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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 281	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 159	0.04 1	0.04 7

CroCo-Stereo	0.09 11	0.08 139	0.08 11	0.22 302	0.09 130	0.09 35	0.19 260	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 127	0.11 58	0.15 93	0.10 57	0.06 6	0.12 100	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

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

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

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

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

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

CASnet	0.09 11	0.09 188	0.09 28	0.19 225	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 265	0.08 209	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 11	0.06 19	0.13 127	0.17 113	0.08 47	0.10 56	0.16 169	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 11	0.06 19	0.10 44	0.17 113	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 87	0.07 31	0.12 100	0.10 49	0.08 188	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

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

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

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

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

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 298	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

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

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

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

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

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

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

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

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

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

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 169	0.14 15	0.13 41	0.11 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

sAnonymous2	0.13 155	0.12 269	0.24 300	0.20 265	0.12 281	0.17 217	0.13 43	0.26 213	0.21 161	0.11 58	0.11 52	0.13 110	0.08 49	0.10 18	0.10 49	0.09 233	0.05 106	0.08 161	0.06 85	0.15 340	0.10 267

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

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 188	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 113	0.08 47	0.11 82	0.14 69	0.23 171	0.11 17	0.12 82	0.19 146	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 113	0.08 47	0.11 82	0.14 69	0.23 171	0.11 17	0.12 82	0.19 146	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
EKT-Stereo	0.11 79	0.07 69	0.14 153	0.15 38	0.10 214	0.13 129	0.14 69	0.18 96	0.21 161	0.11 58	0.08 17	0.12 87	0.09 66	0.11 45	0.12 127	0.08 188	0.06 187	0.07 98	0.06 85	0.08 197	0.07 156

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

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

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

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

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

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

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

iRaft-Stereo_5w	0.12 134	0.09 188	0.12 90	0.19 225	0.08 47	0.09 35	0.12 21	0.21 138	0.21 161	0.19 222	0.14 79	0.11 73	0.09 66	0.20 258	0.16 221	0.05 2	0.05 106	0.07 98	0.06 85	0.05 40	0.06 98

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GMStereo	0.13 155	0.14 302	0.14 153	0.18 180	0.09 130	0.15 175	0.16 169	0.20 121	0.24 190	0.16 171	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 187	0.06 31	0.06 85	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 155	0.07 69	0.10 44	0.17 113	0.09 130	0.13 129	0.18 229	0.27 231	0.35 290	0.17 183	0.14 79	0.15 149	0.11 107	0.15 165	0.13 156	0.06 54	0.05 106	0.07 98	0.07 159	0.06 101	0.06 98

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

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

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

riskmin	0.11 79	0.06 19	0.13 127	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 58	0.14 79	0.16 160	0.11 107	0.14 147	0.12 127	0.09 233	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 102	0.16 101	0.14 125	0.11 107	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
whm_eth	0.14 184	0.09 188	0.20 278	0.20 265	0.12 281	0.12 104	0.15 114	0.18 96	0.28 240	0.17 183	0.32 281	0.09 37	0.12 136	0.18 228	0.14 184	0.07 141	0.07 244	0.08 161	0.07 159	0.07 155	0.07 156

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

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

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

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

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

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

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

Patchmatch Stereo++	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 180	0.08 47	0.09 35	0.12 21	0.21 138	0.21 161	0.13 102	0.14 79	0.11 73	0.12 136	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 85	0.05 40	0.04 7

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

FENet	0.13 155	0.08 139	0.12 90	0.16 67	0.08 47	0.14 153	0.15 114	0.22 154	0.23 180	0.17 183	0.23 186	0.16 160	0.12 136	0.14 147	0.15 207	0.08 188	0.05 106	0.08 161	0.08 209	0.07 155	0.07 156

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 113	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 125	0.12 136	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 184	0.08 139	0.15 190	0.17 113	0.09 130	0.14 153	0.14 69	0.29 255	0.36 294	0.14 122	0.21 171	0.21 214	0.12 136	0.17 217	0.14 184	0.07 141	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

