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

IGEV-BASED-STEREO-	0.09 23	0.10 282	0.31 385	0.15 48	0.06 3	0.08 27	0.14 92	0.10 1	0.10 12	0.07 4	0.07 16	0.06 4	0.04 1	0.11 58	0.07 1	0.12 353	0.04 2	0.07 124	0.05 50	0.05 49	0.05 64

Selective-IGEV	0.07 1	0.06 31	0.08 13	0.17 147	0.06 3	0.08 27	0.12 29	0.13 20	0.07 1	0.08 14	0.07 16	0.06 4	0.04 1	0.10 26	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.03 1

Occ-G	0.08 4	0.05 9	0.06 1	0.14 18	0.07 26	0.08 27	0.14 92	0.13 20	0.15 90	0.07 4	0.11 75	0.07 26	0.05 3	0.09 12	0.10 70	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

U	0.08 4	0.07 88	0.09 34	0.19 270	0.10 255	0.10 73	0.13 56	0.12 11	0.17 129	0.07 4	0.07 16	0.06 4	0.05 3	0.07 2	0.08 12	0.06 64	0.04 2	0.06 45	0.04 12	0.06 118	0.05 64

AIO-Stereo	0.08 4	0.06 31	0.09 34	0.18 219	0.06 3	0.08 27	0.12 29	0.15 47	0.09 3	0.08 14	0.08 26	0.07 26	0.05 3	0.11 58	0.08 12	0.05 4	0.05 120	0.05 2	0.04 12	0.04 1	0.04 9

RSM++	0.08 4	0.06 31	0.09 34	0.17 147	0.07 26	0.09 44	0.12 29	0.11 4	0.11 28	0.08 14	0.06 2	0.07 26	0.05 3	0.10 26	0.09 27	0.04 1	0.04 2	0.06 45	0.05 50	0.05 49	0.03 1

RSM	0.08 4	0.06 31	0.09 34	0.17 147	0.06 3	0.08 27	0.12 29	0.12 11	0.10 12	0.08 14	0.07 16	0.06 4	0.05 3	0.11 58	0.09 27	0.04 1	0.04 2	0.05 2	0.04 12	0.04 1	0.03 1

MIM_Stereo	0.09 23	0.07 88	0.11 88	0.15 48	0.07 26	0.06 4	0.12 29	0.20 156	0.14 78	0.13 141	0.13 97	0.09 59	0.05 3	0.12 125	0.08 12	0.05 4	0.06 222	0.07 124	0.06 112	0.06 118	0.05 64

EGLCR-Stereo	0.08 4	0.05 9	0.08 13	0.14 18	0.06 3	0.10 73	0.12 29	0.11 4	0.16 112	0.06 1	0.05 1	0.07 26	0.05 3	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

CroCo-Stereo Lap2	0.09 23	0.09 229	0.08 13	0.22 355	0.09 159	0.09 44	0.19 310	0.16 67	0.12 38	0.09 30	0.10 52	0.05 1	0.05 3	0.08 8	0.08 12	0.06 64	0.06 222	0.07 124	0.05 50	0.05 49	0.05 64

iRaft-Stereo_20w	0.09 23	0.05 9	0.13 152	0.14 18	0.08 62	0.12 133	0.15 148	0.18 127	0.10 12	0.11 82	0.08 26	0.08 43	0.05 3	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

WCG-NET	0.09 23	0.05 9	0.10 57	0.15 48	0.07 26	0.11 106	0.11 17	0.16 67	0.09 3	0.09 30	0.11 75	0.08 43	0.06 12	0.14 181	0.09 27	0.07 162	0.04 2	0.06 45	0.04 12	0.06 118	0.05 64

IGEV-Stereo++	0.07 1	0.06 31	0.08 13	0.18 219	0.06 3	0.04 1	0.10 9	0.11 4	0.11 28	0.06 1	0.07 16	0.07 26	0.06 12	0.09 12	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

RAStereo	0.10 72	0.09 229	0.08 13	0.20 314	0.08 62	0.13 164	0.18 274	0.15 47	0.17 129	0.10 58	0.12 85	0.05 1	0.06 12	0.09 12	0.08 12	0.07 162	0.05 120	0.07 124	0.05 50	0.05 49	0.04 9

Pointernet	0.09 23	0.04 1	0.09 34	0.16 91	0.08 62	0.13 164	0.10 9	0.15 47	0.17 129	0.09 30	0.07 16	0.06 4	0.06 12	0.11 58	0.09 27	0.08 216	0.04 2	0.05 2	0.03 1	0.06 118	0.05 64

IGEV-Stereo+	0.07 1	0.04 1	0.08 13	0.15 48	0.06 3	0.04 1	0.09 5	0.10 1	0.09 3	0.06 1	0.06 2	0.06 4	0.06 12	0.06 1	0.08 12	0.06 64	0.04 2	0.05 2	0.04 12	0.06 118	0.06 129

WCG-NET（raft）	0.08 4	0.05 9	0.10 57	0.15 48	0.06 3	0.11 106	0.13 56	0.15 47	0.12 38	0.08 14	0.07 16	0.06 4	0.06 12	0.13 163	0.08 12	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

RAFT-Stereo-weight	0.09 23	0.06 31	0.10 57	0.16 91	0.07 26	0.09 44	0.14 92	0.19 146	0.16 112	0.11 82	0.10 52	0.08 43	0.06 12	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

test_for_model	0.09 23	0.12 319	0.14 182	0.23 374	0.11 298	0.08 27	0.13 56	0.12 11	0.12 38	0.10 58	0.07 16	0.07 26	0.06 12	0.11 58	0.10 70	0.06 64	0.05 120	0.05 2	0.03 1	0.07 180	0.04 9

MGS-Stereo	0.09 23	0.07 88	0.12 112	0.15 48	0.08 62	0.09 44	0.15 148	0.12 11	0.12 38	0.07 4	0.10 52	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

MoCha-V2	0.08 4	0.05 9	0.10 57	0.20 314	0.07 26	0.09 44	0.14 92	0.11 4	0.08 2	0.07 4	0.08 26	0.07 26	0.06 12	0.09 12	0.08 12	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

IGEV++	0.08 4	0.06 31	0.08 13	0.18 219	0.07 26	0.09 44	0.13 56	0.10 1	0.09 3	0.08 14	0.08 26	0.06 4	0.06 12	0.13 163	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

ACVNet-DCA	0.10 72	0.08 168	0.12 112	0.17 147	0.09 159	0.13 164	0.15 148	0.23 210	0.16 112	0.09 30	0.09 35	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.07 180	0.07 196

1test111	0.11 109	0.08 168	0.12 112	0.17 147	0.09 159	0.13 164	0.15 148	0.23 210	0.16 112	0.09 30	0.09 35	0.06 4	0.06 12	0.15 202	0.16 272	0.06 64	0.04 2	0.06 45	0.05 50	0.07 180	0.07 196

cc1	0.10 72	0.08 168	0.12 112	0.17 147	0.09 159	0.13 164	0.15 148	0.16 67	0.18 155	0.09 30	0.09 35	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.06 129

ff7	0.09 23	0.07 88	0.11 88	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

IGEVStereo-DCA	0.09 23	0.06 31	0.11 88	0.15 48	0.10 255	0.11 106	0.15 148	0.16 67	0.12 38	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.08 12	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

ffff	0.09 23	0.07 88	0.11 88	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

rrr	0.09 23	0.06 31	0.12 112	0.15 48	0.10 255	0.11 106	0.16 207	0.16 67	0.15 90	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.08 12	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

11t	0.09 23	0.07 88	0.11 88	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

tt1	0.10 72	0.08 168	0.12 112	0.17 147	0.09 159	0.12 133	0.16 207	0.15 47	0.19 168	0.09 30	0.08 26	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.06 129

MaDis-Stereo	0.09 23	0.09 229	0.08 13	0.17 147	0.09 159	0.13 164	0.10 9	0.16 67	0.16 112	0.09 30	0.11 75	0.06 4	0.06 12	0.09 12	0.13 195	0.07 162	0.06 222	0.07 124	0.05 50	0.05 49	0.04 9

IGEV_Zeroshot_test	0.09 23	0.05 9	0.12 112	0.13 10	0.08 62	0.12 133	0.13 56	0.17 101	0.11 28	0.10 58	0.06 2	0.09 59	0.06 12	0.11 58	0.09 27	0.06 64	0.04 2	0.06 45	0.06 112	0.05 49	0.05 64

MSKI-zero shot	0.09 23	0.05 9	0.09 34	0.15 48	0.07 26	0.10 73	0.13 56	0.14 30	0.13 60	0.09 30	0.09 35	0.09 59	0.06 12	0.12 125	0.10 70	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

DLNR_Zeroshot_test	10.40 475	1.82 469	19.49 481	120.77 486	13.11 479	0.06 4	0.13 56	0.23 210	0.10 12	0.07 4	0.10 52	0.09 59	0.06 12	0.10 26	0.09 27	0.13 376	0.04 2	0.06 45	0.04 12	51.54 485	0.04 9

testlalala	0.08 4	0.07 88	0.17 290	0.16 91	0.08 62	0.09 44	0.12 29	0.15 47	0.10 12	0.07 4	0.09 35	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

CAS	0.08 4	0.04 1	0.07 3	0.17 147	0.08 62	0.10 73	0.13 56	0.12 11	0.09 3	0.09 30	0.10 52	0.08 43	0.06 12	0.09 12	0.08 12	0.08 216	0.04 2	0.05 2	0.03 1	0.05 49	0.04 9

anonymousdsp	0.09 23	0.07 88	0.11 88	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

CES	0.08 4	0.04 1	0.08 13	0.14 18	0.07 26	0.09 44	0.14 92	0.11 4	0.09 3	0.08 14	0.09 35	0.11 101	0.06 12	0.12 125	0.08 12	0.06 64	0.04 2	0.05 2	0.03 1	0.05 49	0.05 64

ProNet	0.09 23	0.07 88	0.10 57	0.17 147	0.08 62	0.10 73	0.15 148	0.15 47	0.12 38	0.09 30	0.06 2	0.07 26	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.06 129

MC-Stereo	0.08 4	0.06 31	0.09 34	0.17 147	0.06 3	0.10 73	0.14 92	0.12 11	0.10 12	0.09 30	0.12 85	0.09 59	0.06 12	0.11 58	0.10 70	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

ccc-4	0.09 23	0.07 88	0.11 88	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

IGEV-Stereo	0.09 23	0.07 88	0.11 88	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 23	0.05 9	0.12 112	0.15 48	0.12 329	0.10 73	0.13 56	0.18 127	0.18 155	0.09 30	0.09 35	0.09 59	0.06 12	0.10 26	0.08 12	0.07 162	0.05 120	0.07 124	0.07 194	0.04 1	0.04 9

CroCo-Stereo	0.09 23	0.08 168	0.08 13	0.22 355	0.09 159	0.09 44	0.19 310	0.15 47	0.12 38	0.07 4	0.07 16	0.08 43	0.06 12	0.08 8	0.07 1	0.07 162	0.05 120	0.06 45	0.04 12	0.05 49	0.04 9
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 23	0.04 1	0.08 13	0.13 10	0.06 3	0.11 106	0.14 92	0.15 47	0.19 168	0.11 82	0.15 127	0.10 82	0.06 12	0.12 125	0.09 27	0.07 162	0.05 120	0.05 2	0.04 12	0.06 118	0.05 64

XX-Stereo	0.09 23	0.05 9	0.08 13	0.17 147	0.09 159	0.15 217	0.12 29	0.20 156	0.10 12	0.10 58	0.14 111	0.07 26	0.06 12	0.12 125	0.08 12	0.06 64	0.05 120	0.06 45	0.06 112	0.04 1	0.04 9

test_xeample3	0.09 23	0.06 31	0.12 112	0.16 91	0.09 159	0.11 106	0.15 148	0.16 67	0.13 60	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

UGAM-zero	0.09 23	0.05 9	0.15 230	0.15 48	0.08 62	0.09 44	0.13 56	0.19 146	0.15 90	0.11 82	0.15 127	0.07 26	0.07 49	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

model_zeroshot	0.10 72	0.04 1	0.11 88	0.15 48	0.09 159	0.12 133	0.14 92	0.20 156	0.13 60	0.11 82	0.10 52	0.12 116	0.07 49	0.12 125	0.10 70	0.07 162	0.06 222	0.06 45	0.05 50	0.06 118	0.06 129

GCAP-BAT	0.09 23	0.07 88	0.14 182	0.15 48	0.08 62	0.10 73	0.13 56	0.14 30	0.10 12	0.11 82	0.10 52	0.08 43	0.07 49	0.12 125	0.10 70	0.06 64	0.05 120	0.06 45	0.04 12	0.04 1	0.04 9

AIO-Stereo-zeroshot1	0.11 109	0.05 9	0.14 182	0.15 48	0.20 414	0.09 44	0.17 232	0.21 175	0.15 90	0.11 82	0.14 111	0.10 82	0.07 49	0.10 26	0.08 12	0.06 64	0.05 120	0.07 124	0.07 194	0.07 180	0.09 298

AIO-Stereo-zeroshot	0.11 109	0.05 9	0.11 88	0.15 48	0.13 347	0.13 164	0.16 207	0.23 210	0.17 129	0.10 58	0.12 85	0.10 82	0.07 49	0.11 58	0.09 27	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.08 258

CAS++	0.11 109	0.07 88	0.11 88	0.14 18	0.09 159	0.12 133	0.14 92	0.24 230	0.14 78	0.11 82	0.09 35	0.11 101	0.07 49	0.14 181	0.09 27	0.11 328	0.09 335	0.09 267	0.07 194	0.07 180	0.08 258
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 72	0.06 31	0.11 88	0.20 314	0.10 255	0.10 73	0.12 29	0.17 101	0.12 38	0.12 117	0.13 97	0.09 59	0.07 49	0.11 58	0.13 195	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

MyStereo07	0.10 72	0.07 88	0.10 57	0.17 147	0.09 159	0.14 194	0.18 274	0.15 47	0.15 90	0.09 30	0.06 2	0.06 4	0.07 49	0.12 125	0.09 27	0.06 64	0.05 120	0.08 195	0.07 194	0.06 118	0.06 129

MyStereo06	0.10 72	0.07 88	0.12 112	0.17 147	0.09 159	0.13 164	0.18 274	0.19 146	0.12 38	0.12 117	0.08 26	0.07 26	0.07 49	0.11 58	0.09 27	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

UniTT-Stereo	0.09 23	0.07 88	0.08 13	0.18 219	0.08 62	0.13 164	0.11 17	0.12 11	0.11 28	0.10 58	0.12 85	0.05 1	0.07 49	0.09 12	0.09 27	0.07 162	0.05 120	0.05 2	0.05 50	0.05 49	0.05 64

CASnet	0.09 23	0.09 229	0.09 34	0.19 270	0.06 3	0.07 18	0.11 17	0.18 127	0.14 78	0.11 82	0.10 52	0.09 59	0.07 49	0.10 26	0.10 70	0.06 64	0.04 2	0.10 309	0.08 253	0.05 49	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 23	0.06 31	0.13 152	0.17 147	0.08 62	0.10 73	0.16 207	0.14 30	0.10 12	0.08 14	0.09 35	0.08 43	0.07 49	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

HanStereo	0.09 23	0.06 31	0.13 152	0.17 147	0.08 62	0.10 73	0.16 207	0.14 30	0.10 12	0.08 14	0.09 35	0.08 43	0.07 49	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

LL-Strereo2	0.10 72	0.10 282	0.15 230	0.18 219	0.08 62	0.15 217	0.09 5	0.17 101	0.14 78	0.14 162	0.10 52	0.09 59	0.07 49	0.16 236	0.10 70	0.05 4	0.05 120	0.10 309	0.07 194	0.06 118	0.05 64

4D-IteraStereo	0.09 23	0.07 88	0.10 57	0.18 219	0.07 26	0.09 44	0.15 148	0.17 101	0.15 90	0.10 58	0.11 75	0.10 82	0.07 49	0.11 58	0.09 27	0.05 4	0.03 1	0.08 195	0.07 194	0.06 118	0.05 64

RCA-Stereo	0.09 23	0.06 31	0.09 34	0.16 91	0.06 3	0.09 44	0.13 56	0.18 127	0.14 78	0.09 30	0.10 52	0.08 43	0.07 49	0.12 125	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

RAFT_CTSACE	0.12 170	0.09 229	0.10 57	0.22 355	0.08 62	0.12 133	0.24 372	0.18 127	0.16 112	0.20 288	0.27 298	0.13 140	0.07 49	0.13 163	0.09 27	0.05 4	0.06 222	0.08 195	0.07 194	0.04 1	0.04 9

IPLG	0.10 72	0.07 88	0.15 230	0.17 147	0.08 62	0.11 106	0.14 92	0.20 156	0.15 90	0.12 117	0.17 157	0.07 26	0.07 49	0.14 181	0.13 195	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

MIPNet	0.11 109	0.08 168	0.14 182	0.17 147	0.09 159	0.12 133	0.14 92	0.20 156	0.24 237	0.11 82	0.10 52	0.09 59	0.07 49	0.13 163	0.12 158	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

iRaftStereo_RVC	0.10 72	0.07 88	0.09 34	0.17 147	0.09 159	0.11 106	0.17 232	0.18 127	0.12 38	0.09 30	0.12 85	0.10 82	0.07 49	0.11 58	0.10 70	0.05 4	0.04 2	0.08 195	0.08 253	0.04 1	0.04 9

CREStereo++_RVC	0.08 4	0.04 1	0.06 1	0.13 10	0.07 26	0.09 44	0.12 29	0.14 30	0.14 78	0.10 58	0.14 111	0.08 43	0.07 49	0.09 12	0.11 115	0.06 64	0.04 2	0.05 2	0.05 50	0.04 1	0.04 9
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 23	0.06 31	0.10 57	0.17 147	0.08 62	0.09 44	0.10 9	0.18 127	0.16 112	0.10 58	0.09 35	0.12 116	0.07 49	0.12 125	0.10 70	0.08 216	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

sCroCo_RVC	0.12 170	0.09 229	0.23 350	0.24 381	0.11 298	0.19 303	0.14 92	0.17 101	0.14 78	0.10 58	0.13 97	0.12 116	0.07 49	0.14 181	0.11 115	0.08 216	0.08 311	0.08 195	0.08 253	0.05 49	0.07 196

