Low-res two-view results

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

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

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

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

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

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

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 77	0.12 23	0.11 1	0.16 82	0.06 1	0.05 1	0.07 17	0.05 2	0.10 15	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

MyStereo07	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.15 21	0.15 66	0.09 14	0.06 2	0.06 3	0.07 28	0.12 91	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

ff7	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEVStereo-DCA	0.09 7	0.07 51	0.11 62	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

ffff	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

rrr	0.09 7	0.07 51	0.13 108	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.15 66	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

11t	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEV_Zeroshot_test	0.09 7	0.05 5	0.13 108	0.14 11	0.08 45	0.12 102	0.13 45	0.17 62	0.11 15	0.10 33	0.06 2	0.09 37	0.06 6	0.11 41	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

ProNet	0.09 7	0.07 51	0.11 62	0.17 108	0.08 45	0.11 77	0.15 120	0.15 21	0.12 25	0.10 33	0.06 2	0.07 17	0.06 6	0.11 41	0.09 16	0.05 2	0.05 79	0.06 30	0.05 31	0.04 1	0.06 95

ccc-4	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEV-Stereo	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 108	0.06 2	0.08 22	0.12 23	0.13 9	0.08 1	0.08 4	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 304	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.07 2	0.07 13	0.08 23	0.06 6	0.08 5	0.07 1	0.07 140	0.05 79	0.06 30	0.04 7	0.05 36	0.04 4
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
test-1	0.10 45	0.07 51	0.17 224	0.19 220	0.08 45	0.11 77	0.24 318	0.15 21	0.18 107	0.09 14	0.07 13	0.10 56	0.08 48	0.08 5	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.04 1	0.05 42

test_xeample3	0.09 7	0.07 51	0.12 85	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.14 54	0.10 33	0.07 13	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

MyStereo06	0.10 45	0.07 51	0.12 85	0.17 108	0.09 121	0.13 121	0.18 227	0.19 110	0.12 25	0.13 101	0.08 17	0.07 17	0.07 28	0.11 41	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

tt1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.15 21	0.19 121	0.09 14	0.08 17	0.06 3	0.06 6	0.10 15	0.08 9	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

EKT-Stereo	0.11 69	0.07 51	0.14 144	0.16 60	0.10 214	0.13 121	0.14 75	0.19 110	0.21 152	0.11 59	0.08 17	0.13 111	0.10 78	0.11 41	0.12 119	0.08 189	0.06 186	0.07 98	0.06 81	0.08 194	0.07 147

iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 121	0.12 102	0.15 120	0.19 110	0.11 15	0.11 59	0.08 17	0.08 23	0.05 2	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

test-3	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_1	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

Former-RAFT_DAM_RVC	0.11 69	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.18 86	0.19 121	0.10 33	0.09 23	0.09 37	0.08 48	0.11 41	0.12 119	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.06 95

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

xx1	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.16 162	0.16 217	0.10 15	0.07 1	0.06 50	0.05 79	0.08 158	0.08 210	0.07 147	0.07 147

1test111	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.15 159	0.16 217	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

cc1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

MSKI-zero shot	0.09 7	0.05 5	0.09 24	0.16 60	0.07 14	0.10 56	0.13 45	0.15 21	0.14 54	0.09 14	0.09 23	0.09 37	0.06 6	0.12 91	0.11 69	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

AEACV	0.09 7	0.05 5	0.08 6	0.14 11	0.13 300	0.14 150	0.13 45	0.15 21	0.09 2	0.07 2	0.09 23	0.07 17	0.08 48	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 120	0.12 3	0.11 15	0.08 4	0.09 23	0.06 3	0.09 65	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

LoS	0.09 7	0.05 5	0.11 62	0.13 6	0.07 14	0.14 150	0.11 10	0.15 21	0.15 66	0.09 14	0.09 23	0.12 89	0.09 65	0.15 159	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	0.05 42

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 75	0.11 1	0.09 2	0.08 4	0.09 23	0.11 70	0.07 28	0.12 91	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 280	0.10 56	0.13 45	0.18 86	0.19 121	0.09 14	0.09 23	0.09 37	0.07 28	0.10 15	0.08 9	0.07 140	0.05 79	0.07 98	0.07 158	0.04 1	0.04 4

raftrobust	0.09 7	0.06 17	0.11 62	0.17 108	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 89	0.08 48	0.12 91	0.10 43	0.08 189	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

EAI-Stereo	0.09 7	0.07 51	0.11 62	0.16 60	0.07 14	0.10 56	0.15 120	0.16 35	0.09 2	0.08 4	0.09 23	0.08 23	0.07 28	0.09 10	0.11 69	0.05 2	0.05 79	0.05 2	0.05 31	0.05 36	0.04 4

DLNR_Zeroshot_test	10.48 424	2.27 418	19.78 434	120.28 439	13.29 429	0.06 2	0.13 45	0.24 182	0.10 6	0.08 4	0.10 36	0.09 37	0.07 28	0.10 15	0.09 16	0.13 324	0.04 2	0.06 30	0.04 7	52.68 438	0.04 4

CASnet	0.09 7	0.09 180	0.09 24	0.19 220	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 59	0.10 36	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 266	0.08 210	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
RAFT-Test	0.09 7	0.06 17	0.10 38	0.16 60	0.07 14	0.11 77	0.15 120	0.16 35	0.13 40	0.09 14	0.10 36	0.11 70	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

HH	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

HanStereo	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 108	0.08 45	0.10 56	0.13 45	0.12 3	0.09 2	0.09 14	0.10 36	0.08 23	0.06 6	0.09 10	0.09 16	0.08 189	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

Selective-RAFT	0.11 69	0.11 252	0.12 85	0.21 288	0.08 45	0.16 192	0.13 45	0.21 132	0.23 179	0.10 33	0.10 36	0.11 70	0.10 78	0.15 159	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

CroCo-Stereo Lap2	0.09 7	0.09 180	0.08 6	0.22 304	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.09 14	0.10 36	0.05 1	0.05 2	0.08 5	0.08 9	0.06 50	0.06 186	0.07 98	0.05 31	0.06 92	0.05 42

MIPNet	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.12 102	0.14 75	0.21 132	0.25 205	0.12 77	0.10 36	0.09 37	0.07 28	0.13 128	0.13 146	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

test_3	0.11 69	0.09 180	0.10 38	0.21 288	0.08 45	0.13 121	0.25 334	0.14 15	0.21 152	0.10 33	0.10 36	0.09 37	0.10 78	0.08 5	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.04 1	0.04 4

cross-raft	0.10 45	0.09 180	0.09 24	0.19 220	0.07 14	0.11 77	0.24 318	0.13 9	0.15 66	0.08 4	0.10 36	0.12 89	0.10 78	0.09 10	0.11 69	0.05 2	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

RAFT-Stereo + iAFF	0.09 7	0.06 17	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.17 62	0.15 66	0.10 33	0.10 36	0.08 23	0.09 65	0.12 91	0.10 43	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.03 1

RAFT + AFF	0.13 155	0.08 133	0.21 280	0.20 262	0.10 214	0.14 150	0.23 310	0.27 219	0.21 152	0.12 77	0.10 36	0.12 89	0.10 78	0.16 184	0.12 119	0.08 189	0.07 240	0.09 225	0.09 248	0.06 92	0.09 242

Gwc-CoAtRS	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.10 56	0.15 120	0.18 86	0.17 97	0.08 4	0.10 36	0.12 89	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

StereoIM	0.09 7	0.09 180	0.08 6	0.17 108	0.09 121	0.14 150	0.11 10	0.16 35	0.16 82	0.09 14	0.11 50	0.06 3	0.06 6	0.09 10	0.13 146	0.07 140	0.06 186	0.08 158	0.05 31	0.05 36	0.04 4

LL-Strereo2	0.11 69	0.10 234	0.16 205	0.18 175	0.08 45	0.15 170	0.09 3	0.17 62	0.14 54	0.14 122	0.11 50	0.09 37	0.07 28	0.16 184	0.10 43	0.05 2	0.05 79	0.11 292	0.07 158	0.06 92	0.05 42

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 175	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 50	0.10 56	0.07 28	0.12 91	0.09 16	0.05 2	0.03 1	0.08 158	0.07 158	0.06 92	0.05 42

RCA-Stereo	0.09 7	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 86	0.14 54	0.10 33	0.11 50	0.08 23	0.07 28	0.12 91	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

CIPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.16 82	0.14 122	0.11 50	0.16 162	0.10 78	0.17 213	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

IPLGR_C	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.12 102	0.15 120	0.17 62	0.15 66	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

ACRE	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.14 54	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

iRaftStereo_RVC	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.11 77	0.17 189	0.18 86	0.12 25	0.09 14	0.11 50	0.10 56	0.07 28	0.11 41	0.10 43	0.05 2	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

s12784h	0.10 45	0.06 17	0.08 6	0.15 35	0.05 1	0.16 192	0.18 227	0.16 35	0.15 66	0.10 33	0.11 50	0.11 70	0.11 102	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

AFF-stereo	0.09 7	0.07 51	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.18 86	0.10 6	0.10 33	0.11 50	0.09 37	0.10 78	0.12 91	0.10 43	0.05 2	0.04 2	0.07 98	0.07 158	0.04 1	0.04 4

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 175	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 60	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 186	0.05 2	0.05 31	0.06 92	0.05 42

Any-RAFT	0.10 45	0.05 5	0.10 38	0.15 35	0.07 14	0.13 121	0.14 75	0.21 132	0.15 66	0.11 59	0.12 60	0.13 111	0.10 78	0.13 128	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 108	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 60	0.09 37	0.06 6	0.11 41	0.10 43	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

IPLGR	0.11 69	0.09 180	0.17 224	0.18 175	0.08 45	0.13 121	0.16 169	0.21 132	0.24 189	0.12 77	0.12 60	0.11 70	0.09 65	0.13 128	0.12 119	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.04 4

AnonymousM	0.10 45	0.06 17	0.10 38	0.14 11	0.07 14	0.09 36	0.13 45	0.19 110	0.14 54	0.13 101	0.12 60	0.09 37	0.08 48	0.13 128	0.10 43	0.08 189	0.05 79	0.08 158	0.05 31	0.05 36	0.05 42

XX-TBD	0.09 7	0.06 17	0.07 1	0.14 11	0.07 14	0.13 121	0.16 169	0.14 15	0.14 54	0.11 59	0.12 60	0.09 37	0.08 48	0.10 15	0.10 43	0.06 50	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

sAnonymous2	0.13 155	0.12 267	0.25 303	0.20 262	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

CroCo_RVC	0.13 155	0.12 267	0.25 303	0.20 262	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

Anonymous	0.14 180	0.10 234	0.24 299	0.23 321	0.13 300	0.18 228	0.23 310	0.20 121	0.19 121	0.14 122	0.12 60	0.11 70	0.13 159	0.17 213	0.13 146	0.08 189	0.07 240	0.08 158	0.08 210	0.12 300	0.10 264

111	0.11 69	0.06 17	0.12 85	0.15 35	0.07 14	0.10 56	0.14 75	0.21 132	0.24 189	0.11 59	0.12 60	0.14 127	0.12 130	0.13 128	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.06 92	0.05 42

CFNet-RSSM	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.09 36	0.15 120	0.17 62	0.18 107	0.08 4	0.12 60	0.11 70	0.09 65	0.12 91	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

GLC_STEREO	0.11 69	0.07 51	0.11 62	0.18 175	0.07 14	0.08 22	0.13 45	0.16 35	0.24 189	0.12 77	0.13 71	0.12 89	0.08 48	0.18 222	0.12 119	0.06 50	0.08 266	0.08 158	0.06 81	0.05 36	0.05 42

rafts_anoy	0.11 69	0.06 17	0.10 38	0.17 108	0.08 45	0.10 56	0.14 75	0.18 86	0.14 54	0.13 101	0.13 71	0.12 89	0.11 102	0.11 41	0.13 146	0.07 140	0.05 79	0.09 225	0.11 302	0.07 147	0.06 95

RALAANet	0.11 69	0.08 133	0.10 38	0.17 108	0.09 121	0.14 150	0.10 5	0.20 121	0.16 82	0.14 122	0.13 71	0.16 162	0.09 65	0.12 91	0.12 119	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.04 4

sCroCo_RVC	0.12 131	0.09 180	0.24 299	0.24 329	0.11 252	0.19 243	0.14 75	0.17 62	0.15 66	0.10 33	0.13 71	0.12 89	0.07 28	0.14 145	0.11 69	0.08 189	0.08 266	0.08 158	0.08 210	0.05 36	0.07 147

ARAFT	0.12 131	0.08 133	0.18 250	0.19 220	0.09 121	0.15 170	0.17 189	0.20 121	0.13 40	0.12 77	0.13 71	0.14 127	0.12 130	0.15 159	0.13 146	0.06 50	0.05 79	0.10 266	0.09 248	0.06 92	0.04 4

CREStereo	0.09 7	0.05 5	0.08 6	0.11 1	0.06 2	0.14 150	0.14 75	0.14 15	0.10 6	0.09 14	0.13 71	0.09 37	0.08 48	0.12 91	0.10 43	0.08 189	0.04 2	0.05 2	0.03 1	0.06 92	0.06 95
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
PMTNet	0.09 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 71	0.10 56	0.07 28	0.14 145	0.10 43	0.15 344	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