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

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

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

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

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

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

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

SDNR	0.19 276	0.08 139	0.19 270	0.16 67	0.12 281	0.77 396	0.14 69	0.25 201	0.32 266	0.19 222	0.24 194	0.19 198	0.13 168	0.19 239	0.15 207	0.16 354	0.18 361	0.14 331	0.11 303	0.08 197	0.11 290

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

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

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

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

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

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

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

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

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

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

AdaStereo	0.15 217	0.11 255	0.15 190	0.18 180	0.09 130	0.20 263	0.11 11	0.32 284	0.28 240	0.20 239	0.23 186	0.20 208	0.13 168	0.19 239	0.14 184	0.12 309	0.05 106	0.10 265	0.07 159	0.09 244	0.07 156
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 184	0.08 139	0.15 190	0.16 67	0.08 47	0.16 198	0.12 21	0.25 201	0.35 290	0.21 247	0.29 265	0.24 249	0.13 168	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 244	0.08 216

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

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

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

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

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

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

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

AAGNet	0.11 79	0.07 69	0.16 219	0.19 225	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 171	0.21 171	0.13 110	0.14 191	0.11 45	0.14 184	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

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

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

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

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

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

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

HSM-Net_RVC	0.14 184	0.08 139	0.11 70	0.15 38	0.08 47	0.15 175	0.15 114	0.27 231	0.29 247	0.19 222	0.21 171	0.29 288	0.14 191	0.17 217	0.13 156	0.06 54	0.06 187	0.06 31	0.06 85	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 184	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 229	0.22 154	0.24 190	0.17 183	0.26 238	0.24 249	0.14 191	0.16 196	0.14 184	0.11 285	0.06 187	0.08 161	0.09 248	0.09 244	0.08 216

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

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

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

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

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

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

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

CASS	0.13 155	0.12 269	0.11 70	0.23 321	0.09 130	0.15 175	0.17 189	0.18 96	0.19 127	0.17 183	0.18 141	0.15 149	0.15 204	0.14 147	0.14 184	0.09 233	0.06 187	0.10 265	0.08 209	0.09 244	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 266	0.09 188	0.29 324	0.15 38	0.10 214	0.22 285	0.20 275	0.26 213	0.39 308	0.25 293	0.42 343	0.24 249	0.15 204	0.20 258	0.19 254	0.07 141	0.05 106	0.06 31	0.05 31	0.10 271	0.09 249

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

LMCR-Stereo	0.15 217	0.08 139	0.13 127	0.21 289	0.09 130	0.17 217	0.20 275	0.27 231	0.19 127	0.24 280	0.24 194	0.23 243	0.17 243	0.20 258	0.17 232	0.07 141	0.06 187	0.08 161	0.06 85	0.10 271	0.08 216

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

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

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

NLCA_NET_v2_RVC	0.17 254	0.10 235	0.22 288	0.20 265	0.10 214	0.15 175	0.18 229	0.31 275	0.25 209	0.21 247	0.30 269	0.25 259	0.17 243	0.21 274	0.20 260	0.09 233	0.06 187	0.08 161	0.08 209	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 254	0.12 269	0.15 190	0.20 265	0.09 130	0.18 232	0.18 229	0.26 213	0.23 180	0.26 298	0.40 328	0.22 231	0.17 243	0.21 274	0.20 260	0.08 188	0.05 106	0.09 224	0.10 280	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 254	0.10 235	0.17 244	0.17 113	0.11 252	0.21 277	0.21 291	0.33 301	0.25 209	0.22 260	0.22 180	0.27 274	0.18 252	0.22 285	0.20 260	0.11 285	0.09 289	0.09 224	0.09 248	0.08 197	0.08 216