EAI-Stereo	0.09 23	0.07 88	0.11 88	0.15 48	0.06 3	0.10 73	0.15 148	0.16 67	0.09 3	0.08 14	0.09 35	0.08 43	0.07 49	0.09 12	0.11 115	0.05 4	0.04 2	0.05 2	0.05 50	0.05 49	0.04 9

PMTNet	0.09 23	0.05 9	0.09 34	0.12 3	0.06 3	0.12 133	0.14 92	0.15 47	0.11 28	0.09 30	0.13 97	0.10 82	0.07 49	0.13 163	0.10 70	0.15 391	0.04 2	0.05 2	0.03 1	0.07 180	0.06 129

rvit_stereo_0080	0.10 72	0.08 168	0.14 182	0.15 48	0.09 159	0.07 18	0.15 148	0.16 67	0.16 112	0.11 82	0.10 52	0.14 159	0.08 74	0.12 125	0.10 70	0.09 269	0.07 287	0.07 124	0.06 112	0.07 180	0.05 64

gcap-zeroshot	0.09 23	0.05 9	0.10 57	0.16 91	0.07 26	0.13 164	0.13 56	0.11 4	0.12 38	0.13 141	0.12 85	0.09 59	0.08 74	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.04 1	0.04 9

trnet	0.08 4	0.05 9	0.07 3	0.12 3	0.05 1	0.12 133	0.11 17	0.13 20	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 216	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

Former-RAFT_DAM_RVC	0.10 72	0.08 168	0.12 112	0.16 91	0.08 62	0.15 217	0.16 207	0.18 127	0.18 155	0.10 58	0.09 35	0.09 59	0.08 74	0.11 58	0.12 158	0.07 162	0.05 120	0.08 195	0.06 112	0.07 180	0.06 129

AE-Stereo	0.10 72	0.08 168	0.10 57	0.18 219	0.09 159	0.10 73	0.15 148	0.14 30	0.19 168	0.09 30	0.14 111	0.12 116	0.08 74	0.11 58	0.10 70	0.05 4	0.06 222	0.07 124	0.06 112	0.05 49	0.04 9

whm_eth	0.10 72	0.08 168	0.14 182	0.15 48	0.09 159	0.07 18	0.15 148	0.16 67	0.16 112	0.11 82	0.10 52	0.14 159	0.08 74	0.12 125	0.10 70	0.09 269	0.07 287	0.07 124	0.06 112	0.07 180	0.05 64

testlalala_base	0.10 72	0.09 229	0.14 182	0.21 340	0.08 62	0.10 73	0.14 92	0.13 20	0.10 12	0.07 4	0.15 127	0.07 26	0.08 74	0.10 26	0.12 158	0.08 216	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

AEACV	0.08 4	0.05 9	0.08 13	0.14 18	0.13 347	0.14 194	0.13 56	0.14 30	0.09 3	0.07 4	0.09 35	0.07 26	0.08 74	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

GLC_STEREO	0.11 109	0.07 88	0.11 88	0.17 147	0.07 26	0.09 44	0.13 56	0.15 47	0.24 237	0.12 117	0.13 97	0.12 116	0.08 74	0.18 279	0.11 115	0.06 64	0.08 311	0.08 195	0.06 112	0.05 49	0.05 64

IPLGR	0.11 109	0.09 229	0.16 264	0.18 219	0.08 62	0.12 133	0.17 232	0.21 175	0.24 237	0.11 82	0.12 85	0.11 101	0.08 74	0.12 125	0.12 158	0.06 64	0.05 120	0.06 45	0.06 112	0.04 1	0.04 9

test-3	0.08 4	0.06 31	0.09 34	0.17 147	0.07 26	0.07 18	0.14 92	0.12 11	0.15 90	0.09 30	0.08 26	0.07 26	0.08 74	0.11 58	0.10 70	0.05 4	0.04 2	0.07 124	0.05 50	0.04 1	0.04 9

test_1	0.08 4	0.06 31	0.09 34	0.17 147	0.07 26	0.07 18	0.14 92	0.12 11	0.15 90	0.09 30	0.08 26	0.07 26	0.08 74	0.11 58	0.10 70	0.05 4	0.04 2	0.07 124	0.05 50	0.04 1	0.04 9

HHNet	0.11 109	0.06 31	0.16 264	0.15 48	0.14 364	0.07 18	0.13 56	0.20 156	0.17 129	0.14 162	0.25 275	0.11 101	0.08 74	0.13 163	0.10 70	0.05 4	0.04 2	0.08 195	0.06 112	0.05 49	0.09 298

AnonymousM	0.09 23	0.05 9	0.10 57	0.14 18	0.06 3	0.09 44	0.13 56	0.19 146	0.14 78	0.13 141	0.11 75	0.09 59	0.08 74	0.13 163	0.10 70	0.08 216	0.05 120	0.08 195	0.05 50	0.05 49	0.05 64

test-1	0.10 72	0.07 88	0.16 264	0.19 270	0.08 62	0.11 106	0.24 372	0.14 30	0.18 155	0.09 30	0.07 16	0.09 59	0.08 74	0.07 2	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

Prome-Stereo	0.11 109	0.06 31	0.10 57	0.18 219	0.08 62	0.12 133	0.15 148	0.22 193	0.13 60	0.12 117	0.17 157	0.13 140	0.08 74	0.12 125	0.10 70	0.05 4	0.04 2	0.07 124	0.06 112	0.06 118	0.09 298

raft+_RVC	0.11 109	0.07 88	0.09 34	0.16 91	0.07 26	0.10 73	0.11 17	0.24 230	0.20 188	0.12 117	0.15 127	0.12 116	0.08 74	0.12 125	0.13 195	0.07 162	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

XX-TBD	0.09 23	0.06 31	0.07 3	0.14 18	0.07 26	0.12 133	0.16 207	0.14 30	0.13 60	0.11 82	0.12 85	0.09 59	0.08 74	0.10 26	0.10 70	0.06 64	0.04 2	0.05 2	0.03 1	0.06 118	0.05 64

sAnonymous2	0.13 195	0.12 319	0.24 353	0.20 314	0.12 329	0.17 263	0.13 56	0.26 261	0.21 201	0.11 82	0.11 75	0.13 140	0.08 74	0.10 26	0.10 70	0.09 269	0.05 120	0.08 195	0.06 112	0.15 394	0.10 319

CroCo_RVC	0.13 195	0.12 319	0.24 353	0.20 314	0.12 329	0.17 263	0.13 56	0.26 261	0.21 201	0.11 82	0.11 75	0.13 140	0.08 74	0.10 26	0.10 70	0.09 269	0.05 120	0.08 195	0.06 112	0.15 394	0.10 319

CREStereo	0.09 23	0.04 1	0.08 13	0.11 1	0.06 3	0.13 164	0.14 92	0.14 30	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 216	0.04 2	0.05 2	0.03 1	0.06 118	0.06 129
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 72	0.06 31	0.10 57	0.17 147	0.08 62	0.11 106	0.14 92	0.23 210	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

RAFT-Stereo	0.10 72	0.06 31	0.10 57	0.17 147	0.08 62	0.11 106	0.14 92	0.23 210	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
rvit_stereo_0081_aga	0.11 109	0.09 229	0.14 182	0.18 219	0.09 159	0.13 164	0.14 92	0.14 30	0.19 168	0.10 58	0.18 180	0.16 198	0.09 97	0.12 125	0.09 27	0.10 303	0.06 222	0.08 195	0.07 194	0.07 180	0.06 129

rvit_stereo_0081	0.11 109	0.08 168	0.15 230	0.16 91	0.09 159	0.10 73	0.14 92	0.14 30	0.24 237	0.11 82	0.13 97	0.13 140	0.09 97	0.11 58	0.12 158	0.10 303	0.07 287	0.08 195	0.07 194	0.07 180	0.05 64

rvit_stereo_0082	0.11 109	0.08 168	0.15 230	0.16 91	0.09 159	0.10 73	0.14 92	0.14 30	0.24 237	0.11 82	0.13 97	0.13 140	0.09 97	0.11 58	0.12 158	0.10 303	0.07 287	0.08 195	0.07 194	0.07 180	0.05 64

EKT-Stereo	0.11 109	0.07 88	0.14 182	0.15 48	0.10 255	0.13 164	0.14 92	0.18 127	0.21 201	0.11 82	0.08 26	0.12 116	0.09 97	0.11 58	0.12 158	0.08 216	0.06 222	0.07 124	0.06 112	0.08 236	0.07 196

SPstereo	0.09 23	0.07 88	0.13 152	0.18 219	0.06 3	0.11 106	0.07 1	0.13 20	0.12 38	0.09 30	0.10 52	0.07 26	0.09 97	0.13 163	0.10 70	0.06 64	0.05 120	0.05 2	0.04 12	0.04 1	0.05 64

Any-RAFT	0.10 72	0.05 9	0.09 34	0.14 18	0.07 26	0.13 164	0.14 92	0.21 175	0.15 90	0.11 82	0.12 85	0.12 116	0.09 97	0.12 125	0.09 27	0.07 162	0.04 2	0.05 2	0.04 12	0.06 118	0.05 64

RAFT-Test	0.09 23	0.06 31	0.10 57	0.15 48	0.07 26	0.11 106	0.15 148	0.16 67	0.13 60	0.09 30	0.10 52	0.10 82	0.09 97	0.12 125	0.09 27	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

LoS_RVC	0.08 4	0.05 9	0.07 3	0.15 48	0.07 26	0.08 27	0.15 148	0.11 4	0.10 12	0.08 14	0.09 35	0.06 4	0.09 97	0.10 26	0.09 27	0.05 4	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 109	0.07 88	0.10 57	0.16 91	0.09 159	0.13 164	0.14 92	0.18 127	0.22 214	0.13 141	0.14 111	0.12 116	0.09 97	0.14 181	0.11 115	0.05 4	0.04 2	0.05 2	0.04 12	0.06 118	0.05 64

LoS	0.09 23	0.05 9	0.11 88	0.13 10	0.07 26	0.14 194	0.11 17	0.15 47	0.15 90	0.09 30	0.09 35	0.12 116	0.09 97	0.15 202	0.10 70	0.07 162	0.05 120	0.05 2	0.03 1	0.05 49	0.05 64
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 109	0.05 9	0.12 112	0.13 10	0.07 26	0.15 217	0.14 92	0.19 146	0.13 60	0.11 82	0.17 157	0.13 140	0.09 97	0.13 163	0.11 115	0.08 216	0.05 120	0.06 45	0.05 50	0.08 236	0.07 196

test_4	0.10 72	0.10 282	0.08 13	0.19 270	0.09 159	0.08 27	0.22 353	0.15 47	0.17 129	0.12 117	0.18 180	0.12 116	0.09 97	0.08 8	0.11 115	0.04 1	0.04 2	0.08 195	0.08 253	0.04 1	0.03 1

iRaft-Stereo_5w	0.12 170	0.09 229	0.12 112	0.19 270	0.08 62	0.09 44	0.12 29	0.21 175	0.21 201	0.19 270	0.14 111	0.11 101	0.09 97	0.20 314	0.16 272	0.05 4	0.05 120	0.07 124	0.06 112	0.05 49	0.06 129

CIPLG	0.11 109	0.08 168	0.14 182	0.17 147	0.08 62	0.12 133	0.15 148	0.17 101	0.15 90	0.14 162	0.11 75	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

dd	0.15 265	0.16 370	0.16 264	0.19 270	0.09 159	0.15 217	0.18 274	0.21 175	0.25 258	0.23 326	0.20 199	0.21 264	0.09 97	0.21 330	0.16 272	0.10 303	0.06 222	0.08 195	0.06 112	0.08 236	0.06 129

IPLGR_C	0.11 109	0.08 168	0.14 182	0.17 147	0.08 62	0.12 133	0.15 148	0.17 101	0.15 90	0.14 162	0.10 52	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

ACRE	0.11 109	0.08 168	0.14 182	0.17 147	0.08 62	0.12 133	0.15 148	0.17 101	0.14 78	0.14 162	0.10 52	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

test_3	0.10 72	0.09 229	0.10 57	0.20 314	0.08 62	0.13 164	0.26 392	0.14 30	0.21 201	0.10 58	0.10 52	0.09 59	0.09 97	0.08 8	0.11 115	0.05 4	0.04 2	0.08 195	0.07 194	0.04 1	0.04 9

Pruner-Stereo	0.11 109	0.07 88	0.12 112	0.17 147	0.09 159	0.06 4	0.12 29	0.17 101	0.17 129	0.13 141	0.19 188	0.13 140	0.09 97	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.08 258

RAFT-345	0.11 109	0.07 88	0.15 230	0.16 91	0.08 62	0.08 27	0.12 29	0.15 47	0.10 12	0.11 82	0.36 359	0.09 59	0.09 97	0.11 58	0.12 158	0.05 4	0.05 120	0.07 124	0.06 112	0.04 1	0.05 64

RALAANet	0.11 109	0.08 168	0.10 57	0.17 147	0.09 159	0.14 194	0.10 9	0.20 156	0.15 90	0.14 162	0.13 97	0.16 198	0.09 97	0.12 125	0.11 115	0.06 64	0.05 120	0.07 124	0.06 112	0.05 49	0.04 9

RAFT-Stereo + iAFF	0.09 23	0.06 31	0.10 57	0.17 147	0.06 3	0.10 73	0.16 207	0.17 101	0.14 78	0.09 30	0.10 52	0.08 43	0.09 97	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.06 112	0.04 1	0.03 1

AFF-stereo	0.09 23	0.06 31	0.10 57	0.17 147	0.07 26	0.10 73	0.16 207	0.17 101	0.09 3	0.10 58	0.12 85	0.09 59	0.09 97	0.12 125	0.09 27	0.05 4	0.04 2	0.07 124	0.07 194	0.04 1	0.03 1

CFNet-RSSM	0.09 23	0.07 88	0.09 34	0.16 91	0.07 26	0.09 44	0.15 148	0.16 67	0.17 129	0.08 14	0.12 85	0.10 82	0.09 97	0.11 58	0.09 27	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

Gwc-CoAtRS	0.09 23	0.06 31	0.10 57	0.16 91	0.07 26	0.10 73	0.14 92	0.17 101	0.17 129	0.08 14	0.10 52	0.12 116	0.09 97	0.12 125	0.09 27	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

rvit_stereo_0083	0.12 170	0.08 168	0.17 290	0.16 91	0.09 159	0.11 106	0.15 148	0.14 30	0.26 271	0.11 82	0.14 111	0.13 140	0.10 122	0.12 125	0.12 158	0.10 303	0.08 311	0.09 267	0.07 194	0.07 180	0.05 64

rvit_stereo_ft	0.12 170	0.07 88	0.13 152	0.19 270	0.10 255	0.12 133	0.17 232	0.16 67	0.16 112	0.12 117	0.13 97	0.15 185	0.10 122	0.14 181	0.13 195	0.09 269	0.06 222	0.08 195	0.07 194	0.07 180	0.05 64

H2IRNET	0.10 72	0.09 229	0.09 34	0.18 219	0.09 159	0.12 133	0.15 148	0.14 30	0.21 201	0.10 58	0.10 52	0.10 82	0.10 122	0.10 26	0.10 70	0.05 4	0.04 2	0.08 195	0.08 253	0.06 118	0.05 64

MyStereo8	0.12 170	0.07 88	0.15 230	0.15 48	0.09 159	0.18 281	0.14 92	0.19 146	0.22 214	0.12 117	0.18 180	0.11 101	0.10 122	0.16 236	0.18 302	0.07 162	0.05 120	0.07 124	0.05 50	0.08 236	0.09 298

MyStereo04	0.13 195	0.07 88	0.10 57	0.17 147	0.09 159	0.14 194	0.18 274	0.29 308	0.38 360	0.17 228	0.14 111	0.16 198	0.10 122	0.15 202	0.13 195	0.06 64	0.05 120	0.08 195	0.07 194	0.06 118	0.06 129

StereoVision	0.13 195	0.12 319	0.09 34	0.24 381	0.10 255	0.15 217	0.21 344	0.21 175	0.20 188	0.12 117	0.24 246	0.10 82	0.10 122	0.16 236	0.10 70	0.09 269	0.11 364	0.12 354	0.12 371	0.06 118	0.05 64

DCRE	0.11 109	0.07 88	0.13 152	0.16 91	0.11 298	0.11 106	0.17 232	0.18 127	0.17 129	0.11 82	0.18 180	0.10 82	0.10 122	0.15 202	0.11 115	0.06 64	0.05 120	0.06 45	0.06 112	0.05 49	0.04 9

Selective-RAFT	0.11 109	0.10 282	0.11 88	0.21 340	0.08 62	0.16 242	0.13 56	0.20 156	0.22 214	0.10 58	0.10 52	0.11 101	0.10 122	0.15 202	0.11 115	0.05 4	0.05 120	0.06 45	0.05 50	0.06 118	0.05 64

TestStereo1	0.13 195	0.08 168	0.08 13	0.19 270	0.08 62	0.18 281	0.29 414	0.23 210	0.16 112	0.17 228	0.20 199	0.16 198	0.10 122	0.12 125	0.13 195	0.06 64	0.06 222	0.08 195	0.06 112	0.05 49	0.05 64

DisPM	0.11 109	0.07 88	0.12 112	0.16 91	0.09 159	0.06 4	0.13 56	0.17 101	0.17 129	0.14 162	0.20 199	0.12 116	0.10 122	0.11 58	0.10 70	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.11 342

raft_robust	0.13 195	0.10 282	0.07 3	0.18 219	0.08 62	0.13 164	0.24 372	0.28 298	0.33 327	0.20 288	0.19 188	0.14 159	0.10 122	0.11 58	0.12 158	0.05 4	0.05 120	0.07 124	0.07 194	0.05 49	0.04 9

