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

CASnet	0.28 9	0.31 96	1.20 26	0.28 80	0.11 1	0.47 57	0.19 21	0.44 19	0.44 51	0.38 82	0.31 49	0.23 20	0.17 6	0.29 18	0.19 6	0.10 96	0.06 1	0.15 287	0.12 175	0.16 134	0.07 3
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
s12784h	0.36 62	0.28 73	1.58 85	0.23 4	0.11 1	0.62 237	0.24 119	0.79 229	0.64 233	0.44 112	0.52 180	0.28 58	0.26 83	0.50 141	0.24 70	0.11 151	0.06 1	0.09 30	0.06 8	0.16 134	0.06 1

IGEV-BASED-STEREO-	0.37 68	1.34 424	1.24 30	0.23 4	0.12 3	0.33 15	0.20 34	0.40 6	0.33 6	0.25 35	0.21 4	0.16 1	0.14 1	0.27 5	0.63 294	0.55 420	0.06 1	0.11 120	0.13 202	0.25 269	0.49 410

WCG-NET（raft）	0.32 33	0.53 209	1.21 27	0.23 4	0.12 3	0.44 40	0.24 119	0.40 6	0.50 99	0.35 68	0.35 68	0.47 178	0.25 69	0.35 55	0.20 24	0.08 5	0.29 389	0.08 4	0.07 15	0.22 235	0.11 55

trnet	0.28 9	0.26 48	1.32 40	0.19 1	0.12 3	0.54 111	0.15 4	0.48 35	0.46 69	0.27 48	0.33 58	0.24 27	0.21 30	0.30 23	0.21 34	0.10 96	0.07 14	0.08 4	0.05 1	0.09 10	0.07 3

SPstereo	0.34 47	0.89 338	1.76 129	0.26 45	0.12 3	0.52 99	0.14 2	0.49 41	0.38 19	0.29 55	0.30 42	0.29 65	0.22 39	0.30 23	0.20 24	0.09 23	0.17 314	0.09 30	0.07 15	0.21 221	0.11 55

GLC_STEREO	0.28 9	0.27 52	1.36 46	0.28 80	0.12 3	0.41 35	0.20 34	0.37 3	0.38 19	0.26 43	0.30 42	0.25 35	0.19 18	0.33 45	0.24 70	0.09 23	0.11 204	0.12 171	0.10 86	0.13 66	0.09 23

TANstereo	0.33 40	0.49 195	1.75 125	0.23 4	0.12 3	0.54 111	0.16 9	0.40 6	0.45 64	0.45 122	0.51 168	0.26 44	0.22 39	0.29 18	0.20 24	0.10 96	0.10 159	0.08 4	0.06 8	0.08 1	0.11 55

RSM++	0.27 5	0.26 48	0.87 8	0.28 80	0.13 9	0.39 31	0.20 34	0.45 22	0.45 64	0.20 5	0.24 14	0.24 27	0.17 6	0.36 61	0.20 24	0.08 5	0.07 14	0.09 30	0.35 393	0.26 287	0.18 227

LoS	0.31 28	0.30 87	1.52 78	0.23 4	0.13 9	0.54 111	0.20 34	0.48 35	0.49 92	0.25 35	0.28 29	0.37 95	0.24 56	0.38 73	0.23 51	0.10 96	0.08 68	0.08 4	0.05 1	0.15 101	0.07 3
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
fff	0.43 119	0.77 298	1.95 231	0.24 11	0.13 9	0.51 82	0.22 69	0.77 199	0.75 334	0.54 209	0.47 128	0.31 69	0.65 339	0.36 61	0.34 172	0.09 23	0.07 14	0.08 4	0.07 15	0.08 1	0.22 269

XX-TBD	0.34 47	0.77 298	1.75 125	0.34 223	0.13 9	0.51 82	0.17 11	0.43 16	0.50 99	0.37 76	0.49 157	0.23 20	0.18 14	0.28 9	0.24 70	0.10 96	0.07 14	0.08 4	0.06 8	0.09 10	0.07 3

csc	0.43 119	0.77 298	1.95 231	0.24 11	0.13 9	0.51 82	0.22 69	0.77 199	0.75 334	0.54 209	0.47 128	0.31 69	0.65 339	0.36 61	0.34 172	0.09 23	0.07 14	0.08 4	0.07 15	0.08 1	0.22 269

cscssc	0.43 119	0.77 298	1.95 231	0.24 11	0.13 9	0.51 82	0.22 69	0.77 199	0.75 334	0.54 209	0.47 128	0.31 69	0.65 339	0.36 61	0.34 172	0.09 23	0.07 14	0.08 4	0.07 15	0.08 1	0.22 269

111	0.48 175	1.09 390	1.95 231	0.24 11	0.13 9	0.59 187	0.26 153	0.83 248	0.78 352	0.48 150	0.52 180	0.56 224	0.38 185	0.49 135	0.38 192	0.09 23	0.07 14	0.09 30	0.07 15	0.23 244	0.35 369

CREStereo	0.28 9	0.30 87	1.33 42	0.19 1	0.13 9	0.55 123	0.17 11	0.48 35	0.46 69	0.27 48	0.33 58	0.24 27	0.21 30	0.31 30	0.21 34	0.11 151	0.07 14	0.08 4	0.05 1	0.10 16	0.07 3
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
MGS-Stereo	0.32 33	0.34 116	1.70 107	0.25 23	0.14 17	0.40 33	0.22 69	0.38 4	0.43 48	0.24 22	0.51 168	0.25 35	0.18 14	0.31 30	0.20 24	0.09 23	0.08 68	0.09 30	0.08 36	0.47 399	0.08 13

IGEV++	0.34 47	0.43 164	1.32 40	0.31 148	0.14 17	0.32 13	0.21 51	0.70 147	0.34 8	0.22 12	0.28 29	0.22 13	0.27 99	0.35 55	0.27 96	0.09 23	0.39 414	0.08 4	0.15 252	0.25 269	0.45 404

ACVNet-DCA	0.42 113	0.64 253	2.07 258	0.35 238	0.14 17	0.76 339	0.25 134	0.76 189	0.52 112	0.31 60	0.38 84	0.24 27	0.38 185	0.69 201	0.19 6	0.10 96	0.24 365	0.11 120	0.09 53	0.12 40	0.14 135

xx1	0.46 156	0.64 253	2.07 258	0.35 238	0.14 17	0.76 339	0.25 134	0.74 167	1.01 401	0.31 60	0.38 84	0.46 170	0.36 166	0.69 201	0.19 6	0.10 96	0.24 365	0.12 171	0.12 175	0.12 40	0.14 135

1test111	0.44 129	0.64 253	2.07 258	0.35 238	0.14 17	0.76 339	0.25 134	0.76 189	0.52 112	0.31 60	0.38 84	0.24 27	0.38 185	0.96 238	0.30 133	0.10 96	0.24 365	0.11 120	0.09 53	0.12 40	0.14 135

cc1	0.47 170	0.64 253	2.07 258	0.35 238	0.14 17	0.76 339	0.25 134	0.74 167	1.01 401	0.31 60	0.38 84	0.24 27	0.38 185	0.69 201	0.19 6	0.10 96	0.24 365	0.11 120	0.09 53	0.25 269	0.40 394

tt1	0.44 129	0.64 253	1.83 180	0.35 238	0.14 17	0.76 339	0.25 134	0.74 167	0.88 380	0.31 60	0.37 76	0.25 35	0.35 160	0.63 182	0.19 6	0.10 96	0.24 365	0.11 120	0.09 53	0.25 269	0.36 377

RCA-Stereo	0.34 47	0.32 100	1.30 37	0.26 45	0.14 17	0.58 171	0.23 92	0.78 213	0.62 214	0.40 90	0.44 116	0.28 58	0.35 160	0.29 18	0.20 24	0.09 23	0.10 159	0.09 30	0.07 15	0.19 199	0.08 13

DCANet-4	0.40 92	0.27 52	2.21 289	0.25 23	0.14 17	0.51 82	0.22 69	0.77 199	0.72 303	0.54 209	0.47 128	0.28 58	0.37 179	0.37 68	0.34 172	0.09 23	0.07 14	0.08 4	0.07 15	0.08 1	0.22 269

ADStereo(finetuned)	0.45 147	0.77 298	2.12 271	0.25 23	0.14 17	0.51 82	0.22 69	0.77 199	0.72 303	0.54 209	0.48 140	0.31 69	0.76 367	0.37 68	0.38 192	0.09 23	0.07 14	0.09 30	0.07 15	0.13 66	0.23 289

DCANet	0.42 113	0.77 298	1.95 231	0.25 23	0.14 17	0.51 82	0.22 69	0.77 199	0.72 303	0.54 209	0.48 140	0.31 69	0.41 216	0.36 61	0.39 203	0.09 23	0.07 14	0.09 30	0.07 15	0.13 66	0.23 289

PMTNet	0.31 28	0.35 123	1.30 37	0.20 3	0.14 17	0.57 155	0.25 134	0.46 24	0.42 40	0.27 48	0.32 53	0.27 50	0.24 56	0.39 77	0.23 51	0.43 408	0.07 14	0.08 4	0.05 1	0.18 179	0.07 3

HITNet	0.46 156	0.92 343	2.09 264	0.33 196	0.14 17	0.55 123	0.22 69	0.83 248	0.56 157	0.51 180	0.49 157	0.48 189	0.37 179	0.48 125	0.54 268	0.09 23	0.06 1	0.10 70	0.08 36	0.23 244	0.09 23
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
MLCV	0.48 175	0.89 338	1.85 185	0.29 108	0.14 17	0.59 187	0.23 92	0.72 155	0.59 177	0.66 329	0.66 298	0.55 212	0.36 166	1.03 246	0.49 250	0.09 23	0.06 1	0.09 30	0.07 15	0.19 199	0.11 55

Occ-G	0.30 21	0.30 87	1.33 42	0.23 4	0.15 31	0.36 25	0.25 134	0.43 16	0.31 2	0.26 43	0.35 68	0.46 170	0.22 39	0.30 23	0.25 81	0.09 23	0.07 14	0.09 30	0.16 271	0.31 322	0.08 13

SMFormer	0.50 201	0.46 181	1.60 88	0.30 122	0.15 31	0.45 41	0.24 119	0.90 297	0.72 303	0.56 236	0.64 287	0.51 197	0.41 216	1.87 356	0.49 250	0.13 228	0.10 159	0.11 120	0.10 86	0.15 101	0.16 191

tta	0.50 201	0.46 181	1.60 88	0.30 122	0.15 31	0.45 41	0.24 119	0.90 297	0.72 303	0.56 236	0.64 287	0.51 197	0.41 216	1.87 356	0.49 250	0.13 228	0.10 159	0.11 120	0.10 86	0.14 85	0.11 55

qqq1	0.48 175	0.46 181	1.60 88	0.30 122	0.15 31	0.45 41	0.24 119	0.90 297	0.72 303	0.56 236	0.64 287	0.51 197	0.41 216	1.87 356	0.23 51	0.13 228	0.10 159	0.09 30	0.08 36	0.14 85	0.11 55

fff1	0.48 175	0.46 181	1.60 88	0.30 122	0.15 31	0.45 41	0.24 119	0.90 297	0.72 303	0.56 236	0.64 287	0.51 197	0.41 216	1.87 356	0.23 51	0.13 228	0.10 159	0.09 30	0.08 36	0.14 85	0.11 55

anonymousdsp2	0.34 47	0.24 35	1.16 20	0.28 80	0.15 31	0.57 155	0.23 92	0.79 229	0.47 84	0.38 82	0.37 76	0.40 114	0.25 69	0.47 120	0.21 34	0.09 23	0.07 14	0.10 70	0.13 202	0.19 199	0.27 324

Selective-RAFT	0.35 58	0.26 48	1.48 70	0.31 148	0.15 31	0.61 217	0.19 21	0.60 109	0.54 142	0.28 53	0.29 34	0.40 114	0.33 150	0.50 141	0.27 96	0.10 96	0.07 14	0.09 30	0.35 393	0.19 199	0.08 13

ProNet	0.30 21	0.54 213	1.29 35	0.25 23	0.15 31	0.47 57	0.25 134	0.48 35	0.39 25	0.21 7	0.23 8	0.22 13	0.20 24	0.44 98	0.19 6	0.08 5	0.08 68	0.10 70	0.08 36	0.23 244	0.12 86

MC-Stereo	0.32 33	0.31 96	1.46 63	0.31 148	0.15 31	0.53 106	0.19 21	0.44 19	0.35 10	0.36 72	0.38 84	0.27 50	0.27 99	0.42 89	0.19 6	0.09 23	0.13 244	0.09 30	0.16 271	0.20 213	0.13 120

qqq	0.38 74	0.21 13	1.34 45	0.28 80	0.15 31	0.45 41	0.26 153	0.76 189	0.52 112	0.39 88	0.41 101	0.46 170	0.36 166	0.96 238	0.30 133	0.11 151	0.14 259	0.12 171	0.12 175	0.12 40	0.14 135

AnonymousM	0.37 68	0.44 173	1.50 75	0.25 23	0.15 31	0.52 99	0.23 92	0.60 109	0.42 40	0.42 101	0.32 53	0.30 67	0.25 69	0.34 51	0.23 51	0.11 151	0.09 127	0.71 428	0.36 400	0.12 40	0.07 3

iRaftStereo_RVC	0.37 68	0.53 209	1.41 54	0.28 80	0.15 31	0.52 99	0.20 34	0.54 78	0.46 69	0.37 76	0.43 106	0.41 120	0.23 49	0.36 61	0.26 88	0.09 23	0.15 282	0.12 171	0.11 143	0.41 383	0.37 383

AFF-stereo	0.44 129	0.96 359	1.78 143	0.31 148	0.15 31	0.50 76	0.21 51	0.64 121	0.63 225	0.47 132	0.64 287	0.49 191	0.34 158	0.46 113	0.31 145	0.08 5	0.09 127	0.10 70	0.10 86	0.37 363	0.10 41

BEATNet_4x	0.47 170	0.73 284	1.91 215	0.33 196	0.15 31	0.56 137	0.25 134	0.85 262	0.58 170	0.54 209	0.51 168	0.57 230	0.42 232	0.57 164	0.61 290	0.11 151	0.08 68	0.12 171	0.09 53	0.20 213	0.16 191

11t1	0.33 40	0.19 4	1.41 54	0.33 196	0.16 45	0.48 65	0.21 51	0.67 137	0.48 86	0.40 90	0.34 64	0.32 77	0.33 150	0.42 89	0.27 96	0.11 151	0.12 228	0.10 70	0.08 36	0.13 66	0.14 135

ff7	0.32 33	0.52 204	1.38 49	0.25 23	0.16 45	0.56 137	0.23 92	0.46 24	0.41 34	0.24 22	0.23 8	0.20 5	0.23 49	0.48 125	0.19 6	0.09 23	0.08 68	0.10 70	0.18 297	0.23 244	0.22 269

IGEVStereo-DCA	0.33 40	0.34 116	1.38 49	0.27 58	0.16 45	0.45 41	0.23 92	0.46 24	0.41 34	0.24 22	0.21 4	0.26 44	0.25 69	0.64 184	0.52 260	0.09 23	0.07 14	0.10 70	0.18 297	0.16 134	0.22 269

ffff	0.32 33	0.52 204	1.38 49	0.25 23	0.16 45	0.56 137	0.23 92	0.46 24	0.41 34	0.24 22	0.23 8	0.20 5	0.23 49	0.48 125	0.19 6	0.09 23	0.08 68	0.10 70	0.18 297	0.23 244	0.22 269

rrr	0.46 156	0.34 116	3.08 412	0.27 58	0.16 45	0.45 41	0.28 193	1.09 410	0.51 106	0.24 22	0.21 4	0.26 44	0.25 69	0.64 184	0.52 260	0.09 23	0.07 14	0.10 70	0.29 367	0.16 134	0.25 308

11t	0.32 33	0.52 204	1.38 49	0.25 23	0.16 45	0.56 137	0.23 92	0.46 24	0.41 34	0.24 22	0.23 8	0.20 5	0.23 49	0.48 125	0.19 6	0.09 23	0.08 68	0.10 70	0.18 297	0.23 244	0.22 269

anonymousdsp	0.34 47	0.53 209	1.47 67	0.25 23	0.16 45	0.56 137	0.23 92	0.49 41	0.40 30	0.25 35	0.24 14	0.22 13	0.24 56	0.55 161	0.19 6	0.09 23	0.11 204	0.10 70	0.18 297	0.24 259	0.29 336

ccc-4	0.32 33	0.52 204	1.38 49	0.25 23	0.16 45	0.56 137	0.23 92	0.46 24	0.41 34	0.24 22	0.23 8	0.20 5	0.23 49	0.48 125	0.19 6	0.09 23	0.08 68	0.10 70	0.18 297	0.23 244	0.22 269

IGEV-Stereo	0.34 47	0.54 213	1.47 67	0.25 23	0.16 45	0.56 137	0.23 92	0.49 41	0.40 30	0.25 35	0.24 14	0.22 13	0.24 56	0.54 157	0.19 6	0.09 23	0.10 159	0.10 70	0.18 297	0.24 259	0.29 336
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Patchmatch Stereo++	0.39 87	0.27 52	1.78 143	0.44 330	0.16 45	0.61 217	0.27 178	0.51 49	0.52 112	0.47 132	0.43 106	0.43 137	0.28 113	0.54 157	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86
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
NF-Stereo	0.48 175	0.25 38	1.81 169	0.52 373	0.16 45	0.61 217	0.44 324	0.66 128	0.61 196	0.50 168	0.47 128	0.37 95	0.26 83	1.45 287	0.79 331	0.11 151	0.07 14	0.12 171	0.10 86	0.13 66	0.16 191

OCTAStereo	0.48 175	0.25 38	1.81 169	0.52 373	0.16 45	0.61 217	0.43 316	0.66 128	0.61 196	0.50 168	0.47 128	0.37 95	0.26 83	1.44 283	0.80 332	0.11 151	0.07 14	0.12 171	0.10 86	0.13 66	0.17 208

NRIStereo	0.46 156	0.25 38	1.77 138	0.47 353	0.16 45	0.95 390	0.74 403	0.51 49	0.56 157	0.48 150	0.39 92	0.59 239	0.29 126	0.77 220	0.32 155	0.11 151	0.13 244	0.11 120	0.09 53	0.21 221	0.24 299

THIR-Stereo	0.86 380	0.62 240	2.13 273	0.25 23	0.16 45	0.58 171	2.74 461	0.59 100	0.51 106	0.62 302	1.62 420	0.97 383	1.80 439	1.69 325	2.25 420	0.10 96	0.08 68	0.14 261	0.11 143	0.15 101	0.11 55

DRaft	0.62 292	0.38 136	1.76 129	0.24 11	0.16 45	0.64 265	0.66 387	0.53 68	0.53 130	0.67 333	0.99 384	0.38 102	1.00 397	1.44 283	2.10 415	0.10 96	0.14 259	0.10 70	0.14 230	0.18 179	0.21 259

RE-Stereo	0.48 175	0.25 38	1.81 169	0.52 373	0.16 45	0.61 217	0.43 316	0.66 128	0.60 181	0.50 168	0.47 128	0.37 95	0.26 83	1.44 283	0.78 327	0.11 151	0.07 14	0.12 171	0.10 86	0.13 66	0.17 208

TVStereo	0.48 175	0.25 38	1.81 169	0.52 373	0.16 45	0.61 217	0.43 316	0.66 128	0.60 181	0.50 168	0.47 128	0.37 95	0.26 83	1.44 283	0.78 327	0.11 151	0.07 14	0.12 171	0.10 86	0.13 66	0.17 208

iRAFT	0.39 87	0.27 52	1.78 143	0.44 330	0.16 45	0.61 217	0.27 178	0.51 49	0.52 112	0.47 132	0.43 106	0.43 137	0.28 113	0.54 157	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

