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

test_4	0.10 50	0.10 235	0.08 11	0.19 225	0.09 130	0.08 23	0.22 300	0.15 26	0.17 99	0.12 82	0.18 141	0.12 87	0.09 66	0.08 6	0.11 85	0.04 1	0.04 2	0.08 161	0.08 209	0.04 1	0.03 1

AE-Stereo	0.10 50	0.08 139	0.10 44	0.18 180	0.09 130	0.10 56	0.15 114	0.14 15	0.19 127	0.09 15	0.14 79	0.12 87	0.08 49	0.11 45	0.10 49	0.05 2	0.06 187	0.07 98	0.06 85	0.05 40	0.04 7

ff7	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 121	0.14 58	0.13 102	0.13 70	0.09 37	0.05 2	0.12 100	0.08 11	0.05 2	0.06 187	0.07 98	0.06 85	0.06 101	0.05 51

LL-Strereo2	0.10 50	0.10 235	0.15 190	0.18 180	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 122	0.10 37	0.09 37	0.07 31	0.16 196	0.10 49	0.05 2	0.05 106	0.10 265	0.07 159	0.06 101	0.05 51

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 180	0.07 18	0.09 35	0.15 114	0.17 72	0.15 69	0.10 40	0.11 52	0.10 57	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 161	0.07 159	0.06 101	0.05 51

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 114	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 66	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 79	0.07 69	0.10 44	0.16 67	0.09 130	0.13 129	0.14 69	0.18 96	0.22 172	0.13 102	0.14 79	0.12 87	0.09 66	0.14 147	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 113	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

Selective-RAFT	0.11 79	0.10 235	0.11 70	0.21 289	0.08 47	0.16 198	0.13 43	0.20 121	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

ProNet	0.09 11	0.07 69	0.10 44	0.17 113	0.08 47	0.10 56	0.15 114	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

ccc-4	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

raft_robust	0.13 155	0.10 235	0.07 2	0.18 180	0.08 47	0.13 129	0.24 319	0.28 245	0.33 272	0.20 239	0.19 146	0.14 125	0.10 87	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 159	0.05 40	0.04 7

RAFT_CTSACE	0.12 134	0.09 188	0.10 44	0.22 302	0.08 47	0.12 104	0.24 319	0.18 96	0.16 87	0.20 239	0.27 245	0.13 110	0.07 31	0.13 132	0.09 19	0.05 2	0.06 187	0.08 161	0.07 159	0.04 1	0.04 7

RAFT+CT+SA	0.13 155	0.11 255	0.09 28	0.19 225	0.09 130	0.15 175	0.28 350	0.22 154	0.22 172	0.15 146	0.26 238	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 209	0.07 155	0.06 98

SA	0.12 134	0.09 188	0.08 11	0.18 180	0.08 47	0.12 104	0.24 319	0.23 171	0.18 116	0.17 183	0.27 245	0.14 125	0.11 107	0.11 45	0.11 85	0.05 2	0.05 106	0.09 224	0.08 209	0.05 40	0.04 7

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 134	0.09 188	0.12 90	0.19 225	0.08 47	0.09 35	0.12 21	0.21 138	0.21 161	0.19 222	0.14 79	0.11 73	0.09 66	0.20 258	0.16 221	0.05 2	0.05 106	0.07 98	0.06 85	0.05 40	0.06 98

GMOStereo	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

error version	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

test-v	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 113	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 113	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_3	0.10 50	0.09 188	0.10 44	0.20 265	0.08 47	0.13 129	0.26 338	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 161	0.07 159	0.04 1	0.04 7

LCNet	0.11 79	0.07 69	0.09 28	0.19 225	0.09 130	0.08 23	0.15 114	0.21 138	0.15 69	0.11 58	0.15 93	0.16 160	0.11 107	0.12 100	0.11 85	0.05 2	0.04 2	0.08 161	0.07 159	0.06 101	0.15 339

HHNet	0.11 79	0.06 19	0.16 219	0.15 38	0.14 315	0.07 16	0.13 43	0.20 121	0.17 99	0.14 122	0.25 223	0.11 73	0.08 49	0.13 132	0.10 49	0.05 2	0.04 2	0.08 161	0.06 85	0.05 40	0.09 249

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 180	0.07 18	0.10 56	0.14 69	0.21 138	0.11 17	0.11 58	0.15 93	0.12 87	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 85	0.04 1	0.04 7

TransformOpticalFlow	0.10 50	0.08 139	0.13 127	0.18 180	0.07 18	0.09 35	0.15 114	0.19 115	0.15 69	0.12 82	0.17 119	0.11 73	0.11 107	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 85	0.05 40	0.05 51

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 225	0.09 130	0.10 56	0.15 114	0.20 121	0.13 41	0.12 82	0.14 79	0.18 190	0.11 107	0.11 45	0.10 49	0.05 2	0.05 106	0.09 224	0.08 209	0.06 101	0.14 331

FTStereo	0.12 134	0.06 19	0.14 153	0.18 180	0.09 130	0.07 16	0.15 114	0.21 138	0.18 116	0.12 82	0.24 194	0.12 87	0.12 136	0.13 132	0.13 156	0.05 2	0.05 106	0.07 98	0.06 85	0.06 101	0.10 267

KYRaft	0.11 79	0.07 69	0.10 44	0.19 225	0.09 130	0.08 23	0.15 114	0.22 154	0.12 25	0.13 102	0.16 101	0.20 208	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 161	0.08 209	0.06 101	0.16 350

ASMatch	0.11 79	0.06 19	0.13 127	0.16 67	0.10 214	0.07 16	0.14 69	0.17 72	0.17 99	0.12 82	0.16 101	0.16 160	0.10 87	0.13 132	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 216

DEmStereo	0.12 134	0.06 19	0.14 153	0.14 13	0.10 214	0.16 198	0.15 114	0.16 42	0.24 190	0.17 183	0.24 194	0.13 110	0.14 191	0.12 100	0.13 156	0.05 2	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

DRaft	0.12 134	0.06 19	0.11 70	0.14 13	0.09 130	0.14 153	0.17 189	0.21 138	0.30 254	0.17 183	0.28 254	0.10 57	0.15 204	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

GrayStereo	0.11 79	0.06 19	0.11 70	0.19 225	0.09 130	0.09 35	0.16 169	0.18 96	0.17 99	0.14 122	0.17 119	0.17 179	0.11 107	0.12 100	0.11 85	0.05 2	0.05 106	0.07 98	0.06 85	0.05 40	0.10 267

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 67	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 102	0.41 338	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 161	0.05 31	0.04 1	0.06 98

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 67	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 304	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 85	0.04 1	0.05 51

test-2	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

cross-raft	0.10 50	0.09 188	0.09 28	0.19 225	0.07 18	0.11 82	0.25 332	0.13 9	0.15 69	0.08 5	0.11 52	0.12 87	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

GMM-Stereo	0.11 79	0.07 69	0.10 44	0.18 180	0.09 130	0.08 23	0.15 114	0.23 171	0.16 87	0.11 58	0.15 93	0.13 110	0.11 107	0.11 45	0.11 85	0.05 2	0.04 2	0.08 161	0.07 159	0.06 101	0.09 249

Prome-Stereo	0.11 79	0.06 19	0.10 44	0.18 180	0.08 47	0.12 104	0.15 114	0.22 154	0.13 41	0.12 82	0.17 119	0.13 110	0.08 49	0.12 100	0.10 49	0.05 2	0.04 2	0.07 98	0.06 85	0.06 101	0.09 249

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 113	0.09 130	0.11 82	0.17 189	0.18 96	0.12 25	0.09 15	0.12 60	0.10 57	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 161	0.08 209	0.04 1	0.04 7

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 229	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 107	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

TestStereo	0.13 155	0.14 302	0.11 70	0.23 321	0.08 47	0.15 175	0.21 291	0.20 121	0.23 180	0.14 122	0.24 194	0.16 160	0.12 136	0.16 196	0.14 184	0.05 2	0.06 187	0.08 161	0.06 85	0.09 244	0.05 51

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 113	0.06 2	0.10 56	0.16 169	0.17 72	0.14 58	0.09 15	0.10 37	0.08 25	0.09 66	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 85	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 113	0.07 18	0.10 56	0.16 169	0.17 72	0.09 2	0.10 40	0.12 60	0.09 37	0.09 66	0.12 100	0.09 19	0.05 2	0.04 2	0.07 98	0.07 159	0.04 1	0.03 1

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 114	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

MLCV	0.12 134	0.07 69	0.16 219	0.18 180	0.06 2	0.15 175	0.17 189	0.19 115	0.21 161	0.18 209	0.25 223	0.17 179	0.13 168	0.14 147	0.13 156	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

DN-CSS_ROB	0.13 155	0.13 290	0.16 219	0.18 180	0.10 214	0.16 198	0.08 2	0.22 154	0.18 116	0.17 183	0.22 180	0.13 110	0.13 168	0.12 100	0.13 156	0.05 2	0.05 106	0.10 265	0.10 280	0.08 197	0.06 98

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 113	0.09 130	0.14 153	0.18 229	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 100	0.09 19	0.06 54	0.05 106	0.08 161	0.07 159	0.06 101	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 113	0.09 130	0.13 129	0.18 229	0.19 115	0.12 25	0.12 82	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 159	0.06 101	0.06 98

MyStereo05	0.13 155	0.07 69	0.10 44	0.17 113	0.09 130	0.13 129	0.18 229	0.27 231	0.35 290	0.17 183	0.14 79	0.15 149	0.11 107	0.15 165	0.13 156	0.06 54	0.05 106	0.07 98	0.07 159	0.06 101	0.06 98

MyStereo04	0.13 155	0.07 69	0.10 44	0.17 113	0.09 130	0.14 153	0.18 229	0.29 255	0.38 305	0.17 183	0.14 79	0.16 160	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 161	0.07 159	0.06 101	0.06 98

ACVNet-DCA	0.10 50	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.23 171	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

xx1	0.11 79	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.16 42	0.18 116	0.09 15	0.09 23	0.16 160	0.16 224	0.10 18	0.07 1	0.06 54	0.04 2	0.08 161	0.08 209	0.07 155	0.07 156

1test111	0.11 79	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.23 171	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 165	0.16 221	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

cc1	0.10 50	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 214	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 214	0.11 82	0.16 169	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

DualNet	0.13 155	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.15 26	0.19 127	0.15 146	0.25 223	0.19 198	0.13 168	0.10 18	0.20 260	0.06 54	0.04 2	0.09 224	0.08 209	0.06 101	0.06 98

ffm	0.12 134	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.15 26	0.19 127	0.15 146	0.25 223	0.19 198	0.13 168	0.10 18	0.07 1	0.06 54	0.04 2	0.09 224	0.08 209	0.06 101	0.06 98

ff1	0.13 155	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.15 26	0.19 127	0.15 146	0.25 223	0.19 198	0.13 168	0.14 147	0.20 260	0.06 54	0.04 2	0.09 224	0.08 209	0.06 101	0.06 98

tt1	0.10 50	0.08 139	0.12 90	0.17 113	0.09 130	0.12 104	0.16 169	0.15 26	0.19 127	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 85	0.05 40	0.05 51

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 100	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

CASnet	0.09 11	0.09 188	0.09 28	0.19 225	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 265	0.08 209	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 298	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 114	0.16 42	0.13 41	0.09 15	0.10 37	0.10 57	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

HH	0.09 11	0.06 19	0.13 127	0.17 113	0.08 47	0.10 56	0.16 169	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 127	0.17 113	0.08 47	0.10 56	0.16 169	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

LL-Strereo	0.13 155	0.09 188	0.11 70	0.20 265	0.10 214	0.11 82	0.18 229	0.32 284	0.24 190	0.15 146	0.15 93	0.14 125	0.13 168	0.19 239	0.11 85	0.06 54	0.04 2	0.09 224	0.08 209	0.04 1	0.05 51

CBFPSM	0.14 184	0.06 19	0.26 307	0.17 113	0.09 130	0.13 129	0.15 114	0.22 154	0.23 180	0.20 239	0.27 245	0.24 249	0.16 224	0.16 196	0.18 246	0.06 54	0.06 187	0.06 31	0.07 159	0.07 155	0.07 156

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 73	0.06 6	0.12 100	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

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

DCRE	0.11 79	0.07 69	0.13 127	0.16 67	0.11 252	0.11 82	0.17 189	0.18 96	0.17 99	0.11 58	0.18 141	0.10 57	0.10 87	0.15 165	0.11 85	0.06 54	0.05 106	0.06 31	0.06 85	0.05 40	0.04 7

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 113	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 60	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 67	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 37	0.08 25	0.07 31	0.12 100	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CroCo-Stereo Lap2	0.09 11	0.09 188	0.08 11	0.22 302	0.09 130	0.09 35	0.19 260	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 187	0.07 98	0.05 31	0.05 40	0.05 51

TestStereo1	0.13 155	0.08 139	0.08 11	0.19 225	0.08 47	0.18 232	0.29 358	0.23 171	0.16 87	0.17 183	0.20 157	0.16 160	0.10 87	0.12 100	0.13 156	0.06 54	0.06 187	0.08 161	0.06 85	0.05 40	0.05 51

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 67	0.06 2	0.09 35	0.17 189	0.18 96	0.19 127	0.13 102	0.16 101	0.09 37	0.14 191	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 189	0.16 42	0.20 148	0.13 102	0.16 101	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 67	0.06 2	0.09 35	0.17 189	0.15 26	0.19 127	0.13 102	0.17 119	0.10 57	0.12 136	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

DisPM	0.11 79	0.07 69	0.12 90	0.16 67	0.09 130	0.06 2	0.13 43	0.17 72	0.17 99	0.14 122	0.20 157	0.12 87	0.10 87	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.11 290

test_5	0.14 184	0.12 269	0.08 11	0.20 265	0.10 214	0.14 153	0.29 358	0.21 138	0.24 190	0.18 209	0.28 254	0.11 73	0.15 204	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 209	0.08 197	0.07 156