RAFT+CT+SA	0.13 195	0.11 304	0.09 34	0.19 270	0.09 159	0.15 217	0.28 405	0.22 193	0.22 214	0.15 189	0.26 291	0.10 82	0.10 122	0.11 58	0.12 158	0.05 4	0.04 2	0.07 124	0.08 253	0.07 180	0.06 129

SA-5K	0.13 195	0.08 168	0.08 13	0.19 270	0.08 62	0.18 281	0.29 414	0.23 210	0.16 112	0.17 228	0.20 199	0.16 198	0.10 122	0.12 125	0.13 195	0.06 64	0.06 222	0.08 195	0.06 112	0.05 49	0.05 64

PFNet+	0.11 109	0.06 31	0.13 152	0.16 91	0.09 159	0.05 3	0.12 29	0.17 101	0.21 201	0.16 214	0.19 188	0.14 159	0.10 122	0.11 58	0.11 115	0.08 216	0.05 120	0.09 267	0.08 253	0.06 118	0.11 342

STrans-v2	0.10 72	0.07 88	0.12 112	0.18 219	0.07 26	0.10 73	0.14 92	0.21 175	0.11 28	0.11 82	0.15 127	0.12 116	0.10 122	0.11 58	0.12 158	0.05 4	0.04 2	0.06 45	0.06 112	0.04 1	0.04 9

KYRaft	0.11 109	0.07 88	0.10 57	0.19 270	0.09 159	0.08 27	0.15 148	0.22 193	0.12 38	0.13 141	0.16 138	0.20 257	0.10 122	0.12 125	0.10 70	0.05 4	0.04 2	0.08 195	0.08 253	0.06 118	0.16 404

ASMatch	0.11 109	0.06 31	0.13 152	0.16 91	0.10 255	0.07 18	0.14 92	0.17 101	0.17 129	0.12 117	0.16 138	0.16 198	0.10 122	0.13 163	0.10 70	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.08 258

RAFT-RH_RVC	0.11 109	0.06 31	0.14 182	0.16 91	0.09 159	0.12 133	0.12 29	0.17 101	0.12 38	0.13 141	0.41 393	0.11 101	0.10 122	0.13 163	0.12 158	0.05 4	0.04 2	0.08 195	0.05 50	0.04 1	0.06 129

cross-raft	0.10 72	0.09 229	0.09 34	0.19 270	0.07 26	0.11 106	0.25 385	0.13 20	0.15 90	0.08 14	0.11 75	0.12 116	0.10 122	0.09 12	0.11 115	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

rafts_anoy	0.11 109	0.06 31	0.10 57	0.17 147	0.08 62	0.10 73	0.14 92	0.17 101	0.14 78	0.13 141	0.13 97	0.12 116	0.10 122	0.11 58	0.12 158	0.07 162	0.04 2	0.09 267	0.11 352	0.07 180	0.06 129

Anonymous3	0.16 285	0.13 345	0.33 391	0.26 396	0.14 364	0.27 383	0.17 232	0.28 298	0.28 294	0.15 189	0.17 157	0.14 159	0.10 122	0.15 202	0.12 158	0.08 216	0.08 311	0.08 195	0.08 253	0.08 236	0.11 342

RALCasStereoNet	0.10 72	0.06 31	0.09 34	0.16 91	0.08 62	0.12 133	0.14 92	0.17 101	0.11 28	0.12 117	0.17 157	0.14 159	0.10 122	0.12 125	0.11 115	0.07 162	0.06 222	0.06 45	0.05 50	0.08 236	0.07 196

RAFT + AFF	0.13 195	0.07 88	0.20 329	0.20 314	0.10 255	0.14 194	0.24 372	0.26 261	0.20 188	0.11 82	0.10 52	0.12 116	0.10 122	0.15 202	0.12 158	0.07 162	0.06 222	0.09 267	0.08 253	0.06 118	0.08 258

GMStereo	0.13 195	0.14 357	0.14 182	0.18 219	0.09 159	0.15 217	0.16 207	0.20 156	0.24 237	0.16 214	0.17 157	0.10 82	0.10 122	0.16 236	0.13 195	0.07 162	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 195	0.07 88	0.10 57	0.17 147	0.09 159	0.13 164	0.18 274	0.27 281	0.35 345	0.17 228	0.14 111	0.15 185	0.11 146	0.15 202	0.13 195	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

CoDeX	0.12 170	0.07 88	0.12 112	0.17 147	0.08 62	0.12 133	0.15 148	0.23 210	0.27 280	0.13 141	0.17 157	0.16 198	0.11 146	0.14 181	0.11 115	0.07 162	0.05 120	0.07 124	0.06 112	0.06 118	0.05 64

GMStereo_Zeroshot	0.16 285	0.13 345	0.24 353	0.20 314	0.10 255	0.17 263	0.13 56	0.29 308	0.25 258	0.23 326	0.32 338	0.25 314	0.11 146	0.19 291	0.14 231	0.09 269	0.06 222	0.11 338	0.06 112	0.12 352	0.08 258

MIF-Stereo (partial)	0.11 109	0.06 31	0.10 57	0.19 270	0.10 255	0.10 73	0.11 17	0.17 101	0.18 155	0.14 162	0.16 138	0.09 59	0.11 146	0.12 125	0.12 158	0.08 216	0.05 120	0.08 195	0.07 194	0.06 118	0.07 196

riskmin	0.11 109	0.06 31	0.13 152	0.14 18	0.08 62	0.14 194	0.14 92	0.18 127	0.14 78	0.11 82	0.14 111	0.16 198	0.11 146	0.14 181	0.12 158	0.09 269	0.05 120	0.07 124	0.05 50	0.08 236	0.08 258

fff	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 232	0.16 67	0.20 188	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

Sa-1000	0.12 170	0.08 168	0.08 13	0.18 219	0.08 62	0.14 194	0.22 353	0.22 193	0.18 155	0.15 189	0.20 199	0.17 218	0.11 146	0.10 26	0.10 70	0.06 64	0.05 120	0.09 267	0.09 292	0.05 49	0.05 64

SA	0.12 170	0.09 229	0.08 13	0.18 219	0.08 62	0.12 133	0.24 372	0.23 210	0.18 155	0.17 228	0.27 298	0.14 159	0.11 146	0.11 58	0.11 115	0.05 4	0.05 120	0.09 267	0.08 253	0.05 49	0.04 9

CrosDoStereo	0.12 170	0.06 31	0.12 112	0.14 18	0.08 62	0.12 133	0.15 148	0.17 101	0.22 214	0.19 270	0.24 246	0.15 185	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

LCNet	0.11 109	0.07 88	0.09 34	0.19 270	0.09 159	0.08 27	0.15 148	0.21 175	0.15 90	0.11 82	0.15 127	0.16 198	0.11 146	0.12 125	0.11 115	0.05 4	0.04 2	0.08 195	0.07 194	0.06 118	0.15 393

TransformOpticalFlow	0.10 72	0.08 168	0.13 152	0.18 219	0.07 26	0.09 44	0.15 148	0.19 146	0.15 90	0.12 117	0.17 157	0.11 101	0.11 146	0.11 58	0.10 70	0.05 4	0.04 2	0.06 45	0.06 112	0.05 49	0.05 64

NF-Stereo	0.11 109	0.07 88	0.13 152	0.17 147	0.09 159	0.10 73	0.14 92	0.23 210	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 353

OCTAStereo	0.11 109	0.07 88	0.13 152	0.17 147	0.09 159	0.10 73	0.14 92	0.23 210	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 353

PSM-softLoss	0.12 170	0.07 88	0.15 230	0.17 147	0.09 159	0.08 27	0.13 56	0.24 230	0.17 129	0.14 162	0.19 188	0.13 140	0.11 146	0.11 58	0.11 115	0.07 162	0.05 120	0.08 195	0.07 194	0.06 118	0.12 353

KMStereo	0.12 170	0.07 88	0.15 230	0.17 147	0.09 159	0.08 27	0.13 56	0.24 230	0.17 129	0.14 162	0.19 188	0.13 140	0.11 146	0.11 58	0.11 115	0.07 162	0.05 120	0.08 195	0.07 194	0.06 118	0.12 353

PSM-AAD	0.11 109	0.07 88	0.10 57	0.19 270	0.09 159	0.10 73	0.15 148	0.20 156	0.13 60	0.12 117	0.14 111	0.18 231	0.11 146	0.11 58	0.10 70	0.05 4	0.05 120	0.09 267	0.08 253	0.06 118	0.14 386

DeepStereo_LL	0.12 170	0.06 31	0.12 112	0.14 18	0.08 62	0.12 133	0.15 148	0.17 101	0.22 214	0.19 270	0.24 246	0.15 185	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

PFNet	0.12 170	0.06 31	0.17 290	0.17 147	0.08 62	0.09 44	0.15 148	0.26 261	0.20 188	0.16 214	0.16 138	0.14 159	0.11 146	0.12 125	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

GrayStereo	0.11 109	0.06 31	0.11 88	0.19 270	0.09 159	0.09 44	0.16 207	0.18 127	0.17 129	0.14 162	0.17 157	0.17 218	0.11 146	0.12 125	0.11 115	0.05 4	0.05 120	0.07 124	0.06 112	0.05 49	0.10 319

RE-Stereo	0.11 109	0.07 88	0.13 152	0.17 147	0.09 159	0.10 73	0.14 92	0.23 210	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 353

TVStereo	0.11 109	0.07 88	0.13 152	0.17 147	0.09 159	0.10 73	0.14 92	0.23 210	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 353

GMM-Stereo	0.11 109	0.07 88	0.10 57	0.18 219	0.09 159	0.08 27	0.15 148	0.23 210	0.16 112	0.11 82	0.15 127	0.13 140	0.11 146	0.11 58	0.11 115	0.05 4	0.04 2	0.08 195	0.07 194	0.06 118	0.09 298

s12784h	0.09 23	0.06 31	0.07 3	0.15 48	0.05 1	0.16 242	0.18 274	0.15 47	0.15 90	0.10 58	0.11 75	0.11 101	0.11 146	0.10 26	0.12 158	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

DCANet	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 232	0.15 47	0.19 168	0.13 141	0.17 157	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

csc	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 232	0.16 67	0.20 188	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

cscssc	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 232	0.16 67	0.20 188	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

111	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.10 73	0.14 92	0.21 175	0.23 223	0.11 82	0.12 85	0.14 159	0.11 146	0.13 163	0.10 70	0.06 64	0.04 2	0.06 45	0.04 12	0.05 49	0.05 64

ARAFT	0.12 170	0.08 168	0.17 290	0.19 270	0.09 159	0.14 194	0.18 274	0.20 156	0.12 38	0.12 117	0.13 97	0.14 159	0.11 146	0.15 202	0.12 158	0.06 64	0.05 120	0.10 309	0.09 292	0.05 49	0.04 9

HITNet	0.10 72	0.06 31	0.12 112	0.14 18	0.06 3	0.11 106	0.10 9	0.18 127	0.18 155	0.13 141	0.16 138	0.14 159	0.11 146	0.15 202	0.13 195	0.06 64	0.04 2	0.04 1	0.04 12	0.06 118	0.05 64
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
rvit_0105_6	0.14 225	0.09 229	0.18 311	0.17 147	0.10 255	0.10 73	0.16 207	0.19 146	0.26 271	0.12 117	0.18 180	0.17 218	0.12 175	0.18 279	0.12 158	0.15 391	0.11 364	0.12 354	0.10 325	0.09 292	0.06 129

rvit_0105_5	0.14 225	0.09 229	0.13 152	0.17 147	0.09 159	0.14 194	0.23 362	0.24 230	0.27 280	0.14 162	0.15 127	0.18 231	0.12 175	0.17 263	0.14 231	0.14 387	0.11 364	0.10 309	0.10 325	0.08 236	0.06 129

GCST	0.37 420	0.42 437	0.26 361	1.02 461	0.39 436	0.18 281	0.08 3	0.20 156	0.17 129	0.28 369	0.25 275	0.15 185	0.12 175	0.16 236	0.14 231	0.64 454	0.43 442	0.75 451	0.65 454	0.63 448	0.46 447

plain	0.10 72	0.08 168	0.10 57	0.19 270	0.09 159	0.10 73	0.15 148	0.14 30	0.13 60	0.13 141	0.15 127	0.09 59	0.12 175	0.13 163	0.12 158	0.07 162	0.05 120	0.09 267	0.06 112	0.06 118	0.06 129

PCWNet_CMD	0.14 225	0.08 168	0.15 230	0.17 147	0.09 159	0.14 194	0.14 92	0.29 308	0.36 349	0.14 162	0.20 199	0.21 264	0.12 175	0.17 263	0.13 195	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

ADStereo(finetuned)	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 232	0.15 47	0.19 168	0.13 141	0.17 157	0.10 82	0.12 175	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

GMOStereo	0.11 109	0.09 229	0.07 3	0.19 270	0.08 62	0.12 133	0.28 405	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 267	0.07 194	0.04 1	0.04 9

error version	0.11 109	0.09 229	0.07 3	0.19 270	0.08 62	0.12 133	0.28 405	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 267	0.07 194	0.04 1	0.04 9

test-v	0.11 109	0.09 229	0.07 3	0.19 270	0.08 62	0.12 133	0.28 405	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 267	0.07 194	0.04 1	0.04 9

GANet-ADL	0.13 195	0.07 88	0.15 230	0.17 147	0.10 255	0.18 281	0.15 148	0.30 322	0.20 188	0.13 141	0.18 180	0.19 245	0.12 175	0.16 236	0.13 195	0.08 216	0.06 222	0.06 45	0.05 50	0.07 180	0.08 258

Patchmatch Stereo++	0.11 109	0.09 229	0.16 264	0.18 219	0.08 62	0.06 4	0.11 17	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196
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	0.11 109	0.06 31	0.14 182	0.18 219	0.08 62	0.09 44	0.12 29	0.21 175	0.21 201	0.13 141	0.14 111	0.11 101	0.12 175	0.11 58	0.13 195	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.04 9

IIG-Stereo	0.11 109	0.06 31	0.13 152	0.17 147	0.08 62	0.11 106	0.12 29	0.22 193	0.17 129	0.14 162	0.17 157	0.11 101	0.12 175	0.12 125	0.12 158	0.06 64	0.05 120	0.07 124	0.06 112	0.05 49	0.04 9

NRIStereo	0.11 109	0.08 168	0.14 182	0.18 219	0.08 62	0.10 73	0.14 92	0.16 67	0.15 90	0.12 117	0.14 111	0.13 140	0.12 175	0.13 163	0.10 70	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.07 196

PSM-adaLoss	0.11 109	0.09 229	0.16 264	0.18 219	0.08 62	0.06 4	0.12 29	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

FTStereo	0.12 170	0.06 31	0.14 182	0.18 219	0.09 159	0.07 18	0.15 148	0.21 175	0.18 155	0.12 117	0.24 246	0.12 116	0.12 175	0.13 163	0.13 195	0.05 4	0.05 120	0.07 124	0.06 112	0.06 118	0.10 319

ROB_FTStereo_v2	0.11 109	0.09 229	0.16 264	0.19 270	0.08 62	0.06 4	0.12 29	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

ROB_FTStereo	0.11 109	0.09 229	0.16 264	0.19 270	0.08 62	0.06 4	0.11 17	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

HUI-Stereo	0.11 109	0.09 229	0.16 264	0.18 219	0.08 62	0.06 4	0.12 29	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

SST-Stereo	0.10 72	0.07 88	0.15 230	0.18 219	0.09 159	0.06 4	0.12 29	0.17 101	0.11 28	0.15 189	0.17 157	0.13 140	0.12 175	0.10 26	0.11 115	0.06 64	0.04 2	0.09 267	0.06 112	0.06 118	0.05 64

THIR-Stereo	0.12 170	0.07 88	0.11 88	0.15 48	0.08 62	0.14 194	0.16 207	0.17 101	0.25 258	0.16 214	0.24 246	0.14 159	0.12 175	0.12 125	0.14 231	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

RAFT_R40	0.11 109	0.07 88	0.14 182	0.18 219	0.09 159	0.06 4	0.13 56	0.17 101	0.16 112	0.14 162	0.18 180	0.15 185	0.12 175	0.10 26	0.11 115	0.06 64	0.04 2	0.09 267	0.06 112	0.06 118	0.05 64

DeepStereo_RVC	0.11 109	0.08 168	0.16 264	0.18 219	0.08 62	0.08 27	0.12 29	0.17 101	0.12 38	0.13 141	0.14 111	0.12 116	0.12 175	0.12 125	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.07 180	0.08 258

iGMRVC	0.11 109	0.09 229	0.16 264	0.19 270	0.08 62	0.06 4	0.12 29	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

IRAFT_RVC	0.12 170	0.08 168	0.16 264	0.19 270	0.08 62	0.07 18	0.15 148	0.24 230	0.23 223	0.14 162	0.14 111	0.15 185	0.12 175	0.12 125	0.10 70	0.06 64	0.04 2	0.09 267	0.06 112	0.06 118	0.06 129

iRAFT	0.11 109	0.09 229	0.16 264	0.18 219	0.08 62	0.06 4	0.11 17	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

CRE-IMP	0.11 109	0.09 229	0.16 264	0.19 270	0.08 62	0.10 73	0.12 29	0.18 127	0.10 12	0.14 162	0.13 97	0.13 140	0.12 175	0.12 125	0.11 115	0.07 162	0.04 2	0.08 195	0.06 112	0.08 236	0.08 258

test-2	0.11 109	0.09 229	0.07 3	0.19 270	0.08 62	0.12 133	0.28 405	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 267	0.07 194	0.04 1	0.04 9

RAFT	0.13 195	0.09 229	0.11 88	0.18 219	0.08 62	0.15 217	0.24 372	0.20 156	0.19 168	0.21 300	0.21 219	0.17 218	0.12 175	0.16 236	0.09 27	0.06 64	0.07 287	0.10 309	0.09 292	0.05 49	0.05 64