MyStereo05	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.13 121	0.18 227	0.28 240	0.35 289	0.17 180	0.14 78	0.15 148	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo04	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.29 254	0.38 305	0.17 180	0.14 78	0.16 162	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MIM_Stereo	0.10 45	0.07 51	0.11 62	0.15 35	0.07 14	0.07 15	0.12 23	0.20 121	0.14 54	0.13 101	0.14 78	0.09 37	0.05 2	0.12 91	0.08 9	0.05 2	0.06 186	0.07 98	0.06 81	0.06 92	0.05 42

anonymousdsp2	0.11 69	0.07 51	0.11 62	0.16 60	0.09 121	0.13 121	0.14 75	0.19 110	0.23 179	0.13 101	0.14 78	0.12 89	0.09 65	0.14 145	0.11 69	0.05 2	0.05 79	0.05 2	0.04 7	0.06 92	0.06 95

iRaft-Stereo_5w	0.12 131	0.09 180	0.12 85	0.20 262	0.08 45	0.09 36	0.12 23	0.22 151	0.22 170	0.19 218	0.14 78	0.11 70	0.09 65	0.20 254	0.16 217	0.05 2	0.05 79	0.07 98	0.06 81	0.05 36	0.06 95

GwcNet-ADL	0.13 155	0.08 133	0.14 144	0.20 262	0.09 121	0.12 102	0.20 276	0.30 264	0.25 205	0.14 122	0.14 78	0.18 190	0.14 188	0.13 128	0.15 200	0.07 140	0.05 79	0.06 30	0.05 31	0.07 147	0.06 95

OMP-Stereo	0.11 69	0.07 51	0.14 144	0.18 175	0.08 45	0.09 36	0.12 23	0.21 132	0.21 152	0.13 101	0.14 78	0.11 70	0.12 130	0.11 41	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.05 36	0.04 4

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 262	0.09 121	0.10 56	0.14 75	0.21 132	0.13 40	0.12 77	0.14 78	0.18 190	0.11 102	0.11 41	0.10 43	0.05 2	0.05 79	0.09 225	0.08 210	0.06 92	0.14 326

CRE-IMP	0.11 69	0.09 180	0.16 205	0.19 220	0.09 121	0.10 56	0.12 23	0.18 86	0.10 6	0.14 122	0.14 78	0.14 127	0.13 159	0.12 91	0.12 119	0.07 140	0.04 2	0.08 158	0.06 81	0.08 194	0.08 210

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 15	0.14 54	0.10 33	0.14 78	0.08 23	0.07 28	0.10 15	0.11 69	0.06 50	0.04 2	0.05 2	0.05 31	0.04 1	0.04 4
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-Stereo	0.09 7	0.05 5	0.09 24	0.17 108	0.09 121	0.15 170	0.12 23	0.21 132	0.10 6	0.10 33	0.14 78	0.07 17	0.06 6	0.13 128	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

AE-Stereo	0.10 45	0.08 133	0.11 62	0.19 220	0.09 121	0.10 56	0.15 120	0.14 15	0.20 139	0.09 14	0.15 89	0.12 89	0.08 48	0.11 41	0.10 43	0.05 2	0.06 186	0.07 98	0.06 81	0.05 36	0.04 4

11t1	0.12 131	0.07 51	0.14 144	0.14 11	0.08 45	0.17 212	0.15 120	0.19 110	0.15 66	0.15 143	0.15 89	0.17 178	0.16 217	0.15 159	0.13 146	0.08 189	0.05 79	0.06 30	0.05 31	0.08 194	0.07 147

test croco	0.11 69	0.09 180	0.10 38	0.19 220	0.09 121	0.11 77	0.14 75	0.14 15	0.13 40	0.13 101	0.15 89	0.09 37	0.12 130	0.13 128	0.12 119	0.07 140	0.05 79	0.09 225	0.06 81	0.06 92	0.06 95

riskmin	0.11 69	0.06 17	0.13 108	0.14 11	0.08 45	0.14 150	0.14 75	0.18 86	0.15 66	0.12 77	0.15 89	0.17 178	0.11 102	0.14 145	0.12 119	0.09 231	0.05 79	0.07 98	0.05 31	0.08 194	0.08 210

LCNet	0.11 69	0.07 51	0.09 24	0.19 220	0.09 121	0.08 22	0.14 75	0.21 132	0.15 66	0.12 77	0.15 89	0.16 162	0.11 102	0.12 91	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.14 326

STrans-v2	0.10 45	0.07 51	0.13 108	0.18 175	0.08 45	0.10 56	0.14 75	0.22 151	0.11 15	0.11 59	0.15 89	0.12 89	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

NRIStereo	0.11 69	0.08 133	0.15 170	0.18 175	0.08 45	0.10 56	0.13 45	0.17 62	0.15 66	0.12 77	0.15 89	0.13 111	0.13 159	0.13 128	0.10 43	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.07 147

DeepStereo_RVC	0.11 69	0.08 133	0.17 224	0.18 175	0.08 45	0.08 22	0.11 10	0.17 62	0.12 25	0.13 101	0.15 89	0.12 89	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.08 210

IRAFT_RVC	0.12 131	0.08 133	0.17 224	0.19 220	0.08 45	0.07 15	0.14 75	0.25 199	0.23 179	0.14 122	0.15 89	0.15 148	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.06 95

GMM-Stereo	0.11 69	0.07 51	0.10 38	0.18 175	0.09 121	0.08 22	0.14 75	0.24 182	0.16 82	0.11 59	0.15 89	0.13 111	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.09 242

raft+_RVC	0.11 69	0.07 51	0.09 24	0.16 60	0.07 14	0.10 56	0.11 10	0.24 182	0.20 139	0.12 77	0.15 89	0.12 89	0.08 48	0.12 91	0.13 146	0.07 140	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

TANstereo	0.09 7	0.04 1	0.08 6	0.13 6	0.06 2	0.11 77	0.13 45	0.15 21	0.19 121	0.11 59	0.15 89	0.10 56	0.07 28	0.12 91	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

MIF-Stereo (partial)	0.11 69	0.06 17	0.10 38	0.19 220	0.10 214	0.10 56	0.12 23	0.17 62	0.19 121	0.14 122	0.16 101	0.10 56	0.11 102	0.12 91	0.12 119	0.08 189	0.05 79	0.08 158	0.07 158	0.06 92	0.07 147

LL-Strereo	0.13 155	0.10 234	0.12 85	0.20 262	0.10 214	0.11 77	0.18 227	0.33 291	0.25 205	0.16 170	0.16 101	0.14 127	0.14 188	0.19 241	0.11 69	0.06 50	0.05 79	0.09 225	0.08 210	0.04 1	0.05 42

Patchmatch Stereo++	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147
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
TransformOpticalFlow	0.10 45	0.08 133	0.13 108	0.18 175	0.07 14	0.09 36	0.15 120	0.19 110	0.16 82	0.12 77	0.16 101	0.11 70	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

PSM-adaLoss	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo_v2	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

KYRaft	0.12 131	0.07 51	0.10 38	0.19 220	0.09 121	0.08 22	0.15 120	0.23 165	0.12 25	0.13 101	0.16 101	0.20 209	0.10 78	0.12 91	0.11 69	0.06 50	0.04 2	0.08 158	0.08 210	0.06 92	0.15 341

HUI-Stereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ASMatch	0.11 69	0.06 17	0.13 108	0.17 108	0.10 214	0.08 22	0.14 75	0.18 86	0.16 82	0.12 77	0.16 101	0.16 162	0.11 102	0.13 128	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.09 242

PFNet	0.12 131	0.06 17	0.17 224	0.18 175	0.08 45	0.09 36	0.15 120	0.26 207	0.20 139	0.16 170	0.16 101	0.14 127	0.12 130	0.13 128	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

iGMRVC	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

iRAFT	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

RAFT-IKP	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

Prome-Stereo	0.11 69	0.07 51	0.11 62	0.18 175	0.09 121	0.12 102	0.14 75	0.23 165	0.13 40	0.13 101	0.16 101	0.13 111	0.08 48	0.12 91	0.10 43	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

DIP-Stereo	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.13 121	0.09 3	0.16 35	0.16 82	0.12 77	0.16 101	0.14 127	0.12 130	0.16 184	0.14 170	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 147
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
CoDeX	0.12 131	0.07 51	0.13 108	0.17 108	0.08 45	0.12 102	0.16 169	0.23 165	0.27 227	0.13 101	0.17 117	0.15 148	0.12 130	0.14 145	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

knoymous	0.11 69	0.06 17	0.12 85	0.14 11	0.07 14	0.15 170	0.13 45	0.20 121	0.14 54	0.11 59	0.17 117	0.13 111	0.09 65	0.14 145	0.11 69	0.09 231	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

DCANet-4	0.11 69	0.07 51	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.18 86	0.20 139	0.13 101	0.17 117	0.09 37	0.14 188	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

fff	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

GMOStereo	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

error version	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

test-v	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

IIG-Stereo	0.11 69	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.12 23	0.22 151	0.18 107	0.14 122	0.17 117	0.12 89	0.13 159	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

NF-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.12 303

OCTAStereo	0.11 69	0.07 51	0.14 144	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

GrayStereo	0.11 69	0.06 17	0.11 62	0.19 220	0.09 121	0.09 36	0.16 169	0.18 86	0.17 97	0.14 122	0.17 117	0.17 178	0.11 102	0.12 91	0.11 69	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

RE-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

TVStereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

test-2	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

Anonymous3	0.16 235	0.14 301	0.34 337	0.26 345	0.14 315	0.27 326	0.18 227	0.28 240	0.28 240	0.15 143	0.17 117	0.14 127	0.11 102	0.16 184	0.12 119	0.08 189	0.08 266	0.08 158	0.08 210	0.08 194	0.11 285

RALCasStereoNet	0.11 69	0.07 51	0.09 24	0.16 60	0.08 45	0.13 121	0.14 75	0.17 62	0.11 15	0.12 77	0.17 117	0.14 127	0.10 78	0.12 91	0.11 69	0.07 140	0.06 186	0.06 30	0.05 31	0.08 194	0.07 147

csc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

cscssc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

GMStereo	0.13 155	0.15 307	0.14 144	0.18 175	0.09 121	0.16 192	0.16 169	0.20 121	0.25 205	0.17 180	0.17 117	0.11 70	0.11 102	0.16 184	0.13 146	0.07 140	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HITNet	0.11 69	0.06 17	0.12 85	0.14 11	0.06 2	0.12 102	0.10 5	0.18 86	0.18 107	0.13 101	0.17 117	0.15 148	0.11 102	0.15 159	0.14 170	0.06 50	0.04 2	0.04 1	0.04 7	0.06 92	0.05 42
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
MyStereo8	0.12 131	0.07 51	0.15 170	0.15 35	0.09 121	0.18 228	0.14 75	0.19 110	0.22 170	0.12 77	0.18 137	0.11 70	0.10 78	0.16 184	0.18 240	0.07 140	0.05 79	0.07 98	0.05 31	0.08 194	0.09 242

CASS	0.14 180	0.12 267	0.12 85	0.23 321	0.09 121	0.15 170	0.17 189	0.19 110	0.20 139	0.17 180	0.18 137	0.15 148	0.15 206	0.15 159	0.14 170	0.09 231	0.06 186	0.10 266	0.08 210	0.09 246	0.07 147
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 252	0.11 77	0.17 189	0.18 86	0.17 97	0.11 59	0.18 137	0.11 70	0.10 78	0.15 159	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

ADStereo(finetuned)	0.10 45	0.06 17	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.12 130	0.12 91	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

test_4	0.11 69	0.10 234	0.08 6	0.19 220	0.09 121	0.08 22	0.21 289	0.15 21	0.18 107	0.12 77	0.18 137	0.12 89	0.09 65	0.08 5	0.11 69	0.04 1	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

IPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.11 77	0.14 75	0.20 121	0.15 66	0.13 101	0.18 137	0.07 17	0.07 28	0.14 145	0.14 170	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

GANet-ADL	0.13 155	0.07 51	0.15 170	0.17 108	0.10 214	0.19 243	0.15 120	0.30 264	0.21 152	0.13 101	0.18 137	0.19 194	0.13 159	0.16 184	0.14 170	0.08 189	0.06 186	0.06 30	0.05 31	0.07 147	0.08 210

SST-Stereo	0.11 69	0.07 51	0.16 205	0.18 175	0.09 121	0.06 2	0.12 23	0.18 86	0.10 6	0.15 143	0.18 137	0.13 111	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.07 147	0.06 95

RAFT_R40	0.11 69	0.07 51	0.15 170	0.18 175	0.09 121	0.06 2	0.13 45	0.17 62	0.15 66	0.14 122	0.18 137	0.15 148	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

DCANet	0.10 45	0.06 17	0.12 85	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.11 102	0.11 41	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

SFCPSM	0.13 155	0.07 51	0.15 170	0.17 108	0.09 121	0.15 170	0.16 169	0.28 240	0.27 227	0.14 122	0.18 137	0.12 89	0.13 159	0.14 145	0.11 69	0.08 189	0.05 79	0.07 98	0.07 158	0.07 147	0.06 95

qqq	0.13 155	0.09 180	0.15 170	0.16 60	0.08 45	0.13 121	0.15 120	0.24 182	0.16 82	0.15 143	0.19 148	0.16 162	0.16 217	0.15 159	0.16 217	0.07 140	0.06 186	0.08 158	0.08 210	0.07 147	0.07 147

DisPM	0.11 69	0.07 51	0.13 108	0.16 60	0.09 121	0.06 2	0.13 45	0.18 86	0.17 97	0.14 122	0.19 148	0.12 89	0.10 78	0.12 91	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.11 285

PFNet+	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.05 1	0.12 23	0.18 86	0.21 152	0.16 170	0.19 148	0.14 127	0.10 78	0.11 41	0.11 69	0.08 189	0.05 79	0.09 225	0.08 210	0.06 92	0.11 285

PSM-softLoss	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

KMStereo	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

Pruner-Stereo	0.11 69	0.07 51	0.12 85	0.17 108	0.09 121	0.06 2	0.12 23	0.18 86	0.17 97	0.14 122	0.19 148	0.13 111	0.10 78	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.08 210