RAFT-IKP	0.38 74	0.27 52	1.79 162	0.44 330	0.16 45	0.60 197	0.28 193	0.51 49	0.52 112	0.47 132	0.43 106	0.43 137	0.28 113	0.50 141	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

CREStereo++_RVC	0.33 40	0.29 78	1.74 119	0.24 11	0.16 45	0.54 111	0.15 4	0.40 6	0.55 147	0.37 76	0.51 168	0.24 27	0.19 18	0.27 5	0.26 88	0.09 23	0.06 1	0.08 4	0.30 373	0.08 1	0.06 1
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
TestStereo	0.45 147	0.54 213	2.11 268	0.29 108	0.16 45	0.43 38	0.24 119	0.54 78	0.45 64	0.37 76	0.46 125	0.34 86	0.27 99	1.98 373	0.27 96	0.11 151	0.08 68	0.12 171	0.09 53	0.14 85	0.08 13

test_xeample3	0.46 156	0.34 116	2.99 407	0.37 276	0.16 45	0.49 71	0.33 264	1.06 405	0.44 51	0.25 35	0.23 8	0.24 27	0.25 69	0.49 135	0.56 276	0.09 23	0.07 14	0.10 70	0.40 408	0.17 155	0.26 317

ARAFT	0.60 279	1.23 410	3.10 414	0.28 80	0.16 45	0.64 265	0.36 282	0.90 297	0.67 267	0.61 291	0.49 157	0.55 212	0.31 142	1.24 272	0.32 155	0.10 96	0.08 68	0.14 261	0.13 202	0.37 363	0.21 259

GMStereo	0.38 74	0.99 374	1.91 215	0.27 58	0.16 45	0.39 31	0.23 92	0.47 32	0.62 214	0.38 82	0.34 64	0.25 35	0.25 69	0.39 77	0.29 119	0.14 265	0.08 68	0.10 70	0.12 175	0.15 101	0.11 55
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
rvit_stereo_0081	0.25 2	0.21 13	0.61 2	0.28 80	0.17 69	0.31 10	0.22 69	0.42 12	0.53 130	0.24 22	0.25 19	0.25 35	0.21 30	0.34 51	0.23 51	0.13 228	0.10 159	0.11 120	0.10 86	0.12 40	0.09 23

rvit_stereo_0082	0.25 2	0.21 13	0.61 2	0.28 80	0.17 69	0.31 10	0.22 69	0.42 12	0.53 130	0.24 22	0.25 19	0.25 35	0.21 30	0.34 51	0.23 51	0.13 228	0.10 159	0.11 120	0.10 86	0.12 40	0.09 23

test_sample2	0.41 98	0.19 4	1.23 28	0.31 148	0.17 69	0.51 82	0.27 178	0.81 235	0.55 147	0.44 112	0.45 119	0.46 170	0.38 185	1.51 298	0.30 133	0.12 199	0.09 127	0.11 120	0.10 86	0.14 85	0.14 135

CAS++	0.31 28	0.33 106	1.43 58	0.25 23	0.17 69	0.31 10	0.20 34	0.78 213	0.41 34	0.30 56	0.30 42	0.21 12	0.16 4	0.33 45	0.18 3	0.15 281	0.12 228	0.13 227	0.10 86	0.15 101	0.11 55
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
H2IRNET	0.40 92	0.61 234	1.90 209	0.29 108	0.17 69	0.54 111	0.18 17	0.52 60	0.50 99	0.27 48	0.56 219	0.47 178	0.35 160	0.46 113	0.33 165	0.10 96	0.07 14	0.12 171	0.14 230	0.32 328	0.12 86

mmm	0.38 74	0.21 13	1.18 22	0.35 238	0.17 69	0.49 71	0.26 153	0.78 213	0.52 112	0.50 168	0.57 226	0.41 120	0.37 179	0.71 208	0.31 145	0.11 151	0.13 244	0.14 261	0.13 202	0.15 101	0.14 135

1111x	0.74 351	0.21 13	1.93 221	0.31 148	0.17 69	0.63 254	0.32 256	1.03 399	0.74 321	0.52 187	0.62 260	0.57 230	0.47 269	2.38 403	4.25 453	0.12 199	0.14 259	0.11 120	0.12 175	0.12 40	0.14 135

Any-RAFT	0.38 74	0.25 38	1.89 206	0.27 58	0.17 69	0.68 301	0.21 51	0.78 213	0.53 130	0.43 106	0.43 106	0.54 209	0.30 134	0.41 84	0.20 24	0.10 96	0.12 228	0.08 4	0.06 8	0.10 16	0.09 23

CASS	0.39 87	0.30 87	1.61 92	0.32 176	0.17 69	0.53 106	0.24 119	0.70 147	0.49 92	0.59 276	0.54 199	0.40 114	0.40 205	0.41 84	0.30 133	0.17 313	0.10 159	0.14 261	0.11 143	0.18 179	0.17 208
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
x	0.35 58	0.20 8	1.36 46	0.33 196	0.17 69	0.47 57	0.24 119	0.75 177	0.54 142	0.40 90	0.40 97	0.42 133	0.34 158	0.45 107	0.32 155	0.11 151	0.14 259	0.11 120	0.09 53	0.12 40	0.14 135

dd	0.42 113	0.96 359	1.77 138	0.31 148	0.17 69	0.57 155	0.26 153	0.49 41	0.68 269	0.41 97	0.40 97	0.34 86	0.27 99	0.45 107	0.40 209	0.17 313	0.10 159	0.13 227	0.12 175	0.21 221	0.12 86

PSM-softLoss	0.48 175	0.27 52	1.85 185	0.51 369	0.17 69	0.61 217	0.40 301	0.61 111	0.57 160	0.52 187	0.48 140	0.39 106	0.25 69	1.46 288	0.77 325	0.12 199	0.08 68	0.13 227	0.12 175	0.12 40	0.14 135

KMStereo	0.48 175	0.27 52	1.85 185	0.51 369	0.17 69	0.61 217	0.40 301	0.61 111	0.57 160	0.52 187	0.48 140	0.39 106	0.25 69	1.46 288	0.77 325	0.12 199	0.08 68	0.13 227	0.12 175	0.12 40	0.14 135

PSM-adaLoss	0.38 74	0.27 52	1.78 143	0.44 330	0.17 69	0.60 197	0.29 214	0.51 49	0.52 112	0.47 132	0.43 106	0.44 148	0.28 113	0.47 120	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

ROB_FTStereo_v2	0.38 74	0.27 52	1.78 143	0.44 330	0.17 69	0.61 217	0.28 193	0.51 49	0.52 112	0.47 132	0.43 106	0.44 148	0.28 113	0.47 120	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

ROB_FTStereo	0.38 74	0.27 52	1.78 143	0.44 330	0.17 69	0.61 217	0.26 153	0.51 49	0.52 112	0.47 132	0.43 106	0.43 137	0.28 113	0.49 135	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

HUI-Stereo	0.38 74	0.27 52	1.79 162	0.44 330	0.17 69	0.61 217	0.28 193	0.51 49	0.52 112	0.47 132	0.43 106	0.44 148	0.28 113	0.45 107	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

DEmStereo	0.68 321	0.31 96	2.25 299	0.42 321	0.17 69	0.66 283	0.89 416	0.51 49	0.59 177	0.60 284	1.01 387	0.45 157	1.26 412	1.54 302	2.26 421	0.10 96	0.08 68	0.10 70	0.10 86	0.10 16	0.11 55

DeepStereo_RVC	0.44 129	0.28 73	1.92 218	0.49 363	0.17 69	0.60 197	0.59 374	0.50 47	0.52 112	0.49 161	0.45 119	0.39 106	0.86 382	0.45 107	0.33 165	0.11 151	0.08 68	0.11 120	0.09 53	0.15 101	0.19 239

iGMRVC	0.39 87	0.27 52	1.78 143	0.44 330	0.17 69	0.61 217	0.27 178	0.51 49	0.52 112	0.47 132	0.43 106	0.44 148	0.28 113	0.55 161	0.28 105	0.12 199	0.08 68	0.12 171	0.10 86	0.17 155	0.12 86

CRE-IMP	0.41 98	0.22 23	1.76 129	0.48 361	0.17 69	0.79 356	0.69 395	0.52 60	0.52 112	0.47 132	0.42 104	0.45 157	0.26 83	0.41 84	0.31 145	0.11 151	0.07 14	0.12 171	0.09 53	0.17 155	0.23 289

CroCo-Stereo	0.30 21	0.45 179	1.08 14	0.31 148	0.17 69	0.19 1	0.21 51	0.73 163	0.50 99	0.21 7	0.24 14	0.55 212	0.22 39	0.27 5	0.26 88	0.09 23	0.08 68	0.08 4	0.07 15	0.12 40	0.09 23
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
cross-raft	0.40 92	0.27 52	2.22 293	0.30 122	0.17 69	0.49 71	0.35 275	0.71 150	0.39 25	0.43 106	0.45 119	0.64 262	0.25 69	0.32 37	0.25 81	0.08 5	0.08 68	0.09 30	0.23 341	0.11 29	0.14 135

test_xeample	0.72 339	0.21 13	1.36 46	0.27 58	0.17 69	0.59 187	0.28 193	1.01 389	0.70 286	0.55 226	0.67 301	0.44 148	0.39 199	1.88 363	5.17 458	0.12 199	0.10 159	0.11 120	0.10 86	0.13 66	0.15 168

RAFT-Stereo + iAFF	0.42 113	0.86 329	1.78 143	0.28 80	0.17 69	0.52 99	0.20 34	0.62 115	0.61 196	0.50 168	0.61 255	0.39 106	0.32 147	0.35 55	0.30 133	0.07 1	0.10 159	0.09 30	0.09 53	0.35 351	0.10 41

FENet	0.44 129	0.30 87	2.42 327	0.32 176	0.17 69	0.58 171	0.22 69	0.77 199	0.59 177	0.47 132	0.42 104	0.55 212	0.38 185	0.49 135	0.47 242	0.12 199	0.09 127	0.12 171	0.11 143	0.13 66	0.16 191

iResNet	0.51 218	0.76 290	2.59 359	0.41 313	0.17 69	0.64 265	0.27 178	0.82 242	0.70 286	0.57 247	0.64 287	0.43 137	0.36 166	0.70 206	0.52 260	0.10 96	0.07 14	0.09 30	0.08 36	0.21 221	0.13 120

rvit_0105_6	0.31 28	0.29 78	1.00 13	0.31 148	0.18 96	0.35 22	0.25 134	0.51 49	0.61 196	0.25 35	0.28 29	0.32 77	0.25 69	0.39 77	0.25 81	0.18 324	0.16 298	0.15 287	0.13 202	0.14 85	0.13 120

rvit_0105_5	0.36 62	0.39 145	1.48 70	0.30 122	0.18 96	0.41 35	0.30 221	0.64 121	0.62 214	0.30 56	0.33 58	0.37 95	0.29 126	0.41 84	0.28 105	0.18 324	0.16 298	0.15 287	0.15 252	0.15 101	0.14 135

rvit_0105_4	0.35 58	0.35 123	1.45 62	0.31 148	0.18 96	0.37 26	0.28 193	0.59 100	0.62 214	0.27 48	0.31 49	0.35 90	0.27 99	0.43 92	0.25 81	0.18 324	0.16 298	0.15 287	0.13 202	0.15 101	0.12 86

rvit_stereo_0083	0.25 2	0.19 4	0.58 1	0.28 80	0.18 96	0.28 4	0.22 69	0.38 4	0.54 142	0.23 19	0.30 42	0.27 50	0.26 83	0.37 68	0.24 70	0.14 265	0.12 228	0.13 227	0.10 86	0.12 40	0.10 41

model_zeroshot	0.44 129	0.68 268	1.97 243	0.28 80	0.18 96	0.69 307	0.21 51	0.63 120	0.40 30	1.00 398	0.34 64	0.42 133	0.20 24	0.69 201	0.24 70	0.10 96	0.22 356	0.10 70	0.22 338	0.12 40	0.10 41

RAStereo	0.28 9	0.48 192	1.52 78	0.26 45	0.18 96	0.25 3	0.19 21	0.42 12	0.35 10	0.20 5	0.25 19	0.20 5	0.16 4	0.24 2	0.24 70	0.09 23	0.08 68	0.10 70	0.08 36	0.12 40	0.08 13

rvit_stereo_0080	0.27 5	0.38 136	0.76 5	0.24 11	0.18 96	0.34 18	0.27 178	0.54 78	0.44 51	0.24 22	0.26 24	0.27 50	0.22 39	0.29 18	0.23 51	0.13 228	0.10 159	0.10 70	0.10 86	0.15 101	0.11 55

test_sample6	0.52 229	0.44 173	1.81 169	0.33 196	0.18 96	0.55 123	0.27 178	0.94 332	0.66 260	0.54 209	0.62 260	0.47 178	0.36 166	1.97 372	0.38 192	0.14 265	0.10 159	0.13 227	0.13 202	0.17 155	0.16 191

test_sample5	0.51 218	0.43 164	1.83 180	0.32 176	0.18 96	0.55 123	0.26 153	0.92 316	0.65 246	0.53 197	0.59 235	0.45 157	0.36 166	1.87 356	0.36 181	0.13 228	0.10 159	0.13 227	0.12 175	0.17 155	0.16 191

test_sample1	0.40 92	0.18 2	1.19 24	0.31 148	0.18 96	0.48 65	0.23 92	0.78 213	0.49 92	0.44 112	0.44 116	0.45 157	0.41 216	1.39 279	0.33 165	0.11 151	0.09 127	0.10 70	0.09 53	0.12 40	0.13 120

DualNet	0.51 218	0.43 164	1.83 180	0.32 176	0.18 96	0.55 123	0.26 153	0.92 316	0.65 246	0.54 209	0.62 260	0.45 157	0.36 166	1.87 356	0.36 181	0.13 228	0.10 159	0.13 227	0.12 175	0.17 155	0.16 191

whm_eth	0.27 5	0.38 136	0.76 5	0.24 11	0.18 96	0.34 18	0.27 178	0.54 78	0.44 51	0.24 22	0.26 24	0.27 50	0.22 39	0.29 18	0.23 51	0.13 228	0.10 159	0.10 70	0.10 86	0.15 101	0.11 55

IGEV_Zeroshot_test	0.53 235	0.33 106	2.91 400	0.32 176	0.18 96	0.54 111	0.21 51	0.72 155	0.42 40	0.81 375	0.51 168	0.71 305	0.41 216	0.48 125	1.13 365	0.09 23	0.15 282	0.10 70	0.35 393	0.19 199	0.09 23

ToySt	0.44 129	0.61 234	1.89 206	0.29 108	0.18 96	0.55 123	0.35 275	0.67 137	0.53 130	0.39 88	0.50 164	0.59 239	0.43 242	0.51 144	0.49 250	0.10 96	0.12 228	0.13 227	0.16 271	0.24 259	0.19 239

knoymous	0.34 47	0.25 38	1.75 125	0.24 11	0.18 96	0.45 41	0.24 119	0.57 89	0.38 19	0.41 97	0.39 92	0.55 212	0.25 69	0.38 73	0.23 51	0.11 151	0.08 68	0.12 171	0.07 15	0.13 66	0.12 86

DisPM	0.43 119	0.33 106	1.78 143	0.57 392	0.18 96	0.59 187	0.63 385	0.53 68	0.61 196	0.60 284	0.53 189	0.38 102	0.26 83	0.75 213	0.29 119	0.12 199	0.07 14	0.12 171	0.11 143	0.11 29	0.14 135

MIPNet	0.83 376	0.81 315	2.40 324	0.61 401	0.18 96	1.48 422	1.39 446	1.60 439	0.74 321	1.94 441	0.85 362	0.73 311	1.68 435	0.87 233	0.31 145	0.09 23	0.08 68	0.11 120	0.32 383	0.25 269	0.12 86

IPLGR	0.54 240	0.56 224	2.68 370	0.36 256	0.18 96	0.62 237	0.54 358	1.02 392	0.64 233	0.73 356	0.46 125	0.47 178	0.45 253	1.12 258	0.29 119	0.09 23	0.08 68	0.11 120	0.09 53	0.19 199	0.12 86

PFNet+	0.45 147	0.37 131	1.86 193	0.46 348	0.18 96	0.58 171	0.77 407	0.52 60	0.64 233	0.56 236	0.48 140	0.39 106	0.26 83	0.93 235	0.32 155	0.13 228	0.09 127	0.14 261	0.13 202	0.12 40	0.15 168

GES	0.44 129	0.28 73	1.88 199	0.30 122	0.18 96	0.61 217	0.30 221	0.88 285	0.46 69	0.47 132	0.52 180	0.39 106	0.42 232	0.58 167	0.67 304	0.15 281	0.11 204	0.12 171	0.10 86	0.15 101	0.17 208

222	0.78 364	0.23 27	1.23 28	0.28 80	0.18 96	0.62 237	0.24 119	1.02 392	0.70 286	0.58 263	0.66 298	0.46 170	0.42 232	1.80 345	6.53 463	0.13 228	0.10 159	0.11 120	0.10 86	0.12 40	0.17 208

xxxx	0.70 329	0.21 13	1.33 42	0.28 80	0.18 96	0.63 254	0.24 119	1.02 392	0.69 278	0.50 168	0.62 260	0.58 237	0.38 185	1.47 295	5.21 459	0.13 228	0.12 228	0.11 120	0.10 86	0.12 40	0.15 168

DIP-Stereo	0.37 68	0.34 116	1.50 75	0.27 58	0.18 96	0.63 254	0.17 11	0.92 316	0.53 130	0.49 161	0.48 140	0.30 67	0.30 134	0.39 77	0.30 133	0.10 96	0.08 68	0.10 70	0.08 36	0.15 101	0.12 86
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
R-Stereo Train	0.36 62	0.21 13	1.70 107	0.29 108	0.18 96	0.55 123	0.26 153	0.78 213	0.36 13	0.57 247	0.67 301	0.33 82	0.24 56	0.32 37	0.23 51	0.10 96	0.08 68	0.09 30	0.07 15	0.09 10	0.12 86

RAFT-Stereo	0.36 62	0.21 13	1.70 107	0.29 108	0.18 96	0.55 123	0.26 153	0.78 213	0.36 13	0.57 247	0.67 301	0.33 82	0.24 56	0.32 37	0.23 51	0.10 96	0.08 68	0.09 30	0.07 15	0.09 10	0.12 86
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
rvit_0105_3	0.39 87	0.47 189	1.46 63	0.33 196	0.19 121	0.45 41	0.35 275	0.69 142	0.65 246	0.37 76	0.37 76	0.40 114	0.31 142	0.44 98	0.30 133	0.18 324	0.17 314	0.17 321	0.18 297	0.15 101	0.15 168

UGAM	0.58 269	0.47 189	2.21 289	0.30 122	0.19 121	0.53 106	0.34 268	0.59 100	0.63 225	0.44 112	0.73 336	0.78 331	0.37 179	2.58 422	0.39 203	0.10 96	0.08 68	0.17 321	0.14 230	0.42 387	0.17 208

WCG-NET	0.30 21	0.32 100	1.16 20	0.25 23	0.19 121	0.51 82	0.18 17	0.54 78	0.46 69	0.35 68	0.29 34	0.32 77	0.26 83	0.36 61	0.19 6	0.10 96	0.10 159	0.08 4	0.07 15	0.29 304	0.09 23

test_sample4	0.50 201	0.42 160	1.88 199	0.32 176	0.19 121	0.56 137	0.26 153	0.93 324	0.65 246	0.54 209	0.54 199	0.45 157	0.36 166	1.79 341	0.36 181	0.13 228	0.10 159	0.13 227	0.12 175	0.17 155	0.16 191

test_sample3	0.50 201	0.41 153	1.88 199	0.32 176	0.19 121	0.57 155	0.25 134	0.92 316	0.64 233	0.52 187	0.49 157	0.47 178	0.35 160	1.79 341	0.37 186	0.13 228	0.10 159	0.12 171	0.11 143	0.16 134	0.16 191