RAFT-IKP	0.11 109	0.09 229	0.16 264	0.19 270	0.08 62	0.06 4	0.12 29	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 195	0.06 112	0.08 236	0.07 196

TestStereo	0.13 195	0.14 357	0.11 88	0.23 374	0.08 62	0.15 217	0.21 344	0.20 156	0.23 223	0.14 162	0.24 246	0.16 198	0.12 175	0.16 236	0.14 231	0.05 4	0.06 222	0.08 195	0.06 112	0.09 292	0.05 64

FENet	0.13 195	0.08 168	0.12 112	0.16 91	0.08 62	0.14 194	0.15 148	0.22 193	0.23 223	0.17 228	0.23 237	0.16 198	0.12 175	0.14 181	0.15 257	0.08 216	0.05 120	0.08 195	0.08 253	0.07 180	0.07 196

DIP-Stereo	0.11 109	0.07 88	0.14 182	0.17 147	0.09 159	0.13 164	0.09 5	0.16 67	0.16 112	0.11 82	0.16 138	0.14 159	0.12 175	0.15 202	0.13 195	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129
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	0.14 225	0.08 168	0.15 230	0.17 147	0.09 159	0.14 194	0.14 92	0.29 308	0.36 349	0.14 162	0.21 219	0.21 264	0.12 175	0.17 263	0.14 231	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

rvit_0105_4	0.14 225	0.09 229	0.17 290	0.17 147	0.10 255	0.12 133	0.19 310	0.23 210	0.27 280	0.14 162	0.20 199	0.17 218	0.13 209	0.17 263	0.13 195	0.15 391	0.11 364	0.11 338	0.10 325	0.09 292	0.06 129

rvit_0105_3	0.15 265	0.09 229	0.14 182	0.19 270	0.12 329	0.15 217	0.25 385	0.25 245	0.29 300	0.15 189	0.17 157	0.20 257	0.13 209	0.17 263	0.14 231	0.13 376	0.11 364	0.12 354	0.14 383	0.07 180	0.06 129

UGAM	0.13 195	0.10 282	0.09 34	0.22 355	0.08 62	0.12 133	0.20 327	0.17 101	0.23 223	0.21 300	0.16 138	0.13 140	0.13 209	0.19 291	0.12 158	0.07 162	0.05 120	0.13 369	0.11 352	0.07 180	0.05 64

ffm	0.12 170	0.09 229	0.14 182	0.16 91	0.08 62	0.17 263	0.17 232	0.15 47	0.19 168	0.15 189	0.25 275	0.19 245	0.13 209	0.10 26	0.07 1	0.06 64	0.04 2	0.09 267	0.08 253	0.06 118	0.06 129

ff1	0.13 195	0.09 229	0.14 182	0.16 91	0.08 62	0.17 263	0.17 232	0.15 47	0.19 168	0.15 189	0.25 275	0.19 245	0.13 209	0.14 181	0.20 317	0.06 64	0.04 2	0.09 267	0.08 253	0.06 118	0.06 129

mmx	0.14 225	0.09 229	0.14 182	0.16 91	0.08 62	0.17 263	0.17 232	0.27 281	0.25 258	0.15 189	0.25 275	0.19 245	0.13 209	0.14 181	0.20 317	0.08 216	0.06 222	0.09 267	0.08 253	0.08 236	0.08 258

ttt	0.14 225	0.08 168	0.14 182	0.15 48	0.08 62	0.15 217	0.18 274	0.27 281	0.29 300	0.16 214	0.24 246	0.17 218	0.13 209	0.13 163	0.14 231	0.11 328	0.08 311	0.09 267	0.08 253	0.09 292	0.08 258

xxx	0.14 225	0.09 229	0.14 182	0.16 91	0.08 62	0.17 263	0.17 232	0.27 281	0.25 258	0.15 189	0.25 275	0.19 245	0.13 209	0.14 181	0.20 317	0.08 216	0.06 222	0.09 267	0.08 253	0.08 236	0.08 258

LL-Strereo	0.13 195	0.09 229	0.11 88	0.20 314	0.10 255	0.11 106	0.18 274	0.32 340	0.24 237	0.15 189	0.15 127	0.14 159	0.13 209	0.19 291	0.11 115	0.06 64	0.04 2	0.09 267	0.08 253	0.04 1	0.05 64

SDNR	0.19 329	0.08 168	0.19 321	0.16 91	0.12 329	0.77 452	0.14 92	0.25 245	0.32 321	0.19 270	0.24 246	0.19 245	0.13 209	0.19 291	0.15 257	0.16 407	0.18 413	0.14 381	0.11 352	0.08 236	0.11 342

BUS	0.14 225	0.09 229	0.14 182	0.22 355	0.10 255	0.19 303	0.14 92	0.34 366	0.19 168	0.17 228	0.22 228	0.16 198	0.13 209	0.15 202	0.13 195	0.08 216	0.06 222	0.10 309	0.09 292	0.07 180	0.07 196

NINENet	0.16 285	0.10 282	0.15 230	0.17 147	0.11 298	0.19 303	0.14 92	0.40 404	0.36 349	0.18 257	0.21 219	0.16 198	0.13 209	0.15 202	0.13 195	0.08 216	0.08 311	0.10 309	0.07 194	0.10 322	0.09 298

UDGNet	0.14 225	0.13 345	0.16 264	0.17 147	0.10 255	0.12 133	0.16 207	0.21 175	0.27 280	0.20 288	0.20 199	0.16 198	0.13 209	0.16 236	0.13 195	0.10 303	0.06 222	0.09 267	0.07 194	0.06 118	0.07 196

dad	0.17 305	0.20 398	0.20 329	0.16 91	0.11 298	0.20 318	0.18 274	0.21 175	0.28 294	0.30 379	0.24 246	0.29 342	0.13 209	0.19 291	0.16 272	0.18 413	0.09 335	0.11 338	0.09 292	0.11 339	0.07 196

GEStereo_RVC	0.17 305	0.12 319	0.15 230	0.22 355	0.11 298	0.19 303	0.17 232	0.32 340	0.48 398	0.20 288	0.25 275	0.17 218	0.13 209	0.21 330	0.16 272	0.10 303	0.06 222	0.08 195	0.07 194	0.09 292	0.08 258

CFNet_pseudo	0.14 225	0.08 168	0.15 230	0.16 91	0.09 159	0.13 164	0.14 92	0.27 281	0.34 338	0.14 162	0.21 219	0.22 281	0.13 209	0.18 279	0.14 231	0.07 162	0.05 120	0.08 195	0.06 112	0.07 180	0.07 196

GES	0.14 225	0.08 168	0.16 264	0.15 48	0.10 255	0.13 164	0.13 56	0.28 298	0.25 258	0.16 214	0.23 237	0.18 231	0.13 209	0.16 236	0.13 195	0.08 216	0.07 287	0.07 124	0.06 112	0.08 236	0.09 298

SFCPSM	0.13 195	0.07 88	0.14 182	0.17 147	0.09 159	0.15 217	0.16 207	0.28 298	0.27 280	0.14 162	0.17 157	0.12 116	0.13 209	0.14 181	0.11 115	0.08 216	0.05 120	0.07 124	0.07 194	0.07 180	0.06 129

ccs_rob	0.14 225	0.08 168	0.15 230	0.16 91	0.09 159	0.12 133	0.14 92	0.27 281	0.34 338	0.14 162	0.21 219	0.22 281	0.13 209	0.18 279	0.14 231	0.07 162	0.05 120	0.08 195	0.07 194	0.07 180	0.07 196

AdaStereo	0.15 265	0.11 304	0.15 230	0.18 219	0.09 159	0.20 318	0.11 17	0.32 340	0.28 294	0.20 288	0.23 237	0.20 257	0.13 209	0.19 291	0.14 231	0.12 353	0.05 120	0.10 309	0.07 194	0.09 292	0.07 196
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	0.14 225	0.08 168	0.15 230	0.16 91	0.08 62	0.16 242	0.12 29	0.25 245	0.35 345	0.21 300	0.29 322	0.24 301	0.13 209	0.14 181	0.14 231	0.06 64	0.05 120	0.06 45	0.04 12	0.09 292	0.08 258

MLCV	0.12 170	0.07 88	0.16 264	0.18 219	0.06 3	0.15 217	0.17 232	0.19 146	0.21 201	0.18 257	0.25 275	0.17 218	0.13 209	0.14 181	0.13 195	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

iResNet	0.13 195	0.10 282	0.18 311	0.19 270	0.08 62	0.13 164	0.18 274	0.20 156	0.26 271	0.15 189	0.23 237	0.15 185	0.13 209	0.14 181	0.14 231	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

DN-CSS_ROB	0.13 195	0.13 345	0.16 264	0.18 219	0.10 255	0.16 242	0.08 3	0.22 193	0.18 155	0.17 228	0.22 228	0.13 140	0.13 209	0.12 125	0.13 195	0.05 4	0.05 120	0.10 309	0.10 325	0.08 236	0.06 129

test_sample6	0.14 225	0.08 168	0.13 152	0.16 91	0.08 62	0.17 263	0.19 310	0.25 245	0.17 129	0.17 228	0.27 298	0.19 245	0.14 233	0.15 202	0.13 195	0.08 216	0.05 120	0.08 195	0.07 194	0.08 236	0.08 258

test_sample5	0.14 225	0.08 168	0.14 182	0.16 91	0.08 62	0.18 281	0.18 274	0.25 245	0.17 129	0.17 228	0.27 298	0.18 231	0.14 233	0.16 236	0.13 195	0.08 216	0.05 120	0.08 195	0.07 194	0.08 236	0.08 258

test_sample4	0.14 225	0.08 168	0.14 182	0.15 48	0.08 62	0.19 303	0.18 274	0.26 261	0.17 129	0.16 214	0.25 275	0.18 231	0.14 233	0.16 236	0.13 195	0.08 216	0.06 222	0.08 195	0.06 112	0.08 236	0.08 258

DualNet	0.14 225	0.08 168	0.14 182	0.16 91	0.08 62	0.18 281	0.18 274	0.25 245	0.17 129	0.17 228	0.27 298	0.18 231	0.14 233	0.16 236	0.13 195	0.08 216	0.05 120	0.08 195	0.07 194	0.08 236	0.08 258

CFNet_ucs	0.15 265	0.08 168	0.16 264	0.16 91	0.11 298	0.14 194	0.14 92	0.30 322	0.34 338	0.16 214	0.24 246	0.23 295	0.14 233	0.18 279	0.15 257	0.09 269	0.06 222	0.08 195	0.07 194	0.09 292	0.09 298

anonymousa	0.13 195	0.07 88	0.13 152	0.18 219	0.09 159	0.13 164	0.17 232	0.19 146	0.29 300	0.15 189	0.24 246	0.15 185	0.14 233	0.14 181	0.14 231	0.07 162	0.05 120	0.07 124	0.09 292	0.05 49	0.06 129

DCANet-4	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 232	0.18 127	0.19 168	0.13 141	0.16 138	0.09 59	0.14 233	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

GwcNet-ADL	0.13 195	0.08 168	0.14 182	0.20 314	0.09 159	0.11 106	0.20 327	0.30 322	0.24 237	0.13 141	0.14 111	0.18 231	0.14 233	0.13 163	0.14 231	0.07 162	0.05 120	0.06 45	0.05 50	0.07 180	0.06 129

AAGNet	0.11 109	0.07 88	0.16 264	0.19 270	0.09 159	0.08 27	0.13 56	0.18 127	0.13 60	0.16 214	0.21 219	0.13 140	0.14 233	0.11 58	0.14 231	0.06 64	0.04 2	0.09 267	0.06 112	0.06 118	0.05 64

DEmStereo	0.12 170	0.06 31	0.14 182	0.14 18	0.10 255	0.16 242	0.15 148	0.16 67	0.24 237	0.17 228	0.24 246	0.13 140	0.14 233	0.12 125	0.13 195	0.05 4	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

HCRNet	0.16 285	0.24 412	0.12 112	0.35 427	0.11 298	0.15 217	0.17 232	0.26 261	0.22 214	0.19 270	0.24 246	0.21 264	0.14 233	0.15 202	0.13 195	0.11 328	0.07 287	0.11 338	0.10 325	0.09 292	0.07 196

xxxx	0.15 265	0.07 88	0.14 182	0.14 18	0.08 62	0.23 353	0.18 274	0.31 329	0.19 168	0.14 162	0.28 310	0.22 281	0.14 233	0.15 202	0.26 382	0.09 269	0.05 120	0.07 124	0.07 194	0.08 236	0.07 196

PSMNet-RSSM	0.14 225	0.07 88	0.13 152	0.15 48	0.08 62	0.13 164	0.16 207	0.24 230	0.24 237	0.16 214	0.28 310	0.22 281	0.14 233	0.15 202	0.13 195	0.11 328	0.06 222	0.09 267	0.12 371	0.08 236	0.07 196

CFNet-ft	0.14 225	0.07 88	0.15 230	0.12 3	0.09 159	0.16 242	0.18 274	0.22 193	0.24 237	0.17 228	0.26 291	0.24 301	0.14 233	0.16 236	0.14 231	0.11 328	0.06 222	0.08 195	0.09 292	0.09 292	0.08 258

BEATNet_4x	0.12 170	0.08 168	0.14 182	0.18 219	0.07 26	0.15 217	0.07 1	0.22 193	0.18 155	0.16 214	0.19 188	0.18 231	0.14 233	0.16 236	0.15 257	0.07 162	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

HSM-Net_RVC	0.14 225	0.08 168	0.11 88	0.15 48	0.08 62	0.15 217	0.15 148	0.27 281	0.29 300	0.19 270	0.21 219	0.29 342	0.14 233	0.17 263	0.13 195	0.06 64	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 225	0.07 88	0.15 230	0.12 3	0.09 159	0.16 242	0.18 274	0.22 193	0.24 237	0.17 228	0.26 291	0.24 301	0.14 233	0.16 236	0.14 231	0.11 328	0.06 222	0.08 195	0.09 292	0.09 292	0.08 258

rvit_stereo_0075_2	0.17 305	0.12 319	0.25 358	0.23 374	0.16 388	0.13 164	0.10 9	0.30 322	0.27 280	0.20 288	0.28 310	0.22 281	0.15 250	0.18 279	0.13 195	0.16 407	0.10 354	0.17 400	0.10 325	0.10 322	0.09 298

test_sample3	0.14 225	0.08 168	0.15 230	0.14 18	0.09 159	0.19 303	0.17 232	0.26 261	0.18 155	0.16 214	0.22 228	0.19 245	0.15 250	0.17 263	0.13 195	0.08 216	0.06 222	0.07 124	0.06 112	0.09 292	0.08 258

test_sample2	0.12 170	0.07 88	0.12 112	0.14 18	0.08 62	0.16 242	0.18 274	0.21 175	0.16 112	0.14 162	0.20 199	0.19 245	0.15 250	0.15 202	0.12 158	0.08 216	0.05 120	0.07 124	0.06 112	0.08 236	0.07 196

SMFormer	0.14 225	0.07 88	0.17 290	0.14 18	0.08 62	0.16 242	0.17 232	0.26 261	0.27 280	0.19 270	0.20 199	0.18 231	0.15 250	0.15 202	0.17 285	0.08 216	0.05 120	0.07 124	0.06 112	0.07 180	0.06 129

tta	0.14 225	0.07 88	0.17 290	0.14 18	0.08 62	0.16 242	0.17 232	0.26 261	0.27 280	0.19 270	0.20 199	0.18 231	0.15 250	0.15 202	0.17 285	0.08 216	0.05 120	0.07 124	0.06 112	0.06 118	0.06 129

qqq1	0.13 195	0.07 88	0.17 290	0.14 18	0.08 62	0.16 242	0.17 232	0.26 261	0.27 280	0.19 270	0.20 199	0.18 231	0.15 250	0.15 202	0.11 115	0.08 216	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

fff1	0.13 195	0.07 88	0.17 290	0.14 18	0.08 62	0.16 242	0.17 232	0.26 261	0.27 280	0.19 270	0.20 199	0.18 231	0.15 250	0.15 202	0.11 115	0.08 216	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

1111x	0.15 265	0.08 168	0.12 112	0.18 219	0.07 26	0.18 281	0.25 385	0.31 329	0.24 237	0.17 228	0.24 246	0.26 322	0.15 250	0.13 163	0.23 354	0.07 162	0.07 287	0.08 195	0.09 292	0.07 180	0.06 129

iinet-f	0.16 285	0.06 31	0.45 412	0.14 18	0.10 255	0.21 332	0.14 92	0.27 281	0.23 223	0.21 300	0.24 246	0.21 264	0.15 250	0.18 279	0.21 335	0.09 269	0.07 287	0.07 124	0.06 112	0.09 292	0.10 319

GASNet	0.22 358	0.23 409	0.33 391	0.26 396	0.17 403	0.26 376	0.16 207	0.44 420	0.42 379	0.27 357	0.24 246	0.30 350	0.15 250	0.27 370	0.18 302	0.12 353	0.08 311	0.12 354	0.11 352	0.16 401	0.07 196

CASS	0.13 195	0.12 319	0.11 88	0.23 374	0.09 159	0.15 217	0.17 232	0.18 127	0.19 168	0.17 228	0.18 180	0.15 185	0.15 250	0.14 181	0.14 231	0.09 269	0.06 222	0.10 309	0.08 253	0.09 292	0.07 196
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 318	0.09 229	0.29 380	0.15 48	0.10 255	0.22 340	0.20 327	0.26 261	0.39 363	0.25 347	0.42 398	0.24 301	0.15 250	0.20 314	0.19 311	0.07 162	0.05 120	0.06 45	0.05 50	0.10 322	0.09 298

test_5	0.14 225	0.12 319	0.08 13	0.20 314	0.10 255	0.14 194	0.29 414	0.21 175	0.24 237	0.18 257	0.28 310	0.11 101	0.15 250	0.12 125	0.13 195	0.06 64	0.05 120	0.07 124	0.08 253	0.08 236	0.07 196