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

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

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

ICVP	0.15 217	0.09 188	0.12 90	0.22 302	0.09 130	0.17 217	0.21 291	0.25 201	0.23 180	0.18 209	0.30 269	0.26 267	0.18 252	0.17 217	0.14 184	0.09 233	0.07 244	0.08 161	0.07 159	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 235	0.08 139	0.15 190	0.18 180	0.10 214	0.22 285	0.18 229	0.24 188	0.21 161	0.18 209	0.24 194	0.29 288	0.18 252	0.19 239	0.22 288	0.09 233	0.07 244	0.08 161	0.09 248	0.07 155	0.06 98

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

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

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

RASNet	0.14 184	0.07 69	0.14 153	0.16 67	0.08 47	0.18 232	0.14 69	0.29 255	0.20 148	0.17 183	0.25 223	0.21 214	0.18 252	0.20 258	0.19 254	0.07 141	0.06 187	0.06 31	0.08 209	0.06 101	0.06 98

TDLM	0.17 254	0.12 269	0.13 127	0.24 326	0.10 214	0.18 232	0.18 229	0.36 329	0.30 254	0.21 247	0.28 254	0.28 281	0.18 252	0.23 296	0.18 246	0.11 285	0.07 244	0.10 265	0.10 280	0.08 197	0.08 216

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

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

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

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

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

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

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

UNet	0.17 254	0.09 188	0.18 261	0.19 225	0.12 281	0.27 328	0.19 260	0.33 301	0.29 247	0.21 247	0.24 194	0.23 243	0.19 267	0.19 239	0.18 246	0.07 141	0.06 187	0.08 161	0.07 159	0.08 197	0.06 98

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

NVstereo2D	0.19 276	0.10 235	0.15 190	0.17 113	0.15 326	0.28 334	0.23 310	0.44 364	0.42 323	0.15 146	0.27 245	0.25 259	0.19 267	0.22 285	0.17 232	0.09 233	0.06 187	0.10 265	0.08 209	0.15 340	0.09 249

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

SGM-Forest	0.20 285	0.14 302	0.18 261	0.19 225	0.13 298	0.20 263	0.22 300	0.33 301	0.30 254	0.24 280	0.29 265	0.28 281	0.19 267	0.23 296	0.17 232	0.15 343	0.16 354	0.15 339	0.14 334	0.12 300	0.12 301
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 266	0.11 255	0.19 270	0.19 225	0.12 281	0.24 303	0.21 291	0.25 201	0.34 283	0.22 260	0.34 298	0.27 274	0.20 275	0.21 274	0.23 298	0.09 233	0.09 289	0.08 161	0.10 280	0.08 197	0.07 156

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

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

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

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

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

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

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

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

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

AANet_RVC	0.16 235	0.10 235	0.10 44	0.18 180	0.09 130	0.18 232	0.19 260	0.26 213	0.31 260	0.22 260	0.35 301	0.21 214	0.21 279	0.22 285	0.16 221	0.06 54	0.05 106	0.06 31	0.06 85	0.07 155	0.06 98

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

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

SQANet	0.23 318	0.23 355	0.30 327	0.30 365	0.19 358	0.27 328	0.13 43	0.29 255	0.33 272	0.24 280	0.37 310	0.31 306	0.22 288	0.27 314	0.23 298	0.15 343	0.10 307	0.21 360	0.16 346	0.21 362	0.15 339

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

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

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

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

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

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

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

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

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

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

CBMV	0.19 276	0.14 302	0.17 244	0.18 180	0.10 214	0.20 263	0.11 11	0.29 255	0.30 254	0.29 321	0.30 269	0.30 296	0.23 294	0.27 314	0.19 254	0.13 329	0.15 351	0.17 347	0.16 346	0.10 271	0.10 267
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 254	0.11 255	0.18 261	0.17 113	0.11 252	0.16 198	0.25 332	0.24 188	0.33 272	0.19 222	0.24 194	0.26 267	0.24 300	0.19 239	0.20 260	0.07 141	0.08 266	0.09 224	0.10 280	0.09 244	0.08 216

