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

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 67	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 74	0.06 6	0.12 101	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

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

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 182	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 61	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

CAS	0.08 2	0.04 1	0.07 2	0.17 115	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 38	0.08 25	0.06 6	0.09 10	0.08 11	0.08 190	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 115	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 61	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 115	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

GMOStereo	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

error version	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-v	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-2	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

cross-raft	0.10 50	0.09 190	0.09 28	0.19 227	0.07 18	0.11 82	0.25 335	0.13 9	0.15 69	0.08 5	0.11 53	0.12 89	0.10 88	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 182	0.09 131	0.10 56	0.15 115	0.14 15	0.19 128	0.09 15	0.14 80	0.12 89	0.08 49	0.11 45	0.10 49	0.05 2	0.06 189	0.07 98	0.06 86	0.05 40	0.04 7

test croco	0.10 50	0.08 140	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.14 15	0.13 41	0.13 104	0.15 94	0.09 37	0.12 138	0.13 133	0.12 127	0.07 141	0.05 106	0.09 226	0.06 86	0.06 101	0.06 98

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 101	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 300	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HH	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

test_3	0.10 50	0.09 190	0.10 44	0.20 268	0.08 47	0.13 129	0.26 341	0.14 15	0.21 162	0.10 40	0.10 38	0.09 37	0.09 67	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.04 1	0.04 7

test-1	0.10 50	0.07 69	0.16 221	0.19 227	0.08 47	0.11 82	0.24 321	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 80	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 59	0.12 61	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 71	0.09 37	0.08 49	0.11 45	0.10 49	0.08 190	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MyStereo07	0.10 50	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 101	0.09 19	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

DualNet	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ffm	0.12 135	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.07 1	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ff1	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.12 104	0.16 170	0.15 26	0.19 128	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 89	0.09 67	0.15 166	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

ProNet	0.09 11	0.07 69	0.10 44	0.17 115	0.08 47	0.10 56	0.15 115	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.12 138	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

test_4	0.10 50	0.10 237	0.08 11	0.19 227	0.09 131	0.08 23	0.22 302	0.15 26	0.17 99	0.12 83	0.18 142	0.12 89	0.09 67	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 211	0.04 1	0.03 1

GLC_STEREO	0.11 80	0.07 69	0.11 70	0.17 115	0.07 18	0.09 35	0.13 43	0.15 26	0.24 192	0.12 83	0.13 71	0.12 89	0.08 49	0.18 230	0.11 85	0.06 54	0.08 268	0.08 162	0.06 86	0.05 40	0.05 51

RAFT-345	0.11 80	0.07 69	0.15 191	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 59	0.36 307	0.09 37	0.09 67	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 305	0.09 131	0.09 35	0.19 262	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 199	0.18 231	0.15 26	0.15 69	0.10 40	0.11 53	0.11 74	0.11 109	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 128	0.11 59	0.15 94	0.10 58	0.06 6	0.12 101	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 71	0.10 58	0.07 31	0.13 133	0.10 49	0.15 345	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

xx1	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 162	0.16 226	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 211	0.07 155	0.07 157

cc1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 216	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 216	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

StereoIM	0.09 11	0.09 190	0.08 11	0.17 115	0.09 131	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 53	0.06 3	0.06 6	0.09 10	0.13 157	0.07 141	0.06 189	0.07 98	0.05 31	0.05 40	0.04 7

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 38	0.10 58	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

CroCo-Stereo Lap2	0.09 11	0.09 190	0.08 11	0.22 305	0.09 131	0.09 35	0.19 262	0.16 42	0.12 25	0.09 15	0.10 38	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 189	0.07 98	0.05 31	0.05 40	0.05 51

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Patchmatch Stereo++	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157
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
NRIStereo	0.11 80	0.08 140	0.14 154	0.18 182	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 83	0.14 80	0.13 112	0.12 138	0.13 133	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 157

PSM-adaLoss	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo_v2	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

HUI-Stereo	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

DEmStereo	0.12 135	0.06 19	0.14 154	0.14 13	0.10 216	0.16 199	0.15 115	0.16 42	0.24 192	0.17 185	0.24 196	0.13 112	0.14 193	0.12 101	0.13 157	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

iGMRVC	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

iRAFT	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

RAFT-IKP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 61	0.10 58	0.09 67	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

DIP-Stereo	0.11 80	0.07 69	0.14 154	0.17 115	0.09 131	0.13 129	0.09 3	0.16 42	0.16 87	0.11 59	0.16 102	0.14 127	0.12 138	0.15 166	0.13 157	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

MIF-Stereo (partial)	0.11 80	0.06 19	0.10 44	0.19 227	0.10 216	0.10 56	0.11 11	0.17 72	0.18 116	0.14 124	0.16 102	0.09 37	0.11 109	0.12 101	0.12 127	0.08 190	0.05 106	0.08 162	0.07 161	0.06 101	0.07 157