GMStereo_Zeroshot	0.41 98	0.36 129	1.54 80	0.41 313	0.19 121	0.52 99	0.19 21	0.59 100	0.52 112	0.57 247	0.59 235	0.63 254	0.29 126	0.58 167	0.33 165	0.15 281	0.09 127	0.16 304	0.09 53	0.24 259	0.12 86

plain	0.37 68	0.47 189	2.15 279	0.27 58	0.19 121	0.33 15	0.20 34	0.58 94	0.46 69	0.23 19	0.37 76	0.23 20	0.25 69	0.45 107	0.28 105	0.11 151	0.08 68	0.13 227	0.09 53	0.42 387	0.12 86

EGLCR-Stereo	0.29 15	0.27 52	0.97 11	0.30 122	0.19 121	0.56 137	0.17 11	0.68 140	0.36 13	0.30 56	0.18 2	0.27 50	0.17 6	0.38 73	0.19 6	0.09 23	0.07 14	0.10 70	0.08 36	0.10 16	0.35 369

UDGNet	0.44 129	1.02 383	1.74 119	0.35 238	0.19 121	0.58 171	0.23 92	0.49 41	0.66 260	0.41 97	0.38 84	0.34 86	0.29 126	0.53 154	0.30 133	0.24 375	0.10 159	0.37 409	0.19 316	0.27 295	0.15 168

dad	0.51 218	1.01 380	1.74 119	0.29 108	0.19 121	0.60 197	0.26 153	0.52 60	0.75 334	0.63 311	0.63 272	0.63 254	0.33 150	0.85 231	0.47 242	0.27 388	0.15 282	0.40 412	0.18 297	0.22 235	0.14 135

Pruner-Stereo	0.51 218	0.27 52	1.78 143	1.79 454	0.19 121	0.62 237	0.45 331	0.57 89	0.60 181	0.61 291	0.48 140	0.41 120	0.24 56	0.46 113	1.00 352	0.12 199	0.07 14	0.12 171	0.10 86	0.12 40	0.13 120

RAFT	0.45 147	0.92 343	1.59 86	0.34 223	0.19 121	0.46 54	0.35 275	0.65 126	0.49 92	0.49 161	0.49 157	0.70 302	0.40 205	0.47 120	0.32 155	0.11 151	0.16 298	0.14 261	0.13 202	0.51 406	0.13 120

CFNet_pseudo	0.45 147	0.46 181	2.23 297	0.25 23	0.19 121	0.56 137	0.21 51	0.77 199	0.60 181	0.49 161	0.56 219	0.69 292	0.47 269	0.52 148	0.31 145	0.11 151	0.10 159	0.15 287	0.10 86	0.17 155	0.14 135

HSM-Net_RVC	0.67 314	0.34 116	2.23 297	0.26 45	0.19 121	0.67 289	0.29 214	1.26 426	0.69 278	0.72 352	0.70 326	0.78 331	0.42 232	3.77 454	0.41 215	0.13 228	0.09 127	0.10 70	0.09 53	0.12 40	0.11 55
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.45 147	0.46 181	2.22 293	0.26 45	0.19 121	0.56 137	0.21 51	0.77 199	0.60 181	0.49 161	0.56 219	0.69 292	0.47 269	0.52 148	0.31 145	0.11 151	0.09 127	0.16 304	0.10 86	0.17 155	0.14 135

rvit_stereo_0081_aga	0.27 5	0.29 78	1.08 14	0.26 45	0.20 136	0.33 15	0.21 51	0.41 10	0.42 40	0.26 43	0.28 29	0.27 50	0.21 30	0.31 30	0.21 34	0.14 265	0.10 159	0.11 120	0.10 86	0.14 85	0.10 41

Pointernet	0.29 15	0.25 38	1.49 72	0.24 11	0.20 136	0.47 57	0.15 4	0.62 115	0.47 84	0.22 12	0.29 34	0.26 44	0.20 24	0.28 9	0.20 24	0.10 96	0.07 14	0.07 1	0.12 175	0.10 16	0.07 3

test_sample7	0.47 170	0.33 106	1.49 72	0.34 223	0.20 136	0.51 82	0.30 221	0.93 324	0.66 260	0.57 247	0.51 168	0.55 212	0.45 253	1.11 255	0.38 192	0.17 313	0.14 259	0.16 304	0.15 252	0.19 199	0.18 227

PCWNet_CMD	0.46 156	0.45 179	2.28 303	0.26 45	0.20 136	0.55 123	0.21 51	0.75 177	0.64 233	0.48 150	0.55 208	0.68 285	0.57 311	0.46 113	0.30 133	0.11 151	0.10 159	0.14 261	0.10 86	0.18 179	0.14 135

riskmin	0.37 68	0.22 23	1.74 119	0.32 176	0.20 136	0.48 65	0.20 34	0.66 128	0.46 69	0.36 72	0.34 64	0.69 292	0.45 253	0.39 77	0.27 96	0.11 151	0.08 68	0.12 171	0.08 36	0.13 66	0.16 191

GwcNet-ADL	0.50 201	0.74 287	2.90 399	0.31 148	0.20 136	0.58 171	0.29 214	0.87 280	0.64 233	0.47 132	0.47 128	0.56 224	0.33 150	0.46 113	0.46 233	0.13 228	0.12 228	0.09 30	0.09 53	0.14 85	0.21 259

GANet-ADL	0.44 129	0.41 153	2.31 306	0.33 196	0.20 136	0.57 155	0.25 134	0.75 177	0.54 142	0.42 101	0.59 235	0.56 224	0.30 134	0.40 82	0.38 192	0.14 265	0.11 204	0.09 30	0.08 36	0.22 235	0.17 208

MSMDNet	0.46 156	0.44 173	2.28 303	0.26 45	0.20 136	0.55 123	0.21 51	0.75 177	0.64 233	0.48 150	0.55 208	0.68 285	0.56 306	0.46 113	0.30 133	0.11 151	0.10 159	0.13 227	0.10 86	0.18 179	0.15 168

AdaStereo	0.44 129	0.38 136	1.79 162	0.34 223	0.20 136	0.57 155	0.28 193	0.92 316	0.69 278	0.52 187	0.55 208	0.61 247	0.33 150	0.48 125	0.39 203	0.17 313	0.08 68	0.17 321	0.11 143	0.18 179	0.12 86
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.
CBMV	0.71 336	0.76 290	2.64 365	0.33 196	0.20 136	0.78 352	0.79 408	0.98 361	0.78 352	0.85 385	0.71 330	0.86 357	1.10 407	1.46 288	0.62 292	0.18 324	0.20 343	0.21 360	0.19 316	0.25 269	0.33 363
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
rvit_stereo_ft	0.31 28	0.61 234	1.18 22	0.32 176	0.21 146	0.28 4	0.27 178	0.55 83	0.48 86	0.23 19	0.27 26	0.28 58	0.26 83	0.32 37	0.25 81	0.13 228	0.09 127	0.11 120	0.11 143	0.13 66	0.14 135

ffm	0.47 170	0.23 27	2.01 247	0.30 122	0.21 146	0.57 155	0.26 153	0.74 167	0.88 380	0.53 197	0.63 272	0.66 270	0.39 199	0.63 182	0.19 6	0.10 96	0.24 365	0.15 287	0.13 202	0.25 269	0.36 377

ff1	0.73 348	0.23 27	2.01 247	0.30 122	0.21 146	0.57 155	0.26 153	0.74 167	0.88 380	0.53 197	0.63 272	0.66 270	0.39 199	2.52 418	3.43 445	0.10 96	0.24 365	0.15 287	0.13 202	0.25 269	0.36 377

mmx	0.72 339	0.23 27	2.01 247	0.30 122	0.21 146	0.57 155	0.26 153	0.99 373	0.76 343	0.53 197	0.63 272	0.66 270	0.39 199	2.52 418	3.43 445	0.13 228	0.10 159	0.15 287	0.13 202	0.15 101	0.15 168

xxx	0.72 339	0.23 27	2.01 247	0.30 122	0.21 146	0.57 155	0.26 153	0.99 373	0.76 343	0.53 197	0.63 272	0.66 270	0.39 199	2.52 418	3.43 445	0.13 228	0.10 159	0.15 287	0.13 202	0.15 101	0.15 168

MIM_Stereo	0.41 98	0.60 230	1.88 199	0.31 148	0.21 146	0.50 76	0.19 21	0.64 121	0.44 51	0.43 106	0.53 189	0.43 137	0.27 99	0.51 144	0.28 105	0.08 5	0.14 259	0.11 120	0.10 86	0.26 287	0.26 317

BUS	0.41 98	0.27 52	1.13 17	0.30 122	0.21 146	0.91 386	0.23 92	1.00 381	0.61 196	0.63 311	0.53 189	0.66 270	0.30 134	0.43 92	0.32 155	0.13 228	0.10 159	0.14 261	0.12 175	0.12 40	0.11 55

BSDual-CNN	0.41 98	0.27 52	1.13 17	0.30 122	0.21 146	0.76 339	0.31 233	1.00 381	0.61 196	0.63 311	0.53 189	0.63 254	0.37 179	0.43 92	0.38 192	0.13 228	0.10 159	0.14 261	0.12 175	0.12 40	0.11 55

test_4	0.40 92	0.37 131	2.01 247	0.29 108	0.21 146	0.50 76	0.28 193	0.47 32	0.39 25	0.42 101	0.76 344	0.38 102	0.22 39	0.52 148	0.33 165	0.08 5	0.07 14	0.11 120	0.15 252	0.28 301	0.07 3

iRaft-Stereo_5w	0.54 240	1.01 380	2.08 263	0.27 58	0.21 146	0.49 71	0.28 193	0.73 163	0.58 170	0.40 90	0.61 255	0.62 251	0.46 264	1.78 337	0.47 242	0.09 23	0.07 14	0.11 120	0.10 86	0.39 377	0.12 86

psmg	0.41 98	0.27 52	1.13 17	0.27 58	0.21 146	0.75 336	0.36 282	0.90 297	0.61 196	0.59 276	0.59 235	0.63 254	0.37 179	0.43 92	0.38 192	0.13 228	0.10 159	0.13 227	0.12 175	0.13 66	0.11 55

IPLG	0.69 325	0.84 324	2.43 331	0.35 238	0.21 146	1.65 432	0.61 379	1.36 430	0.58 170	1.39 431	0.51 168	0.37 95	0.87 383	1.41 281	0.36 181	0.09 23	0.07 14	0.14 261	0.12 175	0.32 328	0.11 55

AACVNet	0.54 240	0.78 306	1.73 115	0.36 256	0.21 146	0.57 155	0.25 134	0.71 150	0.51 106	0.55 226	0.59 235	0.64 262	0.41 216	2.13 387	0.41 215	0.14 265	0.11 204	0.14 261	0.11 143	0.33 336	0.15 168

PSMNet-ADL	0.51 218	0.38 136	1.65 95	0.35 238	0.21 146	0.67 289	0.26 153	0.74 167	0.55 147	0.42 101	0.52 180	0.70 302	0.45 253	1.91 366	0.57 279	0.15 281	0.13 244	0.11 120	0.13 202	0.15 101	0.20 253

FTStereo	0.76 356	0.18 2	2.35 315	0.71 411	0.21 146	0.73 327	1.79 453	0.57 89	0.53 130	1.07 403	1.63 421	1.29 417	2.13 443	0.75 213	0.29 119	0.19 338	0.08 68	0.12 171	0.11 143	0.11 29	0.40 394

KYRaft	0.48 175	0.29 78	1.75 125	0.33 196	0.21 146	0.75 336	0.44 324	0.58 94	0.57 160	0.64 320	0.93 375	0.53 205	0.72 357	0.60 176	0.24 70	0.10 96	0.07 14	0.12 171	0.14 230	0.12 40	0.54 414

IRAFT_RVC	0.54 240	0.53 209	1.78 143	0.46 348	0.21 146	0.58 171	0.43 316	0.65 126	0.66 260	0.54 209	0.50 164	0.49 191	0.51 287	1.58 310	1.01 356	0.11 151	0.25 378	0.13 227	0.10 86	0.15 101	0.13 120

LMCR-Stereo	0.52 229	0.71 277	2.39 322	0.40 307	0.21 146	0.74 330	0.31 233	1.02 392	0.64 233	0.61 291	0.63 272	0.39 106	0.51 287	0.62 179	0.42 217	0.19 338	0.09 127	0.12 171	0.09 53	0.23 244	0.12 86

ACVNet	0.45 147	0.44 173	1.79 162	0.28 80	0.21 146	0.59 187	0.36 282	0.66 128	0.68 269	0.45 122	0.59 235	0.69 292	0.40 205	0.44 98	0.55 269	0.11 151	0.09 127	0.10 70	0.09 53	0.34 343	0.10 41

StereoDRNet-Refined	0.50 201	0.41 153	1.50 75	0.33 196	0.21 146	0.68 301	0.26 153	0.81 235	0.68 269	0.67 333	0.68 309	0.73 311	0.42 232	1.10 252	0.59 286	0.11 151	0.08 68	0.14 261	0.14 230	0.25 269	0.21 259
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNet_ROB	0.50 201	1.15 401	1.73 115	0.31 148	0.21 146	0.58 171	0.22 69	0.95 344	0.82 365	0.58 263	0.62 260	0.57 230	0.39 199	0.84 229	0.40 209	0.11 151	0.08 68	0.09 30	0.06 8	0.21 221	0.13 120

IGEV-Stereo++	0.23 1	0.23 27	0.64 4	0.24 11	0.22 167	0.47 57	0.13 1	0.52 60	0.33 6	0.18 2	0.24 14	0.17 2	0.22 39	0.32 37	0.19 6	0.08 5	0.06 1	0.08 4	0.06 8	0.17 155	0.09 23

DualNet (step1)	0.59 274	0.62 240	1.93 221	0.27 58	0.22 167	0.68 301	0.31 233	0.93 324	0.66 260	0.57 247	0.51 168	0.55 212	0.45 253	1.11 255	0.38 192	0.61 422	0.14 259	0.87 432	0.56 427	0.25 269	0.23 289

test_sample9	0.94 390	0.62 240	1.93 221	0.27 58	0.22 167	0.68 301	0.31 233	0.93 324	0.66 260	0.57 247	0.51 168	0.55 212	0.45 253	1.91 366	2.55 427	0.61 422	4.16 466	0.87 432	0.56 427	0.25 269	0.23 289

test_sample8	1.12 405	0.62 240	1.93 221	0.27 58	0.22 167	0.68 301	0.31 233	0.95 344	0.61 196	1.18 417	0.56 219	2.53 441	1.31 416	1.91 366	2.55 427	0.61 422	4.16 466	0.87 432	0.56 427	0.25 269	0.23 289

Former-RAFT_DAM_RVC	0.50 201	0.33 106	0.93 10	0.26 45	0.22 167	0.46 54	0.20 34	1.10 411	1.34 426	3.16 462	0.32 53	0.22 13	0.20 24	0.30 23	0.22 44	0.10 96	0.09 127	0.11 120	0.09 53	0.15 101	0.19 239

CFNet_ucs	0.48 175	0.50 201	2.32 307	0.26 45	0.22 167	0.57 155	0.22 69	0.85 262	0.65 246	0.53 197	0.64 287	0.68 285	0.44 249	0.54 157	0.31 145	0.13 228	0.12 228	0.16 304	0.11 143	0.19 199	0.17 208

gwcnet-sp	0.49 192	0.43 164	2.54 353	0.31 148	0.22 167	0.67 289	0.31 233	0.78 213	0.65 246	0.58 263	0.47 128	0.46 170	0.43 242	0.76 216	0.46 233	0.11 151	0.11 204	0.11 120	0.11 143	0.15 101	0.14 135

scenet	0.49 192	0.43 164	2.54 353	0.31 148	0.22 167	0.67 289	0.31 233	0.78 213	0.65 246	0.58 263	0.47 128	0.46 170	0.43 242	0.76 216	0.46 233	0.11 151	0.11 204	0.11 120	0.11 143	0.15 101	0.14 135

ssnet_v2	0.55 252	0.60 230	1.86 193	0.32 176	0.22 167	0.72 322	0.44 324	0.94 332	0.74 321	0.63 311	0.54 199	0.81 341	0.47 269	0.77 220	0.70 310	0.16 299	0.14 259	0.14 261	0.14 230	0.30 315	0.30 344

ssnet	0.49 192	0.43 164	2.54 353	0.31 148	0.22 167	0.67 289	0.31 233	0.78 213	0.65 246	0.58 263	0.47 128	0.46 170	0.43 242	0.76 216	0.46 233	0.11 151	0.11 204	0.11 120	0.11 143	0.15 101	0.14 135

LCNet	0.54 240	0.37 131	1.78 143	0.92 427	0.22 167	0.96 391	0.30 221	0.59 100	0.58 170	0.51 180	0.55 208	0.41 120	0.76 367	0.84 229	0.26 88	0.09 23	0.06 1	0.12 171	0.18 297	0.98 433	0.39 390

ICVP	0.46 156	0.29 78	2.41 325	0.33 196	0.22 167	0.59 187	0.55 361	0.75 177	0.50 99	0.44 112	0.60 248	0.49 191	0.35 160	0.53 154	0.37 186	0.16 299	0.16 298	0.14 261	0.11 143	0.15 101	0.15 168
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
hitnet-ft	0.67 314	0.80 310	1.90 209	0.28 80	0.22 167	0.69 307	0.36 282	0.85 262	0.65 246	0.56 236	0.84 358	1.03 394	0.95 395	2.32 398	0.55 269	0.23 368	0.14 259	0.41 413	0.13 202	0.24 259	0.17 208

iResNetv2_ROB	0.59 274	1.43 427	2.96 402	0.40 307	0.22 167	0.58 171	0.28 193	0.91 307	0.73 317	0.57 247	0.63 272	0.60 245	0.41 216	0.74 212	0.35 179	0.11 151	0.08 68	0.10 70	0.07 15	0.43 389	0.17 208

CBMV_ROB	0.76 356	0.42 160	2.68 370	0.33 196	0.22 167	0.74 330	0.47 342	0.96 349	0.76 343	1.04 402	0.96 379	0.88 363	0.93 390	2.06 381	1.19 370	0.22 365	0.24 365	0.27 384	0.25 351	0.25 269	0.28 330

DN-CSS_ROB	0.48 175	1.23 410	1.99 244	0.39 298	0.22 167	0.56 137	0.19 21	0.75 177	0.61 196	0.45 122	0.62 260	0.41 120	0.31 142	0.70 206	0.32 155	0.11 151	0.08 68	0.14 261	0.13 202	0.36 356	0.12 86

MyStereo07	0.34 47	0.40 149	1.46 63	0.29 108	0.23 183	0.60 197	0.31 233	0.53 68	0.42 40	0.25 35	0.25 19	0.20 5	0.26 83	0.57 164	0.19 6	0.09 23	0.18 324	0.12 171	0.11 143	0.16 134	0.19 239

MyStereo06	0.54 240	0.41 153	2.68 370	0.30 122	0.23 183	0.60 197	0.30 221	0.81 235	0.44 51	0.84 382	0.52 180	0.78 331	0.58 315	0.48 125	1.10 363	0.09 23	0.17 314	0.12 171	0.10 86	0.16 134	0.20 253

MyStereo05	0.49 192	0.41 153	2.72 376	0.30 122	0.23 183	0.60 197	0.30 221	0.82 242	0.77 347	0.52 187	0.37 76	0.51 197	0.42 232	0.52 148	0.38 192	0.09 23	0.17 314	0.12 171	0.10 86	0.16 134	0.20 253