CSP-Net	0.16 285	0.09 229	0.14 182	0.16 91	0.09 159	0.19 303	0.17 232	0.25 245	0.32 321	0.25 347	0.30 326	0.24 301	0.15 250	0.21 330	0.18 302	0.09 269	0.06 222	0.07 124	0.07 194	0.08 236	0.07 196

DAS	0.15 265	0.08 168	0.18 311	0.19 270	0.10 255	0.19 303	0.17 232	0.27 281	0.29 300	0.18 257	0.25 275	0.21 264	0.15 250	0.16 236	0.12 158	0.08 216	0.06 222	0.06 45	0.06 112	0.07 180	0.07 196

SepStereo	0.15 265	0.08 168	0.18 311	0.19 270	0.10 255	0.19 303	0.17 232	0.27 281	0.29 300	0.18 257	0.25 275	0.21 264	0.15 250	0.25 365	0.12 158	0.08 216	0.06 222	0.06 45	0.06 112	0.07 180	0.07 196

DRaft	0.12 170	0.06 31	0.11 88	0.14 18	0.09 159	0.14 194	0.17 232	0.21 175	0.30 309	0.17 228	0.28 310	0.10 82	0.15 250	0.10 26	0.12 158	0.05 4	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

GANet-RSSM	0.14 225	0.07 88	0.13 152	0.13 10	0.08 62	0.14 194	0.17 232	0.22 193	0.21 201	0.17 228	0.24 246	0.23 295	0.15 250	0.16 236	0.15 257	0.10 303	0.06 222	0.07 124	0.08 253	0.08 236	0.07 196

DSFCA	0.16 285	0.09 229	0.14 182	0.16 91	0.10 255	0.20 318	0.19 310	0.28 298	0.31 315	0.23 326	0.24 246	0.22 281	0.15 250	0.19 291	0.20 317	0.10 303	0.07 287	0.09 267	0.09 292	0.08 236	0.08 258

FADNet-RVC-Resample	0.16 285	0.11 304	0.31 385	0.22 355	0.11 298	0.19 303	0.14 92	0.25 245	0.24 237	0.24 334	0.27 298	0.20 257	0.15 250	0.16 236	0.15 257	0.07 162	0.08 311	0.12 354	0.10 325	0.09 292	0.10 319

UCFNet_RVC	0.14 225	0.08 168	0.13 152	0.11 1	0.10 255	0.20 318	0.10 9	0.24 230	0.22 214	0.17 228	0.20 199	0.23 295	0.15 250	0.17 263	0.15 257	0.12 353	0.07 287	0.10 309	0.13 380	0.11 339	0.10 319

iResNet_ROB	0.14 225	0.07 88	0.13 152	0.14 18	0.07 26	0.18 281	0.14 92	0.26 261	0.31 315	0.22 314	0.25 275	0.23 295	0.15 250	0.15 202	0.13 195	0.07 162	0.05 120	0.05 2	0.04 12	0.08 236	0.08 258

PWCDC_ROB	0.20 340	0.13 345	0.22 341	0.24 381	0.11 298	0.19 303	0.15 148	0.33 357	0.54 414	0.29 376	0.50 413	0.21 264	0.15 250	0.27 370	0.20 317	0.11 328	0.09 335	0.10 309	0.08 253	0.11 339	0.09 298

test_sample1	0.13 195	0.07 88	0.14 182	0.13 10	0.08 62	0.19 303	0.16 207	0.20 156	0.15 90	0.14 162	0.22 228	0.18 231	0.16 273	0.17 263	0.14 231	0.07 162	0.06 222	0.06 45	0.06 112	0.08 236	0.07 196

xx1	0.11 109	0.08 168	0.12 112	0.17 147	0.09 159	0.13 164	0.15 148	0.16 67	0.18 155	0.09 30	0.09 35	0.16 198	0.16 273	0.10 26	0.07 1	0.06 64	0.04 2	0.08 195	0.08 253	0.07 180	0.07 196

mmm	0.14 225	0.08 168	0.17 290	0.17 147	0.09 159	0.17 263	0.18 274	0.21 175	0.15 90	0.15 189	0.23 237	0.21 264	0.16 273	0.16 236	0.17 285	0.08 216	0.05 120	0.08 195	0.07 194	0.07 180	0.07 196

11t1	0.12 170	0.06 31	0.13 152	0.14 18	0.08 62	0.17 263	0.15 148	0.18 127	0.15 90	0.15 189	0.15 127	0.16 198	0.16 273	0.15 202	0.13 195	0.08 216	0.05 120	0.06 45	0.05 50	0.08 236	0.07 196

CBFPSM	0.14 225	0.06 31	0.26 361	0.17 147	0.09 159	0.13 164	0.15 148	0.22 193	0.23 223	0.20 288	0.27 298	0.24 301	0.16 273	0.16 236	0.18 302	0.06 64	0.06 222	0.06 45	0.07 194	0.07 180	0.07 196

gwcnet-sp	0.14 225	0.07 88	0.12 112	0.18 219	0.09 159	0.16 242	0.17 232	0.24 230	0.24 237	0.18 257	0.24 246	0.15 185	0.16 273	0.15 202	0.15 257	0.08 216	0.06 222	0.07 124	0.08 253	0.08 236	0.07 196

scenet	0.14 225	0.07 88	0.12 112	0.18 219	0.09 159	0.16 242	0.17 232	0.24 230	0.24 237	0.18 257	0.24 246	0.15 185	0.16 273	0.15 202	0.15 257	0.08 216	0.06 222	0.07 124	0.08 253	0.08 236	0.07 196

ssnet	0.14 225	0.07 88	0.12 112	0.18 219	0.09 159	0.16 242	0.17 232	0.24 230	0.24 237	0.18 257	0.24 246	0.15 185	0.16 273	0.15 202	0.15 257	0.08 216	0.06 222	0.07 124	0.08 253	0.08 236	0.07 196

qqq	0.13 195	0.09 229	0.15 230	0.16 91	0.08 62	0.13 164	0.15 148	0.23 210	0.16 112	0.15 189	0.19 188	0.16 198	0.16 273	0.15 202	0.16 272	0.07 162	0.06 222	0.08 195	0.08 253	0.07 180	0.07 196

BSDual-CNN	0.15 265	0.09 229	0.14 182	0.22 355	0.10 255	0.14 194	0.15 148	0.34 366	0.19 168	0.17 228	0.22 228	0.25 314	0.16 273	0.15 202	0.14 231	0.08 216	0.06 222	0.10 309	0.09 292	0.07 180	0.07 196

psmg	0.14 225	0.09 229	0.14 182	0.17 147	0.10 255	0.15 217	0.17 232	0.29 308	0.19 168	0.17 228	0.21 219	0.25 314	0.16 273	0.15 202	0.14 231	0.08 216	0.06 222	0.08 195	0.08 253	0.07 180	0.06 129

AASNet	0.16 285	0.08 168	0.12 112	0.19 270	0.09 159	0.18 281	0.15 148	0.37 389	0.37 355	0.19 270	0.23 237	0.20 257	0.16 273	0.17 263	0.20 317	0.10 303	0.08 311	0.08 195	0.07 194	0.09 292	0.09 298

PSMNet-ADL	0.15 265	0.12 319	0.13 152	0.22 355	0.09 159	0.13 164	0.20 327	0.26 261	0.23 223	0.18 257	0.20 199	0.24 301	0.16 273	0.18 279	0.17 285	0.08 216	0.08 311	0.08 195	0.11 352	0.08 236	0.07 196

ADLNet	0.16 285	0.08 168	0.15 230	0.16 91	0.10 255	0.16 242	0.17 232	0.32 340	0.27 280	0.22 314	0.27 298	0.24 301	0.16 273	0.18 279	0.21 335	0.10 303	0.06 222	0.10 309	0.10 325	0.08 236	0.09 298

222	0.16 285	0.07 88	0.14 182	0.14 18	0.08 62	0.24 358	0.18 274	0.30 322	0.20 188	0.17 228	0.28 310	0.17 218	0.16 273	0.15 202	0.40 429	0.10 303	0.05 120	0.07 124	0.06 112	0.07 180	0.08 258

test_xeample	0.15 265	0.06 31	0.13 152	0.14 18	0.08 62	0.21 332	0.20 327	0.28 298	0.20 188	0.16 214	0.29 322	0.19 245	0.16 273	0.15 202	0.26 382	0.09 269	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

ACVNet	0.15 265	0.09 229	0.15 230	0.13 10	0.12 329	0.14 194	0.20 327	0.22 193	0.33 327	0.17 228	0.26 291	0.21 264	0.16 273	0.17 263	0.21 335	0.07 162	0.06 222	0.06 45	0.06 112	0.08 236	0.06 129

cf-r	0.13 195	0.07 88	0.12 112	0.16 91	0.08 62	0.14 194	0.19 310	0.20 156	0.25 258	0.17 228	0.25 275	0.21 264	0.16 273	0.14 181	0.14 231	0.10 303	0.05 120	0.06 45	0.08 253	0.06 118	0.06 129

GwcNet-RSSM	0.14 225	0.07 88	0.12 112	0.15 48	0.08 62	0.15 217	0.20 327	0.21 175	0.27 280	0.18 257	0.27 298	0.22 281	0.16 273	0.14 181	0.15 257	0.10 303	0.05 120	0.07 124	0.09 292	0.07 180	0.07 196

HSM	0.15 265	0.08 168	0.14 182	0.16 91	0.09 159	0.16 242	0.14 92	0.28 298	0.25 258	0.19 270	0.23 237	0.37 388	0.16 273	0.20 314	0.15 257	0.07 162	0.05 120	0.07 124	0.06 112	0.07 180	0.06 129

rvit_105_1	0.19 329	0.11 304	0.25 358	0.21 340	0.16 388	0.21 332	0.27 399	0.31 329	0.41 372	0.19 270	0.20 199	0.22 281	0.17 293	0.19 291	0.17 285	0.12 353	0.12 377	0.13 369	0.15 397	0.08 236	0.07 196

DispNO	0.14 225	0.08 168	0.17 290	0.19 270	0.12 329	0.11 106	0.21 344	0.23 210	0.29 300	0.17 228	0.23 237	0.18 231	0.17 293	0.15 202	0.15 257	0.07 162	0.05 120	0.08 195	0.08 253	0.07 180	0.06 129

x	0.13 195	0.07 88	0.14 182	0.14 18	0.08 62	0.18 281	0.14 92	0.22 193	0.20 188	0.15 189	0.19 188	0.19 245	0.17 293	0.18 279	0.18 302	0.07 162	0.05 120	0.06 45	0.06 112	0.07 180	0.07 196

CRFU-Net	0.16 285	0.08 168	0.14 182	0.17 147	0.09 159	0.19 303	0.14 92	0.26 261	0.20 188	0.28 369	0.27 298	0.29 342	0.17 293	0.19 291	0.17 285	0.09 269	0.09 335	0.07 124	0.07 194	0.08 236	0.08 258

AACVNet	0.16 285	0.08 168	0.14 182	0.15 48	0.10 255	0.18 281	0.15 148	0.23 210	0.24 237	0.27 357	0.27 298	0.28 335	0.17 293	0.19 291	0.16 272	0.09 269	0.07 287	0.09 267	0.07 194	0.10 322	0.09 298

LMCR-Stereo	0.15 265	0.08 168	0.13 152	0.21 340	0.09 159	0.17 263	0.20 327	0.27 281	0.19 168	0.24 334	0.24 246	0.23 295	0.17 293	0.20 314	0.17 285	0.07 162	0.06 222	0.08 195	0.06 112	0.10 322	0.08 258

acv_ft	0.15 265	0.09 229	0.15 230	0.19 270	0.10 255	0.16 242	0.17 232	0.25 245	0.33 327	0.19 270	0.26 291	0.21 264	0.17 293	0.17 263	0.18 302	0.07 162	0.06 222	0.06 45	0.06 112	0.08 236	0.06 129

FADNet_RVC	0.16 285	0.14 357	0.40 407	0.20 314	0.11 298	0.13 164	0.13 56	0.26 261	0.22 214	0.21 300	0.23 237	0.20 257	0.17 293	0.14 181	0.16 272	0.08 216	0.08 311	0.12 354	0.09 292	0.11 339	0.10 319

CFNet	0.15 265	0.10 282	0.17 290	0.17 147	0.08 62	0.18 281	0.09 5	0.28 298	0.25 258	0.19 270	0.24 246	0.24 301	0.17 293	0.17 263	0.14 231	0.08 216	0.06 222	0.09 267	0.10 325	0.07 180	0.06 129

NLCA_NET_v2_RVC	0.17 305	0.10 282	0.22 341	0.20 314	0.10 255	0.15 217	0.18 274	0.31 329	0.25 258	0.21 300	0.30 326	0.25 314	0.17 293	0.21 330	0.20 317	0.09 269	0.06 222	0.08 195	0.08 253	0.07 180	0.08 258
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	0.17 305	0.12 319	0.15 230	0.20 314	0.09 159	0.18 281	0.18 274	0.26 261	0.23 223	0.26 351	0.40 383	0.22 281	0.17 293	0.21 330	0.20 317	0.08 216	0.05 120	0.09 267	0.10 325	0.07 180	0.07 196
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 305	0.10 282	0.17 290	0.17 147	0.11 298	0.21 332	0.21 344	0.33 357	0.25 258	0.22 314	0.22 228	0.27 328	0.18 304	0.22 341	0.20 317	0.11 328	0.09 335	0.09 267	0.09 292	0.08 236	0.08 258

Wz-Net-LNSev	0.22 358	0.16 370	0.38 404	0.21 340	0.13 347	0.25 368	0.23 362	0.32 340	0.43 384	0.30 379	0.41 393	0.31 360	0.18 304	0.22 341	0.25 373	0.10 303	0.09 335	0.08 195	0.08 253	0.12 352	0.11 342

hknet	0.15 265	0.11 304	0.13 152	0.22 355	0.11 298	0.14 194	0.15 148	0.34 366	0.25 258	0.17 228	0.22 228	0.22 281	0.18 304	0.17 263	0.12 158	0.07 162	0.06 222	0.10 309	0.09 292	0.07 180	0.07 196

ADLNet2	0.16 285	0.09 229	0.13 152	0.16 91	0.09 159	0.20 318	0.16 207	0.31 329	0.39 363	0.16 214	0.20 199	0.20 257	0.18 304	0.21 330	0.22 344	0.08 216	0.06 222	0.07 124	0.07 194	0.09 292	0.07 196

ICVP	0.15 265	0.09 229	0.12 112	0.22 355	0.09 159	0.17 263	0.21 344	0.25 245	0.23 223	0.18 257	0.30 326	0.26 322	0.18 304	0.17 263	0.14 231	0.09 269	0.07 287	0.08 195	0.07 194	0.07 180	0.07 196
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 285	0.08 168	0.15 230	0.18 219	0.10 255	0.22 340	0.18 274	0.24 230	0.21 201	0.18 257	0.24 246	0.29 342	0.18 304	0.19 291	0.22 344	0.09 269	0.07 287	0.08 195	0.09 292	0.07 180	0.06 129

HGLStereo	0.17 305	0.08 168	0.19 321	0.17 147	0.12 329	0.18 281	0.18 274	0.31 329	0.32 321	0.21 300	0.32 338	0.25 314	0.18 304	0.19 291	0.20 317	0.09 269	0.09 335	0.07 124	0.07 194	0.09 292	0.10 319

DMCA	0.14 225	0.09 229	0.16 264	0.19 270	0.09 159	0.15 217	0.17 232	0.23 210	0.27 280	0.14 162	0.19 188	0.17 218	0.18 304	0.15 202	0.17 285	0.10 303	0.06 222	0.08 195	0.06 112	0.09 292	0.10 319

STTStereo	0.18 318	0.12 319	0.27 368	0.20 314	0.11 298	0.16 242	0.21 344	0.29 308	0.23 223	0.21 300	0.30 326	0.29 342	0.18 304	0.20 314	0.19 311	0.12 353	0.11 364	0.11 338	0.14 383	0.09 292	0.08 258

RASNet	0.14 225	0.07 88	0.14 182	0.16 91	0.08 62	0.18 281	0.14 92	0.29 308	0.20 188	0.17 228	0.25 275	0.21 264	0.18 304	0.20 314	0.19 311	0.07 162	0.06 222	0.06 45	0.08 253	0.06 118	0.06 129

TDLM	0.17 305	0.12 319	0.13 152	0.24 381	0.10 255	0.18 281	0.18 274	0.36 384	0.30 309	0.21 300	0.28 310	0.28 335	0.18 304	0.23 352	0.18 302	0.11 328	0.07 287	0.10 309	0.10 325	0.08 236	0.08 258

CVANet_RVC	0.18 318	0.10 282	0.14 182	0.21 340	0.10 255	0.18 281	0.17 232	0.34 366	0.33 327	0.22 314	0.31 334	0.28 335	0.18 304	0.23 352	0.17 285	0.12 353	0.08 311	0.12 354	0.11 352	0.09 292	0.07 196

DeepPruner_ROB	0.16 285	0.11 304	0.15 230	0.17 147	0.10 255	0.17 263	0.15 148	0.32 340	0.21 201	0.19 270	0.21 219	0.22 281	0.18 304	0.20 314	0.15 257	0.13 376	0.09 335	0.09 267	0.09 292	0.11 339	0.10 319

pmcnn	0.15 265	0.07 88	0.19 321	0.15 48	0.07 26	0.20 318	0.15 148	0.24 230	0.26 271	0.21 300	0.34 354	0.28 335	0.18 304	0.18 279	0.17 285	0.07 162	0.05 120	0.05 2	0.04 12	0.07 180	0.06 129

DualNet (step1)	0.16 285	0.12 319	0.20 329	0.12 3	0.14 364	0.17 263	0.13 56	0.27 281	0.23 223	0.20 288	0.20 199	0.24 301	0.19 318	0.16 236	0.16 272	0.15 391	0.06 222	0.14 381	0.14 383	0.14 380	0.12 353

test_sample9	0.18 318	0.12 319	0.20 329	0.12 3	0.14 364	0.17 263	0.13 56	0.27 281	0.23 223	0.20 288	0.20 199	0.24 301	0.19 318	0.19 291	0.17 285	0.15 391	0.30 435	0.14 381	0.14 383	0.14 380	0.12 353

test_sample7	0.15 265	0.10 282	0.16 264	0.14 18	0.11 298	0.16 242	0.16 207	0.27 281	0.23 223	0.20 288	0.20 199	0.24 301	0.19 318	0.16 236	0.16 272	0.12 353	0.06 222	0.10 309	0.09 292	0.10 322	0.10 319