SA-5K	0.13 155	0.08 139	0.08 11	0.19 225	0.08 47	0.18 232	0.29 358	0.23 171	0.16 87	0.17 183	0.20 157	0.16 160	0.10 87	0.12 100	0.13 156	0.06 54	0.06 187	0.08 161	0.06 85	0.05 40	0.05 51

Sa-1000	0.12 134	0.08 139	0.08 11	0.18 180	0.08 47	0.14 153	0.22 300	0.22 154	0.18 116	0.15 146	0.20 157	0.17 179	0.11 107	0.10 18	0.10 49	0.06 54	0.05 106	0.09 224	0.09 248	0.05 40	0.05 51

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 127	0.14 13	0.08 47	0.12 104	0.15 114	0.18 96	0.10 7	0.11 58	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

GLC_STEREO	0.11 79	0.07 69	0.11 70	0.17 113	0.07 18	0.09 35	0.13 43	0.15 26	0.24 190	0.12 82	0.13 70	0.12 87	0.08 49	0.18 228	0.11 85	0.06 54	0.08 266	0.08 161	0.06 85	0.05 40	0.05 51

IPLG	0.10 50	0.07 69	0.15 190	0.17 113	0.08 47	0.11 82	0.14 69	0.20 121	0.15 69	0.12 82	0.17 119	0.07 17	0.07 31	0.14 147	0.13 156	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

MIPNet	0.11 79	0.08 139	0.14 153	0.17 113	0.09 130	0.12 104	0.14 69	0.20 121	0.24 190	0.11 58	0.10 37	0.09 37	0.07 31	0.13 132	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

IPLGR	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.12 104	0.17 189	0.21 138	0.24 190	0.11 58	0.12 60	0.11 73	0.08 49	0.12 100	0.12 127	0.06 54	0.05 106	0.06 31	0.06 85	0.04 1	0.04 7

CrosDoStereo	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 114	0.17 72	0.22 172	0.19 222	0.24 194	0.15 149	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 159	0.05 40	0.05 51

Patchmatch Stereo++	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156
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
AAGNet	0.11 79	0.07 69	0.16 219	0.19 225	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 171	0.21 171	0.13 110	0.14 191	0.11 45	0.14 184	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 180	0.08 47	0.09 35	0.12 21	0.21 138	0.21 161	0.13 102	0.14 79	0.11 73	0.12 136	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 85	0.05 40	0.04 7

IIG-Stereo	0.11 79	0.06 19	0.13 127	0.17 113	0.08 47	0.11 82	0.12 21	0.22 154	0.17 99	0.14 122	0.17 119	0.11 73	0.12 136	0.12 100	0.12 127	0.06 54	0.05 106	0.07 98	0.06 85	0.05 40	0.04 7

NF-Stereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

OCTAStereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

NRIStereo	0.11 79	0.08 139	0.14 153	0.18 180	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 82	0.14 79	0.13 110	0.12 136	0.13 132	0.10 49	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.07 156

PSM-adaLoss	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

ROB_FTStereo_v2	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

ROB_FTStereo	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

HUI-Stereo	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

DeepStereo_LL	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 114	0.17 72	0.22 172	0.19 222	0.24 194	0.15 149	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 159	0.05 40	0.05 51

SST-Stereo	0.10 50	0.07 69	0.15 190	0.18 180	0.09 130	0.06 2	0.12 21	0.17 72	0.11 17	0.15 146	0.17 119	0.13 110	0.12 136	0.10 18	0.11 85	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

THIR-Stereo	0.12 134	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 169	0.17 72	0.25 209	0.16 171	0.24 194	0.14 125	0.12 136	0.12 100	0.14 184	0.06 54	0.04 2	0.07 98	0.07 159	0.05 40	0.05 51

RAFT_R40	0.11 79	0.07 69	0.14 153	0.18 180	0.09 130	0.06 2	0.13 43	0.17 72	0.16 87	0.14 122	0.18 141	0.15 149	0.12 136	0.10 18	0.11 85	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

PFNet	0.12 134	0.06 19	0.17 244	0.17 113	0.08 47	0.09 35	0.15 114	0.26 213	0.20 148	0.16 171	0.16 101	0.14 125	0.11 107	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

RE-Stereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

Pruner-Stereo	0.11 79	0.07 69	0.12 90	0.17 113	0.09 130	0.06 2	0.12 21	0.17 72	0.17 99	0.13 102	0.19 146	0.13 110	0.09 66	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.08 216

TVStereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

DeepStereo_RVC	0.11 79	0.08 139	0.16 219	0.18 180	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 102	0.14 79	0.12 87	0.12 136	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.07 155	0.08 216

iGMRVC	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

IRAFT_RVC	0.12 134	0.08 139	0.16 219	0.19 225	0.08 47	0.07 16	0.15 114	0.24 188	0.23 180	0.14 122	0.14 79	0.15 149	0.12 136	0.12 100	0.10 49	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.06 98

iRAFT	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

RAFT	0.13 155	0.09 188	0.11 70	0.18 180	0.08 47	0.15 175	0.24 319	0.20 121	0.19 127	0.21 247	0.21 171	0.17 179	0.12 136	0.16 196	0.09 19	0.06 54	0.07 244	0.10 265	0.09 248	0.05 40	0.05 51

test-1	0.10 50	0.07 69	0.16 219	0.19 225	0.08 47	0.11 82	0.24 319	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RAFT-IKP	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 169	0.14 15	0.13 41	0.11 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

RALAANet	0.11 79	0.08 139	0.10 44	0.17 113	0.09 130	0.14 153	0.10 6	0.20 121	0.15 69	0.14 122	0.13 70	0.16 160	0.09 66	0.12 100	0.11 85	0.06 54	0.05 106	0.07 98	0.06 85	0.05 40	0.04 7

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 113	0.09 130	0.15 175	0.12 21	0.20 121	0.10 7	0.10 40	0.14 79	0.07 17	0.06 6	0.12 100	0.08 11	0.06 54	0.05 106	0.06 31	0.06 85	0.04 1	0.04 7

DCANet	0.10 50	0.06 19	0.12 90	0.16 67	0.06 2	0.09 35	0.17 189	0.15 26	0.19 127	0.13 102	0.17 119	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 189	0.16 42	0.20 148	0.13 102	0.16 101	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 189	0.16 42	0.20 148	0.13 102	0.16 101	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 138	0.23 180	0.11 58	0.12 60	0.14 125	0.11 107	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

ARAFT	0.12 134	0.08 139	0.17 244	0.19 225	0.09 130	0.14 153	0.18 229	0.20 121	0.12 25	0.12 82	0.13 70	0.14 125	0.11 107	0.15 165	0.12 127	0.06 54	0.05 106	0.10 265	0.09 248	0.05 40	0.04 7

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 67	0.07 18	0.09 35	0.15 114	0.16 42	0.17 99	0.08 5	0.12 60	0.10 57	0.09 66	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

MMNet	0.17 254	0.09 188	0.16 219	0.20 265	0.11 252	0.27 328	0.20 275	0.25 201	0.41 317	0.22 260	0.30 269	0.21 214	0.20 275	0.17 217	0.20 260	0.06 54	0.06 187	0.07 98	0.07 159	0.08 197	0.07 156

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 67	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 37	0.12 87	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 113	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 125	0.12 136	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 184	0.08 139	0.11 70	0.15 38	0.08 47	0.15 175	0.15 114	0.27 231	0.29 247	0.19 222	0.21 171	0.29 288	0.14 191	0.17 217	0.13 156	0.06 54	0.06 187	0.06 31	0.06 85	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
AANet_RVC	0.16 235	0.10 235	0.10 44	0.18 180	0.09 130	0.18 232	0.19 260	0.26 213	0.31 260	0.22 260	0.35 301	0.21 214	0.21 279	0.22 285	0.16 221	0.06 54	0.05 106	0.06 31	0.06 85	0.07 155	0.06 98

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 102	0.16 101	0.14 125	0.11 107	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNetv2_ROB	0.14 184	0.08 139	0.15 190	0.16 67	0.08 47	0.16 198	0.12 21	0.25 201	0.35 290	0.21 247	0.29 265	0.24 249	0.13 168	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 244	0.08 216

iResNet	0.13 155	0.10 235	0.18 261	0.19 225	0.08 47	0.13 129	0.18 229	0.20 121	0.26 222	0.15 146	0.23 186	0.15 149	0.13 168	0.14 147	0.14 184	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

CoDeX	0.12 134	0.07 69	0.12 90	0.17 113	0.08 47	0.12 104	0.15 114	0.23 171	0.27 229	0.13 102	0.17 119	0.16 160	0.11 107	0.14 147	0.11 85	0.07 141	0.05 106	0.07 98	0.06 85	0.06 101	0.05 51

1111x	0.15 217	0.08 139	0.12 90	0.18 180	0.07 18	0.18 232	0.25 332	0.31 275	0.24 190	0.17 183	0.24 194	0.26 267	0.15 204	0.13 132	0.23 298	0.07 141	0.07 244	0.08 161	0.09 248	0.07 155	0.06 98

whm_eth	0.14 184	0.09 188	0.20 278	0.20 265	0.12 281	0.12 104	0.15 114	0.18 96	0.28 240	0.17 183	0.32 281	0.09 37	0.12 136	0.18 228	0.14 184	0.07 141	0.07 244	0.08 161	0.07 159	0.07 155	0.07 156

test croco	0.10 50	0.08 139	0.10 44	0.19 225	0.09 130	0.10 56	0.15 114	0.14 15	0.13 41	0.13 102	0.15 93	0.09 37	0.12 136	0.13 132	0.12 127	0.07 141	0.05 106	0.09 224	0.06 85	0.06 101	0.06 98

StereoIM	0.09 11	0.09 188	0.08 11	0.17 113	0.09 130	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 52	0.06 3	0.06 6	0.09 10	0.13 156	0.07 141	0.06 187	0.07 98	0.05 31	0.05 40	0.04 7

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 180	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 60	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

PCWNet_CMD	0.14 184	0.08 139	0.15 190	0.17 113	0.09 130	0.14 153	0.14 69	0.29 255	0.36 294	0.14 122	0.20 157	0.21 214	0.12 136	0.17 217	0.13 156	0.07 141	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 138	0.15 69	0.11 58	0.12 60	0.12 87	0.09 66	0.12 100	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 87	0.09 66	0.15 165	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

ToySt	0.17 254	0.11 255	0.18 261	0.17 113	0.11 252	0.16 198	0.25 332	0.24 188	0.33 272	0.19 222	0.24 194	0.26 267	0.24 300	0.19 239	0.20 260	0.07 141	0.08 266	0.09 224	0.10 280	0.09 244	0.08 216

anonymousa	0.13 155	0.07 69	0.13 127	0.18 180	0.09 130	0.13 129	0.17 189	0.19 115	0.29 247	0.15 146	0.24 194	0.15 149	0.14 191	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 248	0.05 40	0.06 98

qqq	0.13 155	0.09 188	0.15 190	0.16 67	0.08 47	0.13 129	0.15 114	0.23 171	0.16 87	0.15 146	0.19 146	0.16 160	0.16 224	0.15 165	0.16 221	0.07 141	0.06 187	0.08 161	0.08 209	0.07 155	0.07 156

x	0.13 155	0.07 69	0.14 153	0.14 13	0.08 47	0.18 232	0.14 69	0.22 154	0.20 148	0.15 146	0.19 146	0.19 198	0.17 243	0.18 228	0.18 246	0.07 141	0.05 106	0.06 31	0.06 85	0.07 155	0.07 156

Wz-Net-LNSev-Ref	0.18 266	0.09 188	0.29 324	0.15 38	0.10 214	0.22 285	0.20 275	0.26 213	0.39 308	0.25 293	0.42 343	0.24 249	0.15 204	0.20 258	0.19 254	0.07 141	0.05 106	0.06 31	0.05 31	0.10 271	0.09 249

hknet	0.15 217	0.11 255	0.13 127	0.22 302	0.11 252	0.14 153	0.15 114	0.34 311	0.25 209	0.17 183	0.22 180	0.22 231	0.18 252	0.17 217	0.12 127	0.07 141	0.06 187	0.10 265	0.09 248	0.07 155	0.07 156

CIPLG	0.11 79	0.08 139	0.14 153	0.17 113	0.08 47	0.12 104	0.15 114	0.17 72	0.15 69	0.14 122	0.11 52	0.16 160	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

IPLGR_C	0.11 79	0.08 139	0.14 153	0.17 113	0.08 47	0.12 104	0.15 114	0.17 72	0.15 69	0.14 122	0.10 37	0.16 160	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 79	0.08 139	0.14 153	0.17 113	0.08 47	0.12 104	0.15 114	0.17 72	0.14 58	0.14 122	0.10 37	0.16 160	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

GwcNet-ADL	0.13 155	0.08 139	0.14 153	0.20 265	0.09 130	0.11 82	0.20 275	0.30 269	0.24 190	0.13 102	0.14 79	0.18 190	0.14 191	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 281	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 159	0.04 1	0.04 7

PSM-softLoss	0.12 134	0.07 69	0.15 190	0.17 113	0.09 130	0.08 23	0.13 43	0.24 188	0.17 99	0.14 122	0.19 146	0.13 110	0.11 107	0.11 45	0.11 85	0.07 141	0.05 106	0.08 161	0.07 159	0.06 101	0.12 301

KMStereo	0.12 134	0.07 69	0.15 190	0.17 113	0.09 130	0.08 23	0.13 43	0.24 188	0.17 99	0.14 122	0.19 146	0.13 110	0.11 107	0.11 45	0.11 85	0.07 141	0.05 106	0.08 161	0.07 159	0.06 101	0.12 301

CRE-IMP	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 122	0.13 70	0.13 110	0.12 136	0.12 100	0.11 85	0.07 141	0.04 2	0.08 161	0.06 85	0.08 197	0.08 216