LL-Strereo2	0.10 50	0.10 237	0.15 191	0.18 182	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 124	0.10 38	0.09 37	0.07 31	0.16 197	0.10 49	0.05 2	0.05 106	0.10 267	0.07 161	0.06 101	0.05 51

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 182	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 53	0.10 58	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 161	0.06 101	0.05 51

DisPM	0.11 80	0.07 69	0.12 90	0.16 68	0.09 131	0.06 2	0.13 43	0.17 72	0.17 99	0.14 124	0.20 159	0.12 89	0.10 88	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 292

CIPLG	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.11 53	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

IPLGR_C	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

CrosDoStereo	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

PFNet+	0.11 80	0.06 19	0.13 128	0.16 68	0.09 131	0.05 1	0.12 21	0.17 72	0.21 162	0.16 173	0.19 148	0.14 127	0.10 88	0.11 45	0.11 85	0.08 190	0.05 106	0.09 226	0.08 211	0.06 101	0.11 292

ASMatch	0.11 80	0.06 19	0.13 128	0.16 68	0.10 216	0.07 16	0.14 69	0.17 72	0.17 99	0.12 83	0.16 102	0.16 162	0.10 88	0.13 133	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 217

DeepStereo_LL	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

SST-Stereo	0.10 50	0.07 69	0.15 191	0.18 182	0.09 131	0.06 2	0.12 21	0.17 72	0.11 17	0.15 148	0.17 120	0.13 112	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

THIR-Stereo	0.12 135	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 211	0.16 173	0.24 196	0.14 127	0.12 138	0.12 101	0.14 185	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

RAFT_R40	0.11 80	0.07 69	0.14 154	0.18 182	0.09 131	0.06 2	0.13 43	0.17 72	0.16 87	0.14 124	0.18 142	0.15 151	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

Pruner-Stereo	0.11 80	0.07 69	0.12 90	0.17 115	0.09 131	0.06 2	0.12 21	0.17 72	0.17 99	0.13 104	0.19 148	0.13 112	0.09 67	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 217

DeepStereo_RVC	0.11 80	0.08 140	0.16 221	0.18 182	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 104	0.14 80	0.12 89	0.12 138	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 217

RAFT-RH_RVC	0.11 80	0.06 19	0.14 154	0.16 68	0.09 131	0.12 104	0.12 21	0.17 72	0.12 25	0.13 104	0.41 341	0.11 74	0.10 88	0.13 133	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

rafts_anoy	0.11 80	0.06 19	0.10 44	0.17 115	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 104	0.13 71	0.12 89	0.10 88	0.11 45	0.12 127	0.07 141	0.04 2	0.09 226	0.11 305	0.07 155	0.06 98

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 83	0.17 120	0.14 127	0.10 88	0.12 101	0.11 85	0.07 141	0.06 189	0.06 31	0.05 31	0.08 198	0.07 157

sCroCo_RVC	0.12 135	0.09 190	0.23 299	0.24 329	0.11 254	0.19 253	0.14 69	0.17 72	0.14 58	0.10 40	0.13 71	0.12 89	0.07 31	0.14 148	0.11 85	0.08 190	0.08 268	0.08 162	0.08 211	0.05 40	0.07 157

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 115	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 38	0.08 25	0.09 67	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 115	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 61	0.09 37	0.09 67	0.12 101	0.09 19	0.05 2	0.04 2	0.07 98	0.07 161	0.04 1	0.03 1

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 38	0.12 89	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

Former-RAFT_DAM_RVC	0.10 50	0.08 140	0.12 90	0.16 68	0.08 47	0.15 175	0.16 170	0.18 96	0.18 116	0.10 40	0.09 23	0.09 37	0.08 49	0.11 45	0.12 127	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.06 98

11t1	0.12 135	0.06 19	0.13 128	0.14 13	0.08 47	0.17 218	0.15 115	0.18 96	0.15 69	0.15 148	0.15 94	0.16 162	0.16 226	0.15 166	0.13 157	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

whm_eth	0.14 186	0.09 190	0.20 280	0.20 268	0.12 283	0.12 104	0.15 115	0.18 96	0.28 242	0.17 185	0.32 283	0.09 37	0.12 138	0.18 230	0.14 185	0.07 141	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157

EKT-Stereo	0.11 80	0.07 69	0.14 154	0.15 38	0.10 216	0.13 129	0.14 69	0.18 96	0.21 162	0.11 59	0.08 17	0.12 89	0.09 67	0.11 45	0.12 127	0.08 190	0.06 189	0.07 98	0.06 86	0.08 198	0.07 157

CASnet	0.09 11	0.09 190	0.09 28	0.19 227	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 59	0.10 38	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 267	0.08 211	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
anonymousdsp2	0.11 80	0.07 69	0.10 44	0.16 68	0.09 131	0.13 129	0.14 69	0.18 96	0.22 173	0.13 104	0.14 80	0.12 89	0.09 67	0.14 148	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