Wz-Net-MNSev	0.22 358	0.13 345	0.31 385	0.20 314	0.14 364	0.36 415	0.24 372	0.33 357	0.44 389	0.28 369	0.40 383	0.38 392	0.19 318	0.24 360	0.25 373	0.09 269	0.07 287	0.09 267	0.09 292	0.12 352	0.10 319

pcwnet_v2	0.19 329	0.10 282	0.26 361	0.17 147	0.14 364	0.18 281	0.15 148	0.37 389	0.46 396	0.19 270	0.24 246	0.21 264	0.19 318	0.20 314	0.19 311	0.13 376	0.10 354	0.10 309	0.10 325	0.11 339	0.13 369

delet	0.17 305	0.08 168	0.17 290	0.19 270	0.11 298	0.20 318	0.21 344	0.30 322	0.37 355	0.17 228	0.26 291	0.19 245	0.19 318	0.19 291	0.21 335	0.08 216	0.08 311	0.09 267	0.11 352	0.06 118	0.06 129

UNet	0.17 305	0.09 229	0.18 311	0.19 270	0.12 329	0.27 383	0.19 310	0.33 357	0.29 300	0.21 300	0.24 246	0.23 295	0.19 318	0.19 291	0.18 302	0.07 162	0.06 222	0.08 195	0.07 194	0.08 236	0.06 129

UPFNet	0.16 285	0.08 168	0.12 112	0.20 314	0.12 329	0.20 318	0.23 362	0.28 298	0.26 271	0.17 228	0.24 246	0.22 281	0.19 318	0.19 291	0.21 335	0.09 269	0.07 287	0.08 195	0.09 292	0.08 236	0.06 129

NVstereo2D	0.19 329	0.10 282	0.15 230	0.17 147	0.15 378	0.28 389	0.23 362	0.44 420	0.42 379	0.15 189	0.27 298	0.25 314	0.19 318	0.22 341	0.17 285	0.09 269	0.06 222	0.10 309	0.08 253	0.15 394	0.09 298

StereoDRNet	0.18 318	0.11 304	0.17 290	0.22 355	0.11 298	0.21 332	0.22 353	0.37 389	0.33 327	0.24 334	0.28 310	0.30 350	0.19 318	0.20 314	0.20 317	0.09 269	0.08 311	0.11 338	0.09 292	0.09 292	0.07 196

SGM-Forest	0.20 340	0.14 357	0.18 311	0.19 270	0.13 347	0.20 318	0.22 353	0.33 357	0.30 309	0.24 334	0.29 322	0.28 335	0.19 318	0.23 352	0.17 285	0.15 391	0.16 406	0.15 392	0.14 383	0.12 352	0.12 353
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	0.18 318	0.11 304	0.19 321	0.19 270	0.12 329	0.24 358	0.21 344	0.25 245	0.34 338	0.22 314	0.34 354	0.27 328	0.20 329	0.21 330	0.23 354	0.09 269	0.09 335	0.08 195	0.10 325	0.08 236	0.07 196

IER	0.14 225	0.07 88	0.13 152	0.17 147	0.09 159	0.14 194	0.16 207	0.25 245	0.26 271	0.18 257	0.25 275	0.17 218	0.20 329	0.16 236	0.14 231	0.08 216	0.05 120	0.07 124	0.06 112	0.08 236	0.07 196

MMNet	0.17 305	0.09 229	0.16 264	0.20 314	0.11 298	0.27 383	0.20 327	0.25 245	0.41 372	0.22 314	0.30 326	0.21 264	0.20 329	0.17 263	0.20 317	0.06 64	0.06 222	0.07 124	0.07 194	0.08 236	0.07 196

GwcNet	0.20 340	0.13 345	0.19 321	0.18 219	0.12 329	0.24 358	0.19 310	0.35 378	0.43 384	0.20 288	0.32 338	0.33 371	0.20 329	0.22 341	0.24 364	0.11 328	0.09 335	0.09 267	0.09 292	0.09 292	0.10 319

DGSMNet	0.24 380	0.19 394	0.33 391	0.21 340	0.24 423	0.24 358	0.20 327	0.35 378	0.41 372	0.24 334	0.32 338	0.38 392	0.21 333	0.29 387	0.23 354	0.12 353	0.11 364	0.14 381	0.16 400	0.23 419	0.23 424

FADNet-RVC	0.20 340	0.20 398	0.38 404	0.21 340	0.16 388	0.20 318	0.15 148	0.26 261	0.26 271	0.26 351	0.32 338	0.26 322	0.21 333	0.22 341	0.19 311	0.12 353	0.13 390	0.12 354	0.14 383	0.13 368	0.18 413

FADNet	0.21 349	0.22 408	0.36 400	0.18 219	0.17 403	0.24 358	0.13 56	0.31 329	0.31 315	0.23 326	0.25 275	0.27 328	0.21 333	0.19 291	0.15 257	0.13 376	0.15 403	0.12 354	0.15 397	0.16 401	0.18 413

MaskLacGwcNet_RVC	0.22 358	0.21 404	0.24 353	0.26 396	0.11 298	0.23 353	0.14 92	0.39 400	0.24 237	0.32 391	0.36 359	0.30 350	0.21 333	0.19 291	0.21 335	0.17 412	0.14 397	0.21 414	0.16 400	0.12 352	0.12 353

SuperB	0.20 340	0.10 282	0.56 425	0.16 91	0.09 159	0.18 281	0.18 274	0.24 230	0.50 405	0.26 351	0.39 378	0.17 218	0.21 333	0.22 341	0.21 335	0.08 216	0.06 222	0.06 45	0.06 112	0.12 352	0.10 319

RTSC	0.23 373	0.12 319	0.28 373	0.21 340	0.13 347	0.28 389	0.16 207	0.35 378	0.66 433	0.27 357	0.33 350	0.30 350	0.21 333	0.31 391	0.29 399	0.10 303	0.08 311	0.09 267	0.10 325	0.13 368	0.13 369

AANet_RVC	0.16 285	0.10 282	0.10 57	0.18 219	0.09 159	0.18 281	0.19 310	0.26 261	0.31 315	0.22 314	0.35 356	0.21 264	0.21 333	0.22 341	0.16 272	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.06 129

DRN-Test	0.19 329	0.11 304	0.20 329	0.22 355	0.10 255	0.22 340	0.22 353	0.39 400	0.37 355	0.24 334	0.32 338	0.26 322	0.21 333	0.22 341	0.24 364	0.11 328	0.07 287	0.11 338	0.10 325	0.09 292	0.07 196

MDST_ROB	0.22 358	0.10 282	0.17 290	0.18 219	0.11 298	0.37 416	0.19 310	0.43 418	0.41 372	0.39 406	0.39 378	0.29 342	0.21 333	0.26 367	0.18 302	0.11 328	0.10 354	0.14 381	0.11 352	0.10 322	0.08 258

SQANet	0.23 373	0.23 409	0.30 383	0.30 420	0.19 411	0.27 383	0.13 56	0.29 308	0.33 327	0.24 334	0.37 365	0.31 360	0.22 342	0.27 370	0.23 354	0.15 391	0.10 354	0.21 414	0.16 400	0.21 416	0.15 393

SACVNet	0.18 318	0.12 319	0.14 182	0.17 147	0.13 347	0.22 340	0.18 274	0.31 329	0.30 309	0.23 326	0.31 334	0.30 350	0.22 342	0.22 341	0.17 285	0.11 328	0.08 311	0.10 309	0.10 325	0.12 352	0.14 386

FINET	0.21 349	0.18 391	0.26 361	0.18 219	0.16 388	0.23 353	0.23 362	0.32 340	0.48 398	0.25 347	0.32 338	0.22 281	0.22 342	0.22 341	0.17 285	0.18 413	0.16 406	0.11 338	0.10 325	0.15 394	0.13 369

hitnet-ft	0.18 318	0.09 229	0.17 290	0.14 18	0.09 159	0.26 376	0.20 327	0.25 245	0.26 271	0.24 334	0.32 338	0.31 360	0.22 342	0.24 360	0.21 335	0.12 353	0.07 287	0.10 309	0.08 253	0.12 352	0.11 342

ADCP+	0.20 340	0.10 282	0.33 391	0.20 314	0.12 329	0.22 340	0.26 392	0.31 329	0.34 338	0.26 351	0.37 365	0.22 281	0.22 342	0.27 370	0.27 389	0.09 269	0.06 222	0.08 195	0.08 253	0.09 292	0.10 319

PSMNet_ROB	0.21 349	0.11 304	0.15 230	0.27 408	0.15 378	0.24 358	0.35 431	0.43 418	0.37 355	0.27 357	0.32 338	0.32 368	0.22 342	0.21 330	0.26 382	0.12 353	0.08 311	0.13 369	0.11 352	0.09 292	0.09 298

ADCRef	0.19 329	0.12 319	0.41 409	0.20 314	0.12 329	0.22 340	0.18 274	0.32 340	0.36 349	0.26 351	0.32 338	0.17 218	0.23 348	0.24 360	0.24 364	0.07 162	0.06 222	0.09 267	0.09 292	0.08 236	0.08 258

RYNet	0.22 358	0.12 319	0.22 341	0.19 270	0.17 403	0.46 423	0.26 392	0.38 396	0.48 398	0.24 334	0.28 310	0.34 377	0.23 348	0.20 314	0.30 404	0.10 303	0.06 222	0.09 267	0.09 292	0.13 368	0.15 393

NaN_ROB	0.22 358	0.19 394	0.24 353	0.25 391	0.13 347	0.29 392	0.26 392	0.33 357	0.41 372	0.31 385	0.31 334	0.32 368	0.23 348	0.30 390	0.21 335	0.11 328	0.17 411	0.10 309	0.10 325	0.08 236	0.09 298

NOSS_ROB	0.19 329	0.12 319	0.18 311	0.16 91	0.12 329	0.15 217	0.12 29	0.30 322	0.32 321	0.20 288	0.22 228	0.27 328	0.23 348	0.21 330	0.16 272	0.16 407	0.18 413	0.23 419	0.21 415	0.12 352	0.13 369

DispFullNet	0.27 397	0.21 404	0.65 432	0.28 411	0.16 388	0.26 376	0.17 232	0.33 357	0.58 422	0.27 357	0.38 370	0.43 409	0.23 348	0.38 418	0.23 354	0.12 353	0.06 222	0.19 411	0.11 352	0.21 416	0.15 393

CBMV	0.19 329	0.14 357	0.17 290	0.18 219	0.10 255	0.20 318	0.11 17	0.29 308	0.30 309	0.29 376	0.30 326	0.30 350	0.23 348	0.27 370	0.19 311	0.13 376	0.15 403	0.17 400	0.16 400	0.10 322	0.10 319
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 305	0.11 304	0.18 311	0.17 147	0.11 298	0.16 242	0.25 385	0.24 230	0.33 327	0.19 270	0.24 246	0.26 322	0.24 354	0.19 291	0.20 317	0.07 162	0.08 311	0.09 267	0.10 325	0.09 292	0.08 258

WZ-Net	0.28 400	0.17 381	0.78 446	0.22 355	0.16 388	0.34 406	0.29 414	0.39 400	0.57 419	0.24 334	0.55 418	0.37 388	0.24 354	0.33 398	0.35 418	0.09 269	0.08 311	0.09 267	0.10 325	0.14 380	0.16 404

psm_up	0.18 318	0.10 282	0.18 311	0.20 314	0.11 298	0.17 263	0.19 310	0.37 389	0.34 338	0.21 300	0.28 310	0.29 342	0.24 354	0.20 314	0.22 344	0.09 269	0.10 354	0.11 338	0.11 352	0.08 236	0.08 258

RP	0.21 349	0.13 345	0.21 336	0.23 374	0.11 298	0.21 332	0.20 327	0.25 245	0.44 389	0.21 300	0.38 370	0.36 383	0.24 354	0.27 370	0.25 373	0.11 328	0.12 377	0.13 369	0.12 371	0.12 352	0.14 386

PS-NSSS	0.20 340	0.21 404	0.23 350	0.20 314	0.10 255	0.19 303	0.17 232	0.36 384	0.25 258	0.27 357	0.33 350	0.27 328	0.24 354	0.20 314	0.20 317	0.15 391	0.12 377	0.17 400	0.14 383	0.10 322	0.08 258

CBMV_ROB	0.19 329	0.13 345	0.17 290	0.16 91	0.11 298	0.15 217	0.13 56	0.26 261	0.28 294	0.27 357	0.30 326	0.27 328	0.24 354	0.23 352	0.16 272	0.15 391	0.17 411	0.22 418	0.20 413	0.10 322	0.11 342

DLCB_ROB	0.18 318	0.10 282	0.15 230	0.23 374	0.11 298	0.24 358	0.18 274	0.29 308	0.28 294	0.27 357	0.28 310	0.28 335	0.24 354	0.19 291	0.20 317	0.08 216	0.08 311	0.09 267	0.09 292	0.07 180	0.07 196

PWC_ROB	0.21 349	0.16 370	0.26 361	0.18 219	0.11 298	0.22 340	0.13 56	0.32 340	0.49 403	0.30 379	0.40 383	0.32 368	0.24 354	0.31 391	0.22 344	0.10 303	0.07 287	0.11 338	0.08 253	0.11 339	0.10 319

test_sample8	0.19 329	0.12 319	0.20 329	0.12 3	0.14 364	0.17 263	0.13 56	0.31 329	0.21 201	0.27 357	0.22 228	0.36 383	0.25 362	0.19 291	0.17 285	0.15 391	0.30 435	0.14 381	0.14 383	0.14 380	0.12 353

HBP-ISP	0.18 318	0.13 345	0.16 264	0.15 48	0.11 298	0.08 27	0.13 56	0.28 298	0.29 300	0.22 314	0.33 350	0.21 264	0.25 362	0.23 352	0.17 285	0.14 387	0.16 406	0.21 414	0.17 407	0.10 322	0.08 258

DDUNet	0.22 358	0.17 381	0.21 336	0.22 355	0.15 378	0.25 368	0.24 372	0.29 308	0.30 309	0.31 385	0.36 359	0.33 371	0.25 362	0.24 360	0.20 317	0.18 413	0.13 390	0.17 400	0.11 352	0.16 401	0.16 404

Syn2CoEx	0.21 349	0.16 370	0.27 368	0.29 418	0.14 364	0.26 376	0.20 327	0.33 357	0.31 315	0.28 369	0.36 359	0.27 328	0.25 362	0.19 291	0.24 364	0.16 407	0.12 377	0.14 381	0.11 352	0.09 292	0.08 258

Wz-Net-SNSev	0.25 389	0.17 381	0.44 411	0.25 391	0.14 364	0.26 376	0.23 362	0.38 396	0.56 417	0.30 379	0.55 418	0.39 400	0.26 366	0.23 352	0.30 404	0.10 303	0.09 335	0.09 267	0.10 325	0.11 339	0.11 342

AF-Net	0.22 358	0.17 381	0.17 290	0.26 396	0.13 347	0.25 368	0.24 372	0.32 340	0.50 405	0.25 347	0.33 350	0.38 392	0.26 366	0.28 381	0.25 373	0.11 328	0.10 354	0.16 398	0.11 352	0.11 339	0.10 319

PA-Net	0.23 373	0.18 391	0.33 391	0.28 411	0.22 419	0.21 332	0.38 436	0.29 308	0.39 363	0.22 314	0.32 338	0.25 314	0.26 366	0.20 314	0.25 373	0.09 269	0.23 429	0.15 392	0.22 418	0.09 292	0.13 369
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 329	0.09 229	0.22 341	0.17 147	0.10 255	0.25 368	0.18 274	0.27 281	0.44 389	0.22 314	0.31 334	0.33 371	0.26 366	0.28 381	0.28 396	0.08 216	0.06 222	0.07 124	0.07 194	0.09 292	0.09 298

SANet	0.24 380	0.14 357	0.28 373	0.21 340	0.11 298	0.27 383	0.24 372	0.38 396	0.64 430	0.36 399	0.40 383	0.43 409	0.26 366	0.27 370	0.24 364	0.12 353	0.09 335	0.10 309	0.09 292	0.13 368	0.11 342

XPNet_ROB	0.22 358	0.11 304	0.19 321	0.22 355	0.13 347	0.22 340	0.19 310	0.34 366	0.40 369	0.30 379	0.39 378	0.39 400	0.26 366	0.26 367	0.28 396	0.15 391	0.10 354	0.10 309	0.10 325	0.13 368	0.12 353

ETE_ROB	0.23 373	0.17 381	0.22 341	0.25 391	0.13 347	0.26 376	0.29 414	0.31 329	0.36 349	0.28 369	0.36 359	0.45 413	0.26 366	0.27 370	0.26 382	0.11 328	0.08 311	0.12 354	0.09 292	0.14 380	0.13 369

LALA_ROB	0.25 389	0.16 370	0.22 341	0.26 396	0.17 403	0.27 383	0.27 399	0.42 415	0.37 355	0.33 395	0.38 370	0.51 423	0.26 366	0.28 381	0.27 389	0.16 407	0.09 335	0.12 354	0.11 352	0.13 368	0.12 353

ACVNet-4b	0.39 421	0.53 440	0.55 423	0.45 436	0.24 423	0.47 425	0.18 274	0.49 429	0.64 430	0.42 416	0.45 404	0.60 431	0.27 374	0.34 401	0.24 364	0.33 437	0.14 397	0.48 440	0.42 440	0.30 433	0.26 432

Anonymous_2	0.22 358	0.17 381	0.28 373	0.15 48	0.16 388	0.32 397	0.22 353	0.22 193	0.17 129	0.23 326	0.24 246	0.26 322	0.27 374	0.27 370	0.23 354	0.22 426	0.25 431	0.17 400	0.17 407	0.17 408	0.17 411