BEATNet_4x	0.12 131	0.09 180	0.15 170	0.18 175	0.07 14	0.15 170	0.07 1	0.23 165	0.19 121	0.16 170	0.19 148	0.19 194	0.14 188	0.17 213	0.15 200	0.07 140	0.05 79	0.05 2	0.05 31	0.06 92	0.07 147

R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42

RAFT-Stereo	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
SMFormer	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

tta	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.06 92	0.06 95

qqq1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

fff1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

PCWNet_CMD	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 295	0.14 122	0.20 157	0.21 215	0.13 159	0.17 213	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

TestStereo1	0.13 155	0.08 133	0.08 6	0.20 262	0.08 45	0.18 228	0.29 360	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

x	0.13 155	0.08 133	0.15 170	0.14 11	0.08 45	0.19 243	0.14 75	0.22 151	0.21 152	0.15 143	0.20 157	0.20 209	0.18 248	0.18 222	0.18 240	0.07 140	0.05 79	0.06 30	0.06 81	0.07 147	0.07 147

raft_robust	0.13 155	0.10 234	0.07 1	0.18 175	0.08 45	0.13 121	0.24 318	0.29 254	0.34 278	0.20 238	0.20 157	0.15 148	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.07 158	0.05 36	0.04 4

SA-5K	0.13 155	0.08 133	0.08 6	0.20 262	0.08 45	0.18 228	0.29 360	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

Sa-1000	0.12 131	0.08 133	0.09 24	0.18 175	0.08 45	0.15 170	0.22 299	0.22 151	0.19 121	0.15 143	0.20 157	0.17 178	0.11 102	0.10 15	0.10 43	0.06 50	0.05 79	0.09 225	0.09 248	0.05 36	0.05 42

UDGNet	0.14 180	0.13 286	0.17 224	0.18 175	0.10 214	0.12 102	0.16 169	0.21 132	0.27 227	0.20 238	0.20 157	0.17 178	0.13 159	0.16 184	0.14 170	0.10 262	0.06 186	0.09 225	0.07 158	0.07 147	0.07 147

dd	0.15 212	0.17 324	0.17 224	0.19 220	0.09 121	0.15 170	0.18 227	0.22 151	0.26 217	0.23 269	0.20 157	0.21 215	0.10 78	0.21 269	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.08 194	0.07 147

PSMNet-ADL	0.15 212	0.12 267	0.13 108	0.22 304	0.09 121	0.13 121	0.20 276	0.26 207	0.23 179	0.18 208	0.20 157	0.23 242	0.17 238	0.18 222	0.18 240	0.09 231	0.08 266	0.08 158	0.11 302	0.08 194	0.07 147

ADLNet2	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.20 260	0.16 169	0.32 281	0.39 309	0.17 180	0.20 157	0.20 209	0.19 262	0.21 269	0.23 292	0.08 189	0.07 240	0.07 98	0.07 158	0.09 246	0.07 147

DMCA	0.14 180	0.09 180	0.17 224	0.19 220	0.09 121	0.15 170	0.17 189	0.23 165	0.28 240	0.14 122	0.20 157	0.17 178	0.18 248	0.15 159	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.09 246	0.10 264

MSMDNet	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 295	0.14 122	0.20 157	0.21 215	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

NINENet	0.16 235	0.10 234	0.16 205	0.17 108	0.11 252	0.20 260	0.14 75	0.41 353	0.37 299	0.18 208	0.21 173	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.10 266	0.07 158	0.10 271	0.09 242

psmg	0.14 180	0.09 180	0.14 144	0.17 108	0.10 214	0.15 170	0.17 189	0.29 254	0.20 139	0.17 180	0.21 173	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.07 240	0.08 158	0.08 210	0.07 147	0.07 147

AAGNet	0.12 131	0.08 133	0.17 224	0.19 220	0.09 121	0.08 22	0.13 45	0.19 110	0.13 40	0.16 170	0.21 173	0.13 111	0.14 188	0.11 41	0.14 170	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

RAFT	0.13 155	0.09 180	0.11 62	0.18 175	0.08 45	0.15 170	0.23 310	0.21 132	0.20 139	0.21 247	0.21 173	0.18 190	0.13 159	0.17 213	0.10 43	0.06 50	0.07 240	0.10 266	0.09 248	0.06 92	0.05 42

CFNet_pseudo	0.14 180	0.08 133	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.07 147

HSM-Net_RVC	0.14 180	0.08 133	0.12 85	0.15 35	0.08 45	0.16 192	0.15 120	0.27 219	0.29 246	0.20 238	0.21 173	0.29 289	0.14 188	0.18 222	0.13 146	0.06 50	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 180	0.09 180	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.07 147

UCFNet_RVC	0.15 212	0.08 133	0.13 108	0.11 1	0.10 214	0.20 260	0.10 5	0.24 182	0.23 179	0.17 180	0.21 173	0.24 251	0.15 206	0.18 222	0.15 200	0.12 310	0.07 240	0.11 292	0.13 330	0.11 287	0.10 264

DeepPruner_ROB	0.16 235	0.11 252	0.16 205	0.17 108	0.10 214	0.17 212	0.15 120	0.32 281	0.21 152	0.19 218	0.21 173	0.22 231	0.19 262	0.21 269	0.16 217	0.13 324	0.09 287	0.09 225	0.10 279	0.11 287	0.11 285

NOSS_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.12 280	0.16 192	0.12 23	0.30 264	0.33 268	0.20 238	0.22 182	0.27 274	0.24 299	0.21 269	0.16 217	0.16 356	0.18 363	0.23 368	0.21 364	0.13 315	0.13 313

mmm	0.14 180	0.08 133	0.18 250	0.17 108	0.09 121	0.17 212	0.18 227	0.21 132	0.16 82	0.16 170	0.23 183	0.21 215	0.16 217	0.16 184	0.17 228	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.07 147

ssnet_v2	0.17 253	0.10 234	0.18 250	0.17 108	0.11 252	0.21 270	0.22 299	0.34 305	0.25 205	0.23 269	0.23 183	0.27 274	0.19 262	0.22 286	0.21 269	0.11 287	0.10 308	0.09 225	0.09 248	0.08 194	0.08 210

BUS	0.15 212	0.09 180	0.14 144	0.22 304	0.10 214	0.20 260	0.14 75	0.34 305	0.20 139	0.17 180	0.23 183	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

BSDual-CNN	0.15 212	0.09 180	0.14 144	0.22 304	0.10 214	0.15 170	0.15 120	0.34 305	0.20 139	0.17 180	0.23 183	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

hknet	0.15 212	0.11 252	0.14 144	0.22 304	0.11 252	0.15 170	0.15 120	0.34 305	0.26 217	0.17 180	0.23 183	0.22 231	0.18 248	0.17 213	0.13 146	0.07 140	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

DEmStereo	0.12 131	0.06 17	0.14 144	0.14 11	0.10 214	0.16 192	0.15 120	0.16 35	0.24 189	0.17 180	0.23 183	0.12 89	0.14 188	0.12 91	0.14 170	0.05 2	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

FADNet_RVC	0.17 253	0.14 301	0.41 352	0.20 262	0.11 252	0.13 121	0.13 45	0.27 219	0.22 170	0.21 247	0.23 183	0.20 209	0.18 248	0.15 159	0.17 228	0.08 189	0.08 266	0.12 309	0.09 248	0.11 287	0.10 264

AdaStereo	0.15 212	0.11 252	0.16 205	0.19 220	0.09 121	0.21 270	0.11 10	0.33 291	0.28 240	0.21 247	0.23 183	0.21 215	0.13 159	0.19 241	0.15 200	0.13 324	0.05 79	0.10 266	0.07 158	0.09 246	0.07 147
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.
DN-CSS_ROB	0.13 155	0.13 286	0.17 224	0.18 175	0.10 214	0.16 192	0.08 2	0.22 151	0.19 121	0.17 180	0.23 183	0.13 111	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.10 266	0.10 279	0.08 194	0.06 95

ttt	0.14 180	0.08 133	0.14 144	0.15 35	0.08 45	0.15 170	0.18 227	0.27 219	0.30 251	0.16 170	0.24 192	0.17 178	0.14 188	0.13 128	0.14 170	0.11 287	0.08 266	0.09 225	0.08 210	0.09 246	0.09 242

1111x	0.16 235	0.09 180	0.13 108	0.18 175	0.08 45	0.18 228	0.25 334	0.32 281	0.25 205	0.17 180	0.24 192	0.27 274	0.15 206	0.14 145	0.24 303	0.07 140	0.07 240	0.08 158	0.09 248	0.07 147	0.07 147

CFNet_ucs	0.15 212	0.09 180	0.17 224	0.16 60	0.11 252	0.14 150	0.14 75	0.30 264	0.34 278	0.16 170	0.24 192	0.23 242	0.14 188	0.18 222	0.15 200	0.09 231	0.06 186	0.08 158	0.07 158	0.09 246	0.09 242

GASNet	0.22 300	0.24 359	0.34 337	0.26 345	0.17 347	0.27 326	0.16 169	0.45 368	0.42 322	0.27 304	0.24 192	0.30 296	0.16 217	0.27 314	0.18 240	0.12 310	0.09 287	0.12 309	0.11 302	0.16 349	0.08 210

gwcnet-sp	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

scenet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

ToySt	0.17 253	0.11 252	0.19 271	0.17 108	0.11 252	0.16 192	0.26 340	0.24 182	0.33 268	0.19 218	0.24 192	0.26 269	0.24 299	0.19 241	0.21 269	0.07 140	0.08 266	0.09 225	0.10 279	0.09 246	0.08 210

anonymousa	0.13 155	0.07 51	0.14 144	0.18 175	0.09 121	0.13 121	0.17 189	0.20 121	0.29 246	0.15 143	0.24 192	0.16 162	0.14 188	0.14 145	0.14 170	0.07 140	0.05 79	0.07 98	0.09 248	0.05 36	0.07 147

Anonymous_2	0.22 300	0.17 324	0.28 313	0.15 35	0.16 337	0.33 346	0.22 299	0.23 165	0.18 107	0.23 269	0.24 192	0.26 269	0.27 317	0.27 314	0.24 303	0.22 373	0.26 382	0.17 350	0.17 356	0.16 349	0.18 360

ssnet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

dad	0.18 266	0.20 345	0.21 280	0.17 108	0.11 252	0.20 260	0.19 262	0.21 132	0.28 240	0.30 326	0.24 192	0.30 296	0.13 159	0.19 241	0.17 228	0.18 361	0.09 287	0.11 292	0.09 248	0.11 287	0.07 147

AASNet	0.16 235	0.08 133	0.13 108	0.19 220	0.09 121	0.19 243	0.15 120	0.38 340	0.37 299	0.20 238	0.24 192	0.20 209	0.17 238	0.17 213	0.21 269	0.10 262	0.08 266	0.08 158	0.07 158	0.09 246	0.09 242

CrosDoStereo	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

FTStereo	0.12 131	0.07 51	0.14 144	0.18 175	0.09 121	0.07 15	0.15 120	0.22 151	0.18 107	0.12 77	0.24 192	0.11 70	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.07 98	0.07 158	0.06 92	0.10 264

DeepStereo_LL	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

THIR-Stereo	0.12 131	0.07 51	0.11 62	0.15 35	0.08 45	0.14 150	0.16 169	0.18 86	0.25 205	0.17 180	0.24 192	0.13 111	0.13 159	0.12 91	0.14 170	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

LMCR-Stereo	0.15 212	0.08 133	0.14 144	0.21 288	0.09 121	0.18 228	0.19 262	0.28 240	0.19 121	0.24 280	0.24 192	0.23 242	0.17 238	0.20 254	0.17 228	0.07 140	0.06 186	0.08 158	0.06 81	0.10 271	0.09 242

pcwnet_v2	0.19 275	0.11 252	0.26 309	0.18 175	0.14 315	0.18 228	0.15 120	0.37 333	0.46 342	0.19 218	0.24 192	0.21 215	0.19 262	0.21 269	0.20 258	0.13 324	0.10 308	0.10 266	0.10 279	0.11 287	0.13 313

GES	0.14 180	0.08 133	0.16 205	0.15 35	0.10 214	0.13 121	0.13 45	0.28 240	0.26 217	0.17 180	0.24 192	0.19 194	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.07 98	0.06 81	0.08 194	0.09 242

HCRNet	0.16 235	0.23 356	0.12 85	0.35 376	0.11 252	0.15 170	0.17 189	0.26 207	0.22 170	0.19 218	0.24 192	0.21 215	0.14 188	0.15 159	0.13 146	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.07 147

UPFNet	0.16 235	0.08 133	0.12 85	0.20 262	0.12 280	0.20 260	0.23 310	0.28 240	0.26 217	0.18 208	0.24 192	0.22 231	0.20 275	0.19 241	0.22 282	0.09 231	0.07 240	0.08 158	0.09 248	0.08 194	0.06 95

FENet	0.13 155	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 165	0.23 179	0.17 180	0.24 192	0.16 162	0.13 159	0.14 145	0.15 200	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.08 210

ac_64	0.16 235	0.09 180	0.15 170	0.18 175	0.10 214	0.22 283	0.17 189	0.24 182	0.22 170	0.19 218	0.24 192	0.29 289	0.18 248	0.19 241	0.22 282	0.09 231	0.08 266	0.08 158	0.09 248	0.07 147	0.06 95

CFNet	0.15 212	0.11 252	0.17 224	0.17 108	0.08 45	0.19 243	0.10 5	0.29 254	0.26 217	0.19 218	0.24 192	0.24 251	0.18 248	0.18 222	0.15 200	0.08 189	0.06 186	0.09 225	0.10 279	0.08 194	0.07 147