MyStereo04	0.48 175	0.40 149	2.65 367	0.29 108	0.23 183	0.60 197	0.31 233	0.83 248	0.75 334	0.47 132	0.36 73	0.53 205	0.42 232	0.53 154	0.39 203	0.09 23	0.18 324	0.12 171	0.11 143	0.16 134	0.19 239

CBFPSM	0.56 258	0.91 342	1.82 175	0.28 80	0.23 183	0.71 316	0.37 289	0.72 155	0.64 233	0.50 168	0.49 157	1.03 394	0.83 375	0.62 179	1.35 381	0.10 96	0.12 228	0.10 70	0.10 86	0.18 179	0.19 239

DCRE	0.50 201	0.63 251	2.13 273	0.30 122	0.23 183	0.45 41	0.24 119	0.59 100	0.53 130	0.50 168	2.10 431	0.42 133	0.26 83	0.35 55	0.23 51	0.09 23	0.14 259	0.10 70	0.32 383	0.16 134	0.15 168

CSP-Net	0.50 201	0.39 145	1.25 31	0.29 108	0.23 183	0.77 347	0.35 275	0.86 271	0.57 160	0.59 276	0.59 235	0.65 265	0.40 205	1.77 336	0.44 229	0.16 299	0.11 204	0.10 70	0.10 86	0.20 213	0.14 135

STrans-v2	0.67 314	0.56 224	2.64 365	0.27 58	0.23 183	0.57 155	0.33 264	0.96 349	0.69 278	0.92 391	0.85 362	0.89 365	0.93 390	1.83 349	1.21 373	0.09 23	0.07 14	0.10 70	0.09 53	0.11 29	0.12 86

IIG-Stereo	0.59 274	0.65 259	1.74 119	0.54 382	0.23 183	0.61 217	0.21 51	0.73 163	0.65 246	0.64 320	0.69 316	0.69 292	0.38 185	2.09 385	1.39 384	0.11 151	0.07 14	0.11 120	0.09 53	0.15 101	0.09 23

PSM-AAD	0.63 295	0.22 23	1.77 138	0.37 276	0.23 183	0.86 377	1.17 436	0.59 100	0.60 181	0.64 320	0.71 330	0.68 285	2.93 451	0.65 191	0.31 145	0.09 23	0.07 14	0.17 321	0.15 252	0.13 66	0.33 363

GrayStereo	0.66 311	0.19 4	1.76 129	0.90 425	0.23 183	0.62 237	1.42 450	0.62 115	0.60 181	0.72 352	0.78 348	0.56 224	3.07 454	0.60 176	0.26 88	0.09 23	0.08 68	0.10 70	0.21 331	0.11 29	0.18 227

Prome-Stereo	0.49 192	0.30 87	1.76 129	0.60 400	0.23 183	0.63 254	0.42 310	0.62 115	0.60 181	0.59 276	1.03 391	0.43 137	0.72 357	0.60 176	0.33 165	0.09 23	0.07 14	0.10 70	0.09 53	0.11 29	0.43 401

RALAANet	0.43 119	0.98 370	1.90 209	0.32 176	0.23 183	0.48 65	0.19 21	0.67 137	0.53 130	0.48 150	0.45 119	0.39 106	0.30 134	0.48 125	0.37 186	0.10 96	0.08 68	0.11 120	0.14 230	0.27 295	0.10 41

rvit_105_1	0.44 129	0.54 213	1.46 63	0.36 256	0.24 196	0.51 82	0.45 331	0.75 177	0.74 321	0.45 122	0.44 116	0.44 148	0.36 166	0.62 179	0.38 192	0.20 346	0.18 324	0.18 340	0.22 338	0.18 179	0.18 227

AIO-Stereo	0.30 21	0.27 52	1.25 31	0.27 58	0.24 196	0.37 26	0.20 34	0.52 60	0.36 13	0.21 7	0.30 42	0.23 20	0.14 1	0.31 30	0.20 24	0.08 5	0.07 14	0.09 30	0.38 403	0.19 199	0.31 351

RSM	0.28 9	0.26 48	0.97 11	0.25 23	0.24 196	0.37 26	0.21 51	0.49 41	0.44 51	0.21 7	0.27 26	0.28 58	0.17 6	0.38 73	0.20 24	0.07 1	0.07 14	0.09 30	0.34 390	0.21 221	0.16 191

ttt	0.66 311	0.22 23	1.68 101	0.34 223	0.24 196	0.60 197	0.26 153	1.00 381	0.77 347	0.55 226	0.67 301	0.54 209	0.36 166	2.14 388	3.03 434	0.16 299	0.13 244	0.13 227	0.12 175	0.15 101	0.17 208

MIF-Stereo (partial)	0.34 47	0.41 153	1.93 221	0.26 45	0.24 196	0.32 13	0.17 11	0.53 68	0.42 40	0.25 35	0.37 76	0.25 35	0.26 83	0.44 98	0.31 145	0.11 151	0.08 68	0.12 171	0.10 86	0.19 199	0.14 135

UniTT-Stereo	0.30 21	0.36 129	1.68 101	0.27 58	0.24 196	0.29 6	0.18 17	0.33 2	0.34 8	0.26 43	0.37 76	0.18 3	0.18 14	0.31 30	0.27 96	0.10 96	0.08 68	0.08 4	0.07 15	0.25 269	0.08 13

LL-Strereo2	0.41 98	0.90 341	1.83 180	0.44 330	0.24 196	0.54 111	0.27 178	0.58 94	0.45 64	0.41 97	0.33 58	0.44 148	0.21 30	0.44 98	0.34 172	0.09 23	0.08 68	0.16 304	0.14 230	0.17 155	0.17 208

hknet	0.47 170	0.29 78	1.70 107	0.30 122	0.24 196	0.76 339	0.31 233	1.00 381	0.64 233	0.63 311	0.53 189	0.80 338	0.38 185	0.77 220	0.37 186	0.11 151	0.10 159	0.14 261	0.12 175	0.12 40	0.11 55

GMM-Stereo	0.50 201	0.23 27	2.41 325	0.54 382	0.24 196	0.77 347	0.46 334	0.59 100	0.57 160	0.58 263	0.73 336	0.47 178	0.43 242	0.68 195	0.27 96	0.10 96	0.06 1	0.13 227	0.13 202	0.14 85	0.44 403

Anonymous3	0.42 113	0.35 123	2.09 264	0.33 196	0.24 196	0.72 322	0.31 233	0.74 167	0.55 147	0.35 68	0.40 97	0.33 82	0.29 126	0.44 98	0.28 105	0.18 324	0.18 324	0.13 227	0.13 202	0.17 155	0.17 208

sAnonymous2	0.38 74	0.62 240	2.15 279	0.31 148	0.24 196	0.34 18	0.27 178	0.53 68	0.46 69	0.24 22	0.29 34	0.23 20	0.28 113	0.28 9	0.22 44	0.12 199	0.09 127	0.11 120	0.13 202	0.38 369	0.35 369

CroCo_RVC	0.38 74	0.62 240	2.15 279	0.31 148	0.24 196	0.34 18	0.27 178	0.53 68	0.46 69	0.24 22	0.29 34	0.23 20	0.28 113	0.28 9	0.22 44	0.12 199	0.09 127	0.11 120	0.13 202	0.38 369	0.35 369

DMCA	0.41 98	0.52 204	1.26 33	0.31 148	0.24 196	0.59 187	0.26 153	0.77 199	0.63 225	0.58 263	0.48 140	0.57 230	0.35 160	0.40 82	0.50 255	0.14 265	0.10 159	0.14 261	0.10 86	0.15 101	0.15 168

FADNet_RVC	0.81 374	1.14 397	2.42 327	0.30 122	0.24 196	0.71 316	0.24 119	0.95 344	0.61 196	0.44 112	0.56 219	0.59 239	0.42 232	1.52 300	0.68 307	0.94 437	0.96 453	0.28 388	1.00 453	0.90 432	1.36 457

TDLM	0.67 314	0.92 343	1.76 129	0.37 276	0.24 196	0.66 283	0.56 366	0.82 242	0.74 321	1.16 410	0.62 260	0.61 247	0.48 277	2.70 431	0.50 255	0.20 346	0.11 204	0.35 403	0.14 230	0.32 328	0.16 191

iinet-f	0.57 264	0.93 349	2.27 302	0.31 148	0.25 211	0.83 369	0.33 264	0.81 235	0.65 246	0.54 209	0.63 272	0.73 311	0.67 346	0.73 211	0.67 304	0.13 228	0.13 244	0.11 120	0.10 86	0.43 389	0.16 191

IER	0.43 119	0.38 136	1.69 103	0.26 45	0.25 211	0.66 283	0.26 153	0.71 150	0.55 147	0.54 209	0.59 235	0.60 245	0.53 294	0.52 148	0.39 203	0.11 151	0.08 68	0.11 120	0.11 143	0.14 85	0.11 55

NINENet	0.50 201	0.33 106	1.69 103	0.55 388	0.25 211	0.91 386	0.23 92	0.98 361	0.71 295	0.53 197	0.55 208	0.66 270	0.30 134	1.22 268	0.32 155	0.15 281	0.13 244	0.16 304	0.11 143	0.16 134	0.13 120

HHNet	0.60 279	0.65 259	2.60 362	0.36 256	0.25 211	0.64 265	0.61 379	0.64 121	0.62 214	0.55 226	1.13 400	0.32 77	0.60 320	0.42 89	1.79 402	0.15 281	0.07 14	0.12 171	0.10 86	0.18 179	0.15 168

GEStereo_RVC	0.54 240	0.87 332	1.95 231	0.47 353	0.25 211	0.62 237	0.37 289	1.00 381	0.74 321	0.53 197	0.54 199	0.59 239	0.44 249	1.10 252	0.46 233	0.15 281	0.11 204	0.12 171	0.10 86	0.26 287	0.19 239

PSMNet-RSSM	0.53 235	0.82 319	1.78 143	0.31 148	0.25 211	0.58 171	0.28 193	0.84 258	0.60 181	0.50 168	0.61 255	0.67 279	0.43 242	1.68 323	0.42 217	0.15 281	0.10 159	0.14 261	0.16 271	0.15 101	0.13 120

GwcNet-RSSM	0.57 264	0.94 351	2.13 273	0.32 176	0.25 211	0.60 197	0.30 221	0.80 231	0.66 260	0.52 187	0.64 287	0.71 305	0.40 205	1.79 341	0.50 255	0.13 228	0.09 127	0.12 171	0.12 175	0.21 221	0.15 168

GANet	0.75 353	0.84 324	2.01 247	0.40 307	0.25 211	0.74 330	0.66 387	0.87 280	0.73 317	0.71 349	1.07 396	0.84 350	0.59 318	2.71 433	1.15 368	0.17 313	0.16 298	0.44 416	0.16 271	0.31 322	0.20 253

CFNet	0.58 269	0.96 359	1.78 143	0.33 196	0.25 211	0.63 254	0.22 69	0.88 285	0.75 334	0.46 130	0.59 235	0.58 237	0.40 205	2.29 396	0.48 245	0.12 199	0.09 127	0.15 287	0.14 230	0.30 315	0.15 168

AANet_RVC	0.68 321	1.00 376	2.09 264	0.33 196	0.25 211	0.58 171	0.32 256	0.81 235	0.80 360	0.61 291	0.94 376	0.80 338	0.41 216	2.46 413	1.02 357	0.36 405	0.14 259	0.10 70	0.09 53	0.23 244	0.22 269

DLCB_ROB	0.54 240	0.55 222	1.49 72	0.36 256	0.25 211	0.65 277	0.36 282	0.80 231	0.70 286	0.72 352	0.69 316	0.83 347	0.46 264	1.53 301	0.60 288	0.13 228	0.12 228	0.14 261	0.14 230	0.14 85	0.13 120

NOSS_ROB	0.64 299	0.65 259	1.62 93	0.46 348	0.25 211	0.67 289	0.30 221	0.93 324	0.77 347	0.59 276	0.57 226	0.77 328	0.38 185	2.78 435	0.44 229	0.23 368	0.24 365	0.28 388	0.26 357	0.27 295	0.39 390

ETE_ROB	0.60 279	0.71 277	1.55 82	0.37 276	0.25 211	0.69 307	0.51 349	1.47 433	0.70 286	0.80 370	0.69 316	0.85 353	0.49 282	1.36 278	0.58 284	0.16 299	0.13 244	0.19 346	0.16 271	0.21 221	0.23 289

GCAP-BAT	0.43 119	0.31 96	1.82 175	0.25 23	0.26 224	0.65 277	0.23 92	0.48 35	0.37 17	0.67 333	0.82 354	0.44 148	0.24 56	0.48 125	0.87 339	0.09 23	0.13 244	0.09 30	0.22 338	0.08 1	0.09 23

CoDeX	0.52 229	0.43 164	2.25 299	0.29 108	0.26 224	0.61 217	0.32 256	0.99 373	0.68 269	0.48 150	0.55 208	0.52 203	0.40 205	1.60 313	0.35 179	0.12 199	0.09 127	0.11 120	0.10 86	0.13 66	0.12 86

HBP-ISP	0.76 356	1.30 417	3.19 424	0.35 238	0.26 224	0.85 375	0.54 358	1.03 399	0.72 303	0.80 370	0.69 316	0.68 285	0.83 375	2.04 379	0.44 229	0.23 368	0.24 365	0.29 395	0.25 351	0.28 301	0.24 299

CRFU-Net	0.56 258	0.38 136	1.86 193	0.46 348	0.26 224	0.82 367	0.36 282	0.90 297	0.49 92	0.62 302	0.59 235	0.78 331	1.35 420	1.00 242	0.48 245	0.15 281	0.14 259	0.17 321	0.10 86	0.19 199	0.14 135

TransformOpticalFlow	0.64 299	0.56 224	2.66 368	0.44 330	0.26 224	0.62 237	0.28 193	0.83 248	0.71 295	0.76 362	0.74 339	0.91 368	0.85 379	1.83 349	0.81 333	0.10 96	0.07 14	0.11 120	0.09 53	0.11 29	0.12 86

RALCasStereoNet	0.45 147	0.88 335	1.85 185	0.30 122	0.26 224	0.49 71	0.26 153	0.58 94	0.51 106	0.36 72	0.48 140	0.36 93	0.28 113	0.55 161	0.34 172	0.10 96	0.53 428	0.09 30	0.08 36	0.25 269	0.34 367

GANet-RSSM	0.55 252	0.73 284	1.90 209	0.36 256	0.26 224	0.59 187	0.27 178	0.78 213	0.52 112	0.47 132	0.57 226	0.63 254	0.45 253	1.92 370	0.43 225	0.14 265	0.10 159	0.25 380	0.11 143	0.34 343	0.14 135

FADNet-RVC	0.61 287	1.26 414	2.12 271	0.33 196	0.26 224	0.59 187	0.29 214	0.86 271	0.62 214	0.45 122	0.50 164	0.62 251	0.46 264	1.73 330	0.55 269	0.17 313	0.20 343	0.17 321	0.18 297	0.59 414	0.28 330

SuperB	1.15 409	1.14 397	5.43 459	0.36 256	0.26 224	0.81 364	0.89 416	0.88 285	1.17 417	0.67 333	0.68 309	0.63 254	1.39 424	1.74 332	3.37 443	0.15 281	0.12 228	0.17 321	0.16 271	2.80 463	0.25 308

GANetREF_RVC	0.75 353	1.15 401	2.46 336	0.47 353	0.26 224	0.83 369	0.61 379	0.97 357	0.89 384	0.62 302	0.61 255	0.72 307	0.59 318	2.42 409	0.55 269	0.32 399	0.25 378	0.36 405	0.24 343	0.39 377	0.31 351
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
CVANet_RVC	0.65 307	0.80 310	2.13 273	0.36 256	0.26 224	0.62 237	0.42 310	0.84 258	0.72 303	0.69 342	0.68 309	0.68 285	0.52 292	2.64 425	0.42 217	0.19 338	0.12 228	0.22 362	0.17 287	0.37 363	0.15 168

DeepPruner_ROB	0.50 201	0.70 275	1.94 228	0.29 108	0.26 224	0.63 254	0.31 233	0.80 231	0.48 86	0.61 291	0.55 208	0.66 270	0.38 185	0.98 240	0.40 209	0.19 338	0.14 259	0.14 261	0.14 230	0.23 244	0.17 208

DispNO	0.67 314	0.98 370	2.58 357	0.31 148	0.27 236	0.59 187	0.29 214	0.83 248	0.68 269	0.53 197	0.79 351	0.83 347	0.47 269	2.46 413	0.68 307	0.12 199	0.10 159	0.19 346	0.31 378	0.16 134	0.17 208

testlalala_base	0.46 156	0.30 87	1.82 175	0.34 223	0.27 236	0.55 123	0.21 51	0.85 262	0.32 4	0.32 66	0.39 92	0.31 69	0.23 49	0.30 23	0.28 105	0.95 438	0.30 393	0.09 30	0.21 331	1.03 434	0.18 227

test-1	0.44 129	0.48 192	1.69 103	0.30 122	0.27 236	0.50 76	0.28 193	0.80 231	0.43 48	0.40 90	0.54 199	0.41 120	0.24 56	0.31 30	1.16 369	0.09 23	0.20 343	0.10 70	0.17 287	0.11 29	0.26 317

pcwnet_v2	0.64 299	0.49 195	4.41 452	0.32 176	0.27 236	0.60 197	0.25 134	0.97 357	0.88 380	0.59 276	0.70 326	0.63 254	0.55 302	0.66 193	0.37 186	0.17 313	0.15 282	0.15 287	0.14 230	0.21 221	0.23 289

sCroCo_RVC	0.33 40	0.32 100	1.89 206	0.34 223	0.27 236	0.30 8	0.22 69	0.48 35	0.44 51	0.22 12	0.33 58	0.25 35	0.25 69	0.32 37	0.24 70	0.14 265	0.16 298	0.12 171	0.12 175	0.15 101	0.13 120

SFCPSM	0.46 156	0.24 35	2.35 315	0.27 58	0.27 236	0.70 314	0.32 256	0.96 349	0.63 225	0.49 161	0.52 180	0.43 137	0.36 166	0.52 148	0.43 225	0.12 199	0.09 127	0.12 171	0.16 271	0.16 134	0.12 86

MMNet	0.50 201	0.48 192	1.93 221	0.33 196	0.27 236	0.79 356	0.28 193	0.81 235	0.74 321	0.60 284	0.56 219	0.59 239	0.55 302	0.79 225	0.59 286	0.10 96	0.09 127	0.12 171	0.11 143	0.13 66	0.14 135

UCFNet_RVC	0.48 175	0.82 319	1.85 185	0.30 122	0.27 236	0.64 265	0.26 153	0.74 167	0.55 147	0.48 150	0.53 189	0.63 254	0.41 216	0.88 234	0.38 192	0.15 281	0.10 159	0.17 321	0.17 287	0.18 179	0.15 168

SANet	1.20 413	1.21 408	3.33 433	0.38 290	0.27 236	1.73 436	0.85 413	1.10 411	2.49 451	1.16 410	1.83 425	1.72 430	1.50 430	2.37 400	2.84 432	0.18 324	0.16 298	0.16 304	0.15 252	0.32 328	0.32 356

XPNet_ROB	0.61 287	0.72 281	1.66 99	0.37 276	0.27 236	0.67 289	0.47 342	0.89 291	0.71 295	0.78 368	0.70 326	0.81 341	0.53 294	1.70 326	0.76 323	0.21 352	0.16 298	0.16 304	0.15 252	0.20 213	0.21 259