UDG	0.21 349	0.17 381	0.19 321	0.23 374	0.15 378	0.30 395	0.20 327	0.33 357	0.35 345	0.23 326	0.28 310	0.31 360	0.27 374	0.20 314	0.22 344	0.15 391	0.12 377	0.13 369	0.09 292	0.14 380	0.14 386

aanetorigin	0.22 358	0.17 381	0.56 425	0.17 147	0.10 255	0.15 217	0.19 310	0.20 156	0.33 327	0.49 425	0.48 408	0.29 342	0.27 374	0.20 314	0.23 354	0.08 216	0.07 287	0.08 195	0.07 194	0.10 322	0.09 298

DMCA-RVC	0.17 305	0.10 282	0.15 230	0.24 381	0.11 298	0.18 281	0.18 274	0.25 245	0.24 237	0.21 300	0.26 291	0.25 314	0.27 374	0.18 279	0.20 317	0.12 353	0.08 311	0.13 369	0.10 325	0.10 322	0.08 258

RGC	0.25 389	0.20 398	0.29 380	0.28 411	0.16 388	0.22 340	0.23 362	0.32 340	0.44 389	0.27 357	0.40 383	0.38 392	0.27 374	0.36 412	0.22 344	0.11 328	0.13 390	0.17 400	0.17 407	0.14 380	0.16 404

stereogan	0.22 358	0.11 304	0.21 336	0.20 314	0.12 329	0.31 396	0.19 310	0.35 378	0.44 389	0.22 314	0.39 378	0.35 381	0.27 374	0.33 398	0.22 344	0.10 303	0.12 377	0.10 309	0.10 325	0.14 380	0.13 369

FBW_ROB	0.24 380	0.17 381	0.22 341	0.26 396	0.14 364	0.25 368	0.22 353	0.41 410	0.41 372	0.41 413	0.41 393	0.42 406	0.27 374	0.31 391	0.23 354	0.09 269	0.14 397	0.14 381	0.12 371	0.11 339	0.09 298

NCC-stereo	0.24 380	0.15 363	0.31 385	0.26 396	0.16 388	0.20 318	0.30 421	0.40 404	0.40 369	0.24 334	0.38 370	0.33 371	0.28 382	0.36 412	0.27 389	0.12 353	0.11 364	0.15 392	0.22 418	0.13 368	0.13 369

Nwc_Net	0.23 373	0.16 370	0.21 336	0.25 391	0.14 364	0.24 358	0.26 392	0.37 389	0.38 360	0.22 314	0.41 393	0.30 350	0.28 382	0.28 381	0.25 373	0.11 328	0.10 354	0.17 400	0.20 413	0.10 322	0.10 319

Abc-Net	0.24 380	0.15 363	0.31 385	0.26 396	0.16 388	0.20 318	0.30 421	0.40 404	0.40 369	0.24 334	0.38 370	0.33 371	0.28 382	0.36 412	0.27 389	0.12 353	0.11 364	0.15 392	0.22 418	0.13 368	0.13 369
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 395	0.15 363	0.30 383	0.24 381	0.18 409	0.22 340	0.15 148	0.38 396	0.71 437	0.32 391	0.41 393	0.36 383	0.28 382	0.32 396	0.29 399	0.12 353	0.11 364	0.14 381	0.13 380	0.16 401	0.20 419

DeepPrunerF	0.24 380	0.17 381	0.42 410	0.26 396	0.16 388	0.22 340	0.28 405	0.37 389	0.50 405	0.26 351	0.29 322	0.24 301	0.28 382	0.21 330	0.22 344	0.15 391	0.11 364	0.20 413	0.18 411	0.12 352	0.13 369

ADCPNet	0.25 389	0.16 370	0.61 429	0.21 340	0.15 378	0.35 414	0.25 385	0.32 340	0.35 345	0.30 379	0.40 383	0.36 383	0.28 382	0.28 381	0.32 412	0.12 353	0.10 354	0.11 338	0.12 371	0.14 380	0.13 369

GANet	0.21 349	0.12 319	0.21 336	0.24 381	0.13 347	0.22 340	0.22 353	0.41 410	0.26 271	0.31 385	0.42 398	0.37 388	0.28 382	0.23 352	0.22 344	0.10 303	0.12 377	0.10 309	0.09 292	0.10 322	0.08 258

NCCL2	0.23 373	0.15 363	0.17 290	0.34 425	0.18 409	0.24 358	0.23 362	0.34 366	0.28 294	0.31 385	0.38 370	0.38 392	0.28 382	0.23 352	0.24 364	0.15 391	0.12 377	0.18 409	0.21 415	0.13 368	0.13 369

APVNet	0.22 358	0.12 319	0.19 321	0.18 219	0.14 364	0.32 397	0.31 427	0.39 400	0.32 321	0.27 357	0.40 383	0.30 350	0.29 390	0.26 367	0.25 373	0.11 328	0.12 377	0.11 338	0.14 383	0.12 352	0.12 353

G-Net	0.24 380	0.16 370	0.36 400	0.22 355	0.16 388	0.51 429	0.23 362	0.29 308	0.34 338	0.36 399	0.38 370	0.31 360	0.29 390	0.27 370	0.26 382	0.11 328	0.09 335	0.12 354	0.09 292	0.16 401	0.13 369

DPSNet	0.28 400	0.16 370	0.31 385	0.18 219	0.13 347	0.54 431	0.42 440	0.51 432	0.67 434	0.29 376	0.38 370	0.38 392	0.29 390	0.31 391	0.23 354	0.11 328	0.10 354	0.11 338	0.08 253	0.20 415	0.16 404

PDISCO_ROB	0.27 397	0.16 370	0.26 361	0.28 411	0.20 414	0.32 397	0.26 392	0.44 420	0.57 419	0.28 369	0.40 383	0.45 413	0.29 390	0.33 398	0.34 417	0.12 353	0.09 335	0.17 400	0.16 400	0.17 408	0.13 369

ccnet	0.29 404	0.28 423	0.23 350	0.20 314	0.28 430	0.41 422	0.21 344	0.45 423	0.33 327	0.36 399	0.46 405	0.36 383	0.30 394	0.39 421	0.42 433	0.23 430	0.14 397	0.21 414	0.17 407	0.23 419	0.18 413

S-Stereo	0.20 340	0.12 319	0.25 358	0.21 340	0.13 347	0.20 318	0.18 274	0.32 340	0.43 384	0.23 326	0.36 359	0.28 335	0.30 394	0.19 291	0.22 344	0.09 269	0.12 377	0.10 309	0.10 325	0.13 368	0.13 369

XQC	0.28 400	0.23 409	0.51 418	0.28 411	0.19 411	0.34 406	0.27 399	0.36 384	0.57 419	0.31 385	0.30 326	0.37 388	0.30 394	0.38 418	0.38 425	0.13 376	0.09 335	0.15 392	0.12 371	0.17 408	0.18 413

ADCL	0.24 380	0.11 304	0.47 416	0.22 355	0.12 329	0.34 406	0.29 414	0.29 308	0.56 417	0.24 334	0.46 405	0.30 350	0.30 394	0.29 387	0.29 399	0.08 216	0.07 287	0.09 267	0.09 292	0.10 322	0.10 319

MFN_U_SF_DS_RVC	0.30 409	0.24 412	0.29 380	0.36 429	0.16 388	0.34 406	0.30 421	0.32 340	0.42 379	0.40 409	0.46 405	0.38 392	0.31 398	0.34 401	0.28 396	0.19 417	0.20 419	0.26 421	0.29 431	0.18 411	0.19 418

CC-Net-ROB	0.28 400	0.31 428	0.36 400	0.29 418	0.15 378	0.25 368	0.19 310	0.45 423	0.33 327	0.39 406	0.37 365	0.39 400	0.31 398	0.27 370	0.26 382	0.24 432	0.19 416	0.30 433	0.23 422	0.18 411	0.15 393

DANet	0.21 349	0.15 363	0.28 373	0.25 391	0.13 347	0.22 340	0.19 310	0.27 281	0.27 280	0.28 369	0.32 338	0.35 381	0.31 398	0.31 391	0.23 354	0.11 328	0.09 335	0.11 338	0.10 325	0.13 368	0.11 342
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	0.20 340	0.12 319	0.22 341	0.21 340	0.12 329	0.17 263	0.18 274	0.34 366	0.39 363	0.27 357	0.37 365	0.34 377	0.32 401	0.21 330	0.20 317	0.09 269	0.11 364	0.10 309	0.09 292	0.11 339	0.14 386

otaku	0.39 421	0.37 433	0.52 419	0.44 435	0.28 430	0.58 433	0.24 372	0.41 410	0.62 428	0.40 409	0.49 409	0.46 417	0.33 402	0.40 425	0.32 412	0.30 435	0.30 435	0.39 437	0.33 436	0.29 432	0.28 433

AnyNet_C32	0.26 395	0.16 370	0.36 400	0.20 314	0.16 388	0.25 368	0.30 421	0.32 340	0.44 389	0.31 385	0.49 409	0.30 350	0.33 402	0.40 425	0.33 415	0.12 353	0.12 377	0.12 354	0.14 383	0.14 380	0.15 393

GANetREF_RVC	0.31 410	0.34 430	0.27 368	0.35 427	0.16 388	0.32 397	0.41 437	0.48 427	0.51 412	0.35 397	0.35 356	0.34 377	0.33 402	0.39 421	0.32 412	0.27 434	0.20 419	0.29 431	0.15 397	0.18 411	0.17 411
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	0.29 404	0.24 412	0.27 368	0.34 425	0.19 411	0.33 403	0.42 440	0.37 389	0.50 405	0.38 404	0.40 383	0.44 411	0.33 402	0.28 381	0.30 404	0.20 419	0.16 406	0.19 411	0.19 412	0.14 380	0.15 393

PASM	0.32 412	0.24 412	0.48 417	0.28 411	0.27 429	0.29 392	0.30 421	0.34 366	0.49 403	0.35 397	0.39 378	0.46 417	0.34 406	0.34 401	0.35 418	0.23 430	0.25 431	0.26 421	0.28 430	0.23 419	0.21 421

WCMA_ROB	0.24 380	0.11 304	0.22 341	0.17 147	0.14 364	0.32 397	0.15 148	0.32 340	0.32 321	0.38 404	0.53 415	0.40 403	0.34 406	0.34 401	0.25 373	0.11 328	0.12 377	0.12 354	0.10 325	0.14 380	0.14 386

edge stereo	0.22 358	0.13 345	0.20 329	0.21 340	0.13 347	0.23 353	0.16 207	0.32 340	0.42 379	0.32 391	0.40 383	0.38 392	0.35 408	0.25 365	0.24 364	0.13 376	0.11 364	0.14 381	0.11 352	0.12 352	0.13 369

SGM_RVC	0.23 373	0.12 319	0.15 230	0.15 48	0.09 159	0.33 403	0.18 274	0.34 366	0.31 315	0.44 420	0.37 365	0.53 427	0.35 408	0.35 407	0.24 364	0.13 376	0.13 390	0.13 369	0.13 380	0.10 322	0.11 342
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 404	0.18 391	0.45 412	0.21 340	0.17 403	0.28 389	0.23 362	0.41 410	0.63 429	0.40 409	0.49 409	0.40 403	0.36 410	0.39 421	0.40 429	0.13 376	0.12 377	0.13 369	0.14 383	0.16 401	0.16 404

LSM	0.33 415	0.20 398	0.58 427	0.26 396	0.60 452	0.34 406	0.25 385	0.42 415	0.48 398	0.45 421	0.58 427	0.42 406	0.36 410	0.35 407	0.25 373	0.12 353	0.20 419	0.14 381	0.16 400	0.19 414	0.33 439

psmorigin	0.25 389	0.15 363	0.34 399	0.17 147	0.13 347	0.23 353	0.14 92	0.34 366	0.33 327	0.41 413	0.55 418	0.41 405	0.37 412	0.34 401	0.27 389	0.11 328	0.15 403	0.11 338	0.11 352	0.12 352	0.16 404

Wz-Net-TNSev	0.29 404	0.20 398	0.65 432	0.19 270	0.15 378	0.38 419	0.27 399	0.35 378	0.55 415	0.34 396	0.42 398	0.45 413	0.38 413	0.32 396	0.30 404	0.12 353	0.13 390	0.10 309	0.12 371	0.15 394	0.14 386

AnyNet_C01	0.36 419	0.25 417	1.37 458	0.22 355	0.17 403	0.48 427	0.27 399	0.35 378	0.39 363	0.39 406	0.74 439	0.46 417	0.38 413	0.45 429	0.47 438	0.13 376	0.13 390	0.13 369	0.14 383	0.14 380	0.15 393

EDNetEfficient	0.29 404	0.24 412	1.13 455	0.18 219	0.10 255	0.19 303	0.20 327	0.20 156	0.60 426	0.74 444	0.56 423	0.31 360	0.39 415	0.22 341	0.30 404	0.09 269	0.07 287	0.08 195	0.07 194	0.11 339	0.09 298

MFN_U_SF_RVC	0.32 412	0.21 404	0.55 423	0.30 420	0.15 378	0.34 406	0.17 232	0.52 433	0.46 396	0.46 424	0.55 418	0.59 430	0.39 415	0.35 407	0.37 423	0.15 391	0.14 397	0.18 409	0.21 415	0.16 401	0.15 393

SAMSARA	0.40 424	0.28 423	0.33 391	0.55 442	0.39 436	0.82 453	1.23 467	0.47 426	0.51 412	0.36 399	0.35 356	0.55 429	0.39 415	0.38 418	0.39 427	0.15 391	0.20 419	0.15 392	0.14 383	0.23 419	0.20 419

FC-DCNN v2	0.33 415	0.27 419	0.28 373	0.26 396	0.23 421	0.37 416	0.28 405	0.40 404	0.43 384	0.45 421	0.56 423	0.51 423	0.40 418	0.37 416	0.29 399	0.21 422	0.20 419	0.27 424	0.26 425	0.25 426	0.24 425

ADCMid	0.25 389	0.15 363	0.40 407	0.20 314	0.14 364	0.25 368	0.26 392	0.34 366	0.38 360	0.36 399	0.44 403	0.34 377	0.40 418	0.35 407	0.33 415	0.10 303	0.09 335	0.11 338	0.11 352	0.13 368	0.12 353

FC-DCNN	0.33 415	0.27 419	0.28 373	0.26 396	0.23 421	0.37 416	0.28 405	0.40 404	0.43 384	0.45 421	0.55 418	0.51 423	0.40 418	0.37 416	0.30 404	0.21 422	0.20 419	0.27 424	0.26 425	0.25 426	0.24 425

MSMD_ROB	0.31 410	0.26 418	0.26 361	0.24 381	0.21 417	0.34 406	0.25 385	0.34 366	0.39 363	0.40 409	0.69 433	0.45 413	0.40 418	0.34 401	0.27 389	0.20 419	0.19 416	0.26 421	0.25 424	0.23 419	0.22 423

MeshStereo	0.27 397	0.13 345	0.18 311	0.15 48	0.11 298	0.32 397	0.24 372	0.40 404	0.36 349	0.52 427	0.57 425	0.67 438	0.40 418	0.35 407	0.26 382	0.14 387	0.13 390	0.13 369	0.11 352	0.11 339	0.10 319
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	0.33 415	0.28 423	0.28 373	0.30 420	0.24 423	0.39 420	0.28 405	0.42 415	0.42 379	0.43 419	0.53 415	0.51 423	0.41 423	0.36 412	0.30 404	0.21 422	0.20 419	0.27 424	0.26 425	0.25 426	0.24 425
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 431	0.19 394	3.26 463	0.24 381	0.15 378	0.74 446	0.20 327	0.36 384	0.76 443	0.42 416	0.43 401	0.31 360	0.41 423	0.53 437	0.35 418	0.10 303	0.08 311	0.13 369	0.12 371	0.15 394	0.15 393

RTSA	0.45 431	0.19 394	3.26 463	0.24 381	0.15 378	0.74 446	0.20 327	0.36 384	0.76 443	0.42 416	0.43 401	0.31 360	0.41 423	0.53 437	0.35 418	0.10 303	0.08 311	0.13 369	0.12 371	0.15 394	0.15 393

Ntro	0.40 424	0.40 435	0.53 420	0.46 439	0.30 434	0.65 439	0.24 372	0.46 425	0.68 435	0.41 413	0.49 409	0.48 421	0.42 426	0.39 421	0.31 411	0.32 436	0.28 433	0.37 436	0.30 433	0.32 437	0.29 434

SGM-ForestM	0.32 412	0.12 319	0.16 264	0.16 91	0.11 298	0.39 420	0.19 310	0.41 410	0.50 405	0.52 427	0.54 417	1.32 457	0.42 426	0.40 425	0.27 389	0.14 387	0.16 406	0.16 398	0.16 400	0.12 352	0.12 353

LE_ROB	0.50 435	0.07 88	0.14 182	0.15 48	0.08 62	0.24 358	0.16 207	0.22 193	1.81 466	4.63 469	0.67 431	0.47 420	0.44 428	0.20 314	0.29 399	0.07 162	0.06 222	0.06 45	0.06 112	0.08 236	0.06 129

coex-ft	3.30 466	0.34 430	59.09 485	0.18 219	0.13 347	0.26 376	0.22 353	0.27 281	0.72 438	1.90 467	0.70 435	0.44 411	0.45 429	0.29 387	0.41 432	0.09 269	0.09 335	0.12 354	0.09 292	0.14 380	0.13 369

RainbowNet	0.54 438	0.61 444	0.70 444	0.57 443	0.43 440	0.65 439	0.37 435	0.60 442	0.87 447	0.50 426	0.66 430	0.64 434	0.47 430	0.49 431	0.43 436	0.47 445	0.48 448	0.52 444	0.41 439	0.52 442	0.40 444