HSM	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.16 192	0.14 75	0.28 240	0.25 205	0.20 238	0.24 192	0.37 334	0.17 238	0.20 254	0.15 200	0.07 140	0.05 79	0.07 98	0.06 81	0.07 147	0.06 95

iResNet	0.13 155	0.10 234	0.18 250	0.19 220	0.08 45	0.14 150	0.18 227	0.21 132	0.27 227	0.16 170	0.24 192	0.15 148	0.13 159	0.14 145	0.15 200	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

StereoVision	0.14 180	0.13 286	0.10 38	0.24 329	0.10 214	0.16 192	0.21 289	0.21 132	0.20 139	0.12 77	0.25 218	0.10 56	0.10 78	0.16 184	0.10 43	0.09 231	0.10 308	0.12 309	0.12 320	0.06 92	0.05 42

SDNR	0.20 282	0.09 180	0.19 271	0.16 60	0.12 280	0.79 397	0.13 45	0.26 207	0.33 268	0.19 218	0.25 218	0.19 194	0.12 130	0.19 241	0.15 200	0.16 356	0.18 363	0.14 333	0.11 302	0.08 194	0.12 303

iinet-f	0.17 253	0.07 51	0.46 357	0.14 11	0.10 214	0.21 270	0.14 75	0.27 219	0.23 179	0.22 256	0.25 218	0.21 215	0.16 217	0.18 222	0.22 282	0.09 231	0.07 240	0.07 98	0.06 81	0.09 246	0.10 264

HHNet	0.11 69	0.06 17	0.16 205	0.15 35	0.14 315	0.07 15	0.13 45	0.20 121	0.18 107	0.15 143	0.25 218	0.11 70	0.09 65	0.13 128	0.10 43	0.06 50	0.04 2	0.08 158	0.06 81	0.05 36	0.09 242

GEStereo_RVC	0.17 253	0.12 267	0.16 205	0.22 304	0.11 252	0.19 243	0.18 227	0.32 281	0.49 346	0.20 238	0.25 218	0.17 178	0.13 159	0.21 269	0.16 217	0.10 262	0.06 186	0.08 158	0.07 158	0.09 246	0.08 210

TestStereo	0.14 180	0.15 307	0.11 62	0.23 321	0.08 45	0.15 170	0.21 289	0.20 121	0.23 179	0.14 122	0.25 218	0.16 162	0.13 159	0.16 184	0.14 170	0.06 50	0.06 186	0.08 158	0.06 81	0.09 246	0.05 42

UNet	0.17 253	0.09 180	0.18 250	0.19 220	0.12 280	0.28 334	0.19 262	0.33 291	0.30 251	0.21 247	0.25 218	0.23 242	0.19 262	0.20 254	0.19 250	0.07 140	0.06 186	0.08 158	0.07 158	0.08 194	0.07 147

GANet-RSSM	0.14 180	0.07 51	0.13 108	0.13 6	0.08 45	0.14 150	0.18 227	0.23 165	0.21 152	0.17 180	0.25 218	0.24 251	0.16 217	0.16 184	0.16 217	0.10 262	0.06 186	0.07 98	0.08 210	0.08 194	0.07 147

DSFCA	0.16 235	0.09 180	0.14 144	0.16 60	0.10 214	0.21 270	0.19 262	0.28 240	0.31 258	0.23 269	0.25 218	0.22 231	0.16 217	0.20 254	0.20 258	0.10 262	0.07 240	0.09 225	0.09 248	0.08 194	0.08 210

FADNet	0.21 292	0.23 356	0.37 346	0.18 175	0.17 347	0.25 308	0.13 45	0.32 281	0.32 263	0.23 269	0.25 218	0.27 274	0.21 279	0.19 241	0.16 217	0.13 324	0.15 352	0.12 309	0.15 347	0.17 356	0.18 360

RASNet	0.15 212	0.07 51	0.15 170	0.16 60	0.08 45	0.19 243	0.14 75	0.30 264	0.21 152	0.17 180	0.25 218	0.21 215	0.19 262	0.20 254	0.20 258	0.07 140	0.06 186	0.06 30	0.08 210	0.06 92	0.06 95

MLCV	0.13 155	0.08 133	0.17 224	0.18 175	0.06 2	0.16 192	0.17 189	0.19 110	0.22 170	0.19 218	0.25 218	0.17 178	0.13 159	0.15 159	0.14 170	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

DualNet	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

ffm	0.12 131	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.08 9	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

ff1	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

mmx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

xxx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

IER	0.14 180	0.08 133	0.13 108	0.17 108	0.09 121	0.14 150	0.16 169	0.26 207	0.27 227	0.18 208	0.26 230	0.17 178	0.20 275	0.17 213	0.14 170	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

RAFT+CT+SA	0.13 155	0.11 252	0.09 24	0.19 220	0.09 121	0.15 170	0.28 350	0.22 151	0.22 170	0.15 143	0.26 230	0.10 56	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.08 210	0.07 147	0.06 95

DAS	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.16 184	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

SepStereo	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.26 312	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

ACVNet	0.15 212	0.09 180	0.15 170	0.13 6	0.12 280	0.14 150	0.20 276	0.22 151	0.34 278	0.17 180	0.26 230	0.21 215	0.17 238	0.18 222	0.21 269	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

acv_ft	0.15 212	0.09 180	0.16 205	0.19 220	0.10 214	0.16 192	0.17 189	0.25 199	0.34 278	0.19 218	0.26 230	0.21 215	0.17 238	0.18 222	0.19 250	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

cf-r	0.14 180	0.07 51	0.13 108	0.16 60	0.08 45	0.14 150	0.19 262	0.21 132	0.25 205	0.17 180	0.26 230	0.22 231	0.17 238	0.14 145	0.15 200	0.10 262	0.05 79	0.06 30	0.08 210	0.06 92	0.06 95

CFNet-ft	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

CFNet_RVC	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

iResNet_ROB	0.14 180	0.07 51	0.13 108	0.15 35	0.07 14	0.19 243	0.14 75	0.26 207	0.32 263	0.23 269	0.26 230	0.23 242	0.16 217	0.15 159	0.14 170	0.07 140	0.05 79	0.05 2	0.04 7	0.08 194	0.08 210

CBFPSM	0.15 212	0.07 51	0.27 311	0.17 108	0.09 121	0.13 121	0.15 120	0.22 151	0.23 179	0.20 238	0.27 245	0.23 242	0.16 217	0.16 184	0.19 250	0.06 50	0.06 186	0.06 30	0.07 158	0.07 147	0.07 147

RAFT_CTSACE	0.12 131	0.09 180	0.10 38	0.22 304	0.08 45	0.12 102	0.24 318	0.18 86	0.17 97	0.21 247	0.27 245	0.13 111	0.07 28	0.13 128	0.09 16	0.05 2	0.06 186	0.08 158	0.07 158	0.04 1	0.04 4

SA	0.13 155	0.09 180	0.09 24	0.18 175	0.08 45	0.12 102	0.24 318	0.23 165	0.19 121	0.17 180	0.27 245	0.15 148	0.11 102	0.11 41	0.11 69	0.05 2	0.05 79	0.09 225	0.08 210	0.05 36	0.05 42

AACVNet	0.16 235	0.08 133	0.15 170	0.15 35	0.10 214	0.18 228	0.15 120	0.24 182	0.25 205	0.27 304	0.27 245	0.28 282	0.18 248	0.19 241	0.17 228	0.09 231	0.07 240	0.09 225	0.07 158	0.10 271	0.09 242

DRaft	0.12 131	0.06 17	0.12 85	0.14 11	0.09 121	0.14 150	0.17 189	0.21 132	0.30 251	0.18 208	0.27 245	0.10 56	0.16 217	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.07 158	0.05 36	0.05 42

ADLNet	0.16 235	0.08 133	0.15 170	0.16 60	0.10 214	0.16 192	0.17 189	0.33 291	0.27 227	0.23 269	0.27 245	0.24 251	0.16 217	0.18 222	0.21 269	0.10 262	0.06 186	0.10 266	0.10 279	0.08 194	0.09 242

delet	0.17 253	0.09 180	0.18 250	0.19 220	0.11 252	0.21 270	0.22 299	0.30 264	0.38 305	0.17 180	0.27 245	0.19 194	0.19 262	0.19 241	0.21 269	0.08 189	0.08 266	0.09 225	0.11 302	0.06 92	0.07 147

DMCA-RVC	0.17 253	0.10 234	0.16 205	0.24 329	0.11 252	0.19 243	0.18 227	0.26 207	0.24 189	0.21 247	0.27 245	0.25 260	0.27 317	0.18 222	0.21 269	0.12 310	0.08 266	0.13 322	0.10 279	0.10 271	0.08 210

FADNet-RVC-Resample	0.17 253	0.12 267	0.32 333	0.22 304	0.12 280	0.19 243	0.14 75	0.25 199	0.24 189	0.24 280	0.27 245	0.20 209	0.15 206	0.17 213	0.16 217	0.07 140	0.08 266	0.12 309	0.10 279	0.09 246	0.11 285

CRFU-Net	0.16 235	0.08 133	0.15 170	0.17 108	0.09 121	0.20 260	0.14 75	0.27 219	0.21 152	0.28 316	0.28 254	0.29 289	0.18 248	0.19 241	0.18 240	0.09 231	0.09 287	0.07 98	0.07 158	0.08 194	0.09 242

test_5	0.14 180	0.12 267	0.08 6	0.20 262	0.10 214	0.14 150	0.28 350	0.21 132	0.24 189	0.19 218	0.28 254	0.11 70	0.15 206	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.08 210	0.08 194	0.07 147

UDG	0.21 292	0.17 324	0.20 274	0.23 321	0.15 325	0.31 342	0.20 276	0.33 291	0.35 289	0.24 280	0.28 254	0.31 308	0.29 329	0.21 269	0.23 292	0.15 344	0.12 328	0.13 322	0.09 248	0.14 330	0.15 341

xxxx	0.15 212	0.07 51	0.14 144	0.14 11	0.08 45	0.24 300	0.18 227	0.32 281	0.20 139	0.14 122	0.28 254	0.22 231	0.14 188	0.15 159	0.29 341	0.09 231	0.05 79	0.07 98	0.07 158	0.08 194	0.08 210

psm_up	0.19 275	0.10 234	0.18 250	0.21 288	0.11 252	0.17 212	0.19 262	0.38 340	0.34 278	0.22 256	0.28 254	0.29 289	0.25 305	0.20 254	0.22 282	0.09 231	0.10 308	0.11 292	0.11 302	0.08 194	0.08 210

PSMNet-RSSM	0.14 180	0.07 51	0.14 144	0.15 35	0.08 45	0.13 121	0.16 169	0.25 199	0.24 189	0.17 180	0.28 254	0.23 242	0.14 188	0.16 184	0.14 170	0.11 287	0.06 186	0.09 225	0.12 320	0.08 194	0.07 147

GwcNet-RSSM	0.14 180	0.07 51	0.12 85	0.16 60	0.08 45	0.15 170	0.20 276	0.22 151	0.28 240	0.18 208	0.28 254	0.23 242	0.17 238	0.15 159	0.16 217	0.10 262	0.06 186	0.07 98	0.09 248	0.07 147	0.07 147

TDLM	0.18 266	0.12 267	0.14 144	0.24 329	0.10 214	0.18 228	0.18 227	0.37 333	0.30 251	0.22 256	0.28 254	0.28 282	0.18 248	0.23 293	0.19 250	0.11 287	0.07 240	0.10 266	0.10 279	0.08 194	0.08 210

NVstereo2D	0.19 275	0.11 252	0.16 205	0.17 108	0.16 337	0.28 334	0.23 310	0.44 366	0.42 322	0.15 143	0.28 254	0.25 260	0.19 262	0.23 293	0.18 240	0.09 231	0.06 186	0.10 266	0.08 210	0.15 341	0.10 264

StereoDRNet	0.19 275	0.11 252	0.18 250	0.22 304	0.11 252	0.22 283	0.22 299	0.37 333	0.34 278	0.24 280	0.28 254	0.30 296	0.19 262	0.20 254	0.21 269	0.10 262	0.08 266	0.11 292	0.09 248	0.09 246	0.07 147

222	0.16 235	0.07 51	0.15 170	0.14 11	0.08 45	0.25 308	0.18 227	0.30 264	0.21 152	0.18 208	0.29 264	0.17 178	0.16 217	0.16 184	0.44 380	0.10 262	0.05 79	0.07 98	0.06 81	0.08 194	0.08 210

test_xeample	0.15 212	0.07 51	0.14 144	0.15 35	0.08 45	0.22 283	0.20 276	0.29 254	0.21 152	0.16 170	0.29 264	0.19 194	0.17 238	0.16 184	0.28 334	0.09 231	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

RYNet	0.23 313	0.12 267	0.22 287	0.19 220	0.17 347	0.47 373	0.26 340	0.39 345	0.49 346	0.24 280	0.29 264	0.34 325	0.24 299	0.20 254	0.31 351	0.10 262	0.06 186	0.09 225	0.09 248	0.14 330	0.15 341

iResNetv2_ROB	0.15 212	0.08 133	0.16 205	0.16 60	0.08 45	0.16 192	0.13 45	0.26 207	0.36 295	0.21 247	0.29 264	0.24 251	0.13 159	0.14 145	0.14 170	0.06 50	0.06 186	0.06 30	0.04 7	0.09 246	0.08 210

DLCB_ROB	0.18 266	0.10 234	0.16 205	0.23 321	0.11 252	0.24 300	0.18 227	0.30 264	0.28 240	0.27 304	0.29 264	0.28 282	0.25 305	0.20 254	0.20 258	0.08 189	0.08 266	0.09 225	0.09 248	0.07 147	0.07 147