RAFT-Stereo-weight	0.34 47	0.29 78	1.43 58	0.28 80	0.28 246	0.55 123	0.22 69	0.78 213	0.48 86	0.46 130	0.38 84	0.36 93	0.17 6	0.33 45	0.23 51	0.09 23	0.08 68	0.09 30	0.07 15	0.09 10	0.09 23

ACRE	0.56 258	1.14 397	2.77 384	0.76 414	0.28 246	0.60 197	0.56 366	0.76 189	0.58 170	0.55 226	0.62 260	0.41 120	0.29 126	0.44 98	0.39 203	0.11 151	0.19 334	0.13 227	0.14 230	0.36 356	0.18 227

SACVNet	0.60 279	0.74 287	1.90 209	0.37 276	0.28 246	0.64 265	0.37 289	0.86 271	0.61 196	0.65 327	0.62 260	0.69 292	0.44 249	2.08 383	0.42 217	0.18 324	0.14 259	0.16 304	0.15 252	0.38 369	0.24 299

cf-r	0.53 235	0.81 315	2.15 279	0.33 196	0.28 246	0.60 197	0.28 193	0.78 213	0.64 233	0.51 180	0.60 248	0.75 322	0.40 205	1.32 274	0.43 225	0.13 228	0.09 127	0.11 120	0.12 175	0.15 101	0.14 135

DSFCA	0.54 240	0.35 123	1.41 54	0.28 80	0.28 246	0.79 356	0.88 415	0.76 189	0.70 286	0.72 352	0.66 298	0.67 279	0.57 311	1.17 264	0.63 294	0.16 299	0.14 259	0.13 227	0.14 230	0.16 134	0.13 120

MeshStereo	1.21 414	1.15 401	3.01 408	0.34 223	0.28 246	1.10 407	0.69 395	1.35 429	1.01 401	2.71 456	2.41 440	2.96 444	1.45 427	2.80 437	1.40 386	0.22 365	0.22 356	0.22 362	0.19 316	0.50 404	0.26 317
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
MaDis-Stereo	0.29 15	0.54 213	1.44 60	0.24 11	0.29 252	0.29 6	0.16 9	0.45 22	0.37 17	0.19 4	0.21 4	0.28 58	0.22 39	0.30 23	0.29 119	0.10 96	0.09 127	0.10 70	0.08 36	0.11 29	0.11 55

TRStereo	0.53 235	0.76 290	2.38 320	0.42 321	0.29 252	0.69 307	0.23 92	1.81 444	0.55 147	0.36 72	0.32 53	0.47 178	0.40 205	0.46 113	0.25 81	0.12 199	0.11 204	0.11 120	0.41 411	0.13 66	0.32 356

RAFT-RH_RVC	0.61 287	0.50 201	2.33 310	0.36 256	0.29 252	0.60 197	0.18 17	0.44 19	0.58 170	0.76 362	1.91 427	0.47 178	0.29 126	1.60 313	1.23 375	0.14 265	0.07 14	0.13 227	0.13 202	0.10 16	0.09 23

HCRNet	0.46 156	0.49 195	1.65 95	0.38 290	0.29 252	0.58 171	0.22 69	0.75 177	0.62 214	0.47 132	0.49 157	0.48 189	0.36 166	1.12 258	0.37 186	0.15 281	0.10 159	0.15 287	0.13 202	0.17 155	0.17 208

psmorigin	1.36 425	0.60 230	13.80 472	0.37 276	0.29 252	0.62 237	0.33 264	0.77 199	0.61 196	0.96 396	0.88 367	1.17 415	0.73 360	4.00 455	0.86 338	0.19 338	0.22 356	0.17 321	0.18 297	0.24 259	0.29 336

FAT-Stereo	0.70 329	0.54 213	2.88 392	0.36 256	0.29 252	0.62 237	0.54 358	0.97 357	0.87 377	0.76 362	0.92 372	0.94 377	0.80 371	1.84 354	0.57 279	0.18 324	0.19 334	0.17 321	0.16 271	0.22 235	0.25 308

FADNet-RVC-Resample	0.67 314	1.16 405	3.16 420	0.37 276	0.29 252	0.62 237	0.38 295	0.86 271	0.63 225	0.51 180	0.50 164	0.57 230	0.45 253	1.57 306	0.49 250	0.24 375	0.32 400	0.23 369	0.19 316	0.27 295	0.62 423

RTSC	0.72 339	1.00 376	2.22 293	0.40 307	0.29 252	0.82 367	0.31 233	0.96 349	1.10 412	0.92 391	0.81 352	0.78 331	0.58 315	1.23 269	1.55 393	0.18 324	0.17 314	0.14 261	0.17 287	0.43 389	0.30 344

HSM	0.62 292	0.76 290	1.72 114	0.30 122	0.29 252	0.64 265	0.28 193	0.94 332	0.62 214	0.58 263	0.57 226	1.40 423	0.64 337	2.59 423	0.42 217	0.11 151	0.08 68	0.10 70	0.08 36	0.14 85	0.11 55

LALA_ROB	0.60 279	0.76 290	1.69 103	0.36 256	0.29 252	0.79 356	0.55 361	0.94 332	0.77 347	0.81 375	0.67 301	0.94 377	0.49 282	0.99 241	0.73 319	0.21 352	0.15 282	0.20 354	0.18 297	0.23 244	0.21 259

4D-IteraStereo	0.44 129	0.96 359	2.63 363	0.27 58	0.30 262	0.45 41	0.25 134	0.52 60	0.50 99	0.40 90	0.31 49	0.40 114	0.19 18	0.35 55	0.32 155	0.09 23	0.06 1	0.12 171	0.11 143	0.19 199	0.30 344

coex-ft	5.95 465	1.67 438	60.57 486	0.34 223	0.30 262	0.77 347	0.69 395	0.74 167	4.41 458	19.22 478	2.15 433	1.62 429	7.97 466	1.81 348	8.96 466	0.44 409	2.08 463	0.18 340	0.19 316	0.38 369	4.62 469

fast-acv-ft	0.63 295	0.88 335	3.10 414	0.38 290	0.30 262	0.79 356	0.48 345	0.69 142	0.72 303	0.58 263	0.78 348	0.76 326	0.60 320	0.67 194	0.73 319	0.15 281	0.15 282	0.18 340	0.17 287	0.37 363	0.16 191

Selective-IGEV	0.29 15	0.23 27	1.28 34	0.27 58	0.30 262	0.35 22	0.20 34	0.56 86	0.38 19	0.21 7	0.30 42	0.22 13	0.18 14	0.37 68	0.18 3	0.07 1	0.06 1	0.08 4	0.15 252	0.16 134	0.29 336

Anonymous_2	0.74 351	0.32 100	1.65 95	0.33 196	0.30 262	0.67 289	0.32 256	0.69 142	0.46 69	0.48 150	0.41 101	0.84 350	0.58 315	0.51 144	0.40 209	0.32 399	0.38 408	1.43 454	3.69 467	0.80 429	0.27 324

Wz-Net-LNSev-Ref	0.57 264	0.87 332	2.11 268	0.32 176	0.30 262	0.84 371	0.40 301	0.88 285	0.72 303	0.65 327	0.73 336	0.66 270	0.57 311	0.93 235	0.71 312	0.13 228	0.07 14	0.10 70	0.08 36	0.15 101	0.14 135

RAFT_CTSACE	0.46 156	0.76 290	2.07 258	0.35 238	0.30 262	0.54 111	0.30 221	0.61 111	0.48 86	0.49 161	0.76 344	0.55 212	0.36 166	0.58 167	0.22 44	0.08 5	0.13 244	0.11 120	0.10 86	0.41 383	0.08 13

rafts_anoy	0.43 119	0.89 338	1.96 240	0.32 176	0.30 262	0.48 65	0.24 119	0.62 115	0.49 92	0.37 76	0.38 84	0.33 82	0.30 134	0.51 144	0.34 172	0.10 96	0.39 414	0.13 227	0.15 252	0.17 155	0.15 168

Syn2CoEx	0.70 329	1.07 389	2.74 380	0.43 325	0.30 262	0.64 265	0.42 310	0.99 373	0.78 352	0.62 302	0.78 348	0.74 317	0.72 357	1.92 370	0.61 290	0.20 346	0.17 314	0.19 346	0.15 252	0.29 304	0.22 269

psm_up	0.57 264	0.61 234	1.83 180	0.35 238	0.30 262	0.64 265	0.37 289	0.90 297	0.68 269	0.59 276	0.55 208	0.68 285	0.54 297	1.91 366	0.46 233	0.16 299	0.15 282	0.16 304	0.15 252	0.23 244	0.13 120

CFNet-ft	0.51 218	0.76 290	1.79 162	0.28 80	0.30 262	0.63 254	0.28 193	0.66 128	0.55 147	0.45 122	0.57 226	0.74 317	0.41 216	1.46 288	0.42 217	0.14 265	0.10 159	0.28 388	0.13 202	0.18 179	0.14 135

FADNet	0.64 299	1.22 409	2.06 256	0.32 176	0.30 262	0.66 283	0.29 214	0.88 285	0.72 303	0.44 112	0.48 140	0.66 270	0.57 311	1.84 354	0.45 232	0.46 413	0.20 343	0.17 321	0.19 316	0.59 414	0.24 299

STTStereo	0.51 218	0.69 272	2.14 278	0.36 256	0.30 262	0.61 217	0.32 256	0.77 199	0.60 181	0.60 284	0.54 199	0.67 279	0.43 242	0.86 232	0.42 217	0.16 299	0.15 282	0.17 321	0.20 326	0.16 134	0.15 168

CFNet_RVC	0.51 218	0.76 290	1.79 162	0.28 80	0.30 262	0.63 254	0.28 193	0.66 128	0.55 147	0.45 122	0.57 226	0.74 317	0.41 216	1.46 288	0.42 217	0.14 265	0.10 159	0.28 388	0.13 202	0.18 179	0.14 135

NCCL2	0.65 307	0.94 351	1.96 240	0.43 325	0.30 262	0.71 316	0.68 393	0.84 258	0.65 246	0.70 345	0.60 248	0.86 357	0.54 297	1.56 304	0.57 279	0.20 346	0.16 298	0.67 426	0.25 351	0.22 235	0.24 299

FBW_ROB	0.83 376	0.77 298	1.77 138	0.44 330	0.30 262	0.87 381	0.46 334	1.10 411	0.91 387	0.81 375	0.75 342	1.01 390	0.61 328	3.66 453	1.23 375	0.26 383	0.23 362	0.36 405	0.25 351	0.27 295	0.62 423

MoCha-V2	0.36 62	0.32 100	1.41 54	0.36 256	0.31 278	0.35 22	0.19 21	0.57 89	0.39 25	0.30 56	0.32 53	0.28 58	0.27 99	0.47 120	0.24 70	0.08 5	0.56 430	0.08 4	0.38 403	0.18 179	0.12 86

Wz-Net-TNSev	0.91 386	1.73 444	3.08 412	0.36 256	0.31 278	1.00 397	0.71 399	1.06 405	0.97 395	0.71 349	0.72 334	1.09 405	0.87 383	2.42 409	1.59 394	0.20 346	0.20 343	0.16 304	0.20 326	0.44 396	0.35 369

Wz-Net-SNSev	0.76 356	1.32 421	3.11 416	0.40 307	0.31 278	0.71 316	0.60 376	0.98 361	0.87 377	0.67 333	0.83 355	0.96 380	0.60 320	1.67 322	0.97 345	0.16 299	0.15 282	0.16 304	0.17 287	0.36 356	0.24 299

CIPLG	0.56 258	1.19 406	2.46 336	0.80 418	0.31 278	0.61 217	0.57 370	0.76 189	0.57 160	0.56 236	0.63 272	0.41 120	0.30 134	0.45 107	0.40 209	0.11 151	0.20 343	0.13 227	0.13 202	0.35 351	0.19 239

IPLGR_C	0.58 269	1.25 413	2.72 376	0.80 418	0.31 278	0.60 197	0.61 379	0.76 189	0.58 170	0.56 236	0.62 260	0.41 120	0.31 142	0.43 92	0.40 209	0.11 151	0.22 356	0.13 227	0.15 252	0.35 351	0.19 239

PS-NSSS	0.63 295	1.00 376	1.81 169	0.30 122	0.31 278	0.63 254	0.34 268	0.98 361	0.69 278	0.54 209	0.74 339	0.51 197	0.41 216	2.43 411	0.48 245	0.24 375	0.17 314	0.27 384	0.18 297	0.27 295	0.21 259

PSMNet_ROB	0.66 311	1.01 380	2.33 310	0.38 290	0.31 278	0.72 322	0.55 361	0.86 271	0.69 278	0.54 209	0.60 248	0.75 322	0.47 269	2.00 377	0.82 334	0.17 313	0.13 244	0.19 346	0.19 316	0.24 259	0.27 324

rvit_stereo_0075_2	0.40 92	0.40 149	1.88 199	0.33 196	0.32 285	0.41 35	0.22 69	0.58 94	0.53 130	0.38 82	0.51 168	0.40 114	0.27 99	0.44 98	0.29 119	0.20 346	0.15 282	0.22 362	0.15 252	0.18 179	0.23 289

gcap-zeroshot	0.41 98	0.62 240	1.78 143	0.31 148	0.32 285	0.69 307	0.21 51	0.74 167	0.52 112	0.43 106	0.35 68	0.62 251	0.24 56	0.41 84	0.24 70	0.09 23	0.16 298	0.09 30	0.31 378	0.08 1	0.09 23

StereoVision	0.45 147	0.72 281	1.94 228	0.33 196	0.32 285	0.47 57	0.26 153	0.68 140	0.57 160	0.32 66	0.89 369	0.45 157	0.27 99	0.49 135	0.36 181	0.13 228	0.15 282	0.16 304	0.15 252	0.19 199	0.13 120

iRaft-Stereo_20w	0.58 269	0.39 145	1.96 240	0.45 344	0.32 285	0.92 388	0.57 370	1.14 416	0.56 157	0.81 375	0.40 97	0.55 212	0.69 350	0.65 191	1.04 360	0.09 23	0.16 298	0.09 30	0.36 400	0.17 155	0.25 308

test-3	0.43 119	0.20 8	1.70 107	0.34 223	0.32 285	0.45 41	0.23 92	0.71 150	0.46 69	0.51 180	0.29 34	0.45 157	0.21 30	0.59 171	0.98 346	0.08 5	0.07 14	0.10 70	0.35 393	0.29 304	0.28 330

test_1	0.43 119	0.20 8	1.70 107	0.34 223	0.32 285	0.45 41	0.23 92	0.71 150	0.46 69	0.50 168	0.29 34	0.45 157	0.21 30	0.59 171	0.98 346	0.08 5	0.07 14	0.10 70	0.35 393	0.29 304	0.29 336

test_3	0.44 129	0.20 8	1.70 107	0.36 256	0.32 285	0.47 57	0.30 221	0.73 163	0.49 92	0.50 168	0.30 42	0.45 157	0.22 39	0.59 171	0.98 346	0.08 5	0.10 159	0.11 120	0.35 393	0.29 304	0.28 330

CrosDoStereo	0.94 390	0.37 131	2.53 347	0.25 23	0.32 285	0.54 111	3.76 465	0.72 155	0.60 181	0.70 345	1.40 413	0.53 205	1.49 428	1.78 337	3.09 435	0.10 96	0.08 68	0.11 120	0.11 143	0.21 221	0.11 55

DeepStereo_LL	0.94 390	0.37 131	2.53 347	0.25 23	0.32 285	0.54 111	3.76 465	0.72 155	0.60 181	0.70 345	1.40 413	0.53 205	1.49 428	1.78 337	3.09 435	0.10 96	0.08 68	0.11 120	0.11 143	0.21 221	0.11 55

UPFNet	0.46 156	0.28 73	1.73 115	0.33 196	0.32 285	0.65 277	0.38 295	0.83 248	0.59 177	0.57 247	0.52 180	0.61 247	0.40 205	0.75 213	0.52 260	0.13 228	0.12 228	0.13 227	0.12 175	0.15 101	0.11 55

ADCL	0.99 395	0.79 308	2.43 331	0.39 298	0.32 285	1.50 424	1.90 454	0.92 316	0.97 395	1.26 424	1.27 405	1.00 389	1.42 426	1.14 261	3.31 441	0.17 313	0.14 259	0.22 362	0.21 331	0.30 315	0.22 269

MSMD_ROB	1.34 423	0.96 359	2.38 320	0.39 298	0.32 285	1.96 442	0.62 383	0.91 307	1.43 430	2.94 460	2.60 444	4.77 460	1.95 441	2.43 411	1.33 380	0.29 393	0.26 380	0.32 400	0.32 383	0.30 315	0.30 344

SGM-Forest	1.04 402	0.42 160	3.59 439	0.41 313	0.32 285	1.05 400	1.32 442	0.94 332	0.83 369	1.16 410	2.23 437	1.03 394	1.39 424	2.49 416	2.35 423	0.21 352	0.21 351	0.20 354	0.19 316	0.23 244	0.32 356
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MyStereo8	0.54 240	0.80 310	2.76 382	0.32 176	0.33 298	0.71 316	0.20 34	0.87 280	0.57 160	0.51 180	0.59 235	0.50 194	0.33 150	0.68 195	0.55 269	0.10 96	0.29 389	0.10 70	0.13 202	0.21 221	0.34 367

testlalala	0.36 62	0.30 87	1.77 138	0.28 80	0.33 298	0.60 197	0.22 69	0.55 83	0.51 106	0.55 226	0.35 68	0.31 69	0.20 24	0.26 3	0.22 44	0.10 96	0.13 244	0.09 30	0.24 343	0.08 1	0.07 3

GASNet	0.73 348	1.47 429	3.04 409	0.47 353	0.33 298	0.57 155	0.34 268	0.91 307	0.75 334	0.58 263	0.58 232	0.74 317	0.55 302	2.03 378	0.65 300	0.21 352	0.15 282	0.19 346	0.17 287	0.51 406	0.28 330

Wz-Net-MNSev	0.65 307	0.97 367	2.19 287	0.36 256	0.33 298	0.90 384	0.60 376	0.92 316	0.81 364	0.75 359	0.72 334	0.73 311	0.65 339	1.39 279	0.71 312	0.16 299	0.13 244	0.14 261	0.14 230	0.24 259	0.18 227

AASNet	0.56 258	1.03 384	2.34 312	0.37 276	0.33 298	0.65 277	0.29 214	0.96 349	0.73 317	0.54 209	0.60 248	0.55 212	0.38 185	0.59 171	0.58 284	0.14 265	0.12 228	0.13 227	0.10 86	0.43 389	0.24 299

RAFT + AFF	0.64 299	1.20 407	1.95 231	0.34 223	0.33 298	0.67 289	0.52 352	0.99 373	0.74 321	0.53 197	0.58 232	0.57 230	0.80 371	1.76 334	0.51 258	0.12 199	0.27 386	0.15 287	0.14 230	0.43 389	0.29 336

UNet	0.54 240	0.44 173	2.83 390	0.31 148	0.33 298	0.74 330	0.27 178	0.82 242	0.61 196	0.53 197	0.54 199	0.72 307	0.54 297	0.78 224	0.56 276	0.11 151	0.09 127	0.13 227	0.11 143	0.14 85	0.12 86

IGEV-Stereo+	0.29 15	0.29 78	0.86 7	0.25 23	0.34 305	0.30 8	0.14 2	0.32 1	0.53 130	0.18 2	0.12 1	0.18 3	0.19 18	0.49 135	0.17 2	0.09 23	0.08 68	0.08 4	0.20 326	0.46 398	0.59 421

LoS_RVC	0.29 15	0.33 106	1.19 24	0.25 23	0.34 305	0.43 38	0.22 69	0.42 12	0.32 4	0.22 12	0.33 58	0.23 20	0.24 56	0.31 30	0.21 34	0.07 1	0.07 14	0.07 1	0.05 1	0.10 16	0.31 351