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

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

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

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

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

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

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

HBP-ISP	0.18 266	0.13 290	0.16 219	0.15 38	0.11 252	0.08 23	0.13 43	0.28 245	0.29 247	0.22 260	0.33 294	0.21 214	0.25 308	0.23 296	0.17 232	0.14 340	0.16 354	0.21 360	0.17 353	0.10 271	0.08 216

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

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

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

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

PA-Net	0.23 318	0.18 336	0.33 334	0.28 356	0.22 365	0.21 277	0.38 380	0.29 255	0.39 308	0.22 260	0.32 281	0.25 259	0.26 311	0.20 258	0.25 317	0.09 233	0.23 376	0.15 339	0.22 364	0.09 244	0.13 314
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 276	0.09 188	0.22 288	0.17 113	0.10 214	0.25 313	0.18 229	0.27 231	0.44 332	0.22 260	0.31 277	0.33 317	0.26 311	0.28 325	0.28 341	0.08 188	0.06 187	0.07 98	0.07 159	0.09 244	0.09 249

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ccnet	0.29 350	0.28 368	0.23 297	0.20 265	0.28 375	0.41 366	0.21 291	0.45 367	0.33 272	0.36 344	0.46 350	0.36 329	0.30 339	0.39 365	0.42 377	0.23 375	0.14 345	0.21 360	0.17 353	0.23 365	0.18 359

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

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

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

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

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

DANet	0.21 294	0.15 308	0.28 318	0.25 337	0.13 298	0.22 285	0.19 260	0.27 231	0.27 229	0.28 315	0.32 281	0.35 327	0.31 343	0.31 335	0.23 298	0.11 285	0.09 289	0.11 292	0.10 280	0.13 317	0.11 290
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 285	0.12 269	0.22 288	0.21 289	0.12 281	0.17 217	0.18 229	0.34 311	0.39 308	0.27 304	0.37 310	0.34 323	0.32 346	0.21 274	0.20 260	0.09 233	0.11 316	0.10 265	0.09 248	0.11 286	0.14 331

otaku	0.39 365	0.37 378	0.52 363	0.44 380	0.28 375	0.58 377	0.24 319	0.41 354	0.62 372	0.40 354	0.49 354	0.46 362	0.33 347	0.40 369	0.32 356	0.30 380	0.30 382	0.39 382	0.33 381	0.29 377	0.28 378

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

GANetREF_RVC	0.31 356	0.34 375	0.27 313	0.35 372	0.16 336	0.32 342	0.41 381	0.48 371	0.51 356	0.35 342	0.35 301	0.34 323	0.33 347	0.39 365	0.32 356	0.27 379	0.20 367	0.29 376	0.15 344	0.18 357	0.17 357
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
CSAN	0.29 350	0.24 358	0.27 313	0.34 370	0.19 358	0.33 348	0.42 384	0.37 334	0.50 349	0.38 349	0.40 328	0.44 356	0.33 347	0.28 325	0.30 348	0.20 365	0.16 354	0.19 357	0.19 358	0.14 329	0.15 339

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

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

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

SGM_RVC	0.23 318	0.12 269	0.15 190	0.15 38	0.09 130	0.33 348	0.18 229	0.34 311	0.31 260	0.44 365	0.37 310	0.53 371	0.35 353	0.35 352	0.24 308	0.13 329	0.13 338	0.13 321	0.13 330	0.10 271	0.11 290
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 350	0.18 336	0.45 355	0.21 289	0.17 349	0.28 334	0.23 310	0.41 354	0.63 373	0.40 354	0.49 354	0.40 348	0.36 355	0.39 365	0.40 373	0.13 329	0.12 325	0.13 321	0.14 334	0.16 347	0.16 350