SGM-Forest	0.20 282	0.14 301	0.18 250	0.20 262	0.13 300	0.21 270	0.22 299	0.33 291	0.31 258	0.24 280	0.29 264	0.28 282	0.20 275	0.23 293	0.18 240	0.15 344	0.16 357	0.15 340	0.14 336	0.13 315	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ICVP	0.16 235	0.09 180	0.12 85	0.22 304	0.09 121	0.18 228	0.21 289	0.26 207	0.24 189	0.18 208	0.30 270	0.27 274	0.18 248	0.18 222	0.15 200	0.10 262	0.07 240	0.08 158	0.07 158	0.07 147	0.08 210
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 253	0.10 234	0.17 224	0.20 262	0.11 252	0.27 326	0.20 276	0.26 207	0.42 322	0.22 256	0.30 270	0.22 231	0.20 275	0.18 222	0.20 258	0.06 50	0.06 186	0.07 98	0.07 158	0.08 194	0.07 147

STTStereo	0.18 266	0.13 286	0.28 313	0.20 262	0.11 252	0.16 192	0.21 289	0.29 254	0.23 179	0.22 256	0.30 270	0.29 289	0.18 248	0.20 254	0.20 258	0.12 310	0.11 320	0.11 292	0.14 336	0.09 246	0.08 210

CSP-Net	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.19 243	0.18 227	0.25 199	0.33 268	0.26 297	0.31 273	0.25 260	0.16 217	0.21 269	0.19 250	0.09 231	0.06 186	0.07 98	0.07 158	0.08 194	0.08 210

SACVNet	0.19 275	0.12 267	0.15 170	0.17 108	0.13 300	0.22 283	0.18 227	0.31 277	0.31 258	0.24 280	0.31 273	0.30 296	0.23 292	0.23 293	0.17 228	0.11 287	0.08 266	0.10 266	0.10 279	0.12 300	0.14 326

XQC	0.29 351	0.23 356	0.53 365	0.29 365	0.19 360	0.36 359	0.28 350	0.37 333	0.58 367	0.31 331	0.31 273	0.37 334	0.30 340	0.39 365	0.39 371	0.13 324	0.09 287	0.15 340	0.12 320	0.18 358	0.18 360

DeepPrunerF	0.24 323	0.17 324	0.45 356	0.26 345	0.16 337	0.23 294	0.29 360	0.37 333	0.51 351	0.27 304	0.31 273	0.24 251	0.28 326	0.22 286	0.23 292	0.15 344	0.11 320	0.20 362	0.18 360	0.12 300	0.14 326

CVANet_RVC	0.18 266	0.11 252	0.14 144	0.21 288	0.11 252	0.19 243	0.18 227	0.34 305	0.34 278	0.22 256	0.31 273	0.28 282	0.18 248	0.24 303	0.18 240	0.12 310	0.08 266	0.12 309	0.12 320	0.09 246	0.08 210

NLCA_NET_v2_RVC	0.17 253	0.10 234	0.23 293	0.20 262	0.10 214	0.15 170	0.18 227	0.31 277	0.25 205	0.21 247	0.31 273	0.25 260	0.17 238	0.21 269	0.20 258	0.09 231	0.06 186	0.08 158	0.09 248	0.07 147	0.08 210
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NaN_ROB	0.23 313	0.20 345	0.25 303	0.25 335	0.13 300	0.31 342	0.27 344	0.34 305	0.41 320	0.31 331	0.31 273	0.32 315	0.23 292	0.31 337	0.22 282	0.11 287	0.17 361	0.10 266	0.11 302	0.08 194	0.09 242

CBMV_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.11 252	0.16 192	0.12 23	0.27 219	0.29 246	0.27 304	0.31 273	0.27 274	0.24 299	0.24 303	0.16 217	0.15 344	0.18 363	0.22 367	0.20 362	0.10 271	0.12 303

CBMV	0.20 282	0.15 307	0.18 250	0.18 175	0.10 214	0.20 260	0.11 10	0.30 264	0.31 258	0.29 321	0.31 273	0.31 308	0.23 292	0.28 322	0.19 250	0.13 324	0.15 352	0.17 350	0.16 349	0.10 271	0.10 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
whm_eth	0.14 180	0.09 180	0.21 280	0.21 288	0.12 280	0.12 102	0.16 169	0.18 86	0.29 246	0.17 180	0.32 282	0.09 37	0.13 159	0.18 222	0.14 170	0.07 140	0.07 240	0.08 158	0.07 158	0.07 147	0.07 147

GMStereo_Zeroshot	0.16 235	0.13 286	0.25 303	0.20 262	0.10 214	0.17 212	0.13 45	0.30 264	0.25 205	0.23 269	0.32 282	0.25 260	0.11 102	0.19 241	0.14 170	0.09 231	0.06 186	0.11 292	0.06 81	0.12 300	0.08 210

DGSMNet	0.25 330	0.19 340	0.34 337	0.21 288	0.24 370	0.24 300	0.21 289	0.36 326	0.42 322	0.25 293	0.32 282	0.38 340	0.21 279	0.29 330	0.24 303	0.13 324	0.11 320	0.14 333	0.16 349	0.23 367	0.23 374

hitnet-ft	0.18 266	0.10 234	0.17 224	0.14 11	0.09 121	0.27 326	0.20 276	0.25 199	0.26 217	0.24 280	0.32 282	0.32 315	0.23 292	0.24 303	0.21 269	0.12 310	0.07 240	0.10 266	0.08 210	0.12 300	0.11 285

FADNet-RVC	0.21 292	0.20 345	0.40 350	0.21 288	0.16 337	0.21 270	0.15 120	0.27 219	0.27 227	0.26 297	0.32 282	0.26 269	0.21 279	0.22 286	0.19 250	0.12 310	0.13 340	0.12 309	0.14 336	0.13 315	0.18 360

DANet	0.21 292	0.16 315	0.29 321	0.25 335	0.13 300	0.23 294	0.19 262	0.28 240	0.27 227	0.28 316	0.32 282	0.35 330	0.32 348	0.31 337	0.24 303	0.11 287	0.09 287	0.11 292	0.10 279	0.13 315	0.11 285
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DISCO	0.20 282	0.09 180	0.22 287	0.17 108	0.10 214	0.25 308	0.18 227	0.28 240	0.45 334	0.23 269	0.32 282	0.34 325	0.26 312	0.29 330	0.29 341	0.08 189	0.06 186	0.07 98	0.07 158	0.09 246	0.10 264

HBP-ISP	0.18 266	0.13 286	0.17 224	0.15 35	0.11 252	0.08 22	0.13 45	0.28 240	0.30 251	0.22 256	0.33 289	0.21 215	0.25 305	0.23 293	0.18 240	0.15 344	0.17 361	0.21 363	0.17 356	0.10 271	0.09 242

FINET	0.22 300	0.18 337	0.28 313	0.19 220	0.16 337	0.24 300	0.24 318	0.33 291	0.49 346	0.26 297	0.33 289	0.22 231	0.23 292	0.23 293	0.18 240	0.18 361	0.16 357	0.11 292	0.10 279	0.15 341	0.14 326

GwcNet	0.20 282	0.14 301	0.20 274	0.18 175	0.12 280	0.25 308	0.20 276	0.36 326	0.45 334	0.20 238	0.33 289	0.33 321	0.21 279	0.22 286	0.25 310	0.11 287	0.09 287	0.09 225	0.09 248	0.09 246	0.10 264

HGLStereo	0.17 253	0.09 180	0.19 271	0.17 108	0.12 280	0.18 228	0.18 227	0.31 277	0.33 268	0.22 256	0.33 289	0.24 251	0.18 248	0.20 254	0.21 269	0.10 262	0.09 287	0.07 98	0.07 158	0.09 246	0.10 264

AF-Net	0.23 313	0.17 324	0.17 224	0.27 352	0.13 300	0.26 318	0.24 318	0.33 291	0.51 351	0.25 293	0.33 289	0.39 345	0.27 317	0.28 322	0.26 322	0.11 287	0.10 308	0.16 347	0.12 320	0.11 287	0.11 285

ADCRef	0.20 282	0.12 267	0.43 355	0.20 262	0.12 280	0.23 294	0.18 227	0.32 281	0.37 299	0.26 297	0.33 289	0.18 190	0.23 292	0.25 308	0.26 322	0.07 140	0.06 186	0.09 225	0.09 248	0.08 194	0.09 242

PA-Net	0.24 323	0.18 337	0.34 337	0.28 358	0.22 367	0.22 283	0.39 384	0.29 254	0.39 309	0.22 256	0.33 289	0.25 260	0.26 312	0.21 269	0.25 310	0.10 262	0.23 380	0.15 340	0.22 367	0.09 246	0.13 313
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DRN-Test	0.20 282	0.11 252	0.21 280	0.22 304	0.10 214	0.22 283	0.22 299	0.40 348	0.38 305	0.24 280	0.33 289	0.26 269	0.22 286	0.22 286	0.25 310	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.08 210

PSMNet_ROB	0.22 300	0.12 267	0.15 170	0.27 352	0.15 325	0.25 308	0.36 379	0.43 362	0.37 299	0.27 304	0.33 289	0.32 315	0.23 292	0.21 269	0.27 327	0.12 310	0.08 266	0.13 322	0.11 302	0.10 271	0.09 242

pmcnn	0.15 212	0.07 51	0.20 274	0.15 35	0.07 14	0.21 270	0.16 169	0.25 199	0.26 217	0.21 247	0.33 289	0.29 289	0.19 262	0.18 222	0.17 228	0.07 140	0.05 79	0.05 2	0.04 7	0.07 147	0.06 95

fast-acv-ft	0.18 266	0.11 252	0.20 274	0.19 220	0.12 280	0.26 318	0.21 289	0.26 207	0.35 289	0.22 256	0.34 299	0.27 274	0.21 279	0.21 269	0.23 292	0.09 231	0.09 287	0.08 158	0.10 279	0.08 194	0.07 147

RAFT-345	0.11 69	0.07 51	0.16 205	0.17 108	0.08 45	0.08 22	0.12 23	0.16 35	0.10 6	0.11 59	0.34 299	0.09 37	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.06 81	0.04 1	0.05 42

RTSC	0.23 313	0.13 286	0.30 326	0.21 288	0.13 300	0.29 336	0.17 189	0.36 326	0.68 379	0.27 304	0.34 299	0.30 296	0.22 286	0.32 341	0.31 351	0.10 262	0.08 266	0.09 225	0.10 279	0.13 315	0.14 326

STTRV1_RVC	0.25 330	0.26 365	0.39 348	0.19 220	0.26 377	0.30 339	0.24 318	0.35 320	0.35 289	0.36 345	0.34 299	0.31 308	0.31 345	0.28 322	0.25 310	0.18 361	0.10 308	0.16 347	0.14 336	0.18 358	0.12 303

PS-NSSS	0.20 282	0.21 350	0.23 293	0.20 262	0.10 214	0.19 243	0.17 189	0.36 326	0.26 217	0.27 304	0.34 299	0.27 274	0.24 299	0.20 254	0.20 258	0.15 344	0.12 328	0.17 350	0.14 336	0.10 271	0.09 242

SAMSARA	0.41 371	0.28 368	0.34 337	0.55 391	0.39 385	0.85 400	1.25 415	0.49 374	0.52 357	0.36 345	0.35 304	0.56 377	0.39 361	0.39 365	0.41 374	0.15 344	0.20 369	0.15 340	0.14 336	0.23 367	0.21 369

GANetREF_RVC	0.31 359	0.34 378	0.29 321	0.35 376	0.16 337	0.33 346	0.42 387	0.48 373	0.52 357	0.35 343	0.35 304	0.34 325	0.32 348	0.40 368	0.33 359	0.27 382	0.20 369	0.29 379	0.15 347	0.19 362	0.18 360
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
AANet_RVC	0.16 235	0.10 234	0.11 62	0.18 175	0.09 121	0.19 243	0.18 227	0.27 219	0.32 263	0.22 256	0.35 304	0.21 215	0.22 286	0.22 286	0.17 228	0.06 50	0.05 79	0.06 30	0.06 81	0.07 147	0.06 95

Anonymous Stereo	0.24 323	0.19 340	0.52 364	0.25 335	0.18 356	0.21 270	0.22 299	0.34 305	0.45 334	0.25 293	0.35 304	0.26 269	0.19 262	0.31 337	0.29 341	0.13 324	0.12 328	0.12 309	0.13 330	0.12 300	0.14 326

Syn2CoEx	0.22 300	0.16 315	0.29 321	0.29 365	0.15 325	0.26 318	0.21 289	0.34 305	0.32 263	0.29 321	0.36 308	0.28 282	0.25 305	0.20 254	0.25 310	0.16 356	0.12 328	0.14 333	0.11 302	0.09 246	0.08 210

S-Stereo	0.21 292	0.12 267	0.25 303	0.21 288	0.13 300	0.21 270	0.19 262	0.33 291	0.45 334	0.23 269	0.36 308	0.28 282	0.29 329	0.20 254	0.23 292	0.09 231	0.12 328	0.10 266	0.10 279	0.13 315	0.14 326

MaskLacGwcNet_RVC	0.22 300	0.21 350	0.25 303	0.26 345	0.11 252	0.24 300	0.14 75	0.39 345	0.24 189	0.32 338	0.36 308	0.30 296	0.21 279	0.19 241	0.22 282	0.17 360	0.14 348	0.21 363	0.16 349	0.13 315	0.12 303

SQANet	0.24 323	0.24 359	0.31 329	0.31 369	0.19 360	0.27 326	0.13 45	0.30 264	0.33 268	0.25 293	0.37 311	0.31 308	0.22 286	0.27 314	0.23 292	0.15 344	0.10 308	0.21 363	0.16 349	0.22 365	0.16 350

DDUNet	0.23 313	0.18 337	0.22 287	0.22 304	0.15 325	0.25 308	0.24 318	0.30 264	0.31 258	0.31 331	0.37 311	0.34 325	0.26 312	0.25 308	0.21 269	0.18 361	0.13 340	0.17 350	0.11 302	0.16 349	0.17 358