CroCo-Stereo	0.09 11	0.08 139	0.08 11	0.22 302	0.09 130	0.09 35	0.19 260	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
LMCR-Stereo	0.15 217	0.08 139	0.13 127	0.21 289	0.09 130	0.17 217	0.20 275	0.27 231	0.19 127	0.24 280	0.24 194	0.23 243	0.17 243	0.20 258	0.17 232	0.07 141	0.06 187	0.08 161	0.06 85	0.10 271	0.08 216

rafts_anoy	0.11 79	0.06 19	0.10 44	0.17 113	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 102	0.13 70	0.12 87	0.10 87	0.11 45	0.12 127	0.07 141	0.04 2	0.09 224	0.11 303	0.07 155	0.06 98

raft+_RVC	0.11 79	0.07 69	0.09 28	0.16 67	0.07 18	0.10 56	0.11 11	0.24 188	0.20 148	0.12 82	0.15 93	0.12 87	0.08 49	0.12 100	0.13 156	0.07 141	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 127	0.11 58	0.15 93	0.10 57	0.06 6	0.12 100	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

CFNet_pseudo	0.14 184	0.08 139	0.15 190	0.16 67	0.09 130	0.13 129	0.14 69	0.27 231	0.34 283	0.14 122	0.21 171	0.22 231	0.13 168	0.18 228	0.14 184	0.07 141	0.05 106	0.08 161	0.06 85	0.07 155	0.07 156

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 67	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 82	0.17 119	0.14 125	0.10 87	0.12 100	0.11 85	0.07 141	0.06 187	0.06 31	0.05 31	0.08 197	0.07 156

RAFT + AFF	0.13 155	0.07 69	0.20 278	0.20 265	0.10 214	0.14 153	0.24 319	0.26 213	0.20 148	0.11 58	0.10 37	0.12 87	0.10 87	0.15 165	0.12 127	0.07 141	0.06 187	0.09 224	0.08 209	0.06 101	0.08 216

GMStereo	0.13 155	0.14 302	0.14 153	0.18 180	0.09 130	0.15 175	0.16 169	0.20 121	0.24 190	0.16 171	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 187	0.06 31	0.06 85	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UNet	0.17 254	0.09 188	0.18 261	0.19 225	0.12 281	0.27 328	0.19 260	0.33 301	0.29 247	0.21 247	0.24 194	0.23 243	0.19 267	0.19 239	0.18 246	0.07 141	0.06 187	0.08 161	0.07 159	0.08 197	0.06 98

ACVNet	0.15 217	0.09 188	0.15 190	0.13 6	0.12 281	0.14 153	0.20 275	0.22 154	0.33 272	0.17 183	0.26 238	0.21 214	0.16 224	0.17 217	0.21 279	0.07 141	0.06 187	0.06 31	0.06 85	0.08 197	0.06 98

acv_ft	0.15 217	0.09 188	0.15 190	0.19 225	0.10 214	0.16 198	0.17 189	0.25 201	0.33 272	0.19 222	0.26 238	0.21 214	0.17 243	0.17 217	0.18 246	0.07 141	0.06 187	0.06 31	0.06 85	0.08 197	0.06 98

FADNet-RVC-Resample	0.16 235	0.11 255	0.31 329	0.22 302	0.11 252	0.19 251	0.14 69	0.25 201	0.24 190	0.24 280	0.27 245	0.20 208	0.15 204	0.16 196	0.15 207	0.07 141	0.08 266	0.12 307	0.10 280	0.09 244	0.10 267

BEATNet_4x	0.12 134	0.08 139	0.14 153	0.18 180	0.07 18	0.15 175	0.07 1	0.22 154	0.18 116	0.16 171	0.19 146	0.18 190	0.14 191	0.16 196	0.15 207	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 113	0.08 47	0.11 82	0.14 69	0.23 171	0.11 17	0.12 82	0.19 146	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

ADCRef	0.19 276	0.12 269	0.41 352	0.20 265	0.12 281	0.22 285	0.18 229	0.32 284	0.36 294	0.26 298	0.32 281	0.17 179	0.23 294	0.24 304	0.24 308	0.07 141	0.06 187	0.09 224	0.09 248	0.08 197	0.08 216

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 113	0.08 47	0.11 82	0.14 69	0.23 171	0.11 17	0.12 82	0.19 146	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RASNet	0.14 184	0.07 69	0.14 153	0.16 67	0.08 47	0.18 232	0.14 69	0.29 255	0.20 148	0.17 183	0.25 223	0.21 214	0.18 252	0.20 258	0.19 254	0.07 141	0.06 187	0.06 31	0.08 209	0.06 101	0.06 98

MSMDNet	0.14 184	0.08 139	0.15 190	0.17 113	0.09 130	0.14 153	0.14 69	0.29 255	0.36 294	0.14 122	0.21 171	0.21 214	0.12 136	0.17 217	0.14 184	0.07 141	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

ccs_rob	0.14 184	0.08 139	0.15 190	0.16 67	0.09 130	0.12 104	0.14 69	0.27 231	0.34 283	0.14 122	0.21 171	0.22 231	0.13 168	0.18 228	0.14 184	0.07 141	0.05 106	0.08 161	0.07 159	0.07 155	0.07 156

HSM	0.15 217	0.08 139	0.14 153	0.16 67	0.09 130	0.16 198	0.14 69	0.28 245	0.25 209	0.19 222	0.23 186	0.37 333	0.16 224	0.20 258	0.15 207	0.07 141	0.05 106	0.07 98	0.06 85	0.07 155	0.06 98

iResNet_ROB	0.14 184	0.07 69	0.13 127	0.14 13	0.07 18	0.18 232	0.14 69	0.26 213	0.31 260	0.22 260	0.25 223	0.23 243	0.15 204	0.15 165	0.13 156	0.07 141	0.05 106	0.05 2	0.04 8	0.08 197	0.08 216

LE_ROB	0.50 379	0.07 69	0.14 153	0.15 38	0.08 47	0.24 303	0.16 169	0.22 154	1.81 410	4.63 413	0.67 375	0.47 365	0.44 372	0.20 258	0.29 344	0.07 141	0.06 187	0.06 31	0.06 85	0.08 197	0.06 98

pmcnn	0.15 217	0.07 69	0.19 270	0.15 38	0.07 18	0.20 263	0.15 114	0.24 188	0.26 222	0.21 247	0.34 298	0.28 281	0.18 252	0.18 228	0.17 232	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

SMFormer	0.14 184	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.17 232	0.08 188	0.05 106	0.07 98	0.06 85	0.07 155	0.06 98

tta	0.14 184	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.17 232	0.08 188	0.05 106	0.07 98	0.06 85	0.06 101	0.06 98

qqq1	0.13 155	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.11 85	0.08 188	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 155	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.11 85	0.08 188	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

mmm	0.14 184	0.08 139	0.17 244	0.17 113	0.09 130	0.17 217	0.18 229	0.21 138	0.15 69	0.15 146	0.23 186	0.21 214	0.16 224	0.16 196	0.17 232	0.08 188	0.05 106	0.08 161	0.07 159	0.07 155	0.07 156

11t1	0.12 134	0.06 19	0.13 127	0.14 13	0.08 47	0.17 217	0.15 114	0.18 96	0.15 69	0.15 146	0.15 93	0.16 160	0.16 224	0.15 165	0.13 156	0.08 188	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

mmx	0.14 184	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.27 231	0.25 209	0.15 146	0.25 223	0.19 198	0.13 168	0.14 147	0.20 260	0.08 188	0.06 187	0.09 224	0.08 209	0.08 197	0.08 216

xxx	0.14 184	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.27 231	0.25 209	0.15 146	0.25 223	0.19 198	0.13 168	0.14 147	0.20 260	0.08 188	0.06 187	0.09 224	0.08 209	0.08 197	0.08 216

MIF-Stereo (partial)	0.11 79	0.06 19	0.10 44	0.19 225	0.10 214	0.10 56	0.11 11	0.17 72	0.18 116	0.14 122	0.16 101	0.09 37	0.11 107	0.12 100	0.12 127	0.08 188	0.05 106	0.08 161	0.07 159	0.06 101	0.07 156

EKT-Stereo	0.11 79	0.07 69	0.14 153	0.15 38	0.10 214	0.13 129	0.14 69	0.18 96	0.21 161	0.11 58	0.08 17	0.12 87	0.09 66	0.11 45	0.12 127	0.08 188	0.06 187	0.07 98	0.06 85	0.08 197	0.07 156

CAS	0.08 2	0.04 1	0.07 2	0.17 113	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 37	0.08 25	0.06 6	0.09 10	0.08 11	0.08 188	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

gwcnet-sp	0.14 184	0.07 69	0.12 90	0.18 180	0.09 130	0.16 198	0.17 189	0.24 188	0.24 190	0.18 209	0.24 194	0.15 149	0.16 224	0.15 165	0.15 207	0.08 188	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

scenet	0.14 184	0.07 69	0.12 90	0.18 180	0.09 130	0.16 198	0.17 189	0.24 188	0.24 190	0.18 209	0.24 194	0.15 149	0.16 224	0.15 165	0.15 207	0.08 188	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

knoymous	0.11 79	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 115	0.13 41	0.11 58	0.17 119	0.13 110	0.09 66	0.13 132	0.11 85	0.08 188	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

ssnet	0.14 184	0.07 69	0.12 90	0.18 180	0.09 130	0.16 198	0.17 189	0.24 188	0.24 190	0.18 209	0.24 194	0.15 149	0.16 224	0.15 165	0.15 207	0.08 188	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

BUS	0.14 184	0.09 188	0.14 153	0.22 302	0.10 214	0.19 251	0.14 69	0.34 311	0.19 127	0.17 183	0.22 180	0.16 160	0.13 168	0.15 165	0.13 156	0.08 188	0.06 187	0.10 265	0.09 248	0.07 155	0.07 156

IER	0.14 184	0.07 69	0.13 127	0.17 113	0.09 130	0.14 153	0.16 169	0.25 201	0.26 222	0.18 209	0.25 223	0.17 179	0.20 275	0.16 196	0.14 184	0.08 188	0.05 106	0.07 98	0.06 85	0.08 197	0.07 156

NINENet	0.16 235	0.10 235	0.15 190	0.17 113	0.11 252	0.19 251	0.14 69	0.40 349	0.36 294	0.18 209	0.21 171	0.16 160	0.13 168	0.15 165	0.13 156	0.08 188	0.08 266	0.10 265	0.07 159	0.10 271	0.09 249

BSDual-CNN	0.15 217	0.09 188	0.14 153	0.22 302	0.10 214	0.14 153	0.15 114	0.34 311	0.19 127	0.17 183	0.22 180	0.25 259	0.16 224	0.15 165	0.14 184	0.08 188	0.06 187	0.10 265	0.09 248	0.07 155	0.07 156

psmg	0.14 184	0.09 188	0.14 153	0.17 113	0.10 214	0.15 175	0.17 189	0.29 255	0.19 127	0.17 183	0.21 171	0.25 259	0.16 224	0.15 165	0.14 184	0.08 188	0.06 187	0.08 161	0.08 209	0.07 155	0.06 98

DAS	0.15 217	0.08 139	0.18 261	0.19 225	0.10 214	0.19 251	0.17 189	0.27 231	0.29 247	0.18 209	0.25 223	0.21 214	0.15 204	0.16 196	0.12 127	0.08 188	0.06 187	0.06 31	0.06 85	0.07 155	0.07 156

SepStereo	0.15 217	0.08 139	0.18 261	0.19 225	0.10 214	0.19 251	0.17 189	0.27 231	0.29 247	0.18 209	0.25 223	0.21 214	0.15 204	0.25 309	0.12 127	0.08 188	0.06 187	0.06 31	0.06 85	0.07 155	0.07 156

PSMNet-ADL	0.15 217	0.12 269	0.13 127	0.22 302	0.09 130	0.13 129	0.20 275	0.26 213	0.23 180	0.18 209	0.20 157	0.24 249	0.16 224	0.18 228	0.17 232	0.08 188	0.08 266	0.08 161	0.11 303	0.08 197	0.07 156

GANet-ADL	0.13 155	0.07 69	0.15 190	0.17 113	0.10 214	0.18 232	0.15 114	0.30 269	0.20 148	0.13 102	0.18 141	0.19 198	0.12 136	0.16 196	0.13 156	0.08 188	0.06 187	0.06 31	0.05 31	0.07 155	0.08 216

ADLNet2	0.16 235	0.09 188	0.13 127	0.16 67	0.09 130	0.20 263	0.16 169	0.31 275	0.39 308	0.16 171	0.20 157	0.20 208	0.18 252	0.21 274	0.22 288	0.08 188	0.06 187	0.07 98	0.07 159	0.09 244	0.07 156

PFNet+	0.11 79	0.06 19	0.13 127	0.16 67	0.09 130	0.05 1	0.12 21	0.17 72	0.21 161	0.16 171	0.19 146	0.14 125	0.10 87	0.11 45	0.11 85	0.08 188	0.05 106	0.09 224	0.08 209	0.06 101	0.11 290

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 115	0.14 58	0.13 102	0.11 52	0.09 37	0.08 49	0.13 132	0.10 49	0.08 188	0.05 106	0.08 161	0.05 31	0.05 40	0.05 51

Anonymous3	0.16 235	0.13 290	0.33 334	0.26 342	0.14 315	0.27 328	0.17 189	0.28 245	0.28 240	0.15 146	0.17 119	0.14 125	0.10 87	0.15 165	0.12 127	0.08 188	0.08 266	0.08 161	0.08 209	0.08 197	0.11 290

raftrobust	0.09 11	0.06 19	0.10 44	0.17 113	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 87	0.07 31	0.12 100	0.10 49	0.08 188	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

sCroCo_RVC	0.12 134	0.09 188	0.23 297	0.24 326	0.11 252	0.19 251	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 87	0.07 31	0.14 147	0.11 85	0.08 188	0.08 266	0.08 161	0.08 209	0.05 40	0.07 156