CAS	0.35 58	0.25 38	1.30 37	0.79 417	0.34 305	0.51 82	0.23 92	0.46 24	0.39 25	0.22 12	0.31 49	0.20 5	0.17 6	0.28 9	0.23 51	0.73 430	0.06 1	0.07 1	0.05 1	0.09 10	0.37 383

anonymousa	0.48 175	0.46 181	2.44 333	0.29 108	0.34 305	0.61 217	0.25 134	0.66 128	0.54 142	0.53 197	0.77 347	0.73 311	0.46 264	0.33 45	0.31 145	0.10 96	0.09 127	0.12 171	0.29 367	0.10 16	0.19 239

DAS	0.56 258	0.35 123	1.55 82	0.33 196	0.34 305	0.50 76	0.42 310	0.83 248	0.74 321	0.83 380	0.68 309	0.56 224	0.48 277	2.40 407	0.46 233	0.12 199	0.08 68	0.12 171	0.09 53	0.18 179	0.15 168

SepStereo	0.52 229	0.35 123	1.55 82	0.33 196	0.34 305	0.50 76	0.42 310	0.83 248	0.74 321	0.83 380	0.68 309	0.56 224	0.48 277	1.56 304	0.46 233	0.12 199	0.08 68	0.12 171	0.09 53	0.18 179	0.15 168

RAFT-345	0.53 235	0.30 87	2.34 312	0.38 290	0.34 305	0.58 171	0.42 310	0.47 32	0.61 196	0.51 180	1.00 386	0.43 137	0.28 113	1.57 306	0.82 334	0.10 96	0.07 14	0.11 120	0.09 53	0.10 16	0.08 13

ADLNet	0.60 279	0.71 277	1.95 231	0.35 238	0.34 305	0.67 289	0.34 268	0.90 297	0.74 321	0.68 340	0.62 260	0.80 338	0.45 253	1.78 337	0.64 298	0.14 265	0.11 204	0.14 261	0.14 230	0.29 304	0.21 259

ac_64	0.55 252	0.46 181	1.92 218	0.36 256	0.34 305	0.63 254	0.31 233	0.82 242	0.61 196	0.55 226	0.51 168	0.89 365	0.48 277	1.83 349	0.55 269	0.14 265	0.11 204	0.12 171	0.12 175	0.18 179	0.12 86

DISCO	0.57 264	0.34 116	1.87 198	0.45 344	0.34 305	0.84 371	0.35 275	0.84 258	0.78 352	0.59 276	0.63 272	1.06 401	0.53 294	1.10 252	0.82 334	0.12 199	0.09 127	0.11 120	0.10 86	0.22 235	0.18 227

WCMA_ROB	1.12 405	0.83 322	2.66 368	0.58 394	0.34 305	1.17 414	0.71 399	0.93 324	0.94 391	1.74 439	2.63 446	3.09 447	1.71 437	1.70 326	1.84 404	0.26 383	0.21 351	0.20 354	0.21 331	0.28 301	0.43 401

AEACV	0.33 40	0.24 35	1.44 60	0.28 80	0.35 316	0.47 57	0.21 51	0.43 16	0.28 1	0.26 43	0.25 19	0.22 13	0.38 185	0.30 23	0.18 3	0.09 23	0.35 402	0.09 30	0.36 400	0.23 244	0.25 308

delet	0.52 229	0.54 213	1.62 93	0.31 148	0.35 316	0.74 330	0.46 334	0.85 262	0.74 321	0.55 226	0.60 248	0.67 279	0.50 285	1.12 258	0.57 279	0.11 151	0.11 204	0.13 227	0.14 230	0.16 134	0.12 86

MaskLacGwcNet_RVC	0.77 360	1.04 385	2.06 256	0.94 429	0.35 316	0.89 383	0.40 301	0.85 262	0.63 225	0.55 226	0.63 272	0.75 322	0.38 185	2.38 403	0.48 245	1.10 444	0.31 395	0.36 405	0.21 331	0.53 410	0.55 417

XQC	0.73 348	0.98 370	2.39 322	0.46 348	0.35 316	0.81 364	0.46 334	1.00 381	1.00 399	0.80 370	0.69 316	0.88 363	0.74 365	1.32 274	1.20 371	0.24 375	0.16 298	0.23 369	0.20 326	0.41 383	0.33 363

ADCMid	0.96 394	1.32 421	2.74 380	0.38 290	0.35 316	0.99 394	0.58 372	0.94 332	0.86 374	1.23 419	1.01 387	1.01 390	1.00 397	1.05 248	3.97 448	0.21 352	0.19 334	0.42 414	0.32 383	0.40 381	0.29 336

ADCRef	0.80 368	0.96 359	2.29 305	0.37 276	0.35 316	0.96 391	0.51 349	0.87 280	0.75 334	0.88 386	0.83 355	0.61 247	1.36 421	1.02 244	3.27 440	0.13 228	0.11 204	0.17 321	0.19 316	0.25 269	0.21 259

NVstereo2D	0.58 269	0.40 149	2.03 254	0.35 238	0.35 316	0.69 307	0.39 299	0.91 307	0.80 360	0.47 132	0.53 189	0.67 279	0.46 264	1.99 376	0.48 245	0.19 338	0.11 204	0.17 321	0.13 202	0.25 269	0.25 308

WZ-Net	0.92 388	1.31 418	3.76 440	0.41 313	0.36 323	0.86 377	0.71 399	1.00 381	1.06 408	0.82 379	0.92 372	1.06 401	1.05 402	2.16 389	1.61 395	0.19 338	0.13 244	0.15 287	0.16 271	0.32 328	0.28 330

GMOStereo	0.41 98	0.62 240	1.78 143	0.28 80	0.36 323	0.51 82	0.31 233	0.53 68	0.44 51	0.57 247	0.48 140	0.41 120	0.27 99	0.28 9	0.23 51	0.08 5	0.38 408	0.13 227	0.11 143	0.34 343	0.11 55

error version	0.41 98	0.62 240	1.78 143	0.28 80	0.36 323	0.51 82	0.31 233	0.53 68	0.44 51	0.57 247	0.48 140	0.41 120	0.27 99	0.28 9	0.23 51	0.08 5	0.38 408	0.13 227	0.11 143	0.34 343	0.11 55

test-v	0.41 98	0.62 240	1.78 143	0.28 80	0.36 323	0.51 82	0.31 233	0.53 68	0.44 51	0.57 247	0.48 140	0.41 120	0.27 99	0.28 9	0.23 51	0.08 5	0.38 408	0.13 227	0.11 143	0.34 343	0.11 55

ADLNet2	0.68 321	0.84 324	3.19 424	0.33 196	0.36 323	0.64 265	0.37 289	0.89 291	0.79 357	0.54 209	0.65 296	0.93 373	0.48 277	2.07 382	0.56 276	0.13 228	0.11 204	0.11 120	0.11 143	0.33 336	0.18 227

ASMatch	0.60 279	0.43 164	2.58 357	0.91 426	0.36 323	0.56 137	0.25 134	0.52 60	0.61 196	0.47 132	1.21 402	0.47 178	0.66 344	1.34 276	0.94 342	0.10 96	0.08 68	0.11 120	0.11 143	0.10 16	0.16 191

test-2	0.41 98	0.62 240	1.78 143	0.28 80	0.36 323	0.51 82	0.31 233	0.53 68	0.44 51	0.57 247	0.48 140	0.41 120	0.27 99	0.28 9	0.23 51	0.08 5	0.38 408	0.13 227	0.11 143	0.34 343	0.11 55

APVNet	0.70 329	0.67 266	2.71 374	0.38 290	0.36 323	0.85 375	0.43 316	0.91 307	0.68 269	0.55 226	0.69 316	0.75 322	0.55 302	2.31 397	0.78 327	0.17 313	0.17 314	0.24 375	0.19 316	0.33 336	0.23 289

ADCS	1.05 403	1.36 426	2.98 406	0.42 321	0.36 323	0.96 391	0.81 412	1.06 405	1.12 414	1.25 420	0.97 381	1.08 403	0.90 388	1.25 273	4.86 457	0.21 352	0.21 351	0.22 362	0.23 341	0.36 356	0.38 386

DPSNet	0.86 380	0.60 230	2.34 312	0.58 394	0.36 323	1.07 406	0.75 404	1.30 427	1.05 405	0.70 345	0.68 309	0.94 377	1.29 413	2.08 383	1.82 403	0.26 383	0.23 362	0.16 304	0.17 287	0.48 400	0.40 394

PWCDC_ROB	0.72 339	1.06 387	2.09 264	0.47 353	0.36 323	0.78 352	0.26 153	0.98 361	1.34 426	0.61 291	2.07 429	0.64 262	0.61 328	0.83 227	0.71 312	0.31 398	0.14 259	0.15 287	0.12 175	0.60 417	0.21 259

Wz-Net-LNSev	0.59 274	0.96 359	2.47 338	0.34 223	0.37 334	0.79 356	0.44 324	0.86 271	0.77 347	0.61 291	0.67 301	0.79 336	0.56 306	0.64 184	0.62 292	0.15 281	0.14 259	0.12 171	0.12 175	0.18 179	0.19 239

OMP-Stereo	0.59 274	0.65 259	1.74 119	0.56 390	0.37 334	0.60 197	0.26 153	0.70 147	0.65 246	0.66 329	0.60 248	0.69 292	0.32 147	2.09 385	1.20 371	0.10 96	0.07 14	0.12 171	0.09 53	0.17 155	0.10 41

S-Stereo	0.80 368	0.69 272	3.89 443	0.39 298	0.37 334	0.69 307	0.70 398	0.94 332	0.98 398	0.62 302	0.91 371	0.83 347	0.60 320	2.37 400	0.66 301	0.18 324	0.21 351	0.17 321	0.18 297	0.30 315	0.35 369

NLCA_NET_v2_RVC	0.55 252	0.92 343	2.36 318	0.38 290	0.37 334	0.60 197	0.28 193	0.82 242	0.62 214	0.62 302	0.55 208	0.72 307	0.45 253	1.00 242	0.43 225	0.15 281	0.11 204	0.14 261	0.14 230	0.15 101	0.16 191
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CSAN	1.25 418	1.12 393	3.04 409	0.51 369	0.37 334	1.06 401	1.15 435	1.22 422	1.08 410	1.17 415	1.91 427	1.04 397	1.31 416	5.96 463	2.43 425	0.26 383	0.22 356	0.24 375	0.24 343	0.31 322	0.30 344

CroCo-Stereo Lap2	0.33 40	0.61 234	1.47 67	0.32 176	0.38 339	0.23 2	0.22 69	0.58 94	0.46 69	0.22 12	0.27 26	0.29 65	0.23 49	0.32 37	0.26 88	0.09 23	0.09 127	0.10 70	0.08 36	0.21 221	0.14 135

CC-Net-ROB	0.85 379	1.15 401	2.13 273	0.88 424	0.38 339	0.88 382	0.44 324	1.06 405	0.79 357	0.58 263	0.69 316	0.65 265	0.50 285	2.74 434	0.51 258	0.93 436	0.39 414	0.87 432	0.29 367	0.54 411	0.54 414

FC-DCNN v2	1.54 436	0.58 228	2.80 388	0.44 330	0.39 341	2.05 447	0.66 387	1.90 447	1.84 444	2.79 458	2.97 453	4.41 458	3.07 454	2.65 426	2.30 422	0.29 393	0.26 380	0.31 397	0.30 373	0.32 328	0.38 386

XX-Stereo	0.55 252	0.54 213	3.50 437	0.48 361	0.39 341	0.54 111	0.17 11	0.89 291	0.40 30	0.44 112	0.65 296	0.85 353	0.19 18	0.77 220	0.21 34	0.10 96	0.14 259	0.10 70	0.32 383	0.17 155	0.14 135

MFN_U_SF_DS_RVC	1.01 400	1.67 438	2.32 307	0.47 353	0.39 341	1.47 421	0.95 419	0.95 344	0.91 387	0.84 382	0.94 376	1.05 399	0.60 320	2.95 440	0.72 316	0.41 407	0.72 447	0.32 400	0.55 424	0.74 424	1.22 453

stereogan	0.69 325	0.51 203	2.44 333	0.39 298	0.39 341	1.01 398	0.41 307	0.94 332	0.92 390	0.73 356	0.85 362	1.15 412	0.69 350	1.57 306	0.53 264	0.19 338	0.18 324	0.20 354	0.16 271	0.36 356	0.24 299

Nwc_Net	0.68 321	0.83 322	2.53 347	0.41 313	0.39 341	0.77 347	0.38 295	1.01 389	0.70 286	0.60 284	0.99 384	0.98 384	0.68 349	1.41 281	0.63 294	0.23 368	0.15 282	0.23 369	0.25 351	0.23 244	0.18 227

ADCP+	0.94 390	1.12 393	3.14 418	0.34 223	0.39 341	1.06 401	0.79 408	0.89 291	0.80 360	0.66 329	0.67 301	0.85 353	1.55 431	0.93 235	4.55 455	0.13 228	0.11 204	0.16 304	0.15 252	0.26 287	0.25 308

FC-DCNN	1.49 434	0.59 229	2.88 392	0.44 330	0.39 341	1.97 444	0.66 387	1.67 441	1.70 439	2.72 457	2.89 450	4.22 454	2.97 453	2.55 421	2.19 417	0.29 393	0.26 380	0.31 397	0.30 373	0.32 328	0.39 390

PWC_ROB	0.70 329	0.94 351	1.88 199	0.39 298	0.39 341	0.62 237	0.30 221	0.98 361	0.94 391	0.91 390	1.29 407	0.77 328	0.62 333	1.62 317	1.03 359	0.18 324	0.11 204	0.18 340	0.13 202	0.51 406	0.22 269

RAFT_R40	0.50 201	0.21 13	1.76 129	0.50 365	0.40 349	0.61 217	0.53 355	0.56 86	0.60 181	0.56 236	0.54 199	0.55 212	0.51 287	1.57 306	0.53 264	0.11 151	0.07 14	0.12 171	0.10 86	0.16 134	0.09 23

FINET	0.65 307	0.95 357	3.06 411	0.35 238	0.40 349	0.58 171	0.48 345	0.92 316	1.10 412	0.57 247	0.68 309	0.47 178	0.44 249	1.15 263	0.60 288	0.23 368	0.21 351	0.17 321	0.15 252	0.26 287	0.25 308

HGLStereo	0.54 240	0.69 272	2.00 246	0.35 238	0.40 349	0.66 283	0.30 221	0.83 248	0.62 214	0.57 247	0.69 316	0.69 292	0.54 297	1.07 249	0.55 269	0.13 228	0.13 244	0.13 227	0.11 143	0.19 199	0.17 208

MSC_U_SF_DS_RVC	1.34 423	1.70 442	2.50 344	0.56 390	0.40 349	2.15 449	0.99 422	1.24 424	1.26 423	1.02 399	1.10 398	1.29 417	0.88 386	3.10 444	1.08 362	1.66 456	0.83 449	0.68 427	0.88 448	1.57 450	1.80 464

AF-Net	0.69 325	0.92 343	2.21 289	0.41 313	0.40 349	0.68 301	0.40 301	1.02 392	0.86 374	0.69 342	1.03 391	1.04 397	0.84 378	1.19 265	0.78 327	0.22 365	0.14 259	0.25 380	0.17 287	0.30 315	0.18 227

SHD	0.72 339	0.77 298	2.36 318	0.45 344	0.40 349	0.71 316	0.32 256	1.02 392	1.25 422	1.07 403	0.84 358	0.90 367	0.73 360	1.09 251	0.98 346	0.21 352	0.18 324	0.20 354	0.21 331	0.32 328	0.31 351

PA-Net	0.84 378	1.00 376	3.49 436	0.63 403	0.40 349	0.70 314	0.52 352	0.86 271	0.84 371	0.52 187	0.59 235	0.70 302	0.54 297	2.35 399	2.23 419	0.17 313	0.27 386	0.19 346	0.28 364	0.22 235	0.36 377
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
HH	0.49 192	0.49 195	2.78 386	0.50 365	0.41 356	0.38 29	0.23 92	0.72 155	0.38 19	0.63 311	0.48 140	0.87 359	0.41 216	0.64 184	0.21 34	0.09 23	0.17 314	0.10 70	0.09 53	0.16 134	0.12 86

HanStereo	0.49 192	0.49 195	2.78 386	0.50 365	0.41 356	0.38 29	0.23 92	0.72 155	0.38 19	0.63 311	0.48 140	0.87 359	0.41 216	0.64 184	0.21 34	0.09 23	0.17 314	0.10 70	0.09 53	0.16 134	0.12 86

FCDSN-DC	1.29 420	0.54 213	2.50 344	0.47 353	0.41 356	1.12 408	0.60 376	1.10 411	1.27 424	2.23 449	2.87 449	3.67 451	3.12 456	2.39 406	1.69 397	0.30 396	0.26 380	0.31 397	0.30 373	0.35 351	0.38 386
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
Gwc-CoAtRS	0.38 74	0.33 106	1.92 218	0.27 58	0.41 356	0.48 65	0.19 21	0.59 100	0.46 69	0.43 106	0.39 92	0.57 230	0.26 83	0.32 37	0.26 88	0.09 23	0.09 127	0.09 30	0.31 378	0.11 29	0.09 23

acv_ft	0.48 175	0.44 173	1.76 129	0.32 176	0.41 356	0.63 254	0.28 193	0.81 235	0.68 269	0.61 291	0.59 235	0.69 292	0.45 253	0.44 98	0.63 294	0.11 151	0.09 127	0.10 70	0.09 53	0.41 383	0.10 41

MFN_U_SF_RVC	1.55 437	2.39 465	3.16 420	0.65 407	0.41 356	1.12 408	0.46 334	1.23 423	1.33 425	1.61 437	1.20 401	1.43 424	0.98 396	1.76 334	1.97 406	1.90 459	1.80 458	1.98 463	2.15 462	1.63 451	1.77 463

RYNet	0.70 329	0.56 224	2.25 299	0.35 238	0.41 356	0.86 377	0.43 316	0.94 332	0.82 365	0.62 302	0.53 189	0.91 368	0.60 320	2.70 431	1.00 352	0.14 265	0.11 204	0.16 304	0.14 230	0.25 269	0.27 324

MSKI-zero shot	0.46 156	0.38 136	2.47 338	0.27 58	0.43 363	0.56 137	0.20 34	0.77 199	0.43 48	0.60 284	0.51 168	0.44 148	0.17 6	0.68 195	0.21 34	0.09 23	0.29 389	0.09 30	0.32 383	0.14 85	0.10 41

RAFT-Test	0.44 129	0.38 136	2.01 247	0.27 58	0.44 364	0.64 265	0.37 289	0.72 155	0.57 160	0.45 122	0.48 140	0.65 265	0.24 56	0.35 55	0.29 119	0.09 23	0.11 204	0.09 30	0.38 403	0.10 16	0.11 55

CFNet-RSSM	0.41 98	0.32 100	2.20 288	0.27 58	0.44 364	0.52 99	0.19 21	0.76 189	0.48 86	0.43 106	0.36 73	0.54 209	0.26 83	0.33 45	0.25 81	0.09 23	0.08 68	0.09 30	0.38 403	0.10 16	0.09 23

aanetorigin	0.77 360	0.80 310	2.59 359	0.43 325	0.44 364	0.58 171	1.01 426	0.57 89	0.68 269	1.53 436	1.23 403	0.81 341	1.08 405	1.07 249	1.07 361	0.18 324	0.15 282	0.17 321	0.21 331	0.54 411	0.30 344

RP	0.67 314	0.82 319	1.94 228	0.43 325	0.44 364	0.65 277	0.45 331	0.89 291	0.82 365	0.66 329	0.92 372	0.99 387	0.76 367	1.55 303	0.66 301	0.25 380	0.18 324	0.23 369	0.20 326	0.31 322	0.22 269