FAT-Stereo	0.21 292	0.13 286	0.22 287	0.21 288	0.12 280	0.18 228	0.18 227	0.35 320	0.40 313	0.28 316	0.37 311	0.33 321	0.33 350	0.21 269	0.20 258	0.09 231	0.11 320	0.10 266	0.09 248	0.11 287	0.14 326

ADCP+	0.20 282	0.10 234	0.35 343	0.21 288	0.12 280	0.22 283	0.27 344	0.31 277	0.35 289	0.26 297	0.37 311	0.22 231	0.22 286	0.27 314	0.28 334	0.09 231	0.06 186	0.08 158	0.08 210	0.10 271	0.10 264

CC-Net-ROB	0.28 348	0.31 376	0.36 345	0.30 367	0.15 325	0.25 308	0.19 262	0.45 368	0.34 278	0.39 353	0.37 311	0.39 345	0.31 345	0.27 314	0.27 327	0.24 380	0.18 363	0.30 381	0.23 371	0.19 362	0.15 341

ETE_ROB	0.23 313	0.17 324	0.23 293	0.25 335	0.14 315	0.26 318	0.29 360	0.32 281	0.37 299	0.28 316	0.37 311	0.45 362	0.27 317	0.28 322	0.27 327	0.11 287	0.09 287	0.12 309	0.10 279	0.14 330	0.13 313

DispFullNet	0.27 346	0.22 354	0.66 378	0.28 358	0.17 347	0.27 326	0.17 189	0.34 305	0.57 364	0.27 304	0.37 311	0.43 358	0.24 299	0.39 365	0.25 310	0.12 310	0.06 186	0.19 360	0.11 302	0.23 367	0.16 350

RP	0.22 300	0.13 286	0.22 287	0.23 321	0.12 280	0.21 270	0.20 276	0.26 207	0.45 334	0.22 256	0.38 318	0.37 334	0.25 305	0.28 322	0.25 310	0.11 287	0.12 328	0.13 322	0.12 320	0.13 315	0.14 326

G-Net	0.25 330	0.17 324	0.38 347	0.23 321	0.16 337	0.51 376	0.23 310	0.29 254	0.35 289	0.36 345	0.38 318	0.31 308	0.29 329	0.28 322	0.27 327	0.11 287	0.09 287	0.12 309	0.10 279	0.16 349	0.14 326

NCC-stereo	0.25 330	0.15 307	0.31 329	0.26 345	0.17 347	0.21 270	0.31 368	0.41 353	0.40 313	0.24 280	0.38 318	0.33 321	0.29 329	0.37 360	0.28 334	0.13 324	0.11 320	0.15 340	0.22 367	0.13 315	0.13 313

Abc-Net	0.25 330	0.15 307	0.31 329	0.26 345	0.17 347	0.21 270	0.31 368	0.41 353	0.40 313	0.24 280	0.38 318	0.33 321	0.29 329	0.37 360	0.28 334	0.13 324	0.11 320	0.15 340	0.22 367	0.13 315	0.13 313
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DPSNet	0.28 348	0.16 315	0.33 334	0.18 175	0.13 300	0.55 379	0.42 387	0.52 378	0.68 379	0.29 321	0.38 318	0.39 345	0.30 340	0.32 341	0.23 292	0.11 287	0.10 308	0.11 292	0.08 210	0.20 364	0.16 350

NCCL2	0.24 323	0.15 307	0.18 250	0.34 374	0.18 356	0.24 300	0.24 318	0.34 305	0.29 246	0.31 331	0.38 318	0.38 340	0.29 329	0.23 293	0.25 310	0.15 344	0.12 328	0.18 358	0.21 364	0.13 315	0.13 313

SGM_RVC	0.24 323	0.12 267	0.16 205	0.15 35	0.09 121	0.34 350	0.19 262	0.35 320	0.32 263	0.44 368	0.38 318	0.53 375	0.36 357	0.36 356	0.26 322	0.13 324	0.13 340	0.13 322	0.13 330	0.11 287	0.11 285
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SuperB	0.20 282	0.10 234	0.57 370	0.16 60	0.09 121	0.19 243	0.18 227	0.25 199	0.51 351	0.27 304	0.39 325	0.17 178	0.22 286	0.22 286	0.21 269	0.08 189	0.06 186	0.06 30	0.06 81	0.12 300	0.11 285

stereogan	0.22 300	0.11 252	0.21 280	0.20 262	0.12 280	0.32 344	0.19 262	0.36 326	0.45 334	0.23 269	0.39 325	0.35 330	0.27 317	0.33 344	0.23 292	0.10 262	0.12 328	0.10 266	0.10 279	0.14 330	0.14 326

LALA_ROB	0.25 330	0.16 315	0.23 293	0.27 352	0.17 347	0.27 326	0.27 344	0.42 357	0.38 305	0.33 342	0.39 325	0.51 372	0.26 312	0.29 330	0.28 334	0.16 356	0.09 287	0.13 322	0.12 320	0.13 315	0.13 313

RAFT-RH_RVC	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.12 102	0.12 23	0.17 62	0.12 25	0.13 101	0.40 328	0.11 70	0.10 78	0.13 128	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

APVNet	0.23 313	0.12 267	0.20 274	0.18 175	0.14 315	0.32 344	0.31 368	0.40 348	0.33 268	0.27 304	0.40 328	0.30 296	0.29 329	0.27 314	0.25 310	0.11 287	0.12 328	0.11 292	0.14 336	0.12 300	0.13 313

RGC	0.25 330	0.20 345	0.29 321	0.28 358	0.16 337	0.22 283	0.23 310	0.33 291	0.44 331	0.27 304	0.40 328	0.38 340	0.28 326	0.37 360	0.23 292	0.11 287	0.13 340	0.17 350	0.17 356	0.15 341	0.16 350

edge stereo	0.23 313	0.14 301	0.21 280	0.21 288	0.13 300	0.24 300	0.16 169	0.32 281	0.42 322	0.32 338	0.40 328	0.39 345	0.35 354	0.25 308	0.25 310	0.13 324	0.11 320	0.14 333	0.11 302	0.12 300	0.14 326

PASM	0.33 361	0.25 364	0.51 363	0.28 358	0.27 378	0.30 339	0.31 368	0.35 320	0.51 351	0.36 345	0.40 328	0.47 369	0.35 354	0.34 347	0.36 363	0.23 378	0.26 382	0.26 370	0.28 378	0.23 367	0.21 369

MDST_ROB	0.22 300	0.10 234	0.18 250	0.18 175	0.11 252	0.40 368	0.19 262	0.44 366	0.42 322	0.40 356	0.40 328	0.29 289	0.21 279	0.27 314	0.19 250	0.11 287	0.10 308	0.14 333	0.11 302	0.10 271	0.08 210

CSAN	0.30 354	0.24 359	0.28 313	0.34 374	0.19 360	0.34 350	0.42 387	0.38 340	0.51 351	0.38 352	0.40 328	0.44 361	0.34 351	0.29 330	0.31 351	0.19 365	0.16 357	0.19 360	0.19 361	0.14 330	0.15 341

SANet	0.25 330	0.14 301	0.29 321	0.21 288	0.11 252	0.29 336	0.25 334	0.40 348	0.65 378	0.36 345	0.40 328	0.42 355	0.27 317	0.27 314	0.25 310	0.12 310	0.09 287	0.10 266	0.09 248	0.13 315	0.12 303

XPNet_ROB	0.22 300	0.12 267	0.20 274	0.22 304	0.13 300	0.22 283	0.19 262	0.35 320	0.40 313	0.30 326	0.40 328	0.38 340	0.27 317	0.26 312	0.29 341	0.15 344	0.10 308	0.10 266	0.10 279	0.13 315	0.12 303

PWC_ROB	0.21 292	0.16 315	0.27 311	0.18 175	0.11 252	0.22 283	0.13 45	0.33 291	0.49 346	0.30 326	0.40 328	0.32 315	0.25 305	0.31 337	0.23 292	0.10 262	0.07 240	0.11 292	0.08 210	0.11 287	0.10 264

Wz-Net-MNSev	0.23 313	0.13 286	0.33 334	0.20 262	0.15 325	0.36 359	0.25 334	0.34 305	0.45 334	0.29 321	0.41 338	0.39 345	0.19 262	0.25 308	0.27 327	0.09 231	0.07 240	0.09 225	0.09 248	0.12 300	0.10 264

Nwc_Net	0.23 313	0.17 324	0.22 287	0.25 335	0.15 325	0.25 308	0.27 344	0.38 340	0.39 309	0.22 256	0.41 338	0.30 296	0.29 329	0.28 322	0.25 310	0.11 287	0.10 308	0.17 350	0.20 362	0.10 271	0.11 285

ADCPNet	0.26 341	0.17 324	0.62 375	0.21 288	0.15 325	0.36 359	0.25 334	0.33 291	0.37 299	0.31 331	0.41 338	0.36 332	0.29 329	0.29 330	0.34 361	0.12 310	0.10 308	0.11 292	0.12 320	0.14 330	0.13 313

StereoDRNet-Refined	0.17 253	0.12 267	0.16 205	0.20 262	0.10 214	0.18 228	0.18 227	0.27 219	0.24 189	0.26 297	0.41 338	0.23 242	0.18 248	0.21 269	0.21 269	0.09 231	0.05 79	0.09 225	0.10 279	0.07 147	0.07 147
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
FBW_ROB	0.25 330	0.17 324	0.23 293	0.27 352	0.14 315	0.26 318	0.22 299	0.42 357	0.43 329	0.42 362	0.41 338	0.43 358	0.27 317	0.32 341	0.24 303	0.09 231	0.15 352	0.15 340	0.12 320	0.12 300	0.10 264

PDISCO_ROB	0.28 348	0.16 315	0.28 313	0.28 358	0.20 363	0.33 346	0.27 344	0.45 368	0.58 367	0.28 316	0.41 338	0.45 362	0.30 340	0.34 347	0.35 362	0.12 310	0.09 287	0.17 350	0.16 349	0.17 356	0.13 313

FADE	0.46 378	0.34 378	1.12 402	0.33 373	0.25 376	0.35 354	0.29 360	0.64 391	1.07 398	0.43 367	0.41 338	0.42 355	0.53 381	0.72 394	0.54 392	0.30 383	0.21 376	0.41 387	0.38 387	0.23 367	0.22 372

Wz-Net-TNSev	0.29 351	0.20 345	0.69 386	0.19 220	0.15 325	0.38 365	0.27 344	0.36 326	0.56 363	0.35 343	0.42 345	0.45 362	0.39 361	0.33 344	0.31 351	0.13 324	0.13 340	0.10 266	0.12 320	0.15 341	0.15 341

Wz-Net-LNSev	0.22 300	0.16 315	0.41 352	0.22 304	0.13 300	0.25 308	0.24 318	0.33 291	0.44 331	0.30 326	0.42 345	0.32 315	0.19 262	0.23 293	0.27 327	0.10 262	0.09 287	0.08 158	0.08 210	0.12 300	0.11 285

SHD	0.26 341	0.15 307	0.31 329	0.24 329	0.18 356	0.23 294	0.15 120	0.39 345	0.72 384	0.32 338	0.42 345	0.36 332	0.29 329	0.33 344	0.30 347	0.13 324	0.11 320	0.14 333	0.13 330	0.16 349	0.20 368

Wz-Net-LNSev-Ref	0.18 266	0.09 180	0.30 326	0.15 35	0.11 252	0.23 294	0.20 276	0.27 219	0.40 313	0.26 297	0.43 348	0.25 260	0.15 206	0.21 269	0.20 258	0.07 140	0.05 79	0.06 30	0.05 31	0.10 271	0.09 242

GANet	0.22 300	0.13 286	0.21 280	0.25 335	0.14 315	0.23 294	0.22 299	0.42 357	0.27 227	0.31 331	0.43 348	0.37 334	0.29 329	0.23 293	0.23 292	0.10 262	0.12 328	0.10 266	0.09 248	0.10 271	0.08 210

RTS	0.46 378	0.19 340	3.33 413	0.25 335	0.15 325	0.72 392	0.21 289	0.37 333	0.78 390	0.42 362	0.44 350	0.31 308	0.43 372	0.55 384	0.37 367	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 341

RTSA	0.46 378	0.19 340	3.33 413	0.25 335	0.15 325	0.72 392	0.21 289	0.37 333	0.78 390	0.42 362	0.44 350	0.31 308	0.43 372	0.55 384	0.37 367	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 341

ACVNet-4b	0.39 368	0.53 388	0.56 368	0.45 385	0.24 370	0.46 372	0.18 227	0.50 375	0.64 376	0.42 362	0.45 352	0.60 379	0.27 317	0.34 347	0.24 303	0.33 386	0.14 348	0.48 389	0.42 389	0.31 384	0.27 381

ADCMid	0.26 341	0.15 307	0.42 354	0.20 262	0.14 315	0.25 308	0.26 340	0.35 320	0.40 313	0.37 350	0.45 352	0.34 325	0.42 369	0.36 356	0.36 363	0.10 262	0.09 287	0.11 292	0.11 302	0.13 315	0.13 313

ccnet	0.30 354	0.28 368	0.24 299	0.20 262	0.28 379	0.41 369	0.22 299	0.46 371	0.33 268	0.37 350	0.46 354	0.37 334	0.30 340	0.40 368	0.43 377	0.23 378	0.14 348	0.21 363	0.17 356	0.23 367	0.19 365

MFN_U_SF_DS_RVC	0.30 354	0.24 359	0.30 326	0.36 378	0.16 337	0.36 359	0.31 368	0.34 305	0.43 329	0.41 360	0.46 354	0.38 340	0.30 340	0.35 352	0.29 341	0.19 365	0.20 369	0.26 370	0.29 379	0.18 358	0.19 365