Anonymous	0.14 184	0.10 235	0.24 300	0.22 302	0.13 298	0.18 232	0.22 300	0.20 121	0.19 127	0.14 122	0.12 60	0.11 73	0.13 168	0.16 196	0.13 156	0.08 188	0.07 244	0.08 161	0.08 209	0.12 300	0.10 267

GES	0.14 184	0.08 139	0.16 219	0.15 38	0.10 214	0.13 129	0.13 43	0.28 245	0.25 209	0.16 171	0.23 186	0.18 190	0.13 168	0.16 196	0.13 156	0.08 188	0.07 244	0.07 98	0.06 85	0.08 197	0.09 249

SFCPSM	0.13 155	0.07 69	0.14 153	0.17 113	0.09 130	0.15 175	0.16 169	0.28 245	0.27 229	0.14 122	0.17 119	0.12 87	0.13 168	0.14 147	0.11 85	0.08 188	0.05 106	0.07 98	0.07 159	0.07 155	0.06 98

delet	0.17 254	0.08 139	0.17 244	0.19 225	0.11 252	0.20 263	0.21 291	0.30 269	0.37 300	0.17 183	0.26 238	0.19 198	0.19 267	0.19 239	0.21 279	0.08 188	0.08 266	0.09 224	0.11 303	0.06 101	0.06 98

aanetorigin	0.22 303	0.17 326	0.56 369	0.17 113	0.10 214	0.15 175	0.19 260	0.20 121	0.33 272	0.49 369	0.48 353	0.29 288	0.27 319	0.20 258	0.23 298	0.08 188	0.07 244	0.08 161	0.07 159	0.10 271	0.09 249

EDNetEfficientorigin	7.91 415	0.31 373	153.02 434	0.19 225	0.09 130	0.21 277	0.16 169	0.22 154	0.59 367	0.72 384	0.67 375	0.42 351	0.50 377	0.24 304	0.39 371	0.08 188	0.07 244	0.08 161	0.07 159	0.12 300	0.10 267

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 188	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
FENet	0.13 155	0.08 139	0.12 90	0.16 67	0.08 47	0.14 153	0.15 114	0.22 154	0.23 180	0.17 183	0.23 186	0.16 160	0.12 136	0.14 147	0.15 207	0.08 188	0.05 106	0.08 161	0.08 209	0.07 155	0.07 156

FADNet_RVC	0.16 235	0.14 302	0.40 350	0.20 265	0.11 252	0.13 129	0.13 43	0.26 213	0.22 172	0.21 247	0.23 186	0.20 208	0.17 243	0.14 147	0.16 221	0.08 188	0.08 266	0.12 307	0.09 248	0.11 286	0.10 267

SuperB	0.20 285	0.10 235	0.56 369	0.16 67	0.09 130	0.18 232	0.18 229	0.24 188	0.50 349	0.26 298	0.39 323	0.17 179	0.21 279	0.22 285	0.21 279	0.08 188	0.06 187	0.06 31	0.06 85	0.12 300	0.10 267

ADCL	0.24 326	0.11 255	0.47 359	0.22 302	0.12 281	0.34 351	0.29 358	0.29 255	0.56 361	0.24 280	0.46 350	0.30 296	0.30 339	0.29 331	0.29 344	0.08 188	0.07 244	0.09 224	0.09 248	0.10 271	0.10 267

CFNet	0.15 217	0.10 235	0.17 244	0.17 113	0.08 47	0.18 232	0.09 3	0.28 245	0.25 209	0.19 222	0.24 194	0.24 249	0.17 243	0.17 217	0.14 184	0.08 188	0.06 187	0.09 224	0.10 280	0.07 155	0.06 98

StereoDRNet-Refined	0.17 254	0.12 269	0.15 190	0.20 265	0.09 130	0.18 232	0.18 229	0.26 213	0.23 180	0.26 298	0.40 328	0.22 231	0.17 243	0.21 274	0.20 260	0.08 188	0.05 106	0.09 224	0.10 280	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DISCO	0.19 276	0.09 188	0.22 288	0.17 113	0.10 214	0.25 313	0.18 229	0.27 231	0.44 332	0.22 260	0.31 277	0.33 317	0.26 311	0.28 325	0.28 341	0.08 188	0.06 187	0.07 98	0.07 159	0.09 244	0.09 249

DLCB_ROB	0.18 266	0.10 235	0.15 190	0.23 321	0.11 252	0.24 303	0.18 229	0.29 255	0.28 240	0.27 304	0.28 254	0.28 281	0.24 300	0.19 239	0.20 260	0.08 188	0.08 266	0.09 224	0.09 248	0.07 155	0.07 156

GMStereo_Zeroshot	0.16 235	0.13 290	0.24 300	0.20 265	0.10 214	0.17 217	0.13 43	0.29 255	0.25 209	0.23 272	0.32 281	0.25 259	0.11 107	0.19 239	0.14 184	0.09 233	0.06 187	0.11 292	0.06 85	0.12 300	0.08 216

StereoVision	0.13 155	0.12 269	0.09 28	0.24 326	0.10 214	0.15 175	0.21 291	0.21 138	0.20 148	0.12 82	0.24 194	0.10 57	0.10 87	0.16 196	0.10 49	0.09 233	0.11 316	0.12 307	0.12 321	0.06 101	0.05 51

CFNet_ucs	0.15 217	0.08 139	0.16 219	0.16 67	0.11 252	0.14 153	0.14 69	0.30 269	0.34 283	0.16 171	0.24 194	0.23 243	0.14 191	0.18 228	0.15 207	0.09 233	0.06 187	0.08 161	0.07 159	0.09 244	0.09 249

coex-ft	3.30 410	0.34 375	59.09 433	0.18 180	0.13 298	0.26 321	0.22 300	0.27 231	0.72 382	1.90 411	0.70 379	0.44 356	0.45 373	0.29 331	0.41 376	0.09 233	0.09 289	0.12 307	0.09 248	0.14 329	0.13 314

fast-acv-ft	0.18 266	0.11 255	0.19 270	0.19 225	0.12 281	0.24 303	0.21 291	0.25 201	0.34 283	0.22 260	0.34 298	0.27 274	0.20 275	0.21 274	0.23 298	0.09 233	0.09 289	0.08 161	0.10 280	0.08 197	0.07 156

iinet-f	0.16 235	0.06 19	0.45 355	0.14 13	0.10 214	0.21 277	0.14 69	0.27 231	0.23 180	0.21 247	0.24 194	0.21 214	0.15 204	0.18 228	0.21 279	0.09 233	0.07 244	0.07 98	0.06 85	0.09 244	0.10 267

CASS	0.13 155	0.12 269	0.11 70	0.23 321	0.09 130	0.15 175	0.17 189	0.18 96	0.19 127	0.17 183	0.18 141	0.15 149	0.15 204	0.14 147	0.14 184	0.09 233	0.06 187	0.10 265	0.08 209	0.09 244	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
riskmin	0.11 79	0.06 19	0.13 127	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 58	0.14 79	0.16 160	0.11 107	0.14 147	0.12 127	0.09 233	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

Wz-Net-MNSev	0.22 303	0.13 290	0.31 329	0.20 265	0.14 315	0.36 360	0.24 319	0.33 301	0.44 332	0.28 315	0.40 328	0.38 337	0.19 267	0.24 304	0.25 317	0.09 233	0.07 244	0.09 224	0.09 248	0.12 300	0.10 267

CRFU-Net	0.16 235	0.08 139	0.14 153	0.17 113	0.09 130	0.19 251	0.14 69	0.26 213	0.20 148	0.28 315	0.27 245	0.29 288	0.17 243	0.19 239	0.17 232	0.09 233	0.09 289	0.07 98	0.07 159	0.08 197	0.08 216

CSP-Net	0.16 235	0.09 188	0.14 153	0.16 67	0.09 130	0.19 251	0.17 189	0.25 201	0.32 266	0.25 293	0.30 269	0.24 249	0.15 204	0.21 274	0.18 246	0.09 233	0.06 187	0.07 98	0.07 159	0.08 197	0.07 156

WZ-Net	0.28 346	0.17 326	0.78 390	0.22 302	0.16 336	0.34 351	0.29 358	0.39 345	0.57 363	0.24 280	0.55 363	0.37 333	0.24 300	0.33 343	0.35 362	0.09 233	0.08 266	0.09 224	0.10 280	0.14 329	0.16 350

AACVNet	0.16 235	0.08 139	0.14 153	0.15 38	0.10 214	0.18 232	0.15 114	0.23 171	0.24 190	0.27 304	0.27 245	0.28 281	0.17 243	0.19 239	0.16 221	0.09 233	0.07 244	0.09 224	0.07 159	0.10 271	0.09 249

ICVP	0.15 217	0.09 188	0.12 90	0.22 302	0.09 130	0.17 217	0.21 291	0.25 201	0.23 180	0.18 209	0.30 269	0.26 267	0.18 252	0.17 217	0.14 184	0.09 233	0.07 244	0.08 161	0.07 159	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sAnonymous2	0.13 155	0.12 269	0.24 300	0.20 265	0.12 281	0.17 217	0.13 43	0.26 213	0.21 161	0.11 58	0.11 52	0.13 110	0.08 49	0.10 18	0.10 49	0.09 233	0.05 106	0.08 161	0.06 85	0.15 340	0.10 267

CroCo_RVC	0.13 155	0.12 269	0.24 300	0.20 265	0.12 281	0.17 217	0.13 43	0.26 213	0.21 161	0.11 58	0.11 52	0.13 110	0.08 49	0.10 18	0.10 49	0.09 233	0.05 106	0.08 161	0.06 85	0.15 340	0.10 267

xxxx	0.15 217	0.07 69	0.14 153	0.14 13	0.08 47	0.23 298	0.18 229	0.31 275	0.19 127	0.14 122	0.28 254	0.22 231	0.14 191	0.15 165	0.26 326	0.09 233	0.05 106	0.07 98	0.07 159	0.08 197	0.07 156

test_xeample	0.15 217	0.06 19	0.13 127	0.14 13	0.08 47	0.21 277	0.20 275	0.28 245	0.20 148	0.16 171	0.29 265	0.19 198	0.16 224	0.15 165	0.26 326	0.09 233	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

psm_up	0.18 266	0.10 235	0.18 261	0.20 265	0.11 252	0.17 217	0.19 260	0.37 334	0.34 283	0.21 247	0.28 254	0.29 288	0.24 300	0.20 258	0.22 288	0.09 233	0.10 307	0.11 292	0.11 303	0.08 197	0.08 216

UPFNet	0.16 235	0.08 139	0.12 90	0.20 265	0.12 281	0.20 263	0.23 310	0.28 245	0.26 222	0.17 183	0.24 194	0.22 231	0.19 267	0.19 239	0.21 279	0.09 233	0.07 244	0.08 161	0.09 248	0.08 197	0.06 98

EDNetEfficient	0.29 350	0.24 358	1.13 399	0.18 180	0.10 214	0.19 251	0.20 275	0.20 121	0.60 370	0.74 388	0.56 368	0.31 306	0.39 360	0.22 285	0.30 348	0.09 233	0.07 244	0.08 161	0.07 159	0.11 286	0.09 249

ac_64	0.16 235	0.08 139	0.15 190	0.18 180	0.10 214	0.22 285	0.18 229	0.24 188	0.21 161	0.18 209	0.24 194	0.29 288	0.18 252	0.19 239	0.22 288	0.09 233	0.07 244	0.08 161	0.09 248	0.07 155	0.06 98

HGLStereo	0.17 254	0.08 139	0.19 270	0.17 113	0.12 281	0.18 232	0.18 229	0.31 275	0.32 266	0.21 247	0.32 281	0.25 259	0.18 252	0.19 239	0.20 260	0.09 233	0.09 289	0.07 98	0.07 159	0.09 244	0.10 267

FAT-Stereo	0.20 285	0.12 269	0.22 288	0.21 289	0.12 281	0.17 217	0.18 229	0.34 311	0.39 308	0.27 304	0.37 310	0.34 323	0.32 346	0.21 274	0.20 260	0.09 233	0.11 316	0.10 265	0.09 248	0.11 286	0.14 331

S-Stereo	0.20 285	0.12 269	0.25 306	0.21 289	0.13 298	0.20 263	0.18 229	0.32 284	0.43 328	0.23 272	0.36 304	0.28 281	0.30 339	0.19 239	0.22 288	0.09 233	0.12 325	0.10 265	0.10 280	0.13 317	0.13 314

ADCP+	0.20 285	0.10 235	0.33 334	0.20 265	0.12 281	0.22 285	0.26 338	0.31 275	0.34 283	0.26 298	0.37 310	0.22 231	0.22 288	0.27 314	0.27 333	0.09 233	0.06 187	0.08 161	0.08 209	0.09 244	0.10 267

PA-Net	0.23 318	0.18 336	0.33 334	0.28 356	0.22 365	0.21 277	0.38 380	0.29 255	0.39 308	0.22 260	0.32 281	0.25 259	0.26 311	0.20 258	0.25 317	0.09 233	0.23 376	0.15 339	0.22 364	0.09 244	0.13 314
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NLCA_NET_v2_RVC	0.17 254	0.10 235	0.22 288	0.20 265	0.10 214	0.15 175	0.18 229	0.31 275	0.25 209	0.21 247	0.30 269	0.25 259	0.17 243	0.21 274	0.20 260	0.09 233	0.06 187	0.08 161	0.08 209	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NVstereo2D	0.19 276	0.10 235	0.15 190	0.17 113	0.15 326	0.28 334	0.23 310	0.44 364	0.42 323	0.15 146	0.27 245	0.25 259	0.19 267	0.22 285	0.17 232	0.09 233	0.06 187	0.10 265	0.08 209	0.15 340	0.09 249