Consistency-Raft	0.44 429	0.40 435	0.45 412	0.37 430	0.43 440	0.46 423	0.41 437	0.57 440	0.55 415	0.32 391	0.73 437	0.33 371	0.48 431	0.42 428	0.49 440	0.39 439	0.35 439	0.45 439	0.51 447	0.42 439	0.29 434

ACVNet_1	0.44 429	0.49 439	0.60 428	0.45 436	0.28 430	0.49 428	0.27 399	0.57 440	0.72 438	0.62 433	0.58 427	0.74 442	0.49 432	0.50 432	0.35 418	0.26 433	0.24 430	0.39 437	0.29 431	0.31 436	0.24 425

EDNetEfficientorigin	7.91 471	0.31 428	153.02 486	0.19 270	0.09 159	0.21 332	0.16 207	0.22 193	0.59 423	0.72 440	0.67 431	0.42 406	0.50 433	0.24 360	0.39 427	0.08 216	0.07 287	0.08 195	0.07 194	0.12 352	0.10 319

MSC_U_SF_DS_RVC	0.43 428	0.39 434	0.54 421	0.40 431	0.20 414	0.64 438	0.32 429	0.53 435	0.72 438	0.71 438	0.72 436	0.61 432	0.54 434	0.51 433	0.46 437	0.20 419	0.19 416	0.29 431	0.30 433	0.23 419	0.18 413

ELAS_RVC	0.41 426	0.29 426	0.33 391	0.28 411	0.24 423	0.54 431	0.36 432	0.49 429	0.59 423	0.72 440	0.74 439	0.65 436	0.54 434	0.54 439	0.40 429	0.22 426	0.20 419	0.27 424	0.26 425	0.26 430	0.25 430
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 426	0.29 426	0.33 391	0.27 408	0.24 423	0.60 436	0.36 432	0.50 431	0.50 405	0.71 438	0.79 443	0.67 438	0.54 434	0.51 433	0.42 433	0.22 426	0.20 419	0.27 424	0.26 425	0.26 430	0.25 430
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 437	0.58 442	0.65 432	0.41 433	0.61 453	0.53 430	0.41 437	0.56 438	0.41 372	0.55 430	0.50 413	0.49 422	0.55 437	0.58 442	0.50 443	0.58 450	0.50 452	0.51 442	0.51 447	0.51 441	0.57 449

SGM+DAISY	0.56 439	0.57 441	0.65 432	0.40 431	0.54 445	0.66 441	0.49 444	0.56 438	0.45 395	0.66 434	0.69 433	0.67 438	0.56 438	0.63 444	0.56 445	0.59 451	0.48 448	0.50 441	0.50 446	0.52 442	0.58 450

SPS-STEREO	0.57 440	0.58 442	0.65 432	0.45 436	0.55 447	0.62 437	0.44 443	0.62 443	0.50 405	0.68 436	0.64 429	0.66 437	0.57 439	0.61 443	0.60 447	0.62 453	0.47 447	0.51 442	0.49 444	0.55 446	0.58 450
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 421	0.20 398	0.39 406	0.31 424	0.22 419	0.29 392	0.43 442	0.52 433	0.96 450	0.55 430	0.79 443	0.53 427	0.59 440	0.52 435	0.38 425	0.19 417	0.14 397	0.17 400	0.14 383	0.24 425	0.31 437

MANE	0.45 431	0.27 419	0.27 368	0.27 408	0.24 423	0.47 425	0.31 427	0.55 437	0.59 423	0.72 440	1.13 459	1.15 451	0.61 441	0.52 435	0.37 423	0.21 422	0.20 419	0.27 424	0.31 435	0.25 426	0.24 425

PWCK	0.71 445	0.94 459	0.95 453	0.76 448	0.31 435	0.74 446	0.36 432	0.90 450	0.90 448	0.96 453	0.75 441	0.95 446	0.61 441	0.87 456	0.66 450	0.72 456	0.46 443	0.75 451	0.49 444	0.69 455	0.44 446

BEATNet-Init1	0.52 436	0.27 419	0.62 430	0.30 420	0.21 417	0.76 450	0.29 414	0.54 436	0.65 432	0.86 449	0.95 450	2.07 466	0.62 443	0.56 441	0.42 433	0.18 413	0.18 413	0.23 419	0.22 418	0.22 418	0.21 421

NVStereoNet_ROB	0.46 434	0.36 432	0.46 415	0.41 433	0.28 430	0.34 406	0.34 430	0.48 427	0.60 426	0.72 440	0.93 448	0.70 441	0.66 444	0.47 430	0.60 447	0.22 426	0.33 438	0.34 435	0.34 438	0.30 433	0.30 436
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	0.64 441	0.66 448	0.65 432	0.51 440	0.69 457	0.69 442	0.57 450	0.64 444	0.73 441	0.60 432	0.73 437	0.62 433	0.67 445	0.65 445	0.60 447	0.66 455	0.58 461	0.63 446	0.59 450	0.68 453	0.69 459

MADNet+	0.75 448	0.71 450	3.70 466	0.66 445	0.41 438	0.98 458	0.97 465	0.69 445	0.73 441	0.52 427	0.57 425	0.64 434	0.68 446	0.86 455	1.01 463	0.34 438	0.36 440	0.28 430	0.23 422	0.36 438	0.31 437

ACVNet_2	0.66 444	0.66 448	0.68 440	0.63 444	0.41 438	0.71 444	0.49 444	0.96 455	1.39 459	0.89 450	1.09 455	1.04 447	0.73 447	0.54 439	0.47 438	0.43 443	0.40 441	0.53 445	0.44 441	0.47 440	0.35 441

TorneroNet-64	0.76 449	0.72 451	0.74 445	0.78 450	0.58 451	0.91 457	0.56 449	0.84 449	1.29 456	0.66 434	0.90 446	1.40 459	0.75 448	0.85 454	0.67 453	0.49 446	0.46 443	0.72 450	0.59 450	0.67 452	0.53 448

IMH-64-1	0.65 442	0.61 444	0.68 440	0.71 446	0.51 443	0.59 434	0.49 444	0.91 451	0.85 445	0.74 444	1.02 452	0.81 443	0.78 449	0.79 448	0.49 440	0.42 441	0.46 443	0.71 448	0.47 442	0.52 442	0.39 442

IMH-64	0.65 442	0.61 444	0.68 440	0.71 446	0.51 443	0.59 434	0.49 444	0.91 451	0.85 445	0.74 444	1.02 452	0.81 443	0.78 449	0.79 448	0.49 440	0.42 441	0.46 443	0.71 448	0.47 442	0.52 442	0.39 442

JetBlue	0.71 445	0.45 438	1.14 456	0.51 440	0.47 442	2.02 467	0.64 454	0.75 446	0.70 436	0.69 437	0.77 442	1.22 453	0.83 451	1.03 463	1.01 463	0.40 440	0.28 433	0.33 434	0.33 436	0.30 433	0.34 440

LVE	0.83 453	0.85 457	0.85 451	0.80 451	0.56 448	1.04 463	0.65 455	1.05 460	1.47 462	0.96 453	1.22 463	1.10 450	0.85 452	0.83 451	0.71 455	0.49 446	0.55 458	0.76 454	0.60 452	0.65 450	0.59 455

TorneroNet	0.82 452	0.74 452	0.81 450	0.84 453	0.63 454	0.99 459	0.63 452	0.96 455	1.16 453	0.80 447	1.11 457	1.36 458	0.86 453	0.93 459	0.80 458	0.56 448	0.49 450	0.78 456	0.66 455	0.73 458	0.63 458

IMH	0.71 445	0.64 447	0.68 440	0.76 448	0.54 445	0.69 442	0.54 448	0.98 457	1.10 452	0.82 448	1.09 455	0.89 445	0.88 454	0.87 456	0.52 444	0.44 444	0.50 452	0.75 451	0.51 447	0.56 447	0.41 445

WAO-7	0.79 450	0.78 453	0.54 421	0.85 454	0.67 456	0.74 446	0.68 458	1.05 460	1.32 457	0.90 451	1.20 462	1.04 447	0.92 455	0.69 446	0.66 450	0.60 452	0.62 462	0.67 447	0.68 456	0.64 449	0.58 450

JetRed	1.62 464	1.46 467	2.98 462	0.92 457	1.21 466	4.99 469	1.53 469	1.27 467	1.39 459	1.83 466	1.74 468	1.60 465	0.95 456	1.41 466	2.45 469	0.90 463	1.60 467	0.93 460	0.90 464	1.35 466	0.99 466

KSHMR	1.09 461	1.17 463	0.88 452	1.25 466	1.00 465	0.99 459	0.96 464	1.13 464	1.37 458	1.16 461	1.29 464	1.41 460	0.96 457	1.01 462	0.92 460	1.03 464	1.08 466	1.20 464	1.03 466	1.01 463	0.97 465

Dean	0.87 454	0.86 458	0.79 448	0.81 452	0.56 448	0.90 454	0.63 452	1.15 465	1.73 465	1.15 460	1.15 460	1.31 456	0.99 458	0.81 450	0.81 459	0.57 449	0.56 459	0.77 455	0.64 453	0.66 451	0.58 450

WAO-6	0.81 451	0.80 454	0.62 430	0.86 455	0.63 454	0.76 450	0.58 451	0.98 457	1.54 464	0.90 451	0.96 451	1.07 449	1.03 459	0.70 447	0.66 450	0.72 456	0.49 450	0.90 459	0.71 457	0.68 453	0.58 450

WAO-8	0.91 455	0.81 455	0.65 432	0.94 458	0.69 457	0.90 454	0.67 456	1.07 462	1.83 467	1.06 458	1.45 465	1.30 454	1.07 460	0.84 452	0.78 456	0.74 458	0.53 455	0.86 457	0.75 458	0.69 455	0.62 456

ktn	1.01 460	1.21 464	0.80 449	1.23 465	0.86 463	1.01 461	0.87 462	0.94 454	1.39 459	1.04 456	1.12 458	1.15 451	1.07 460	0.94 460	0.59 446	1.28 466	0.71 464	1.38 467	0.83 461	1.02 464	0.75 462

Venus	0.91 455	0.81 455	0.65 432	0.94 458	0.69 457	0.90 454	0.67 456	1.07 462	1.83 467	1.06 458	1.45 465	1.30 454	1.07 460	0.84 452	0.78 456	0.74 458	0.53 455	0.86 457	0.75 458	0.69 455	0.62 456

DPSimNet_ROB	1.11 462	1.23 465	0.78 446	1.13 463	0.88 464	1.10 464	1.13 466	1.16 466	1.23 455	1.43 464	1.02 452	1.41 460	1.10 463	0.90 458	1.60 465	1.46 467	0.51 454	1.21 465	1.03 466	0.90 461	1.01 467

notaker	0.97 458	1.11 462	0.98 454	1.13 463	0.81 461	0.73 445	0.68 458	0.93 453	1.16 453	1.18 462	1.18 461	1.41 460	1.16 464	1.08 465	0.69 454	0.81 461	0.64 463	1.17 463	0.79 460	0.98 462	0.80 463

UNDER WATER-64	0.95 457	0.94 459	1.43 460	0.87 456	0.56 448	1.18 466	0.87 462	0.77 447	0.94 449	1.04 456	0.85 445	1.58 464	1.21 465	0.94 460	0.96 461	0.87 462	0.57 460	1.03 462	0.88 463	0.78 459	0.73 460

UNDER WATER	0.97 458	0.97 461	1.42 459	0.99 460	0.70 460	1.12 465	0.84 461	0.80 448	1.08 451	1.01 455	0.90 446	1.55 463	1.22 466	1.03 463	1.00 462	0.78 460	0.53 455	1.02 461	0.87 462	0.80 460	0.74 461

HanzoNet	1.29 463	1.26 466	1.19 457	1.12 462	0.85 462	1.02 462	0.83 460	1.03 459	1.48 463	1.64 465	1.61 467	2.50 468	1.72 467	1.61 467	1.61 466	1.26 465	0.80 465	1.31 466	1.01 465	1.02 464	0.86 464

MADNet++	1.95 465	1.75 468	1.59 461	1.82 467	1.69 468	2.33 468	1.40 468	2.35 468	2.09 469	2.57 468	2.36 469	2.24 467	2.17 468	2.28 468	2.34 468	1.87 468	1.66 468	1.54 468	1.34 468	1.92 467	1.77 469

tt	4.67 467	0.06 31	3.55 465	2.02 468	1.55 467	10.25 473	16.71 473	8.91 476	5.03 470	1.31 463	0.94 449	4.71 469	4.76 469	3.33 469	5.87 471	6.06 475	10.30 479	1.88 469	2.11 470	2.75 468	1.21 468

LRCNet_RVC	10.62 476	13.42 480	7.30 468	18.92 479	2.07 469	0.33 403	0.30 421	5.59 472	0.48 398	13.03 478	17.94 479	8.87 473	5.65 470	4.79 470	1.89 467	23.51 483	2.73 473	27.55 484	25.71 484	16.07 481	16.33 482

PML	8.91 474	9.34 479	6.13 467	5.35 472	6.41 473	14.99 475	23.38 479	5.27 469	6.83 471	18.04 480	28.19 485	7.67 472	6.83 471	7.85 473	5.75 470	5.35 474	1.83 469	5.95 478	1.93 469	8.64 476	2.52 470

xxxxx1	7.79 468	5.02 473	7.31 469	3.12 469	3.85 470	16.35 476	22.88 474	5.86 473	8.69 472	7.97 472	8.54 470	9.12 474	8.27 472	10.18 474	10.92 472	2.42 469	2.45 470	3.56 472	12.37 476	3.77 469	3.06 471

tt_ll	7.79 468	5.02 473	7.31 469	3.12 469	3.85 470	16.35 476	22.88 474	5.86 473	8.69 472	7.97 472	8.54 470	9.12 474	8.27 472	10.18 474	10.92 472	2.42 469	2.45 470	3.56 472	12.37 476	3.77 469	3.06 471

ff	7.79 468	5.02 473	7.31 469	3.12 469	3.85 470	16.35 476	22.88 474	5.86 473	8.69 472	7.97 472	8.54 470	9.12 474	8.27 472	10.18 474	10.92 472	2.42 469	2.45 470	3.56 472	12.37 476	3.77 469	3.06 471

DPSMNet_ROB	8.06 472	4.48 471	8.63 475	5.37 474	10.74 476	8.32 471	22.98 478	5.46 470	13.36 477	5.12 470	9.92 473	5.08 470	10.40 475	5.53 472	12.58 475	3.80 473	8.00 474	3.50 470	7.02 473	3.83 472	7.14 475

DGTPSM_ROB	8.06 472	4.48 471	8.63 475	5.35 472	10.72 475	8.32 471	22.97 477	5.46 470	13.35 476	5.12 470	9.92 473	5.08 470	10.40 475	5.52 471	12.58 475	3.79 472	8.00 474	3.50 470	7.02 473	3.83 472	7.14 475

Anonymous_1	10.96 477	7.92 476	7.46 472	10.33 475	10.06 474	18.65 480	26.34 480	11.06 477	13.44 478	9.40 475	10.05 475	9.67 477	11.23 477	10.73 477	12.72 477	6.42 476	8.38 476	5.77 475	10.61 475	12.12 477	6.77 474

DPSM_ROB	11.15 478	8.58 477	8.00 473	10.88 476	11.58 477	19.10 481	26.71 481	12.05 478	14.07 479	10.36 476	10.84 476	10.33 478	11.86 478	11.70 478	13.54 478	6.99 477	8.79 477	5.89 476	6.95 471	7.29 474	7.42 477

DPSM	11.15 478	8.58 477	8.00 473	10.88 476	11.58 477	19.10 481	26.71 481	12.05 478	14.07 479	10.36 476	10.84 476	10.33 478	11.86 478	11.70 478	13.54 478	6.99 477	8.79 477	5.89 476	6.95 471	7.29 474	7.42 477

HaxPig	15.71 480	18.52 484	19.18 480	16.89 478	15.89 480	7.73 470	7.60 470	13.31 480	10.82 475	15.42 479	14.91 478	15.98 480	14.92 480	15.58 480	15.98 480	18.95 482	16.73 480	19.46 482	18.08 482	19.26 482	19.05 483

MEDIAN_ROB	20.38 481	24.04 485	23.31 482	21.23 480	21.71 481	10.40 474	7.92 471	17.64 481	15.50 481	20.12 481	19.70 480	20.34 481	20.32 481	21.19 481	21.13 481	23.81 484	21.81 484	24.98 483	23.76 483	24.71 483	23.93 484

Selective-RAFT-Error	22.47 483	17.37 483	16.09 478	22.06 482	23.34 483	38.39 484	53.83 485	24.29 485	28.47 485	20.74 483	21.83 483	20.81 482	23.90 482	23.54 484	27.53 485	14.08 480	17.69 482	11.82 479	14.00 479	14.69 479	15.00 481

CasAABBNet	22.42 482	17.33 482	16.01 477	22.01 481	23.28 482	38.32 483	53.80 484	24.14 483	28.41 484	20.60 482	21.77 482	20.89 483	23.91 483	23.43 482	27.36 483	14.07 479	17.69 482	11.83 480	14.01 480	14.67 478	14.95 480

LSM0	22.87 484	17.28 481	18.96 479	22.19 483	29.04 485	38.42 485	53.71 483	24.28 484	28.31 483	20.78 484	21.00 481	21.43 484	24.16 484	23.50 483	27.39 484	14.09 481	17.38 481	11.84 481	14.04 481	14.73 480	14.89 479

AVERAGE_ROB	24.90 485	29.20 486	28.14 483	24.89 484	24.64 484	17.75 479	11.12 472	21.45 482	19.93 482	25.12 485	24.46 484	25.12 485	25.46 485	24.69 485	22.83 482	29.76 485	27.13 485	28.97 485	27.95 485	29.91 484	29.47 485

test_example2	98.32 486	94.13 487	45.89 484	96.35 485	109.85 486	88.61 486	95.45 486	25.75 486	94.37 486	130.00 486	126.06 486	58.17 486	74.63 486	88.51 486	79.96 486	150.23 486	221.02 486	77.62 486	99.10 486	113.75 486	96.94 486

ASD4		3.38 470

Low-res two-view benchmark