ADCL	0.25 330	0.12 267	0.49 362	0.22 304	0.12 280	0.36 359	0.29 360	0.30 264	0.57 364	0.24 280	0.47 356	0.30 296	0.31 345	0.30 336	0.30 347	0.09 231	0.07 240	0.09 225	0.09 248	0.10 271	0.10 264

aanetorigin	0.22 300	0.17 324	0.57 370	0.18 175	0.10 214	0.16 192	0.19 262	0.20 121	0.33 268	0.49 373	0.48 357	0.30 296	0.28 326	0.21 269	0.24 303	0.08 189	0.07 240	0.08 158	0.07 158	0.10 271	0.09 242

Ntro	0.41 371	0.40 384	0.54 367	0.46 388	0.30 383	0.64 385	0.24 318	0.47 372	0.68 379	0.42 362	0.49 358	0.47 369	0.42 369	0.40 368	0.32 356	0.32 385	0.28 384	0.37 384	0.31 382	0.33 386	0.29 382

PWCDC_ROB	0.21 292	0.13 286	0.23 293	0.25 335	0.12 280	0.20 260	0.15 120	0.34 305	0.55 361	0.29 321	0.49 358	0.21 215	0.15 206	0.28 322	0.20 258	0.11 287	0.09 287	0.10 266	0.08 210	0.11 287	0.09 242

otaku	0.39 368	0.38 382	0.53 365	0.44 384	0.28 379	0.57 381	0.24 318	0.42 357	0.62 374	0.40 356	0.50 360	0.46 366	0.34 351	0.40 368	0.33 359	0.30 383	0.30 386	0.39 385	0.33 384	0.30 381	0.29 382

anonymity	0.53 384	0.58 389	0.66 378	0.41 381	0.61 400	0.54 378	0.41 385	0.57 383	0.41 320	0.56 379	0.50 360	0.50 371	0.55 382	0.59 389	0.50 387	0.58 399	0.50 400	0.51 391	0.51 396	0.52 390	0.58 397

ADCS	0.30 354	0.19 340	0.48 361	0.21 288	0.18 356	0.29 336	0.24 318	0.42 357	0.64 376	0.40 356	0.50 360	0.40 351	0.37 358	0.40 368	0.43 377	0.13 324	0.13 340	0.13 322	0.14 336	0.16 349	0.16 350

AnyNet_C32	0.26 341	0.16 315	0.39 348	0.20 262	0.17 347	0.26 318	0.31 368	0.32 281	0.45 334	0.31 331	0.50 360	0.30 296	0.34 351	0.41 373	0.36 363	0.12 310	0.12 328	0.12 309	0.14 336	0.14 330	0.15 341

FCDSN-DC	0.33 361	0.28 368	0.28 313	0.30 367	0.24 370	0.39 367	0.28 350	0.43 362	0.42 322	0.44 368	0.53 364	0.51 372	0.42 369	0.37 360	0.30 347	0.21 371	0.20 369	0.27 373	0.26 374	0.25 376	0.25 376
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
WCMA_ROB	0.24 323	0.11 252	0.24 299	0.17 108	0.14 315	0.34 350	0.16 169	0.33 291	0.33 268	0.39 353	0.54 365	0.40 351	0.35 354	0.35 352	0.26 322	0.12 310	0.12 328	0.12 309	0.11 302	0.14 330	0.14 326

psmorigin	0.25 330	0.16 315	0.35 343	0.17 108	0.13 300	0.24 300	0.14 75	0.34 305	0.34 278	0.41 360	0.55 366	0.41 353	0.38 360	0.35 352	0.28 334	0.11 287	0.15 352	0.11 292	0.11 302	0.12 300	0.17 358

Wz-Net-SNSev	0.26 341	0.17 324	0.46 357	0.25 335	0.14 315	0.26 318	0.24 318	0.38 340	0.57 364	0.30 326	0.56 367	0.39 345	0.26 312	0.24 303	0.32 356	0.10 262	0.09 287	0.10 266	0.11 302	0.11 287	0.11 285

EDNetEfficient	0.30 354	0.24 359	1.18 403	0.18 175	0.10 214	0.20 260	0.20 276	0.21 132	0.61 371	0.74 390	0.56 367	0.30 296	0.40 365	0.23 293	0.32 356	0.09 231	0.07 240	0.08 158	0.07 158	0.11 287	0.10 264

MFN_U_SF_RVC	0.33 361	0.22 354	0.58 373	0.31 369	0.15 325	0.36 359	0.17 189	0.54 381	0.46 342	0.47 372	0.56 367	0.58 378	0.39 361	0.36 356	0.38 370	0.15 344	0.15 352	0.18 358	0.21 364	0.16 349	0.16 350

FC-DCNN	0.33 361	0.28 368	0.28 313	0.26 345	0.23 368	0.38 365	0.29 360	0.40 348	0.44 331	0.46 371	0.56 367	0.51 372	0.41 366	0.38 364	0.31 351	0.21 371	0.20 369	0.27 373	0.26 374	0.25 376	0.24 375

WZ-Net	0.29 351	0.17 324	0.82 394	0.23 321	0.16 337	0.35 354	0.29 360	0.40 348	0.59 369	0.24 280	0.57 371	0.37 334	0.25 305	0.34 347	0.37 367	0.09 231	0.08 266	0.09 225	0.10 279	0.14 330	0.16 350

SGM-ForestM	0.33 361	0.12 267	0.17 224	0.16 60	0.11 252	0.42 370	0.20 276	0.43 362	0.53 360	0.53 376	0.57 371	1.41 407	0.44 374	0.42 374	0.29 341	0.14 342	0.16 357	0.16 347	0.16 349	0.12 300	0.13 313

MADNet+	0.76 396	0.72 398	3.76 416	0.67 394	0.41 386	0.99 406	0.97 413	0.72 393	0.75 388	0.52 375	0.58 373	0.64 383	0.68 392	0.89 405	1.04 411	0.35 387	0.36 388	0.28 378	0.23 371	0.38 387	0.33 387

MeshStereo	0.27 346	0.13 286	0.18 250	0.15 35	0.11 252	0.33 346	0.24 318	0.41 353	0.36 295	0.53 376	0.58 373	0.67 385	0.41 366	0.36 356	0.27 327	0.14 342	0.13 340	0.13 322	0.11 302	0.11 287	0.11 285
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
ACVNet_1	0.45 377	0.51 387	0.61 374	0.45 385	0.28 379	0.50 374	0.28 350	0.58 388	0.71 383	0.63 381	0.59 375	0.74 390	0.50 378	0.50 378	0.36 363	0.26 381	0.25 381	0.39 385	0.29 379	0.32 385	0.25 376

LSM	0.34 366	0.21 350	0.62 375	0.27 352	0.62 401	0.35 354	0.26 340	0.43 362	0.49 346	0.45 370	0.60 376	0.42 355	0.37 358	0.35 352	0.26 322	0.13 324	0.21 376	0.14 333	0.16 349	0.18 358	0.34 388

SPS-STEREO	0.58 388	0.59 391	0.66 378	0.45 385	0.55 394	0.65 386	0.44 390	0.63 390	0.51 351	0.69 384	0.65 377	0.66 384	0.58 387	0.62 390	0.62 395	0.62 402	0.47 395	0.51 391	0.49 393	0.55 393	0.58 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 385	0.61 392	0.71 391	0.57 392	0.43 388	0.66 387	0.37 380	0.60 389	0.87 394	0.51 374	0.67 378	0.63 381	0.47 375	0.50 378	0.44 380	0.47 394	0.48 396	0.53 393	0.41 388	0.53 392	0.41 393

EDNetEfficientorigin	7.92 420	0.32 377	152.98 439	0.20 262	0.10 214	0.22 283	0.17 189	0.23 165	0.60 370	0.73 388	0.67 378	0.41 353	0.51 380	0.24 303	0.41 374	0.08 189	0.07 240	0.09 225	0.07 158	0.12 300	0.11 285

LE_ROB	0.50 383	0.07 51	0.14 144	0.15 35	0.08 45	0.26 318	0.17 189	0.23 165	1.71 413	4.68 418	0.67 378	0.46 366	0.47 375	0.21 269	0.30 347	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

MSMD_ROB	0.31 359	0.26 365	0.26 309	0.24 329	0.21 365	0.34 350	0.25 334	0.34 305	0.39 309	0.40 356	0.69 381	0.45 362	0.41 366	0.34 347	0.28 334	0.20 369	0.20 369	0.26 370	0.25 373	0.23 367	0.22 372

coex-ft	3.24 414	0.35 380	57.83 438	0.18 175	0.13 300	0.27 326	0.23 310	0.28 240	0.72 384	1.89 415	0.70 382	0.43 358	0.47 375	0.29 330	0.43 377	0.09 231	0.09 287	0.12 309	0.09 248	0.14 330	0.14 326

SGM+DAISY	0.57 387	0.58 389	0.67 382	0.41 381	0.55 394	0.68 389	0.51 393	0.57 383	0.46 342	0.67 382	0.70 382	0.69 388	0.57 386	0.64 391	0.58 393	0.59 400	0.49 397	0.50 390	0.50 395	0.52 390	0.59 400

MSC_U_SF_DS_RVC	0.44 375	0.39 383	0.56 368	0.40 380	0.20 363	0.66 387	0.33 377	0.54 381	0.72 384	0.71 386	0.72 384	0.62 380	0.55 382	0.52 380	0.47 384	0.20 369	0.19 368	0.29 379	0.30 381	0.24 374	0.19 365

Consistency-Raft	0.44 375	0.40 384	0.46 357	0.37 379	0.43 388	0.42 370	0.41 385	0.57 383	0.55 361	0.32 338	0.73 385	0.32 315	0.50 378	0.42 374	0.49 386	0.39 388	0.36 388	0.45 388	0.52 398	0.42 388	0.30 384

MFMNet_re	0.65 389	0.66 396	0.66 378	0.51 389	0.69 405	0.70 390	0.58 397	0.65 392	0.75 388	0.61 380	0.73 385	0.63 381	0.68 392	0.65 392	0.60 394	0.66 403	0.58 409	0.63 395	0.59 399	0.68 400	0.69 407

AnyNet_C01	0.37 367	0.26 365	1.41 406	0.22 304	0.17 347	0.51 376	0.28 350	0.36 326	0.40 313	0.39 353	0.75 387	0.46 366	0.39 361	0.46 376	0.50 387	0.13 324	0.13 340	0.13 322	0.14 336	0.14 330	0.16 350

PWCK	0.72 393	0.95 407	0.99 400	0.77 397	0.32 384	0.79 397	0.38 382	0.92 398	0.90 395	0.96 401	0.76 388	0.97 394	0.62 389	0.87 402	0.68 398	0.73 405	0.46 391	0.76 401	0.49 393	0.71 403	0.44 395

ELAS_RVC	0.42 373	0.29 374	0.33 334	0.28 358	0.24 370	0.56 380	0.38 382	0.50 375	0.61 371	0.74 390	0.76 388	0.67 385	0.56 384	0.55 384	0.42 376	0.22 373	0.21 376	0.27 373	0.26 374	0.27 380	0.26 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetBlue	0.73 395	0.46 386	1.21 404	0.52 390	0.47 390	2.16 415	0.67 403	0.78 394	0.72 384	0.70 385	0.79 390	1.21 400	0.84 399	1.06 411	1.04 411	0.40 389	0.28 384	0.33 382	0.33 384	0.30 381	0.34 388

PVD	0.40 370	0.21 350	0.40 350	0.32 372	0.23 368	0.30 339	0.45 391	0.53 380	0.97 397	0.55 378	0.80 391	0.54 376	0.60 388	0.53 382	0.40 373	0.19 365	0.14 348	0.17 350	0.14 336	0.24 374	0.32 386

ELAS	0.42 373	0.29 374	0.34 337	0.28 358	0.24 370	0.63 384	0.37 380	0.52 378	0.52 357	0.72 387	0.82 392	0.68 387	0.56 384	0.52 380	0.45 383	0.22 373	0.21 376	0.27 373	0.26 374	0.26 378	0.26 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
UNDER WATER-64	0.97 405	0.96 409	1.48 408	0.88 405	0.57 397	1.24 414	0.90 411	0.78 394	0.96 396	1.05 404	0.85 393	1.56 412	1.26 413	0.97 409	0.99 409	0.88 410	0.57 408	1.04 410	0.88 410	0.81 408	0.75 408

TorneroNet-64	0.76 396	0.73 399	0.77 392	0.78 399	0.58 399	0.94 405	0.58 397	0.85 397	1.26 403	0.67 382	0.88 394	1.41 407	0.76 396	0.87 402	0.68 398	0.49 395	0.46 391	0.73 399	0.59 399	0.68 400	0.54 396

UNDER WATER	0.99 407	1.00 410	1.47 407	1.00 409	0.71 408	1.18 413	0.86 409	0.81 396	1.09 400	1.02 403	0.90 395	1.53 411	1.26 413	1.06 411	1.02 410	0.79 408	0.54 403	1.02 409	0.88 410	0.83 409	0.75 408

NVStereoNet_ROB	0.47 381	0.37 381	0.47 360	0.42 383	0.29 382	0.35 354	0.35 378	0.50 375	0.61 371	0.73 388	0.94 396	0.70 389	0.68 392	0.48 377	0.62 395	0.22 373	0.33 387	0.34 383	0.34 386	0.30 381	0.31 385
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
tt	4.65 416	0.07 51	3.54 415	2.01 418	1.55 416	10.25 422	16.66 421	8.90 425	5.03 418	1.33 411	0.96 397	4.71 418	4.74 418	3.33 418	5.86 420	6.06 425	10.30 429	1.87 419	2.09 420	2.61 418	1.19 417