StereoDRNet	0.18 266	0.11 255	0.17 244	0.22 302	0.11 252	0.21 277	0.22 300	0.37 334	0.33 272	0.24 280	0.28 254	0.30 296	0.19 267	0.20 258	0.20 260	0.09 233	0.08 266	0.11 292	0.09 248	0.09 244	0.07 156

FBW_ROB	0.24 326	0.17 326	0.22 288	0.26 342	0.14 315	0.25 313	0.22 300	0.41 354	0.41 317	0.41 358	0.41 338	0.42 351	0.27 319	0.31 335	0.23 298	0.09 233	0.14 345	0.14 331	0.12 321	0.11 286	0.09 249

Wz-Net-SNSev	0.25 335	0.17 326	0.44 354	0.25 337	0.14 315	0.26 321	0.23 310	0.38 341	0.56 361	0.30 324	0.55 363	0.39 345	0.26 311	0.23 296	0.30 348	0.10 264	0.09 289	0.09 224	0.10 280	0.11 286	0.11 290

Wz-Net-LNSev	0.22 303	0.16 315	0.38 347	0.21 289	0.13 298	0.25 313	0.23 310	0.32 284	0.43 328	0.30 324	0.41 338	0.31 306	0.18 252	0.22 285	0.25 317	0.10 264	0.09 289	0.08 161	0.08 209	0.12 300	0.11 290

UDGNet	0.14 184	0.13 290	0.16 219	0.17 113	0.10 214	0.12 104	0.16 169	0.21 138	0.27 229	0.20 239	0.20 157	0.16 160	0.13 168	0.16 196	0.13 156	0.10 264	0.06 187	0.09 224	0.07 159	0.06 101	0.07 156

dd	0.15 217	0.16 315	0.16 219	0.19 225	0.09 130	0.15 175	0.18 229	0.21 138	0.25 209	0.23 272	0.20 157	0.21 214	0.09 66	0.21 274	0.16 221	0.10 264	0.06 187	0.08 161	0.06 85	0.08 197	0.06 98

AASNet	0.16 235	0.08 139	0.12 90	0.19 225	0.09 130	0.18 232	0.15 114	0.37 334	0.37 300	0.19 222	0.23 186	0.20 208	0.16 224	0.17 217	0.20 260	0.10 264	0.08 266	0.08 161	0.07 159	0.09 244	0.09 249

GEStereo_RVC	0.17 254	0.12 269	0.15 190	0.22 302	0.11 252	0.19 251	0.17 189	0.32 284	0.48 342	0.20 239	0.25 223	0.17 179	0.13 168	0.21 274	0.16 221	0.10 264	0.06 187	0.08 161	0.07 159	0.09 244	0.08 216

ADLNet	0.16 235	0.08 139	0.15 190	0.16 67	0.10 214	0.16 198	0.17 189	0.32 284	0.27 229	0.22 260	0.27 245	0.24 249	0.16 224	0.18 228	0.21 279	0.10 264	0.06 187	0.10 265	0.10 280	0.08 197	0.09 249

222	0.16 235	0.07 69	0.14 153	0.14 13	0.08 47	0.24 303	0.18 229	0.30 269	0.20 148	0.17 183	0.28 254	0.17 179	0.16 224	0.15 165	0.40 373	0.10 264	0.05 106	0.07 98	0.06 85	0.07 155	0.08 216

cf-r	0.13 155	0.07 69	0.12 90	0.16 67	0.08 47	0.14 153	0.19 260	0.20 121	0.25 209	0.17 183	0.25 223	0.21 214	0.16 224	0.14 147	0.14 184	0.10 264	0.05 106	0.06 31	0.08 209	0.06 101	0.06 98

GANet-RSSM	0.14 184	0.07 69	0.13 127	0.13 6	0.08 47	0.14 153	0.17 189	0.22 154	0.21 161	0.17 183	0.24 194	0.23 243	0.15 204	0.16 196	0.15 207	0.10 264	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

GwcNet-RSSM	0.14 184	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 275	0.21 138	0.27 229	0.18 209	0.27 245	0.22 231	0.16 224	0.14 147	0.15 207	0.10 264	0.05 106	0.07 98	0.09 248	0.07 155	0.07 156

DSFCA	0.16 235	0.09 188	0.14 153	0.16 67	0.10 214	0.20 263	0.19 260	0.28 245	0.31 260	0.23 272	0.24 194	0.22 231	0.15 204	0.19 239	0.20 260	0.10 264	0.07 244	0.09 224	0.09 248	0.08 197	0.08 216

DMCA	0.14 184	0.09 188	0.16 219	0.19 225	0.09 130	0.15 175	0.17 189	0.23 171	0.27 229	0.14 122	0.19 146	0.17 179	0.18 252	0.15 165	0.17 232	0.10 264	0.06 187	0.08 161	0.06 85	0.09 244	0.10 267

stereogan	0.22 303	0.11 255	0.21 283	0.20 265	0.12 281	0.31 341	0.19 260	0.35 323	0.44 332	0.22 260	0.39 323	0.35 327	0.27 319	0.33 343	0.22 288	0.10 264	0.12 325	0.10 265	0.10 280	0.14 329	0.13 314

RTSC	0.23 318	0.12 269	0.28 318	0.21 289	0.13 298	0.28 334	0.16 169	0.35 323	0.66 377	0.27 304	0.33 294	0.30 296	0.21 279	0.31 335	0.29 344	0.10 264	0.08 266	0.09 224	0.10 280	0.13 317	0.13 314

RTS	0.45 375	0.19 339	3.26 408	0.24 326	0.15 326	0.74 390	0.20 275	0.36 329	0.76 387	0.42 361	0.43 346	0.31 306	0.41 367	0.53 381	0.35 362	0.10 264	0.08 266	0.13 321	0.12 321	0.15 340	0.15 339

RTSA	0.45 375	0.19 339	3.26 408	0.24 326	0.15 326	0.74 390	0.20 275	0.36 329	0.76 387	0.42 361	0.43 346	0.31 306	0.41 367	0.53 381	0.35 362	0.10 264	0.08 266	0.13 321	0.12 321	0.15 340	0.15 339

ADCMid	0.25 335	0.15 308	0.40 350	0.20 265	0.14 315	0.25 313	0.26 338	0.34 311	0.38 305	0.36 344	0.44 348	0.34 323	0.40 363	0.35 352	0.33 359	0.10 264	0.09 289	0.11 292	0.11 303	0.13 317	0.12 301

RYNet	0.22 303	0.12 269	0.22 288	0.19 225	0.17 349	0.46 367	0.26 338	0.38 341	0.48 342	0.24 280	0.28 254	0.34 323	0.23 294	0.20 258	0.30 348	0.10 264	0.06 187	0.09 224	0.09 248	0.13 317	0.15 339

GANet	0.21 294	0.12 269	0.21 283	0.24 326	0.13 298	0.22 285	0.22 300	0.41 354	0.26 222	0.31 330	0.42 343	0.37 333	0.28 327	0.23 296	0.22 288	0.10 264	0.12 325	0.10 265	0.09 248	0.10 271	0.08 216

PWC_ROB	0.21 294	0.16 315	0.26 307	0.18 180	0.11 252	0.22 285	0.13 43	0.32 284	0.49 347	0.30 324	0.40 328	0.32 314	0.24 300	0.31 335	0.22 288	0.10 264	0.07 244	0.11 292	0.08 209	0.11 286	0.10 267

ttt	0.14 184	0.08 139	0.14 153	0.15 38	0.08 47	0.15 175	0.18 229	0.27 231	0.29 247	0.16 171	0.24 194	0.17 179	0.13 168	0.13 132	0.14 184	0.11 285	0.08 266	0.09 224	0.08 209	0.09 244	0.08 216

ssnet_v2	0.17 254	0.10 235	0.17 244	0.17 113	0.11 252	0.21 277	0.21 291	0.33 301	0.25 209	0.22 260	0.22 180	0.27 274	0.18 252	0.22 285	0.20 260	0.11 285	0.09 289	0.09 224	0.09 248	0.08 197	0.08 216

SACVNet	0.18 266	0.12 269	0.14 153	0.17 113	0.13 298	0.22 285	0.18 229	0.31 275	0.30 254	0.23 272	0.31 277	0.30 296	0.22 288	0.22 285	0.17 232	0.11 285	0.08 266	0.10 265	0.10 280	0.12 300	0.14 331

HCRNet	0.16 235	0.24 358	0.12 90	0.35 372	0.11 252	0.15 175	0.17 189	0.26 213	0.22 172	0.19 222	0.24 194	0.21 214	0.14 191	0.15 165	0.13 156	0.11 285	0.07 244	0.11 292	0.10 280	0.09 244	0.07 156

APVNet	0.22 303	0.12 269	0.19 270	0.18 180	0.14 315	0.32 342	0.31 371	0.39 345	0.32 266	0.27 304	0.40 328	0.30 296	0.29 335	0.26 311	0.25 317	0.11 285	0.12 325	0.11 292	0.14 334	0.12 300	0.12 301

psmorigin	0.25 335	0.15 308	0.34 342	0.17 113	0.13 298	0.23 298	0.14 69	0.34 311	0.33 272	0.41 358	0.55 363	0.41 350	0.37 357	0.34 346	0.27 333	0.11 285	0.15 351	0.11 292	0.11 303	0.12 300	0.16 350

GwcNet	0.20 285	0.13 290	0.19 270	0.18 180	0.12 281	0.24 303	0.19 260	0.35 323	0.43 328	0.20 239	0.32 281	0.33 317	0.20 275	0.22 285	0.24 308	0.11 285	0.09 289	0.09 224	0.09 248	0.09 244	0.10 267

PSMNet-RSSM	0.14 184	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 169	0.24 188	0.24 190	0.16 171	0.28 254	0.22 231	0.14 191	0.15 165	0.13 156	0.11 285	0.06 187	0.09 224	0.12 321	0.08 197	0.07 156

CFNet-ft	0.14 184	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 229	0.22 154	0.24 190	0.17 183	0.26 238	0.24 249	0.14 191	0.16 196	0.14 184	0.11 285	0.06 187	0.08 161	0.09 248	0.09 244	0.08 216

AF-Net	0.22 303	0.17 326	0.17 244	0.26 342	0.13 298	0.25 313	0.24 319	0.32 284	0.50 349	0.25 293	0.33 294	0.38 337	0.26 311	0.28 325	0.25 317	0.11 285	0.10 307	0.16 345	0.11 303	0.11 286	0.10 267

RP	0.21 294	0.13 290	0.21 283	0.23 321	0.11 252	0.21 277	0.20 275	0.25 201	0.44 332	0.21 247	0.38 315	0.36 329	0.24 300	0.27 314	0.25 317	0.11 285	0.12 325	0.13 321	0.12 321	0.12 300	0.14 331

RGC	0.25 335	0.20 344	0.29 324	0.28 356	0.16 336	0.22 285	0.23 310	0.32 284	0.44 332	0.27 304	0.40 328	0.38 337	0.27 319	0.36 357	0.22 288	0.11 285	0.13 338	0.17 347	0.17 353	0.14 329	0.16 350

G-Net	0.24 326	0.16 315	0.36 343	0.22 302	0.16 336	0.51 373	0.23 310	0.29 255	0.34 283	0.36 344	0.38 315	0.31 306	0.29 335	0.27 314	0.26 326	0.11 285	0.09 289	0.12 307	0.09 248	0.16 347	0.13 314

Nwc_Net	0.23 318	0.16 315	0.21 283	0.25 337	0.14 315	0.24 303	0.26 338	0.37 334	0.38 305	0.22 260	0.41 338	0.30 296	0.28 327	0.28 325	0.25 317	0.11 285	0.10 307	0.17 347	0.20 359	0.10 271	0.10 267

DANet	0.21 294	0.15 308	0.28 318	0.25 337	0.13 298	0.22 285	0.19 260	0.27 231	0.27 229	0.28 315	0.32 281	0.35 327	0.31 343	0.31 335	0.23 298	0.11 285	0.09 289	0.11 292	0.10 280	0.13 317	0.11 290
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
TDLM	0.17 254	0.12 269	0.13 127	0.24 326	0.10 214	0.18 232	0.18 229	0.36 329	0.30 254	0.21 247	0.28 254	0.28 281	0.18 252	0.23 296	0.18 246	0.11 285	0.07 244	0.10 265	0.10 280	0.08 197	0.08 216

CFNet_RVC	0.14 184	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 229	0.22 154	0.24 190	0.17 183	0.26 238	0.24 249	0.14 191	0.16 196	0.14 184	0.11 285	0.06 187	0.08 161	0.09 248	0.09 244	0.08 216

DPSNet	0.28 346	0.16 315	0.31 329	0.18 180	0.13 298	0.54 375	0.42 384	0.51 376	0.67 378	0.29 321	0.38 315	0.38 337	0.29 335	0.31 335	0.23 298	0.11 285	0.10 307	0.11 292	0.08 209	0.20 361	0.16 350

DRN-Test	0.19 276	0.11 255	0.20 278	0.22 302	0.10 214	0.22 285	0.22 300	0.39 345	0.37 300	0.24 280	0.32 281	0.26 267	0.21 279	0.22 285	0.24 308	0.11 285	0.07 244	0.11 292	0.10 280	0.09 244	0.07 156

NaN_ROB	0.22 303	0.19 339	0.24 300	0.25 337	0.13 298	0.29 337	0.26 338	0.33 301	0.41 317	0.31 330	0.31 277	0.32 314	0.23 294	0.30 334	0.21 279	0.11 285	0.17 359	0.10 265	0.10 280	0.08 197	0.09 249

MDST_ROB	0.22 303	0.10 235	0.17 244	0.18 180	0.11 252	0.37 361	0.19 260	0.43 362	0.41 317	0.39 351	0.39 323	0.29 288	0.21 279	0.26 311	0.18 246	0.11 285	0.10 307	0.14 331	0.11 303	0.10 271	0.08 216