RGC	0.71 336	0.97 367	2.18 286	0.44 330	0.44 364	0.73 327	0.40 301	0.94 332	0.71 295	0.71 349	1.04 394	1.01 390	0.71 354	1.74 332	0.70 310	0.23 368	0.18 324	0.28 388	0.26 357	0.29 304	0.27 324

PASM	0.72 339	0.68 268	1.91 215	0.47 353	0.44 364	0.60 197	0.51 349	0.76 189	0.80 360	0.77 366	0.67 301	0.87 359	0.61 328	2.40 407	0.67 304	0.32 399	0.35 402	0.36 405	0.41 411	0.45 397	0.39 390

DRN-Test	0.64 299	0.43 164	2.44 333	0.39 298	0.44 364	0.80 363	0.41 307	1.02 392	0.78 352	0.80 370	0.63 272	0.69 292	0.56 306	1.79 341	0.69 309	0.15 281	0.12 228	0.17 321	0.16 271	0.18 179	0.17 208

MDST_ROB	1.17 412	0.42 160	3.87 442	0.54 382	0.44 364	4.11 462	0.58 372	1.31 428	0.84 371	2.12 443	1.12 399	0.98 384	0.71 354	4.24 458	0.99 351	0.16 299	0.14 259	0.19 346	0.17 287	0.18 179	0.35 369

LL-Strereo	0.72 339	1.29 416	2.49 341	0.36 256	0.45 372	0.55 123	0.32 256	0.93 324	0.71 295	0.67 333	0.58 232	0.85 353	0.79 370	2.67 429	0.46 233	0.10 96	0.18 324	0.14 261	0.12 175	0.40 381	0.42 400

ccnet	0.71 336	0.41 153	1.59 86	0.40 307	0.45 372	1.06 401	0.55 361	0.98 361	0.71 295	0.88 386	0.97 381	0.82 345	0.88 386	1.68 323	0.94 342	0.32 399	0.26 380	0.32 400	0.27 361	0.34 343	0.30 344

GwcNet	0.69 325	0.71 277	3.12 417	0.36 256	0.45 372	0.81 364	0.44 324	0.86 271	0.84 371	0.60 284	0.74 339	0.82 345	0.49 282	1.65 319	0.66 301	0.16 299	0.15 282	0.15 287	0.15 252	0.31 322	0.24 299

NCC-stereo	0.79 366	0.94 351	2.42 327	0.59 397	0.45 372	1.90 439	0.46 334	0.99 373	0.72 303	0.64 320	0.84 358	0.91 368	0.73 360	1.80 345	1.00 352	0.27 388	0.19 334	0.23 369	0.31 378	0.24 259	0.22 269

Abc-Net	0.79 366	0.94 351	2.42 327	0.59 397	0.45 372	1.90 439	0.46 334	0.99 373	0.72 303	0.64 320	0.84 358	0.91 368	0.73 360	1.80 345	1.00 352	0.27 388	0.19 334	0.23 369	0.31 378	0.24 259	0.22 269
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
StereoDRNet	0.64 299	0.88 335	2.35 315	0.41 313	0.45 372	0.73 327	0.47 342	0.94 332	0.74 321	0.75 359	0.54 199	0.74 317	0.47 269	1.70 326	0.72 316	0.15 281	0.14 259	0.15 287	0.14 230	0.20 213	0.19 239

raftrobust	0.38 74	0.68 268	1.54 80	0.32 176	0.46 378	0.52 99	0.21 51	0.56 86	0.42 40	0.52 187	0.35 68	0.31 69	0.33 150	0.37 68	0.30 133	0.10 96	0.11 204	0.08 4	0.07 15	0.21 221	0.19 239

RASNet	0.61 287	0.68 268	2.03 254	0.35 238	0.46 378	0.65 277	0.28 193	0.78 213	0.70 286	0.48 150	0.64 287	0.93 373	0.61 328	2.21 392	0.73 319	0.12 199	0.09 127	0.09 30	0.10 86	0.14 85	0.11 55

AE-Stereo	0.42 113	0.29 78	1.65 95	0.43 325	0.47 380	0.56 137	0.23 92	0.86 271	0.46 69	0.31 60	0.41 101	0.43 137	0.24 56	0.34 51	0.24 70	0.09 23	0.48 426	0.11 120	0.45 416	0.22 235	0.19 239

SGM-ForestM	2.98 456	1.70 442	3.52 438	0.67 409	0.47 380	5.18 465	3.36 463	3.30 462	2.86 456	4.44 464	3.79 458	9.80 468	5.50 464	6.29 464	6.52 462	0.27 388	0.36 404	0.24 375	0.27 361	0.38 369	0.58 420

DANet	0.80 368	0.65 259	2.21 289	1.19 442	0.48 382	0.74 330	1.25 439	0.89 291	1.53 434	0.89 388	0.71 330	0.96 380	0.56 306	1.83 349	0.96 344	0.18 324	0.16 298	0.19 346	0.16 271	0.26 287	0.29 336
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
UGAM-zero	0.63 295	0.39 145	2.49 341	0.30 122	0.49 383	0.67 289	0.19 21	0.91 307	0.45 64	0.77 366	0.45 119	1.16 414	0.82 374	2.05 380	0.29 119	0.09 23	0.15 282	0.09 30	0.44 415	0.11 29	0.22 269

STTRV1_RVC	0.80 368	0.55 222	2.89 395	0.42 321	0.49 383	0.79 356	0.44 324	1.15 419	0.82 365	0.62 302	0.89 369	0.72 307	0.63 336	2.69 430	0.64 298	0.48 414	0.64 435	0.27 384	0.24 343	0.35 351	0.27 324

CES	0.30 21	0.27 52	1.09 16	0.23 4	0.50 385	0.40 33	0.20 34	0.46 24	0.44 51	0.22 12	0.28 29	0.26 44	0.19 18	0.33 45	0.21 34	0.09 23	0.07 14	0.08 4	0.05 1	0.15 101	0.49 410

PVD	0.90 385	0.85 328	2.15 279	0.53 379	0.50 385	0.99 394	0.56 366	1.15 419	1.64 437	1.41 432	1.41 415	1.11 409	1.13 409	1.35 277	1.31 378	0.26 383	0.28 388	0.28 388	0.26 357	0.37 363	0.49 410

DeepPrunerF	0.86 380	0.86 329	2.91 400	0.45 344	0.50 385	0.64 265	0.48 345	1.14 416	2.64 453	0.63 311	0.61 255	0.65 265	0.62 333	2.21 392	1.31 378	0.23 368	0.19 334	0.30 396	0.28 364	0.36 356	0.25 308

ELAS_RVC	1.37 427	0.78 306	3.21 426	0.55 388	0.50 385	1.49 423	2.48 459	1.48 434	1.71 440	2.13 446	2.09 430	2.07 435	2.56 449	1.90 365	2.02 409	0.35 403	0.36 404	0.37 409	0.34 390	0.49 402	0.47 407
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.39 428	0.79 308	2.86 391	0.53 379	0.50 385	2.81 456	2.20 456	1.61 440	1.50 433	2.28 451	2.35 438	1.82 431	2.13 443	1.73 330	2.22 418	0.35 403	0.37 406	0.35 403	0.35 393	0.49 402	0.47 407
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RTS	1.21 414	1.31 418	6.39 461	0.52 373	0.51 390	1.61 428	0.79 408	1.03 399	1.37 428	1.13 407	1.30 408	1.10 407	0.85 379	2.65 426	2.08 412	0.21 352	0.24 365	0.18 340	0.18 297	0.43 389	0.32 356

RTSA	1.21 414	1.31 418	6.39 461	0.52 373	0.51 390	1.61 428	0.79 408	1.03 399	1.37 428	1.13 407	1.30 408	1.10 407	0.85 379	2.65 426	2.08 412	0.21 352	0.24 365	0.18 340	0.18 297	0.43 389	0.32 356

SST-Stereo	0.52 229	0.20 8	1.76 129	0.62 402	0.53 392	0.62 237	0.66 387	0.55 83	0.61 196	0.58 263	0.53 189	0.52 203	0.60 320	1.59 312	0.29 119	0.11 151	0.07 14	0.12 171	0.10 86	0.16 134	0.10 41

AnyNet_C01	1.14 407	1.49 430	4.23 451	0.54 382	0.53 392	1.51 425	1.37 444	1.04 403	1.07 409	1.17 415	1.33 411	1.15 412	1.08 405	1.61 316	2.74 430	0.25 380	0.22 356	0.28 388	0.24 343	0.48 400	0.40 394

raft_robust	0.55 252	0.84 324	1.73 115	0.28 80	0.54 394	0.53 106	0.25 134	0.88 285	0.75 334	0.48 150	0.46 125	0.76 326	0.75 366	1.46 288	0.27 96	0.09 23	0.10 159	0.10 70	0.30 373	0.26 287	0.16 191

AnyNet_C32	1.00 398	1.33 423	2.53 347	0.49 363	0.54 394	1.15 412	1.14 434	0.91 307	0.89 384	1.11 406	0.95 378	0.87 359	0.93 390	1.50 297	4.07 450	0.21 352	0.20 343	0.25 380	0.24 343	0.38 369	0.33 363

PWCK	1.49 434	1.90 452	3.22 427	1.09 437	0.54 394	1.71 434	1.73 452	1.49 435	1.53 434	1.44 434	1.80 424	1.82 431	1.30 415	3.34 448	1.76 401	1.07 443	0.56 430	0.97 439	0.58 432	1.38 449	0.65 426

PFNet	0.60 279	0.33 106	2.47 338	0.41 313	0.55 397	0.62 237	0.27 178	0.61 111	0.63 225	0.61 291	0.56 219	0.45 157	0.32 147	1.88 363	1.14 366	0.28 392	0.09 127	0.12 171	0.16 271	0.26 287	0.20 253

NVStereoNet_ROB	1.16 411	0.95 357	2.54 353	0.58 394	0.55 397	0.78 352	0.63 385	1.00 381	1.08 410	1.03 400	4.07 459	1.48 426	1.22 411	2.88 439	1.27 377	0.50 415	0.46 420	0.54 420	0.62 435	0.50 404	0.63 425
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
testlalala2	0.44 129	0.28 73	2.59 359	0.64 404	0.56 399	0.57 155	0.20 34	0.78 213	0.52 112	0.40 90	0.39 92	0.45 157	0.21 30	0.27 5	0.22 44	0.09 23	0.10 159	0.08 4	0.29 367	0.12 40	0.10 41

NaN_ROB	1.14 407	0.94 351	2.96 402	0.53 379	0.56 399	1.13 410	0.99 422	0.98 361	1.00 399	1.09 405	0.87 365	0.77 328	1.06 404	5.90 462	2.72 429	0.16 299	0.23 362	0.16 304	0.24 343	0.22 235	0.36 377

TestStereo1	0.49 192	0.81 315	1.85 185	0.39 298	0.57 401	0.56 137	0.34 268	0.75 177	0.69 278	0.44 112	0.63 272	0.35 90	0.42 232	0.64 184	0.29 119	0.10 96	0.08 68	0.12 171	0.10 86	0.33 336	0.26 317

SA-5K	0.49 192	0.81 315	1.85 185	0.39 298	0.57 401	0.56 137	0.34 268	0.75 177	0.69 278	0.44 112	0.63 272	0.35 90	0.42 232	0.64 184	0.29 119	0.10 96	0.08 68	0.12 171	0.10 86	0.33 336	0.26 317

AIO-Stereo-zeroshot	0.61 287	0.61 234	3.35 434	0.33 196	0.58 403	0.66 283	0.20 34	0.98 361	0.55 147	0.73 356	0.52 180	0.99 387	0.65 339	0.58 167	0.29 119	0.10 96	0.16 298	0.10 70	0.41 411	0.29 304	0.20 253

SAMSARA	0.91 386	0.97 367	2.22 293	0.80 418	0.58 403	1.32 416	1.31 441	1.01 389	0.94 391	1.36 427	0.87 365	1.38 422	0.90 388	1.72 329	1.02 357	0.24 375	0.30 393	0.22 362	0.25 351	0.36 356	0.35 369

GCST	0.72 339	1.10 391	2.15 279	1.11 439	0.59 405	0.62 237	0.19 21	0.75 177	0.53 130	0.56 236	0.63 272	0.47 178	0.31 142	1.11 255	0.33 165	0.75 431	0.45 418	0.84 431	0.64 438	0.69 422	0.54 414

UDG	0.77 360	1.23 410	2.15 279	0.67 409	0.59 405	0.78 352	0.38 295	0.90 297	0.70 286	0.61 291	0.69 316	1.01 390	0.67 346	1.02 244	0.73 319	0.45 411	0.34 401	0.87 432	0.51 421	0.67 421	0.46 406

EAI-Stereo	0.78 364	0.25 38	1.67 100	0.54 382	0.59 405	1.95 441	2.05 455	1.11 415	0.64 233	0.95 395	1.49 416	0.50 194	0.67 346	0.59 171	1.44 388	0.09 23	0.19 334	0.09 30	0.49 419	0.13 66	0.22 269

MADNet+	1.36 425	1.93 455	5.95 460	0.81 421	0.59 405	1.57 427	1.09 430	1.39 432	1.22 420	0.84 382	1.01 387	1.25 416	1.12 408	3.19 445	2.36 424	0.45 411	0.47 423	0.38 411	0.34 390	0.59 414	0.57 418

PDISCO_ROB	0.75 353	1.06 387	2.11 268	0.64 404	0.59 405	1.13 410	0.43 316	1.14 416	1.05 405	0.64 320	0.71 330	0.96 380	0.61 328	1.21 266	0.76 323	0.37 406	0.18 324	0.27 384	0.24 343	0.56 413	0.32 356

AIO-Stereo-zeroshot1	0.70 329	0.65 259	3.45 435	0.50 365	0.60 410	0.75 336	0.23 92	0.96 349	0.60 181	0.76 362	1.30 408	0.81 341	0.60 320	0.57 164	0.82 334	0.10 96	0.16 298	0.11 120	0.43 414	0.31 322	0.22 269

Sa-1000	0.51 218	0.72 281	1.90 209	0.31 148	0.60 410	0.60 197	0.31 233	0.94 332	0.71 295	0.52 187	0.83 355	0.42 133	0.33 150	0.68 195	0.28 105	0.10 96	0.09 127	0.13 227	0.29 367	0.29 304	0.10 41

SA	0.50 201	0.75 289	1.95 231	0.31 148	0.61 412	0.57 155	0.31 233	0.91 307	0.73 317	0.42 101	0.62 260	0.38 102	0.47 269	0.68 195	0.29 119	0.09 23	0.09 127	0.13 227	0.32 383	0.30 315	0.10 41

Consistency-Raft	0.88 383	0.93 349	3.23 428	0.99 433	0.64 413	0.77 347	0.55 361	0.98 361	0.97 395	0.61 291	1.03 391	0.65 265	1.05 402	0.79 225	1.38 383	0.44 409	0.46 420	0.51 419	0.58 432	0.65 419	0.47 407

test_5	0.51 218	0.87 332	1.99 244	0.37 276	0.65 414	0.58 171	0.35 275	0.78 213	0.62 214	0.48 150	0.55 208	0.45 157	0.40 205	0.72 210	0.30 133	0.09 23	0.07 14	0.12 171	0.12 175	0.33 336	0.38 386

G-Net	0.99 395	0.64 253	2.76 382	0.57 392	0.67 415	2.03 446	0.72 402	0.76 189	0.67 267	1.14 409	2.56 443	1.30 420	1.02 399	1.48 296	1.74 400	0.25 380	0.24 365	0.24 375	0.26 357	0.37 363	0.31 351

ADCPNet	0.99 395	0.99 374	3.93 446	0.37 276	0.68 416	1.36 418	0.62 383	0.87 280	0.76 343	0.78 368	0.81 352	1.08 403	1.18 410	1.14 261	2.49 426	0.21 352	0.69 443	0.21 360	0.95 451	0.29 304	0.37 383

DDUNet	0.77 360	1.12 393	1.88 199	0.76 414	0.69 417	0.84 371	0.43 316	0.85 262	0.65 246	0.67 333	0.75 342	0.91 368	0.52 292	1.03 246	0.57 279	0.54 418	0.37 406	0.95 438	0.52 423	0.71 423	0.57 418

SPS-STEREO	1.07 404	1.13 396	2.88 392	0.65 407	0.69 417	0.99 394	0.68 393	1.05 404	0.87 377	1.36 427	1.23 403	1.46 425	0.94 393	1.87 356	1.72 399	0.66 426	0.61 433	0.58 421	0.57 430	0.65 419	0.77 433
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
raft+_RVC	0.44 129	0.67 266	1.85 185	0.34 223	0.71 419	0.51 82	0.25 134	0.64 121	0.51 106	0.35 68	0.45 119	0.32 77	0.28 113	0.43 92	0.32 155	0.09 23	0.19 334	0.10 70	0.09 53	0.20 213	0.40 394

otaku	1.03 401	1.68 440	2.72 376	0.95 430	0.73 420	1.03 399	0.59 374	0.99 373	0.86 374	0.69 342	1.61 419	0.98 384	0.64 337	1.46 288	1.14 366	0.95 438	0.46 420	0.72 429	0.40 408	1.24 443	0.78 434

WAO-7	1.48 433	1.63 434	2.49 341	0.93 428	0.75 421	1.72 435	1.10 431	1.84 446	1.96 446	1.43 433	2.54 442	1.97 433	1.61 434	3.06 442	2.08 412	0.69 428	0.66 437	0.94 437	0.74 442	0.80 429	0.69 428

anonymity	0.80 368	0.66 265	1.29 35	0.59 397	0.75 421	0.67 289	0.52 352	0.95 344	0.71 295	0.94 393	0.70 326	0.67 279	0.87 383	0.71 208	1.35 381	0.64 425	0.62 434	0.58 421	1.44 460	0.60 417	0.65 426

RAFT+CT+SA	0.50 201	0.86 329	1.82 175	0.37 276	0.75 421	0.54 111	0.34 268	0.77 199	0.63 225	0.38 82	0.55 208	0.34 86	0.29 126	0.68 195	0.27 96	0.09 23	0.07 14	0.11 120	0.51 421	0.29 304	0.41 399

MFMNet_re	0.92 388	1.28 415	2.53 347	0.82 422	0.76 424	0.90 384	0.75 404	0.98 361	1.04 404	1.03 400	1.05 395	0.84 350	0.94 393	0.83 227	0.72 316	0.68 427	0.60 432	0.63 424	0.60 434	0.77 427	0.74 429

SQANet	0.80 368	1.58 432	2.53 347	0.76 414	0.83 425	0.76 339	0.36 282	0.83 248	0.64 233	0.63 311	0.69 316	0.73 311	0.51 287	1.21 266	0.53 264	0.77 433	0.29 389	0.59 423	0.29 367	0.86 431	0.61 422

Ntro	1.00 398	1.68 440	2.80 388	0.95 430	0.85 426	1.06 401	0.53 355	0.98 361	0.90 386	0.62 302	0.76 344	0.93 373	0.66 344	1.66 320	0.98 346	0.99 441	0.45 418	0.75 430	0.40 408	1.19 439	0.75 431

ACVNet-4b	1.93 444	1.85 449	4.10 449	1.07 435	0.86 427	1.15 412	0.53 355	1.06 405	1.12 414	0.64 320	1.09 397	1.99 434	0.70 352	2.20 391	9.86 469	5.62 467	0.41 417	1.03 442	0.55 424	1.86 457	0.85 437

ACVNet_1	1.33 422	1.91 453	4.03 447	1.09 437	0.88 428	1.19 415	0.66 387	1.24 424	1.17 417	0.94 393	0.96 379	3.09 447	1.04 401	2.37 400	1.11 364	1.04 442	0.48 426	1.03 442	0.48 418	1.12 436	0.83 436

