03 555	0.88 556	0.78 552	0.73 553

UNDER WATER	0.97 551	0.97 554	1.42 552	0.99 553	0.70 553	1.12 558	0.84 554	0.80 541	1.08 545	1.01 548	0.90 539	1.55 556	1.22 560	1.03 556	1.00 555	0.78 553	0.53 549	1.02 554	0.87 555	0.80 553	0.74 554

HanzoNet	1.29 556	1.26 559	1.19 550	1.12 555	0.85 555	1.02 555	0.83 553	1.03 552	1.48 557	1.64 559	1.61 560	2.50 561	1.72 561	1.61 560	1.61 559	1.26 559	0.80 559	1.31 559	1.01 558	1.02 557	0.86 557

MADNet++	1.95 558	1.75 561	1.59 554	1.82 560	1.69 561	2.33 561	1.40 561	2.35 562	2.09 563	2.57 562	2.36 563	2.24 560	2.17 562	2.28 561	2.34 561	1.87 562	1.66 562	1.54 561	1.34 561	1.92 560	1.77 562

tt	4.67 561	0.06 54	3.55 559	2.02 561	1.55 560	10.25 567	16.71 567	8.91 571	5.03 564	1.31 557	0.94 542	4.71 562	4.76 563	3.33 562	5.87 565	6.06 570	10.30 574	1.88 564	2.11 564	2.75 562	1.21 561

LRCNet_RVC	10.62 571	13.42 575	7.30 563	18.92 574	2.07 562	0.33 496	0.30 514	5.59 566	0.48 490	13.03 573	17.94 574	8.87 568	5.65 564	4.79 564	1.89 560	23.51 578	2.73 567	27.55 579	25.71 579	16.07 576	16.33 577

PML	8.91 569	9.34 574	6.13 562	5.35 565	6.41 566	14.99 570	23.38 574	5.27 563	6.83 565	18.04 575	28.19 580	7.67 567	6.83 565	7.85 568	5.75 564	5.35 569	1.83 563	5.95 573	1.93 563	8.64 571	2.52 564

USTest	6.22 562	2.73 563	3.00 556	6.57 568	7.29 567	14.37 569	21.57 568	7.00 570	9.56 569	5.34 566	6.10 564	5.72 565	7.64 566	6.41 567	6.96 566	1.97 563	3.42 568	1.64 562	2.15 565	2.66 561	2.36 563

xxxxx1	7.79 563	5.02 567	7.31 564	3.12 562	3.85 563	16.35 571	22.88 569	5.86 567	8.69 566	7.97 567	8.54 565	9.12 569	8.27 567	10.18 569	10.92 567	2.42 564	2.45 564	3.56 567	12.37 571	3.77 563	3.06 565

tt_ll	7.79 563	5.02 567	7.31 564	3.12 562	3.85 563	16.35 571	22.88 569	5.86 567	8.69 566	7.97 567	8.54 565	9.12 569	8.27 567	10.18 569	10.92 567	2.42 564	2.45 564	3.56 567	12.37 571	3.77 563	3.06 565

ff	7.79 563	5.02 567	7.31 564	3.12 562	3.85 563	16.35 571	22.88 569	5.86 567	8.69 566	7.97 567	8.54 565	9.12 569	8.27 567	10.18 569	10.92 567	2.42 564	2.45 564	3.56 567	12.37 571	3.77 563	3.06 565

DPSMNet_ROB	8.06 567	4.48 565	8.63 570	5.37 567	10.74 570	8.32 565	22.98 573	5.46 564	13.36 572	5.12 564	9.92 568	5.08 563	10.40 570	5.53 566	12.58 570	3.80 568	8.00 569	3.50 565	7.02 568	3.83 566	7.14 570

DGTPSM_ROB	8.06 567	4.48 565	8.63 570	5.35 565	10.72 569	8.32 565	22.97 572	5.46 564	13.35 571	5.12 564	9.92 568	5.08 563	10.40 570	5.52 565	12.58 570	3.79 567	8.00 569	3.50 565	7.02 568	3.83 566	7.14 570

Anonymous_1	10.96 572	7.92 571	7.46 567	10.33 569	10.06 568	18.65 575	26.34 575	11.06 572	13.44 573	9.40 570	10.05 570	9.67 572	11.23 572	10.73 572	12.72 572	6.42 571	8.38 571	5.77 570	10.61 570	12.12 572	6.77 569

DPSM_ROB	11.15 573	8.58 572	8.00 568	10.88 570	11.58 571	19.10 576	26.71 576	12.05 573	14.07 574	10.36 571	10.84 571	10.33 573	11.86 573	11.70 573	13.54 573	6.99 572	8.79 572	5.89 571	6.95 566	7.29 569	7.42 572

DPSM	11.15 573	8.58 572	8.00 568	10.88 570	11.58 571	19.10 576	26.71 576	12.05 573	14.07 574	10.36 571	10.84 571	10.33 573	11.86 573	11.70 573	13.54 573	6.99 572	8.79 572	5.89 571	6.95 566	7.29 569	7.42 572

HaxPig	15.71 575	18.52 579	19.18 575	16.89 573	15.89 575	7.73 564	7.60 564	13.31 575	10.82 570	15.42 574	14.91 573	15.98 575	14.92 575	15.58 575	15.98 575	18.95 577	16.73 575	19.46 577	18.08 577	19.26 577	19.05 578

MEDIAN_ROB	20.38 576	24.04 580	23.31 577	21.23 575	21.71 576	10.40 568	7.92 565	17.64 576	15.50 576	20.12 576	19.70 575	20.34 576	20.32 576	21.19 576	21.13 576	23.81 579	21.81 579	24.98 578	23.76 578	24.71 578	23.93 579

Selective-RAFT-Error	22.47 578	17.37 578	16.09 573	22.06 577	23.34 578	38.39 579	53.83 580	24.29 580	28.47 580	20.74 578	21.83 578	20.81 577	23.90 577	23.54 579	27.53 580	14.08 575	17.69 577	11.82 574	14.00 574	14.69 574	15.00 576

CasAABBNet	22.42 577	17.33 577	16.01 572	22.01 576	23.28 577	38.32 578	53.80 579	24.14 578	28.41 579	20.60 577	21.77 577	20.89 578	23.91 578	23.43 577	27.36 578	14.07 574	17.69 577	11.83 575	14.01 575	14.67 573	14.95 575

LSM0	22.87 579	17.28 576	18.96 574	22.19 578	29.04 580	38.42 580	53.71 578	24.28 579	28.31 578	20.78 579	21.00 576	21.43 579	24.16 579	23.50 578	27.39 579	14.09 576	17.38 576	11.84 576	14.04 576	14.73 575	14.89 574

AVERAGE_ROB	24.90 580	29.20 581	28.14 578	24.89 579	24.64 579	17.75 574	11.12 566	21.45 577	19.93 577	25.12 580	24.46 579	25.12 580	25.46 580	24.69 580	22.83 577	29.76 580	27.13 580	28.97 580	27.95 580	29.91 579	29.47 580

test_example2	98.32 581	94.13 582	45.89 579	96.35 580	109.85 581	88.61 581	95.45 581	25.75 581	94.37 581	130.00 582	126.06 581	58.17 581	74.63 581	88.51 581	79.96 581	150.23 581	221.02 581	77.62 581	99.10 581	113.75 581	96.94 581

ccccc		285.66 583		368.85 582	370.60 582	123.16 582		115.05 582		126.68 581		122.83 582		252.94 582		384.56 582	353.86 582	254.69 582	223.00 582	425.87 582

ASD4		3.38 564

Low-res two-view benchmark