ETE_ROB	0.23 318	0.17 326	0.22 288	0.25 337	0.13 298	0.26 321	0.29 358	0.31 275	0.36 294	0.28 315	0.36 304	0.45 358	0.26 311	0.27 314	0.26 326	0.11 285	0.08 266	0.12 307	0.09 248	0.14 329	0.13 314

PWCDC_ROB	0.20 285	0.13 290	0.22 288	0.24 326	0.11 252	0.19 251	0.15 114	0.33 301	0.54 358	0.29 321	0.50 358	0.21 214	0.15 204	0.27 314	0.20 260	0.11 285	0.09 289	0.10 265	0.08 209	0.11 286	0.09 249

WCMA_ROB	0.24 326	0.11 255	0.22 288	0.17 113	0.14 315	0.32 342	0.15 114	0.32 284	0.32 266	0.38 349	0.53 360	0.40 348	0.34 351	0.34 346	0.25 317	0.11 285	0.12 325	0.12 307	0.10 280	0.14 329	0.14 331

GASNet	0.22 303	0.23 355	0.33 334	0.26 342	0.17 349	0.26 321	0.16 169	0.44 364	0.42 323	0.27 304	0.24 194	0.30 296	0.15 204	0.27 314	0.18 246	0.12 309	0.08 266	0.12 307	0.11 303	0.16 347	0.07 156

Wz-Net-TNSev	0.29 350	0.20 344	0.65 376	0.19 225	0.15 326	0.38 363	0.27 345	0.35 323	0.55 359	0.34 341	0.42 343	0.45 358	0.38 358	0.32 341	0.30 348	0.12 309	0.13 338	0.10 265	0.12 321	0.15 340	0.14 331

DGSMNet	0.24 326	0.19 339	0.33 334	0.21 289	0.24 368	0.24 303	0.20 275	0.35 323	0.41 317	0.24 280	0.32 281	0.38 337	0.21 279	0.29 331	0.23 298	0.12 309	0.11 316	0.14 331	0.16 346	0.23 365	0.23 370

hitnet-ft	0.18 266	0.09 188	0.17 244	0.14 13	0.09 130	0.26 321	0.20 275	0.25 201	0.26 222	0.24 280	0.32 281	0.31 306	0.22 288	0.24 304	0.21 279	0.12 309	0.07 244	0.10 265	0.08 209	0.12 300	0.11 290

DMCA-RVC	0.17 254	0.10 235	0.15 190	0.24 326	0.11 252	0.18 232	0.18 229	0.25 201	0.24 190	0.21 247	0.26 238	0.25 259	0.27 319	0.18 228	0.20 260	0.12 309	0.08 266	0.13 321	0.10 280	0.10 271	0.08 216

FADNet-RVC	0.20 285	0.20 344	0.38 347	0.21 289	0.16 336	0.20 263	0.15 114	0.26 213	0.26 222	0.26 298	0.32 281	0.26 267	0.21 279	0.22 285	0.19 254	0.12 309	0.13 338	0.12 307	0.14 334	0.13 317	0.18 359

STTStereo	0.18 266	0.12 269	0.27 313	0.20 265	0.11 252	0.16 198	0.21 291	0.29 255	0.23 180	0.21 247	0.30 269	0.29 288	0.18 252	0.20 258	0.19 254	0.12 309	0.11 316	0.11 292	0.14 334	0.09 244	0.08 216

NCC-stereo	0.24 326	0.15 308	0.31 329	0.26 342	0.16 336	0.20 263	0.30 365	0.40 349	0.40 314	0.24 280	0.38 315	0.33 317	0.28 327	0.36 357	0.27 333	0.12 309	0.11 316	0.15 339	0.22 364	0.13 317	0.13 314

Abc-Net	0.24 326	0.15 308	0.31 329	0.26 342	0.16 336	0.20 263	0.30 365	0.40 349	0.40 314	0.24 280	0.38 315	0.33 317	0.28 327	0.36 357	0.27 333	0.12 309	0.11 316	0.15 339	0.22 364	0.13 317	0.13 314
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 341	0.15 308	0.30 327	0.24 326	0.18 356	0.22 285	0.15 114	0.38 341	0.71 381	0.32 336	0.41 338	0.36 329	0.28 327	0.32 341	0.29 344	0.12 309	0.11 316	0.14 331	0.13 330	0.16 347	0.20 365

AnyNet_C32	0.26 341	0.16 315	0.36 343	0.20 265	0.16 336	0.25 313	0.30 365	0.32 284	0.44 332	0.31 330	0.49 354	0.30 296	0.33 347	0.40 369	0.33 359	0.12 309	0.12 325	0.12 307	0.14 334	0.14 329	0.15 339

ADCPNet	0.25 335	0.16 315	0.61 373	0.21 289	0.15 326	0.35 359	0.25 332	0.32 284	0.35 290	0.30 324	0.40 328	0.36 329	0.28 327	0.28 325	0.32 356	0.12 309	0.10 307	0.11 292	0.12 321	0.14 329	0.13 314

CVANet_RVC	0.18 266	0.10 235	0.14 153	0.21 289	0.10 214	0.18 232	0.17 189	0.34 311	0.33 272	0.22 260	0.31 277	0.28 281	0.18 252	0.23 296	0.17 232	0.12 309	0.08 266	0.12 307	0.11 303	0.09 244	0.07 156

UCFNet_RVC	0.14 184	0.08 139	0.13 127	0.11 1	0.10 214	0.20 263	0.10 6	0.24 188	0.22 172	0.17 183	0.20 157	0.23 243	0.15 204	0.17 217	0.15 207	0.12 309	0.07 244	0.10 265	0.13 330	0.11 286	0.10 267

AdaStereo	0.15 217	0.11 255	0.15 190	0.18 180	0.09 130	0.20 263	0.11 11	0.32 284	0.28 240	0.20 239	0.23 186	0.20 208	0.13 168	0.19 239	0.14 184	0.12 309	0.05 106	0.10 265	0.07 159	0.09 244	0.07 156
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.
LSM	0.33 361	0.20 344	0.58 371	0.26 342	0.60 396	0.34 351	0.25 332	0.42 359	0.48 342	0.45 366	0.58 371	0.42 351	0.36 355	0.35 352	0.25 317	0.12 309	0.20 367	0.14 331	0.16 346	0.19 360	0.33 384

SANet	0.24 326	0.14 302	0.28 318	0.21 289	0.11 252	0.27 328	0.24 319	0.38 341	0.64 374	0.36 344	0.40 328	0.43 354	0.26 311	0.27 314	0.24 308	0.12 309	0.09 289	0.10 265	0.09 248	0.13 317	0.11 290

PDISCO_ROB	0.27 343	0.16 315	0.26 307	0.28 356	0.20 361	0.32 342	0.26 338	0.44 364	0.57 363	0.28 315	0.40 328	0.45 358	0.29 335	0.33 343	0.34 361	0.12 309	0.09 289	0.17 347	0.16 346	0.17 354	0.13 314

DispFullNet	0.27 343	0.21 350	0.65 376	0.28 356	0.16 336	0.26 321	0.17 189	0.33 301	0.58 366	0.27 304	0.38 315	0.43 354	0.23 294	0.38 362	0.23 298	0.12 309	0.06 187	0.19 357	0.11 303	0.21 362	0.15 339

PSMNet_ROB	0.21 294	0.11 255	0.15 190	0.27 353	0.15 326	0.24 303	0.35 375	0.43 362	0.37 300	0.27 304	0.32 281	0.32 314	0.22 288	0.21 274	0.26 326	0.12 309	0.08 266	0.13 321	0.11 303	0.09 244	0.09 249

DLNR_Zeroshot_test	10.40 419	1.82 414	19.49 429	120.77 434	13.11 424	0.06 2	0.13 43	0.23 171	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 329	0.04 2	0.06 31	0.04 8	51.54 433	0.04 7

pcwnet_v2	0.19 276	0.10 235	0.26 307	0.17 113	0.14 315	0.18 232	0.15 114	0.37 334	0.46 340	0.19 222	0.24 194	0.21 214	0.19 267	0.20 258	0.19 254	0.13 329	0.10 307	0.10 265	0.10 280	0.11 286	0.13 314

FADNet	0.21 294	0.22 354	0.36 343	0.18 180	0.17 349	0.24 303	0.13 43	0.31 275	0.31 260	0.23 272	0.25 223	0.27 274	0.21 279	0.19 239	0.15 207	0.13 329	0.15 351	0.12 307	0.15 344	0.16 347	0.18 359

edge stereo	0.22 303	0.13 290	0.20 278	0.21 289	0.13 298	0.23 298	0.16 169	0.32 284	0.42 323	0.32 336	0.40 328	0.38 337	0.35 353	0.25 309	0.24 308	0.13 329	0.11 316	0.14 331	0.11 303	0.12 300	0.13 314

XQC	0.28 346	0.23 355	0.51 362	0.28 356	0.19 358	0.34 351	0.27 345	0.36 329	0.57 363	0.31 330	0.30 269	0.37 333	0.30 339	0.38 362	0.38 369	0.13 329	0.09 289	0.15 339	0.12 321	0.17 354	0.18 359

ADCS	0.29 350	0.18 336	0.45 355	0.21 289	0.17 349	0.28 334	0.23 310	0.41 354	0.63 373	0.40 354	0.49 354	0.40 348	0.36 355	0.39 365	0.40 373	0.13 329	0.12 325	0.13 321	0.14 334	0.16 347	0.16 350

AnyNet_C01	0.36 364	0.25 363	1.37 402	0.22 302	0.17 349	0.48 371	0.27 345	0.35 323	0.39 308	0.39 351	0.74 383	0.46 362	0.38 358	0.45 373	0.47 382	0.13 329	0.13 338	0.13 321	0.14 334	0.14 329	0.15 339

Anonymous Stereo	0.23 318	0.19 339	0.50 361	0.24 326	0.17 349	0.21 277	0.21 291	0.33 301	0.44 332	0.25 293	0.34 298	0.26 267	0.18 252	0.31 335	0.27 333	0.13 329	0.12 325	0.12 307	0.13 330	0.11 286	0.14 331

DeepPruner_ROB	0.16 235	0.11 255	0.15 190	0.17 113	0.10 214	0.17 217	0.15 114	0.32 284	0.21 161	0.19 222	0.21 171	0.22 231	0.18 252	0.20 258	0.15 207	0.13 329	0.09 289	0.09 224	0.09 248	0.11 286	0.10 267

SGM_RVC	0.23 318	0.12 269	0.15 190	0.15 38	0.09 130	0.33 348	0.18 229	0.34 311	0.31 260	0.44 365	0.37 310	0.53 371	0.35 353	0.35 352	0.24 308	0.13 329	0.13 338	0.13 321	0.13 330	0.10 271	0.11 290
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
CBMV	0.19 276	0.14 302	0.17 244	0.18 180	0.10 214	0.20 263	0.11 11	0.29 255	0.30 254	0.29 321	0.30 269	0.30 296	0.23 294	0.27 314	0.19 254	0.13 329	0.15 351	0.17 347	0.16 346	0.10 271	0.10 267
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
HBP-ISP	0.18 266	0.13 290	0.16 219	0.15 38	0.11 252	0.08 23	0.13 43	0.28 245	0.29 247	0.22 260	0.33 294	0.21 214	0.25 308	0.23 296	0.17 232	0.14 340	0.16 354	0.21 360	0.17 353	0.10 271	0.08 216

SGM-ForestM	0.32 358	0.12 269	0.16 219	0.16 67	0.11 252	0.39 364	0.19 260	0.41 354	0.50 349	0.52 371	0.54 362	1.32 401	0.42 370	0.40 369	0.27 333	0.14 340	0.16 354	0.16 345	0.16 346	0.12 300	0.12 301

MeshStereo	0.27 343	0.13 290	0.18 261	0.15 38	0.11 252	0.32 342	0.24 319	0.40 349	0.36 294	0.52 371	0.57 369	0.67 382	0.40 363	0.35 352	0.26 326	0.14 340	0.13 338	0.13 321	0.11 303	0.11 286	0.10 267
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
SQANet	0.23 318	0.23 355	0.30 327	0.30 365	0.19 358	0.27 328	0.13 43	0.29 255	0.33 272	0.24 280	0.37 310	0.31 306	0.22 288	0.27 314	0.23 298	0.15 343	0.10 307	0.21 360	0.16 346	0.21 362	0.15 339

UDG	0.21 294	0.17 326	0.19 270	0.23 321	0.15 326	0.30 340	0.20 275	0.33 301	0.35 290	0.23 272	0.28 254	0.31 306	0.27 319	0.20 258	0.22 288	0.15 343	0.12 325	0.13 321	0.09 248	0.14 329	0.14 331

MFN_U_SF_RVC	0.32 358	0.21 350	0.55 367	0.30 365	0.15 326	0.34 351	0.17 189	0.52 377	0.46 340	0.46 368	0.55 363	0.59 374	0.39 360	0.35 352	0.37 367	0.15 343	0.14 345	0.18 355	0.21 361	0.16 347	0.15 339

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 70	0.10 57	0.07 31	0.13 132	0.10 49	0.15 343	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

SAMSARA	0.40 368	0.28 368	0.33 334	0.55 387	0.39 381	0.82 397	1.23 411	0.47 370	0.51 356	0.36 344	0.35 301	0.55 373	0.39 360	0.38 362	0.39 371	0.15 343	0.20 367	0.15 339	0.14 334	0.23 365	0.20 365

DeepPrunerF	0.24 326	0.17 326	0.42 353	0.26 342	0.16 336	0.22 285	0.28 350	0.37 334	0.50 349	0.26 298	0.29 265	0.24 249	0.28 327	0.21 274	0.22 288	0.15 343	0.11 316	0.20 359	0.18 357	0.12 300	0.13 314

PS-NSSS	0.20 285	0.21 350	0.23 297	0.20 265	0.10 214	0.19 251	0.17 189	0.36 329	0.25 209	0.27 304	0.33 294	0.27 274	0.24 300	0.20 258	0.20 260	0.15 343	0.12 325	0.17 347	0.14 334	0.10 271	0.08 216