LSM	0.33 361	0.20 344	0.58 371	0.26 342	0.60 396	0.34 351	0.25 332	0.42 359	0.48 342	0.45 366	0.58 371	0.42 351	0.36 355	0.35 352	0.25 317	0.12 309	0.20 367	0.14 331	0.16 346	0.19 360	0.33 384

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

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

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

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

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

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

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

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

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

MeshStereo	0.27 343	0.13 290	0.18 261	0.15 38	0.11 252	0.32 342	0.24 319	0.40 349	0.36 294	0.52 371	0.57 369	0.67 382	0.40 363	0.35 352	0.26 326	0.14 340	0.13 338	0.13 321	0.11 303	0.11 286	0.10 267
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 361	0.28 368	0.28 318	0.30 365	0.24 368	0.39 364	0.28 350	0.42 359	0.42 323	0.43 364	0.53 360	0.51 368	0.41 367	0.36 357	0.30 348	0.21 368	0.20 367	0.27 370	0.26 371	0.25 372	0.24 371
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 375	0.19 339	3.26 408	0.24 326	0.15 326	0.74 390	0.20 275	0.36 329	0.76 387	0.42 361	0.43 346	0.31 306	0.41 367	0.53 381	0.35 362	0.10 264	0.08 266	0.13 321	0.12 321	0.15 340	0.15 339

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

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

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

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

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

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

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

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

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

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

ELAS_RVC	0.41 370	0.29 371	0.33 334	0.28 356	0.24 368	0.54 375	0.36 376	0.49 373	0.59 367	0.72 384	0.74 383	0.65 380	0.54 378	0.54 383	0.40 373	0.22 371	0.20 367	0.27 370	0.26 371	0.26 375	0.25 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 370	0.29 371	0.33 334	0.27 353	0.24 368	0.60 380	0.36 376	0.50 375	0.50 349	0.71 382	0.79 387	0.67 382	0.54 378	0.51 377	0.42 377	0.22 371	0.20 367	0.27 370	0.26 371	0.26 375	0.25 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 381	0.58 386	0.65 376	0.41 378	0.61 397	0.53 374	0.41 381	0.56 382	0.41 317	0.55 374	0.50 358	0.49 367	0.55 381	0.58 386	0.50 387	0.58 395	0.50 396	0.51 387	0.51 392	0.51 386	0.57 393

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

SPS-STEREO	0.57 384	0.58 386	0.65 376	0.45 381	0.55 391	0.62 381	0.44 387	0.62 387	0.50 349	0.68 380	0.64 373	0.66 381	0.57 383	0.61 387	0.60 391	0.62 398	0.47 391	0.51 387	0.49 389	0.55 391	0.58 394
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 365	0.20 344	0.39 349	0.31 369	0.22 365	0.29 337	0.43 386	0.52 377	0.96 394	0.55 374	0.79 387	0.53 371	0.59 384	0.52 379	0.38 369	0.19 363	0.14 345	0.17 347	0.14 334	0.24 371	0.31 382

MANE	0.45 375	0.27 365	0.27 313	0.27 353	0.24 368	0.47 369	0.31 371	0.55 381	0.59 367	0.72 384	1.13 403	1.15 395	0.61 385	0.52 379	0.37 367	0.21 368	0.20 367	0.27 370	0.31 380	0.25 372	0.24 371

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

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

NVStereoNet_ROB	0.46 378	0.36 377	0.46 358	0.41 378	0.28 375	0.34 351	0.34 374	0.48 371	0.60 370	0.72 384	0.93 392	0.70 385	0.66 388	0.47 374	0.60 391	0.22 371	0.33 383	0.34 380	0.34 383	0.30 378	0.30 381
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 385	0.66 392	0.65 376	0.51 385	0.69 401	0.69 386	0.57 394	0.64 388	0.73 385	0.60 376	0.73 381	0.62 377	0.67 389	0.65 389	0.60 391	0.66 399	0.58 405	0.63 391	0.59 395	0.68 397	0.69 403

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ASD4		3.38 415

Low-res two-view benchmark