WAO-6	0.82 399	0.81 402	0.63 377	0.87 404	0.63 402	0.79 397	0.60 399	0.98 404	1.52 412	0.91 400	0.97 398	1.08 397	1.04 407	0.72 394	0.70 401	0.72 404	0.49 397	0.91 407	0.71 405	0.70 402	0.59 400

BEATNet-Init1	0.54 385	0.28 368	0.68 385	0.31 369	0.21 365	0.85 400	0.31 368	0.57 383	0.69 382	0.89 397	1.00 399	2.17 415	0.66 391	0.58 388	0.44 380	0.19 365	0.18 363	0.23 368	0.22 367	0.22 365	0.21 369

IMH-64-1	0.66 390	0.62 393	0.69 386	0.72 395	0.51 391	0.60 382	0.51 393	0.92 398	0.84 392	0.75 393	1.02 400	0.81 391	0.78 397	0.80 396	0.50 387	0.43 390	0.46 391	0.72 397	0.48 391	0.55 393	0.40 391

IMH-64	0.66 390	0.62 393	0.69 386	0.72 395	0.51 391	0.60 382	0.51 393	0.92 398	0.84 392	0.75 393	1.02 400	0.81 391	0.78 397	0.80 396	0.50 387	0.43 390	0.46 391	0.72 397	0.48 391	0.55 393	0.40 391

DPSimNet_ROB	1.14 410	1.25 414	0.87 398	1.15 412	0.90 412	1.15 412	1.18 414	1.20 414	1.26 403	1.45 412	1.05 402	1.44 410	1.13 411	0.92 406	1.70 414	1.47 417	0.52 402	1.22 414	1.04 415	0.92 410	1.03 415

IMH	0.72 393	0.65 395	0.70 389	0.77 397	0.54 393	0.71 391	0.56 396	0.99 406	1.08 399	0.82 396	1.09 403	0.89 393	0.88 401	0.88 404	0.53 391	0.44 393	0.50 400	0.75 400	0.51 396	0.58 396	0.42 394

ACVNet_2	0.67 392	0.68 397	0.70 389	0.64 393	0.41 386	0.75 395	0.50 392	0.98 404	1.38 408	0.90 398	1.09 403	1.04 395	0.74 395	0.55 384	0.48 385	0.43 390	0.40 390	0.53 393	0.45 390	0.48 389	0.36 390

TorneroNet	0.83 400	0.75 400	0.83 396	0.85 402	0.63 402	1.03 409	0.65 401	0.96 402	1.14 401	0.80 395	1.10 405	1.36 405	0.88 401	0.95 407	0.82 406	0.57 397	0.49 397	0.79 404	0.66 403	0.74 406	0.64 406

ktn	1.02 408	1.23 413	0.82 394	1.24 413	0.86 411	1.00 408	0.86 409	0.96 402	1.37 407	1.05 404	1.12 406	1.16 399	1.06 408	0.95 407	0.62 395	1.28 416	0.71 412	1.39 416	0.83 409	1.06 413	0.77 410

Dean	0.88 402	0.88 406	0.81 393	0.82 401	0.57 397	0.91 402	0.62 400	1.17 413	1.71 413	1.15 408	1.16 407	1.31 404	1.00 406	0.82 398	0.83 407	0.57 397	0.56 406	0.78 403	0.65 402	0.67 399	0.58 397

notaker	0.98 406	1.13 411	1.02 401	1.14 411	0.81 409	0.73 394	0.69 406	0.94 401	1.15 402	1.19 410	1.19 408	1.41 407	1.17 412	1.10 413	0.74 403	0.82 409	0.64 411	1.18 412	0.79 408	1.02 411	0.82 412

WAO-7	0.80 398	0.78 401	0.57 370	0.85 402	0.67 404	0.76 396	0.69 406	1.07 408	1.30 405	0.90 398	1.20 409	1.05 396	0.93 403	0.71 393	0.68 398	0.60 401	0.62 410	0.67 396	0.68 404	0.64 397	0.59 400

MANE	0.47 381	0.28 368	0.28 313	0.27 352	0.24 370	0.50 374	0.32 376	0.57 383	0.62 374	0.74 390	1.20 409	1.21 400	0.64 390	0.54 383	0.39 371	0.22 373	0.20 369	0.27 373	0.31 382	0.26 378	0.25 376

LVE	0.84 401	0.87 405	0.86 397	0.81 400	0.56 396	1.09 411	0.66 402	1.07 408	1.45 410	0.97 402	1.23 411	1.11 398	0.86 400	0.84 399	0.72 402	0.49 395	0.56 406	0.76 401	0.60 401	0.66 398	0.60 403

KSHMR	1.10 409	1.19 412	0.90 399	1.26 415	1.00 414	0.99 406	0.96 412	1.13 412	1.35 406	1.16 409	1.28 412	1.40 406	0.97 405	1.03 410	0.93 408	1.03 413	1.08 415	1.20 413	1.03 414	1.03 412	0.98 414

WAO-8	0.92 403	0.83 403	0.67 382	0.94 407	0.70 406	0.92 403	0.68 404	1.08 410	1.80 415	1.06 406	1.42 413	1.29 402	1.08 409	0.86 400	0.80 404	0.74 406	0.54 403	0.86 405	0.75 406	0.71 403	0.63 404

Venus	0.92 403	0.83 403	0.67 382	0.94 407	0.70 406	0.92 403	0.68 404	1.08 410	1.80 415	1.06 406	1.42 413	1.29 402	1.08 409	0.86 400	0.80 404	0.74 406	0.54 403	0.86 405	0.75 406	0.71 403	0.63 404

HanzoNet	1.31 411	1.29 415	1.22 405	1.13 410	0.85 410	1.05 410	0.84 408	1.06 407	1.47 411	1.66 413	1.63 415	2.48 417	1.78 415	1.63 415	1.69 413	1.27 415	0.80 414	1.32 415	1.02 413	1.07 414	0.90 413

JetRed	1.66 412	1.51 416	3.09 412	0.93 406	1.21 415	5.28 417	1.61 417	1.29 415	1.42 409	1.84 414	1.77 416	1.59 413	0.95 404	1.43 414	2.51 417	0.91 411	1.61 417	0.93 408	0.91 412	1.36 415	1.03 415

MADNet++	1.97 413	1.75 417	1.66 410	1.83 417	1.69 417	2.38 416	1.45 416	2.36 417	2.11 417	2.58 417	2.37 417	2.25 416	2.21 416	2.28 416	2.36 416	1.87 418	1.67 418	1.53 417	1.34 417	1.87 417	1.78 419

ASD4	3.59 415	3.47 419	2.05 411	1.75 416	2.54 419	9.22 421	17.86 422	2.29 416	5.54 419	2.49 416	2.86 418	2.05 414	3.46 417	2.77 417	5.29 418	1.23 414	1.36 416	1.13 411	1.33 416	1.71 416	1.50 418

xxxxx1	7.75 417	5.06 422	7.26 418	3.15 419	3.91 420	16.37 425	22.88 426	5.87 422	8.68 421	7.99 421	8.55 419	9.13 423	8.46 421	10.05 423	10.47 421	2.43 419	2.48 420	3.56 422	12.26 426	3.48 419	3.02 421

tt_ll	7.75 417	5.06 422	7.26 418	3.15 419	3.91 420	16.37 425	22.88 426	5.87 422	8.68 421	7.99 421	8.55 419	9.13 423	8.46 421	10.05 423	10.47 421	2.43 419	2.48 420	3.56 422	12.26 426	3.48 419	3.02 421

ff	7.75 417	5.06 422	7.26 418	3.15 419	3.91 420	16.37 425	22.88 426	5.87 422	8.68 421	7.99 421	8.55 419	9.13 423	8.46 421	10.05 423	10.47 421	2.43 419	2.48 420	3.56 422	12.26 426	3.48 419	3.02 421

DPSMNet_ROB	8.06 421	4.50 420	8.69 425	5.36 424	10.74 426	8.32 419	22.71 424	5.47 420	13.38 425	5.13 419	9.98 422	5.10 419	10.47 424	5.53 420	12.77 425	3.80 423	8.00 424	3.49 420	6.95 423	3.75 423	7.09 425

DGTPSM_ROB	8.06 421	4.50 420	8.69 425	5.34 422	10.73 425	8.32 419	22.71 424	5.47 420	13.38 425	5.13 419	9.98 422	5.10 419	10.47 424	5.53 420	12.77 425	3.79 422	8.00 424	3.49 420	6.95 423	3.74 422	7.09 425

Anonymous_1	10.87 426	7.82 425	7.41 421	10.29 425	10.08 424	18.64 429	26.11 429	11.02 426	13.45 427	9.43 424	10.10 424	9.73 426	11.31 426	10.69 426	12.47 424	6.42 426	8.38 426	5.70 425	10.22 425	11.41 427	6.65 424

DPSM_ROB	11.10 427	8.47 426	7.95 422	10.84 426	11.58 427	19.10 430	26.50 430	12.02 427	14.09 428	10.38 425	10.91 425	10.39 427	11.92 427	11.67 427	13.39 427	6.99 427	8.79 427	5.82 426	6.92 421	6.97 424	7.31 427

DPSM	11.10 427	8.47 426	7.95 422	10.84 426	11.58 427	19.10 430	26.50 430	12.02 427	14.09 428	10.38 425	10.91 425	10.39 427	11.92 427	11.67 427	13.39 427	6.99 427	8.79 427	5.82 426	6.92 421	6.97 424	7.31 427

HaxPig	15.73 430	18.55 436	19.19 433	16.92 428	15.89 430	7.80 418	7.57 418	13.37 429	10.80 424	15.40 428	14.87 427	15.95 429	14.81 429	15.67 429	15.97 430	18.96 435	16.72 430	19.47 435	18.10 435	19.45 435	19.06 436

LRCNet_RVC	10.76 425	13.97 429	7.97 424	19.07 429	2.04 418	0.35 354	0.31 368	5.29 418	0.48 345	13.02 427	17.65 428	8.69 422	5.73 419	4.78 419	2.22 415	23.53 436	2.69 423	27.60 437	25.75 437	17.60 434	16.54 435

MEDIAN_ROB	20.38 431	24.05 437	23.36 435	21.18 430	21.62 431	10.51 423	8.17 419	17.68 430	15.46 430	20.04 430	19.65 429	20.30 430	20.16 430	21.17 430	21.03 431	23.81 437	21.77 437	24.98 436	23.75 436	25.01 436	23.94 437

LSM0	22.80 437	17.22 435	19.17 432	22.12 436	28.90 438	38.38 438	53.27 433	24.21 436	28.36 432	20.84 433	21.11 430	21.63 436	24.25 436	23.42 432	26.98 433	14.08 434	17.39 431	11.72 434	13.98 434	14.22 433	14.66 429

CasAABBNet	22.33 432	17.11 430	15.84 427	21.94 434	23.28 435	38.30 433	53.40 438	24.05 432	28.44 433	20.66 431	21.86 431	21.03 435	24.04 435	23.35 431	27.03 434	14.06 429	17.69 432	11.70 429	13.94 430	14.04 431	14.76 433

Selective-RAFT-Error	22.39 436	17.14 434	16.01 428	22.00 435	23.34 436	38.37 437	53.36 434	24.24 437	28.53 437	20.80 432	21.94 432	20.94 431	24.02 434	23.48 436	27.33 438	14.07 430	17.70 433	11.70 429	13.93 429	14.05 432	14.83 434

MyStereo03	22.37 433	17.11 430	16.16 429	21.87 431	23.27 432	38.30 433	53.36 434	24.10 433	28.51 434	20.93 434	21.96 433	20.94 431	24.00 431	23.43 433	27.22 435	14.07 430	17.72 434	11.70 429	13.96 431	14.00 428	14.72 430

MyStereo02	22.37 433	17.11 430	16.16 429	21.87 431	23.27 432	38.30 433	53.36 434	24.10 433	28.51 434	20.93 434	21.96 433	20.94 431	24.00 431	23.43 433	27.22 435	14.07 430	17.72 434	11.70 429	13.96 431	14.00 428	14.72 430

MyStereo	22.37 433	17.11 430	16.16 429	21.87 431	23.27 432	38.30 433	53.36 434	24.10 433	28.51 434	20.93 434	21.96 433	20.94 431	24.00 431	23.43 433	27.22 435	14.07 430	17.72 434	11.70 429	13.96 431	14.00 428	14.72 430

SPstereo	13.84 429	0.95 407	1.53 409	1.24 413	0.90 412	29.09 432	47.98 432	26.78 439	29.57 438	22.38 437	22.47 436	23.18 437	24.63 437	24.46 437	15.07 429	0.91 411	0.71 412	1.85 418	1.62 418	0.74 406	0.79 411

AVERAGE_ROB	24.89 438	29.12 438	27.98 436	24.83 437	24.59 437	17.82 428	11.61 420	21.45 431	19.91 431	25.04 438	24.38 437	25.06 438	25.31 438	24.69 438	22.86 432	29.74 438	27.09 438	28.97 438	27.94 438	30.07 437	29.35 438

PML	8.57 423	9.39 428	6.24 417	5.34 422	6.36 423	13.21 424	20.99 423	5.35 419	6.68 420	17.75 429	26.46 438	7.58 421	6.08 420	7.89 422	5.76 419	5.33 424	1.83 419	5.95 428	1.93 419	8.75 426	2.53 420

test_example2	97.69 439	92.93 439	45.57 437	96.02 438	109.84 439	88.44 439	93.70 439	25.54 438	94.63 439	130.46 439	126.87 439	58.93 439	75.48 439	87.99 439	77.94 439	150.16 439	221.11 439	76.29 439	98.21 439	108.42 439	95.33 439

Low-res two-view benchmark