EDNetEfficientorigin	8.18 467	0.98 370	145.96 488	0.51 369	0.89 429	0.72 322	0.48 345	0.85 262	1.56 436	2.12 443	1.49 416	1.29 417	1.31 416	1.83 349	2.13 416	0.13 228	0.12 228	0.17 321	0.18 297	0.39 377	0.45 404

DMCA-RVC	0.62 292	0.96 359	2.63 363	0.36 256	0.90 430	0.56 137	0.31 233	0.69 142	0.57 160	0.68 340	0.52 180	0.59 239	0.56 306	1.23 269	0.53 264	0.16 299	0.38 408	0.20 354	0.15 252	0.20 213	0.15 168

RainbowNet	1.15 409	1.78 445	2.72 376	1.12 440	0.91 431	1.06 401	0.76 406	1.16 421	1.13 416	0.75 359	0.97 381	1.09 405	0.80 371	1.60 313	1.21 373	1.17 446	1.26 456	1.01 441	0.57 430	1.13 437	0.88 441

ACVNet_2	1.42 431	1.81 446	3.23 428	1.08 436	0.92 432	1.32 416	0.85 413	1.49 435	1.69 438	1.19 418	1.73 423	2.13 436	1.03 400	2.50 417	1.40 386	0.91 435	0.53 428	1.00 440	0.55 424	2.11 459	0.85 437

SGM_RVC	1.89 443	0.92 343	2.50 344	0.96 432	0.93 433	1.63 430	1.37 444	1.52 437	12.43 467	1.85 440	1.69 422	2.40 440	1.74 438	2.81 438	1.71 398	0.53 416	0.47 423	0.42 414	0.47 417	0.74 424	0.74 429
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
AAGNet	0.88 383	0.33 106	1.79 162	0.54 382	0.98 434	0.62 237	0.46 334	0.50 47	0.60 181	0.58 263	0.53 189	0.50 194	0.73 360	1.23 269	7.48 464	0.11 151	0.07 14	0.12 171	0.10 86	0.14 85	0.09 23

EDNetEfficient	1.27 419	0.70 275	4.05 448	0.64 404	0.98 434	0.94 389	1.40 447	0.85 262	1.75 441	2.34 452	1.33 411	1.05 399	2.21 445	1.58 310	4.15 451	0.15 281	0.19 334	0.14 261	0.27 361	0.38 369	0.32 356

WAO-6	1.58 438	1.54 431	2.32 307	1.14 441	1.00 436	2.30 451	1.03 427	1.82 445	2.85 455	1.25 420	2.61 445	2.20 437	1.56 432	2.47 415	1.99 408	0.95 438	0.67 438	1.19 447	0.83 446	1.08 435	0.88 441

MANE	2.90 455	1.14 397	2.96 402	1.03 434	1.01 437	5.01 464	2.45 458	5.36 467	6.88 465	3.58 463	4.76 463	5.99 463	4.99 461	4.23 457	4.61 456	0.56 421	0.67 438	0.44 416	0.78 444	0.51 406	1.03 449

SGM+DAISY	1.83 442	1.43 427	3.81 441	0.87 423	1.01 437	2.38 453	2.53 460	1.36 430	1.75 441	2.92 459	3.22 455	2.65 442	2.93 451	2.22 395	3.10 437	0.72 429	0.69 443	0.63 424	0.62 435	0.77 427	0.98 444

test_for_model	0.64 299	1.60 433	1.82 175	1.23 443	1.02 439	0.53 106	0.23 92	0.75 177	0.50 99	0.57 247	0.29 34	0.25 35	0.20 24	0.26 3	0.22 44	0.76 432	0.31 395	0.08 4	0.07 15	1.68 454	0.50 413

WAO-8	2.80 452	2.14 461	2.89 395	1.91 458	1.04 440	3.98 460	0.96 420	3.26 460	6.17 461	2.15 447	3.37 456	3.31 449	2.41 447	11.84 470	2.03 410	2.05 460	1.86 460	1.54 456	0.92 449	1.22 440	0.87 439

Venus	2.80 452	2.14 461	2.89 395	1.91 458	1.04 440	3.98 460	0.96 420	3.26 460	6.17 461	2.15 447	3.37 456	3.31 449	2.41 447	11.84 470	2.03 410	2.05 460	1.86 460	1.54 456	0.92 449	1.22 440	0.87 439

Dean	1.79 441	1.83 447	3.92 444	1.29 444	1.07 442	1.55 426	1.00 425	1.95 449	2.33 448	1.47 435	4.19 460	4.26 457	1.33 419	2.21 392	1.48 390	1.14 445	0.68 442	1.18 444	0.74 442	1.24 443	0.98 444

IMH-64-1	1.39 428	1.64 436	1.86 193	1.36 445	1.11 443	1.39 419	1.19 437	1.76 442	1.45 431	1.16 410	2.21 435	1.53 427	1.38 422	1.98 373	1.52 391	1.29 448	0.67 438	1.27 448	0.69 439	1.29 445	0.98 444

IMH-64	1.39 428	1.64 436	1.86 193	1.36 445	1.11 443	1.39 419	1.19 437	1.76 442	1.45 431	1.16 410	2.21 435	1.53 427	1.38 422	1.98 373	1.52 391	1.29 448	0.67 438	1.27 448	0.69 439	1.29 445	0.98 444

IMH	2.02 446	2.15 463	2.69 373	1.68 451	1.12 445	1.66 433	0.92 418	2.10 450	1.92 445	1.32 426	2.66 447	2.21 438	1.69 436	5.78 461	1.68 396	5.54 466	0.96 453	1.31 450	0.71 441	1.32 448	0.99 448

TorneroNet-64	2.65 448	1.83 447	3.30 430	1.46 448	1.20 446	3.89 459	0.99 422	3.51 464	6.71 464	2.56 454	4.60 461	4.22 454	3.85 459	3.33 447	3.14 438	1.19 447	0.65 436	1.39 453	0.79 445	3.31 465	1.15 451

JetBlue	1.78 440	1.63 434	3.92 444	0.73 412	1.21 447	4.38 463	3.35 462	1.59 438	1.20 419	1.26 424	1.52 418	2.37 439	1.88 440	3.23 446	3.00 433	0.53 416	0.47 423	0.48 418	0.49 419	1.29 445	0.97 443

edge stereo	0.81 374	0.73 284	3.30 430	0.37 276	1.21 447	0.62 237	0.39 299	0.93 324	0.79 357	0.80 370	0.88 367	1.14 411	0.71 354	2.18 390	0.71 312	0.21 352	0.20 343	0.26 383	0.18 297	0.38 369	0.26 317

TorneroNet	5.50 464	1.92 454	3.16 420	1.47 449	1.25 449	14.07 471	1.06 429	4.90 465	20.99 484	10.17 467	16.48 475	11.88 472	6.93 465	3.34 448	4.20 452	1.30 450	0.69 443	1.45 455	0.86 447	2.61 462	1.20 452

notaker	2.66 449	2.07 457	3.31 432	2.61 464	1.43 450	1.76 437	1.11 432	2.76 456	1.79 443	2.26 450	11.53 470	3.96 452	4.29 460	3.09 443	2.76 431	1.55 455	0.88 451	1.70 461	1.07 455	2.00 458	1.35 456

pmcnn	1.32 421	1.05 386	2.77 384	0.74 413	1.43 450	0.72 322	0.56 366	0.96 349	0.91 387	0.99 397	2.92 452	6.01 464	0.70 352	2.38 403	3.32 442	0.13 228	0.10 159	0.08 4	0.06 8	0.34 343	0.22 269

UNDER WATER-64	2.47 447	1.89 451	4.86 454	1.82 457	1.44 452	3.18 458	1.57 451	2.62 453	5.64 460	2.05 442	2.13 432	4.13 453	3.76 458	2.62 424	3.42 444	1.47 453	0.85 450	1.57 458	1.07 455	1.82 456	1.49 459

UNDER WATER	2.74 450	1.85 449	4.54 453	1.81 456	1.44 452	2.34 452	1.40 447	3.24 459	6.60 463	2.60 455	2.76 448	5.75 462	5.24 463	3.02 441	4.01 449	1.45 452	0.81 448	1.59 459	1.06 454	1.80 455	1.51 460

KSHMR	4.10 460	1.97 456	5.27 457	1.71 453	1.47 454	1.96 442	1.28 440	3.19 458	17.33 478	2.12 443	15.91 473	9.18 467	1.57 433	8.42 468	1.98 407	1.52 454	1.26 456	1.67 460	1.19 457	1.67 453	1.40 458

SDNR	1.22 417	0.80 310	2.71 374	0.33 196	1.48 455	1.98 445	0.23 92	1.93 448	2.44 449	0.89 388	2.52 441	1.36 421	0.51 287	3.65 452	1.93 405	0.30 396	0.31 395	0.22 362	0.16 271	0.33 336	0.36 377

ktn	4.35 461	2.10 458	2.89 395	1.80 455	1.49 456	2.13 448	1.41 449	2.26 451	12.72 468	11.41 470	16.43 474	11.15 470	3.75 457	4.36 459	3.18 439	1.82 458	0.98 455	1.73 462	1.21 458	2.97 464	1.27 454

tt	4.93 463	0.27 52	4.20 450	2.29 461	1.58 457	10.20 469	16.97 473	9.42 472	5.02 459	1.67 438	1.28 406	4.68 459	5.03 462	3.37 450	5.92 460	6.16 468	9.47 475	2.82 465	3.18 466	3.60 466	1.53 461

JetRed	3.29 457	4.93 468	10.17 465	1.45 447	1.72 458	7.44 466	5.05 467	3.06 457	2.12 447	2.41 453	2.39 439	2.99 445	2.37 446	3.51 451	6.44 461	1.32 451	1.90 462	1.37 452	1.23 459	2.21 460	1.76 462

LVE	1.96 445	2.17 464	3.14 418	1.68 451	1.80 459	1.63 430	1.03 427	2.34 452	2.81 454	1.25 420	2.89 450	4.24 456	1.29 413	2.79 436	1.44 388	2.85 463	0.91 452	1.18 444	1.46 461	1.23 442	1.10 450

MADNet++	2.79 451	2.11 460	2.97 405	2.49 462	2.28 460	2.95 457	2.31 457	2.67 454	2.47 450	3.03 461	3.13 454	2.70 443	2.92 450	4.10 456	4.48 454	2.68 462	2.24 465	3.04 466	2.44 464	2.37 461	2.34 465

FADE		3.00 467		2.11 460	2.94 461			5.00 466	2.49 451	1.25 420		3.05 446		8.02 467		94.83 488	35.90 488	65.83 485	66.18 485	1.66 452	1.30 455

BEATNet-Init1	12.10 470	11.19 471	27.29 484	2.99 466	3.51 462	21.84 482	11.10 469	14.34 476	13.83 473	20.34 479	20.33 480	26.35 487	20.03 477	19.06 481	14.80 475	1.74 457	1.81 459	2.05 464	2.49 465	3.69 467	3.12 467

LE_ROB	4.43 462	1.35 425	9.38 464	2.79 465	3.93 463	2.43 454	3.46 464	2.68 455	11.19 466	11.66 471	4.73 462	5.26 461	10.46 468	4.50 460	9.49 467	0.82 434	0.69 443	1.34 451	0.98 452	0.75 426	0.76 432

HanzoNet	7.64 466	2.86 466	5.05 455	7.01 470	3.97 464	2.18 450	1.34 443	3.37 463	4.05 457	13.17 472	10.58 464	10.73 469	16.52 475	8.45 469	10.51 470	10.48 474	9.72 476	5.59 470	13.46 475	6.84 471	6.83 471

DGSMNet	2.89 454	0.63 251	3.18 423	3.43 467	4.17 465	2.57 455	6.98 468	0.97 357	0.83 369	0.56 236	1.86 426	0.79 336	0.62 333	1.64 318	1.39 384	4.61 465	5.01 468	5.17 469	4.71 468	4.44 469	4.19 468

DispFullNet	1.67 439	2.10 458	5.22 456	1.53 450	8.90 466	0.86 377	0.31 233	0.96 349	0.96 394	1.37 430	1.01 387	1.13 410	1.98 442	1.51 298	0.91 341	0.54 418	0.31 395	1.18 444	0.63 437	1.13 437	0.80 435

PML	23.15 479	16.83 475	7.78 463	5.49 468	9.93 467	51.13 487	104.50 487	5.76 468	13.62 471	37.30 488	105.93 487	30.86 488	23.50 482	12.07 472	7.87 465	6.30 469	2.12 464	6.32 471	2.43 463	10.44 474	2.90 466

DGTPSM_ROB	8.89 468	5.62 469	12.25 467	5.92 469	11.32 468	8.54 467	24.18 475	6.40 469	13.49 469	5.15 465	11.46 468	6.19 465	10.92 469	7.00 465	13.72 471	4.47 464	7.65 469	3.92 467	7.45 471	4.38 468	7.87 472

DPSMNet_ROB	9.48 469	5.64 470	13.01 471	8.82 471	11.82 469	8.54 467	24.20 476	6.41 470	13.65 472	5.32 466	11.47 469	6.33 466	10.92 469	7.69 466	13.89 472	7.25 473	8.19 471	5.06 468	7.78 472	5.31 470	8.26 473

LRCNet_RVC	13.74 474	19.30 476	12.75 470	19.46 478	12.69 470	1.86 438	0.41 307	12.33 473	1.05 405	15.77 474	18.83 479	12.62 475	8.70 467	12.21 473	9.62 468	22.22 480	8.37 474	25.85 480	24.01 481	19.32 479	17.44 480

DPSM_ROB	12.34 471	11.21 473	12.51 468	12.91 474	12.80 471	19.84 479	28.28 481	14.38 477	14.28 474	10.58 468	11.26 466	12.03 473	11.85 472	13.15 476	15.34 476	7.11 471	8.31 472	6.50 472	7.35 469	8.84 472	8.31 474

DPSM	12.34 471	11.21 473	12.51 468	12.91 474	12.80 471	19.84 479	28.28 481	14.38 477	14.28 474	10.58 468	11.26 466	12.03 473	11.85 472	13.15 476	15.34 476	7.11 471	8.31 472	6.50 472	7.35 469	8.84 472	8.31 474

U	3.37 459	0.17 1	0.91 9	0.26 45	13.79 473	19.19 476	0.15 4	0.41 10	0.31 2	0.17 1	0.18 2	0.27 50	0.15 3	0.21 1	0.16 1	0.09 23	0.06 1	17.88 477	12.81 474	0.10 16	0.08 13

DPSimNet_ROB	17.97 475	20.20 482	24.98 480	17.62 476	15.92 474	21.53 481	21.00 474	13.70 474	15.61 476	23.89 484	14.69 472	22.87 481	24.58 486	12.70 475	14.56 473	18.48 478	12.91 477	20.21 478	12.05 473	17.76 475	14.17 477

ASD4	21.52 477	19.65 477	22.13 476	22.45 480	16.42 475	23.29 483	30.71 483	33.06 488	17.47 479	24.18 485	14.11 471	21.71 480	15.88 474	21.06 483	18.11 478	19.78 479	17.78 481	26.52 481	20.33 479	27.03 481	18.73 481

HaxPig	19.86 476	22.40 483	22.34 477	17.95 477	17.95 476	11.77 470	11.89 470	16.02 479	15.89 477	21.10 480	21.41 481	18.74 479	18.39 476	20.08 482	19.69 479	23.63 484	23.22 482	24.06 479	23.69 480	23.00 480	23.95 483

EKT-Stereo	1.47 432	0.49 195	1.93 221	2.57 463	19.31 477	0.55 123	0.22 69	0.69 142	0.42 40	0.38 82	0.36 73	0.43 137	0.27 99	0.69 201	0.26 88	0.12 199	0.14 259	0.11 120	0.16 271	0.20 213	0.15 168

MEDIAN_ROB	23.96 480	27.05 487	26.39 483	22.16 479	22.13 478	16.12 472	13.97 471	20.24 480	20.05 480	25.50 486	25.31 485	22.96 482	22.63 481	24.39 484	23.24 483	28.20 485	27.23 486	28.62 482	27.75 482	27.50 482	27.76 484

AVERAGE_ROB	26.93 484	30.34 488	29.27 485	25.82 481	25.34 479	19.48 478	15.17 472	23.55 484	23.00 485	28.45 487	27.87 486	26.25 486	25.86 487	26.96 488	25.55 484	31.30 486	30.07 487	31.76 483	30.81 483	30.79 486	30.93 485

CasAABBNet	24.81 481	22.53 484	24.83 479	26.08 482	25.74 480	39.86 484	57.06 486	28.87 485	28.83 487	21.16 482	22.54 483	24.22 483	23.89 484	26.38 485	30.87 486	14.25 475	16.71 479	13.09 474	14.81 477	17.78 476	16.71 478

Selective-RAFT-Error	24.87 482	22.59 485	25.14 481	26.13 483	25.82 481	39.93 485	57.03 485	28.97 486	28.95 488	21.21 483	22.65 484	24.25 484	23.98 485	26.43 486	30.83 485	14.27 476	16.71 479	13.10 475	14.82 478	17.82 477	16.76 479

Anonymous_1	22.91 478	11.20 472	12.13 466	12.75 473	26.28 482	19.43 477	27.92 480	14.08 475	13.61 470	14.96 473	10.58 464	11.26 471	11.19 471	12.55 474	14.57 474	38.28 487	7.88 470	34.96 484	63.99 484	89.57 488	10.94 476

LSM	3.31 458	1.11 392	5.29 458	9.40 472	30.65 483	0.84 371	1.12 433	0.91 307	1.22 420	1.36 427	2.19 434	0.93 373	0.83 375	1.66 320	0.90 340	0.21 352	0.31 395	0.24 375	0.28 364	0.39 377	6.33 470

DLNR_Zeroshot_test	13.43 473	19.94 478	23.55 478	121.61 489	35.03 484	0.46 54	0.15 4	8.02 471	0.35 10	0.28 53	0.37 76	0.26 44	0.17 6	0.76 216	0.29 119	6.42 470	0.26 380	0.09 30	0.38 403	50.13 487	0.18 227

xxxxx1	28.96 485	20.11 479	14.07 473	49.74 485	39.15 485	18.98 473	26.64 477	21.94 481	20.21 481	16.45 475	17.48 476	18.36 476	21.56 478	16.21 478	20.88 480	23.07 481	26.55 483	66.40 486	78.70 486	30.27 483	32.51 486

tt_ll	28.96 485	20.11 479	14.07 473	49.74 485	39.15 485	18.98 473	26.64 477	21.94 481	20.21 481	16.45 475	17.48 476	18.36 476	21.56 478	16.21 478	20.88 480	23.07 481	26.55 483	66.40 486	78.70 486	30.27 483	32.51 486

ff	28.96 485	20.11 479	14.07 473	49.74 485	39.15 485	18.98 473	26.64 477	21.94 481	20.21 481	16.45 475	17.48 476	18.36 476	21.56 478	16.21 478	20.88 480	23.07 481	26.55 483	66.40 486	78.70 486	30.27 483	32.51 486

LSM0	26.58 483	22.63 486	25.88 482	30.13 484	52.21 488	39.94 486	56.74 484	28.97 486	28.72 486	21.14 481	22.26 482	24.43 485	23.88 483	26.54 487	30.87 486	14.32 477	16.55 478	13.12 476	14.71 476	17.92 478	20.60 482

test_example2	115.39 488	123.23 489	94.57 487	115.52 488	123.55 489	101.63 488	114.33 488	53.41 489	99.48 489	134.90 489	135.05 488	85.83 489	85.11 488	111.32 489	106.15 488	152.55 489	205.26 489	99.78 489	114.96 489	140.96 489	110.20 489

Low-res two-view benchmark