NCCL2	0.23 318	0.15 308	0.17 244	0.34 370	0.18 356	0.24 303	0.23 310	0.34 311	0.28 240	0.31 330	0.38 315	0.38 337	0.28 327	0.23 296	0.24 308	0.15 343	0.12 325	0.18 355	0.21 361	0.13 317	0.13 314

CBMV_ROB	0.19 276	0.13 290	0.17 244	0.16 67	0.11 252	0.15 175	0.13 43	0.26 213	0.28 240	0.27 304	0.30 269	0.27 274	0.24 300	0.23 296	0.16 221	0.15 343	0.17 359	0.22 364	0.20 359	0.10 271	0.11 290

XPNet_ROB	0.22 303	0.11 255	0.19 270	0.22 302	0.13 298	0.22 285	0.19 260	0.34 311	0.40 314	0.30 324	0.39 323	0.39 345	0.26 311	0.26 311	0.28 341	0.15 343	0.10 307	0.10 265	0.10 280	0.13 317	0.12 301

SGM-Forest	0.20 285	0.14 302	0.18 261	0.19 225	0.13 298	0.20 263	0.22 300	0.33 301	0.30 254	0.24 280	0.29 265	0.28 281	0.19 267	0.23 296	0.17 232	0.15 343	0.16 354	0.15 339	0.14 334	0.12 300	0.12 301
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SDNR	0.19 276	0.08 139	0.19 270	0.16 67	0.12 281	0.77 396	0.14 69	0.25 201	0.32 266	0.19 222	0.24 194	0.19 198	0.13 168	0.19 239	0.15 207	0.16 354	0.18 361	0.14 331	0.11 303	0.08 197	0.11 290

Syn2CoEx	0.21 294	0.16 315	0.27 313	0.29 363	0.14 315	0.26 321	0.20 275	0.33 301	0.31 260	0.28 315	0.36 304	0.27 274	0.25 308	0.19 239	0.24 308	0.16 354	0.12 325	0.14 331	0.11 303	0.09 244	0.08 216

NOSS_ROB	0.19 276	0.12 269	0.18 261	0.16 67	0.12 281	0.15 175	0.12 21	0.30 269	0.32 266	0.20 239	0.22 180	0.27 274	0.23 294	0.21 274	0.16 221	0.16 354	0.18 361	0.23 365	0.21 361	0.12 300	0.13 314

LALA_ROB	0.25 335	0.16 315	0.22 288	0.26 342	0.17 349	0.27 328	0.27 345	0.42 359	0.37 300	0.33 340	0.38 315	0.51 368	0.26 311	0.28 325	0.27 333	0.16 354	0.09 289	0.12 307	0.11 303	0.13 317	0.12 301

MaskLacGwcNet_RVC	0.22 303	0.21 350	0.24 300	0.26 342	0.11 252	0.23 298	0.14 69	0.39 345	0.24 190	0.32 336	0.36 304	0.30 296	0.21 279	0.19 239	0.21 279	0.17 358	0.14 345	0.21 360	0.16 346	0.12 300	0.12 301

dad	0.17 254	0.20 344	0.20 278	0.16 67	0.11 252	0.20 263	0.18 229	0.21 138	0.28 240	0.30 324	0.24 194	0.29 288	0.13 168	0.19 239	0.16 221	0.18 359	0.09 289	0.11 292	0.09 248	0.11 286	0.07 156

DDUNet	0.22 303	0.17 326	0.21 283	0.22 302	0.15 326	0.25 313	0.24 319	0.29 255	0.30 254	0.31 330	0.36 304	0.33 317	0.25 308	0.24 304	0.20 260	0.18 359	0.13 338	0.17 347	0.11 303	0.16 347	0.16 350

FINET	0.21 294	0.18 336	0.26 307	0.18 180	0.16 336	0.23 298	0.23 310	0.32 284	0.48 342	0.25 293	0.32 281	0.22 231	0.22 288	0.22 285	0.17 232	0.18 359	0.16 354	0.11 292	0.10 280	0.15 340	0.13 314

BEATNet-Init1	0.52 380	0.27 365	0.62 374	0.30 365	0.21 363	0.76 394	0.29 358	0.54 380	0.65 376	0.86 393	0.95 394	2.07 410	0.62 387	0.56 385	0.42 377	0.18 359	0.18 361	0.23 365	0.22 364	0.22 364	0.21 367

MFN_U_SF_DS_RVC	0.30 355	0.24 358	0.29 324	0.36 374	0.16 336	0.34 351	0.30 365	0.32 284	0.42 323	0.40 354	0.46 350	0.38 337	0.31 343	0.34 346	0.28 341	0.19 363	0.20 367	0.26 367	0.29 376	0.18 357	0.19 364

PVD	0.39 365	0.20 344	0.39 349	0.31 369	0.22 365	0.29 337	0.43 386	0.52 377	0.96 394	0.55 374	0.79 387	0.53 371	0.59 384	0.52 379	0.38 369	0.19 363	0.14 345	0.17 347	0.14 334	0.24 371	0.31 382

MSC_U_SF_DS_RVC	0.43 372	0.39 379	0.54 365	0.40 376	0.20 361	0.64 382	0.32 373	0.53 379	0.72 382	0.71 382	0.72 380	0.61 376	0.54 378	0.51 377	0.46 381	0.20 365	0.19 364	0.29 376	0.30 378	0.23 365	0.18 359

CSAN	0.29 350	0.24 358	0.27 313	0.34 370	0.19 358	0.33 348	0.42 384	0.37 334	0.50 349	0.38 349	0.40 328	0.44 356	0.33 347	0.28 325	0.30 348	0.20 365	0.16 354	0.19 357	0.19 358	0.14 329	0.15 339

MSMD_ROB	0.31 356	0.26 364	0.26 307	0.24 326	0.21 363	0.34 351	0.25 332	0.34 311	0.39 308	0.40 354	0.69 377	0.45 358	0.40 363	0.34 346	0.27 333	0.20 365	0.19 364	0.26 367	0.25 370	0.23 365	0.22 369

FCDSN-DC	0.33 361	0.28 368	0.28 318	0.30 365	0.24 368	0.39 364	0.28 350	0.42 359	0.42 323	0.43 364	0.53 360	0.51 368	0.41 367	0.36 357	0.30 348	0.21 368	0.20 367	0.27 370	0.26 371	0.25 372	0.24 371
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 375	0.27 365	0.27 313	0.27 353	0.24 368	0.47 369	0.31 371	0.55 381	0.59 367	0.72 384	1.13 403	1.15 395	0.61 385	0.52 379	0.37 367	0.21 368	0.20 367	0.27 370	0.31 380	0.25 372	0.24 371

FC-DCNN	0.33 361	0.27 365	0.28 318	0.26 342	0.23 367	0.37 361	0.28 350	0.40 349	0.43 328	0.45 366	0.55 363	0.51 368	0.40 363	0.37 361	0.30 348	0.21 368	0.20 367	0.27 370	0.26 371	0.25 372	0.24 371

Anonymous_2	0.22 303	0.17 326	0.28 318	0.15 38	0.16 336	0.32 342	0.22 300	0.22 154	0.17 99	0.23 272	0.24 194	0.26 267	0.27 319	0.27 314	0.23 298	0.22 371	0.25 378	0.17 347	0.17 353	0.17 354	0.17 357

NVStereoNet_ROB	0.46 378	0.36 377	0.46 358	0.41 378	0.28 375	0.34 351	0.34 374	0.48 371	0.60 370	0.72 384	0.93 392	0.70 385	0.66 388	0.47 374	0.60 391	0.22 371	0.33 383	0.34 380	0.34 383	0.30 378	0.30 381
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.41 370	0.29 371	0.33 334	0.28 356	0.24 368	0.54 375	0.36 376	0.49 373	0.59 367	0.72 384	0.74 383	0.65 380	0.54 378	0.54 383	0.40 373	0.22 371	0.20 367	0.27 370	0.26 371	0.26 375	0.25 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 370	0.29 371	0.33 334	0.27 353	0.24 368	0.60 380	0.36 376	0.50 375	0.50 349	0.71 382	0.79 387	0.67 382	0.54 378	0.51 377	0.42 377	0.22 371	0.20 367	0.27 370	0.26 371	0.26 375	0.25 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ccnet	0.29 350	0.28 368	0.23 297	0.20 265	0.28 375	0.41 366	0.21 291	0.45 367	0.33 272	0.36 344	0.46 350	0.36 329	0.30 339	0.39 365	0.42 377	0.23 375	0.14 345	0.21 360	0.17 353	0.23 365	0.18 359

PASM	0.32 358	0.24 358	0.48 360	0.28 356	0.27 374	0.29 337	0.30 365	0.34 311	0.49 347	0.35 342	0.39 323	0.46 362	0.34 351	0.34 346	0.35 362	0.23 375	0.25 378	0.26 367	0.28 375	0.23 365	0.21 367

CC-Net-ROB	0.28 346	0.31 373	0.36 343	0.29 363	0.15 326	0.25 313	0.19 260	0.45 367	0.33 272	0.39 351	0.37 310	0.39 345	0.31 343	0.27 314	0.26 326	0.24 377	0.19 364	0.30 378	0.23 368	0.18 357	0.15 339

ACVNet_1	0.44 373	0.49 383	0.60 372	0.45 381	0.28 375	0.49 372	0.27 345	0.57 384	0.72 382	0.62 377	0.58 371	0.74 386	0.49 376	0.50 376	0.35 362	0.26 378	0.24 377	0.39 382	0.29 376	0.31 381	0.24 371

GANetREF_RVC	0.31 356	0.34 375	0.27 313	0.35 372	0.16 336	0.32 342	0.41 381	0.48 371	0.51 356	0.35 342	0.35 301	0.34 323	0.33 347	0.39 365	0.32 356	0.27 379	0.20 367	0.29 376	0.15 344	0.18 357	0.17 357
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
otaku	0.39 365	0.37 378	0.52 363	0.44 380	0.28 375	0.58 377	0.24 319	0.41 354	0.62 372	0.40 354	0.49 354	0.46 362	0.33 347	0.40 369	0.32 356	0.30 380	0.30 382	0.39 382	0.33 381	0.29 377	0.28 378

Ntro	0.40 368	0.40 380	0.53 364	0.46 384	0.30 379	0.65 383	0.24 319	0.46 369	0.68 379	0.41 358	0.49 354	0.48 366	0.42 370	0.39 365	0.31 355	0.32 381	0.28 380	0.37 381	0.30 378	0.32 382	0.29 379

ACVNet-4b	0.39 365	0.53 384	0.55 367	0.45 381	0.24 368	0.47 369	0.18 229	0.49 373	0.64 374	0.42 361	0.45 349	0.60 375	0.27 319	0.34 346	0.24 308	0.33 382	0.14 345	0.48 385	0.42 385	0.30 378	0.26 377

MADNet+	0.75 392	0.71 394	3.70 411	0.66 390	0.41 382	0.98 402	0.97 409	0.69 389	0.73 385	0.52 371	0.57 369	0.64 378	0.68 390	0.86 399	1.01 407	0.34 383	0.36 385	0.28 375	0.23 368	0.36 383	0.31 382

Consistency-Raft	0.44 373	0.40 380	0.45 355	0.37 375	0.43 384	0.46 367	0.41 381	0.57 384	0.55 359	0.32 336	0.73 381	0.33 317	0.48 375	0.42 372	0.49 384	0.39 384	0.35 384	0.45 384	0.51 392	0.42 384	0.29 379

JetBlue	0.71 389	0.45 382	1.14 400	0.51 385	0.47 386	2.02 411	0.64 398	0.75 390	0.70 380	0.69 381	0.77 386	1.22 397	0.83 395	1.03 407	1.01 407	0.40 385	0.28 380	0.33 379	0.33 381	0.30 378	0.34 385

IMH-64-1	0.65 386	0.61 388	0.68 384	0.71 391	0.51 387	0.59 378	0.49 388	0.91 395	0.85 389	0.74 388	1.02 396	0.81 387	0.78 393	0.79 392	0.49 384	0.42 386	0.46 387	0.71 393	0.47 387	0.52 387	0.39 387

IMH-64	0.65 386	0.61 388	0.68 384	0.71 391	0.51 387	0.59 378	0.49 388	0.91 395	0.85 389	0.74 388	1.02 396	0.81 387	0.78 393	0.79 392	0.49 384	0.42 386	0.46 387	0.71 393	0.47 387	0.52 387	0.39 387

ACVNet_2	0.66 388	0.66 392	0.68 384	0.63 389	0.41 382	0.71 388	0.49 388	0.96 399	1.39 403	0.89 394	1.09 399	1.04 391	0.73 391	0.54 383	0.47 382	0.43 388	0.40 386	0.53 390	0.44 386	0.47 385	0.35 386

IMH	0.71 389	0.64 391	0.68 384	0.76 393	0.54 389	0.69 386	0.54 392	0.98 401	1.10 396	0.82 392	1.09 399	0.89 389	0.88 398	0.87 400	0.52 388	0.44 389	0.50 396	0.75 396	0.51 392	0.56 392	0.41 390

RainbowNet	0.54 382	0.61 388	0.70 388	0.57 388	0.43 384	0.65 383	0.37 379	0.60 386	0.87 391	0.50 370	0.66 374	0.64 378	0.47 374	0.49 375	0.43 380	0.47 390	0.48 392	0.52 389	0.41 384	0.52 387	0.40 389

TorneroNet-64	0.76 393	0.72 395	0.74 389	0.78 395	0.58 395	0.91 401	0.56 393	0.84 393	1.29 400	0.66 378	0.90 390	1.40 403	0.75 392	0.85 398	0.67 397	0.49 391	0.46 387	0.72 395	0.59 395	0.67 396	0.53 392

LVE	0.83 397	0.85 401	0.85 395	0.80 396	0.56 392	1.04 407	0.65 399	1.05 404	1.47 406	0.96 397	1.22 407	1.10 394	0.85 396	0.83 395	0.71 399	0.49 391	0.55 402	0.76 398	0.60 397	0.65 394	0.59 399

TorneroNet	0.82 396	0.74 396	0.81 394	0.84 398	0.63 398	0.99 403	0.63 396	0.96 399	1.16 397	0.80 391	1.11 401	1.36 402	0.86 397	0.93 403	0.80 402	0.56 393	0.49 394	0.78 400	0.66 399	0.73 402	0.63 402

Dean	0.87 398	0.86 402	0.79 392	0.81 397	0.56 392	0.90 398	0.63 396	1.15 409	1.73 409	1.15 404	1.15 404	1.31 400	0.99 402	0.81 394	0.81 403	0.57 394	0.56 403	0.77 399	0.64 398	0.66 395	0.58 394

anonymity	0.53 381	0.58 386	0.65 376	0.41 378	0.61 397	0.53 374	0.41 381	0.56 382	0.41 317	0.55 374	0.50 358	0.49 367	0.55 381	0.58 386	0.50 387	0.58 395	0.50 396	0.51 387	0.51 392	0.51 386	0.57 393

SGM+DAISY	0.56 383	0.57 385	0.65 376	0.40 376	0.54 389	0.66 385	0.49 388	0.56 382	0.45 339	0.66 378	0.69 377	0.67 382	0.56 382	0.63 388	0.56 389	0.59 396	0.48 392	0.50 386	0.50 391	0.52 387	0.58 394

WAO-7	0.79 394	0.78 397	0.54 365	0.85 399	0.67 400	0.74 390	0.68 402	1.05 404	1.32 401	0.90 395	1.20 406	1.04 391	0.92 399	0.69 390	0.66 394	0.60 397	0.62 406	0.67 392	0.68 400	0.64 393	0.58 394

SPS-STEREO	0.57 384	0.58 386	0.65 376	0.45 381	0.55 391	0.62 381	0.44 387	0.62 387	0.50 349	0.68 380	0.64 373	0.66 381	0.57 383	0.61 387	0.60 391	0.62 398	0.47 391	0.51 387	0.49 389	0.55 391	0.58 394
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 385	0.66 392	0.65 376	0.51 385	0.69 401	0.69 386	0.57 394	0.64 388	0.73 385	0.60 376	0.73 381	0.62 377	0.67 389	0.65 389	0.60 391	0.66 399	0.58 405	0.63 391	0.59 395	0.68 397	0.69 403

WAO-6	0.81 395	0.80 398	0.62 374	0.86 400	0.63 398	0.76 394	0.58 395	0.98 401	1.54 408	0.90 395	0.96 395	1.07 393	1.03 403	0.70 391	0.66 394	0.72 400	0.49 394	0.90 403	0.71 401	0.68 397	0.58 394

PWCK	0.71 389	0.94 404	0.95 397	0.76 393	0.31 380	0.74 390	0.36 376	0.90 394	0.90 392	0.96 397	0.75 385	0.95 390	0.61 385	0.87 400	0.66 394	0.72 400	0.46 387	0.75 396	0.49 389	0.69 399	0.44 391

WAO-8	0.91 399	0.81 399	0.65 376	0.94 403	0.69 401	0.90 398	0.67 400	1.07 406	1.83 411	1.06 402	1.45 409	1.30 398	1.07 404	0.84 396	0.78 400	0.74 402	0.53 399	0.86 401	0.75 402	0.69 399	0.62 400

Venus	0.91 399	0.81 399	0.65 376	0.94 403	0.69 401	0.90 398	0.67 400	1.07 406	1.83 411	1.06 402	1.45 409	1.30 398	1.07 404	0.84 396	0.78 400	0.74 402	0.53 399	0.86 401	0.75 402	0.69 399	0.62 400

UNDER WATER	0.97 402	0.97 406	1.42 403	0.99 405	0.70 404	1.12 409	0.84 405	0.80 392	1.08 395	1.01 399	0.90 390	1.55 407	1.22 410	1.03 407	1.00 406	0.78 404	0.53 399	1.02 405	0.87 406	0.80 405	0.74 405

notaker	0.97 402	1.11 407	0.98 398	1.13 407	0.81 405	0.73 389	0.68 402	0.93 397	1.16 397	1.18 406	1.18 405	1.41 404	1.16 408	1.08 409	0.69 398	0.81 405	0.64 407	1.17 407	0.79 404	0.98 407	0.80 408

UNDER WATER-64	0.95 401	0.94 404	1.43 404	0.87 401	0.56 392	1.18 410	0.87 406	0.77 391	0.94 393	1.04 400	0.85 389	1.58 408	1.21 409	0.94 404	0.96 405	0.87 406	0.57 404	1.03 406	0.88 407	0.78 404	0.73 404

SPstereo	13.84 424	0.93 403	1.50 405	1.22 409	0.88 408	28.82 427	48.26 427	26.77 434	29.54 433	22.37 432	22.60 431	23.23 432	24.68 432	24.53 432	15.06 424	0.88 407	0.69 408	1.83 413	1.60 413	0.74 403	0.77 407

JetRed	1.62 408	1.46 412	2.98 407	0.92 402	1.21 411	4.99 413	1.53 413	1.27 411	1.39 403	1.83 410	1.74 412	1.60 409	0.95 400	1.41 410	2.45 413	0.90 408	1.60 412	0.93 404	0.90 408	1.35 411	0.99 411

KSHMR	1.09 405	1.17 408	0.88 396	1.25 411	1.00 410	0.99 403	0.96 408	1.13 408	1.37 402	1.16 405	1.29 408	1.41 404	0.96 401	1.01 406	0.92 404	1.03 409	1.08 411	1.20 408	1.03 410	1.01 408	0.97 410

HanzoNet	1.29 407	1.26 411	1.19 401	1.12 406	0.85 406	1.02 406	0.83 404	1.03 403	1.48 407	1.64 409	1.61 411	2.50 412	1.72 411	1.61 411	1.61 410	1.26 410	0.80 410	1.31 410	1.01 409	1.02 409	0.86 409

ktn	1.01 404	1.21 409	0.80 393	1.23 410	0.86 407	1.01 405	0.87 406	0.94 398	1.39 403	1.04 400	1.12 402	1.15 395	1.07 404	0.94 404	0.59 390	1.28 411	0.71 409	1.38 411	0.83 405	1.02 409	0.75 406

DPSimNet_ROB	1.11 406	1.23 410	0.78 390	1.13 407	0.88 408	1.10 408	1.13 410	1.16 410	1.23 399	1.43 408	1.02 396	1.41 404	1.10 407	0.90 402	1.60 409	1.46 412	0.51 398	1.21 409	1.03 410	0.90 406	1.01 412

MADNet++	1.95 409	1.75 413	1.59 406	1.82 412	1.69 413	2.33 412	1.40 412	2.35 412	2.09 413	2.57 412	2.36 413	2.24 411	2.17 412	2.28 412	2.34 412	1.87 413	1.66 413	1.54 412	1.34 412	1.92 412	1.77 414

xxxxx1	7.79 412	5.02 418	7.31 414	3.12 414	3.85 415	16.35 420	22.88 418	5.86 417	8.69 416	7.97 416	8.54 414	9.12 418	8.27 416	10.18 418	10.92 416	2.42 414	2.45 415	3.56 417	12.37 421	3.77 414	3.06 416

tt_ll	7.79 412	5.02 418	7.31 414	3.12 414	3.85 415	16.35 420	22.88 418	5.86 417	8.69 416	7.97 416	8.54 414	9.12 418	8.27 416	10.18 418	10.92 416	2.42 414	2.45 415	3.56 417	12.37 421	3.77 414	3.06 416

ff	7.79 412	5.02 418	7.31 414	3.12 414	3.85 415	16.35 420	22.88 418	5.86 417	8.69 416	7.97 416	8.54 414	9.12 418	8.27 416	10.18 418	10.92 416	2.42 414	2.45 415	3.56 417	12.37 421	3.77 414	3.06 416

DGTPSM_ROB	8.06 416	4.48 416	8.63 420	5.35 417	10.72 420	8.32 415	22.97 421	5.46 414	13.35 420	5.12 414	9.92 417	5.08 414	10.40 419	5.52 415	12.58 419	3.79 417	8.00 419	3.50 415	7.02 418	3.83 417	7.14 420

DPSMNet_ROB	8.06 416	4.48 416	8.63 420	5.37 419	10.74 421	8.32 415	22.98 422	5.46 414	13.36 421	5.12 414	9.92 417	5.08 414	10.40 419	5.53 416	12.58 419	3.80 418	8.00 419	3.50 415	7.02 418	3.83 417	7.14 420

PML	8.91 418	9.34 424	6.13 412	5.35 417	6.41 418	14.99 419	23.38 423	5.27 413	6.83 415	18.04 424	28.19 433	7.67 416	6.83 415	7.85 417	5.75 414	5.35 419	1.83 414	5.95 423	1.93 414	8.64 421	2.52 415

tt	4.67 411	0.06 19	3.55 410	2.02 413	1.55 412	10.25 417	16.71 417	8.91 420	5.03 414	1.31 407	0.94 393	4.71 413	4.76 413	3.33 413	5.87 415	6.06 420	10.30 424	1.88 414	2.11 415	2.75 413	1.21 413

Anonymous_1	10.96 421	7.92 421	7.46 417	10.33 420	10.06 419	18.65 424	26.34 424	11.06 421	13.44 422	9.40 419	10.05 419	9.67 421	11.23 421	10.73 421	12.72 421	6.42 421	8.38 421	5.77 420	10.61 420	12.12 422	6.77 419

DPSM_ROB	11.15 422	8.58 422	8.00 418	10.88 421	11.58 422	19.10 425	26.71 425	12.05 422	14.07 423	10.36 420	10.84 420	10.33 422	11.86 422	11.70 422	13.54 422	6.99 422	8.79 422	5.89 421	6.95 416	7.29 419	7.42 422

DPSM	11.15 422	8.58 422	8.00 418	10.88 421	11.58 422	19.10 425	26.71 425	12.05 422	14.07 423	10.36 420	10.84 420	10.33 422	11.86 422	11.70 422	13.54 422	6.99 422	8.79 422	5.89 421	6.95 416	7.29 419	7.42 422

CasAABBNet	22.42 427	17.33 427	16.01 422	22.01 429	23.28 430	38.32 428	53.80 432	24.14 427	28.41 428	20.60 426	21.77 426	20.89 430	23.91 430	23.43 426	27.36 428	14.07 424	17.69 427	11.83 428	14.01 425	14.67 426	14.95 428

MyStereo03	22.45 428	17.33 427	16.21 424	21.95 426	23.27 427	38.32 428	53.79 429	24.21 428	28.46 429	20.87 429	21.85 428	20.80 426	23.87 426	23.46 427	27.40 430	14.08 425	17.71 429	11.82 424	14.03 426	14.65 423	14.89 424

MyStereo02	22.45 428	17.33 427	16.21 424	21.95 426	23.27 427	38.32 428	53.79 429	24.21 428	28.46 429	20.87 429	21.85 428	20.80 426	23.87 426	23.46 427	27.40 430	14.08 425	17.71 429	11.82 424	14.03 426	14.65 423	14.89 424

MyStereo	22.45 428	17.33 427	16.21 424	21.95 426	23.27 427	38.32 428	53.79 429	24.21 428	28.46 429	20.87 429	21.85 428	20.80 426	23.87 426	23.46 427	27.40 430	14.08 425	17.71 429	11.82 424	14.03 426	14.65 423	14.89 424

Selective-RAFT-Error	22.47 431	17.37 431	16.09 423	22.06 430	23.34 431	38.39 432	53.83 433	24.29 432	28.47 432	20.74 427	21.83 427	20.81 429	23.90 429	23.54 431	27.53 433	14.08 425	17.69 427	11.82 424	14.00 424	14.69 427	15.00 429

LSM0	22.87 432	17.28 426	18.96 427	22.19 431	29.04 433	38.42 433	53.71 428	24.28 431	28.31 427	20.78 428	21.00 425	21.43 431	24.16 431	23.50 430	27.39 429	14.09 429	17.38 426	11.84 429	14.04 429	14.73 428	14.89 424

HaxPig	15.71 425	18.52 432	19.18 428	16.89 423	15.89 425	7.73 414	7.60 414	13.31 424	10.82 419	15.42 423	14.91 422	15.98 424	14.92 424	15.58 424	15.98 425	18.95 430	16.73 425	19.46 430	18.08 430	19.26 430	19.05 431

LRCNet_RVC	10.62 420	13.42 425	7.30 413	18.92 424	2.07 414	0.33 348	0.30 365	5.59 416	0.48 342	13.03 422	17.94 423	8.87 417	5.65 414	4.79 414	1.89 411	23.51 431	2.73 418	27.55 432	25.71 432	16.07 429	16.33 430

MEDIAN_ROB	20.38 426	24.04 433	23.31 430	21.23 425	21.71 426	10.40 418	7.92 415	17.64 425	15.50 425	20.12 425	19.70 424	20.34 425	20.32 425	21.19 425	21.13 426	23.81 432	21.81 432	24.98 431	23.76 431	24.71 431	23.93 432

AVERAGE_ROB	24.90 433	29.20 434	28.14 431	24.89 432	24.64 432	17.75 423	11.12 416	21.45 426	19.93 426	25.12 433	24.46 432	25.12 433	25.46 433	24.69 433	22.83 427	29.76 433	27.13 433	28.97 433	27.95 433	29.91 432	29.47 433

test_example2	98.32 434	94.13 435	45.89 432	96.35 433	109.85 434	88.61 434	95.45 434	25.75 433	94.37 434	130.00 434	126.06 434	58.17 434	74.63 434	88.51 434	79.96 434	150.23 434	221.02 434	77.62 434	99.10 434	113.75 434	96.94 434

ASD4		3.38 415

Low-res two-view benchmark