CASS	0.13 157	0.12 271	0.11 70	0.23 324	0.09 131	0.15 175	0.17 191	0.18 96	0.19 128	0.17 185	0.18 142	0.15 151	0.15 206	0.14 148	0.14 185	0.09 235	0.06 189	0.10 267	0.08 211	0.09 246	0.07 157
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 80	0.07 69	0.13 128	0.16 68	0.11 254	0.11 82	0.17 191	0.18 96	0.17 99	0.11 59	0.18 142	0.10 58	0.10 88	0.15 166	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

riskmin	0.11 80	0.06 19	0.13 128	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 59	0.14 80	0.16 162	0.11 109	0.14 148	0.12 127	0.09 235	0.05 106	0.07 98	0.05 31	0.08 198	0.08 217

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 38	0.08 25	0.07 31	0.12 101	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.18 96	0.19 128	0.13 104	0.16 102	0.09 37	0.14 193	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

RAFT_CTSACE	0.12 135	0.09 190	0.10 44	0.22 305	0.08 47	0.12 104	0.24 321	0.18 96	0.16 87	0.20 241	0.27 247	0.13 112	0.07 31	0.13 133	0.09 19	0.05 2	0.06 189	0.08 162	0.07 161	0.04 1	0.04 7

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 128	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 59	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 283	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 161	0.04 1	0.04 7

AAGNet	0.11 80	0.07 69	0.16 221	0.19 227	0.09 131	0.08 23	0.13 43	0.18 96	0.13 41	0.16 173	0.21 173	0.13 112	0.14 193	0.11 45	0.14 185	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

GrayStereo	0.11 80	0.06 19	0.11 70	0.19 227	0.09 131	0.09 35	0.16 170	0.18 96	0.17 99	0.14 124	0.17 120	0.17 181	0.11 109	0.12 101	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 269

CRE-IMP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 124	0.13 71	0.13 112	0.12 138	0.12 101	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 198	0.08 217

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 115	0.09 131	0.11 82	0.17 191	0.18 96	0.12 25	0.09 15	0.12 61	0.10 58	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.04 1	0.04 7

raftrobust	0.09 11	0.06 19	0.10 44	0.17 115	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 89	0.07 31	0.12 101	0.10 49	0.08 190	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 104	0.16 102	0.14 127	0.11 109	0.15 166	0.13 157	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MyStereo8	0.12 135	0.07 69	0.15 191	0.15 38	0.09 131	0.18 233	0.14 69	0.19 116	0.22 173	0.12 83	0.18 142	0.11 74	0.10 88	0.16 197	0.18 247	0.07 141	0.05 106	0.07 98	0.05 31	0.08 198	0.09 250

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 115	0.09 131	0.13 129	0.18 231	0.19 116	0.12 25	0.12 83	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

knoymous	0.11 80	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 116	0.13 41	0.11 59	0.17 120	0.13 112	0.09 67	0.13 133	0.11 85	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

anonymousa	0.13 157	0.07 69	0.13 128	0.18 182	0.09 131	0.13 129	0.17 191	0.19 116	0.29 249	0.15 148	0.24 196	0.15 151	0.14 193	0.14 148	0.14 185	0.07 141	0.05 106	0.07 98	0.09 250	0.05 40	0.06 98

TransformOpticalFlow	0.10 50	0.08 140	0.13 128	0.18 182	0.07 18	0.09 35	0.15 115	0.19 116	0.15 69	0.12 83	0.17 120	0.11 74	0.11 109	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 116	0.14 58	0.13 104	0.11 53	0.09 37	0.08 49	0.13 133	0.10 49	0.08 190	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

MLCV	0.12 135	0.07 69	0.16 221	0.18 182	0.06 2	0.15 175	0.17 191	0.19 116	0.21 162	0.18 211	0.25 225	0.17 181	0.13 170	0.14 148	0.13 157	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 123	0.14 58	0.13 104	0.13 71	0.09 37	0.05 2	0.12 101	0.08 11	0.05 2	0.06 189	0.07 98	0.06 86	0.06 101	0.05 51

Selective-RAFT	0.11 80	0.10 237	0.11 70	0.21 292	0.08 47	0.16 199	0.13 43	0.20 123	0.22 173	0.10 40	0.10 38	0.11 74	0.10 88	0.15 166	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

IPLG	0.10 50	0.07 69	0.15 191	0.17 115	0.08 47	0.11 82	0.14 69	0.20 123	0.15 69	0.12 83	0.17 120	0.07 17	0.07 31	0.14 148	0.13 157	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

MIPNet	0.11 80	0.08 140	0.14 154	0.17 115	0.09 131	0.12 104	0.14 69	0.20 123	0.24 192	0.11 59	0.10 38	0.09 37	0.07 31	0.13 133	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

HHNet	0.11 80	0.06 19	0.16 221	0.15 38	0.14 317	0.07 16	0.13 43	0.20 123	0.17 99	0.14 124	0.25 225	0.11 74	0.08 49	0.13 133	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 250

PSM-AAD	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.20 123	0.13 41	0.12 83	0.14 80	0.18 192	0.11 109	0.11 45	0.10 49	0.05 2	0.05 106	0.09 226	0.08 211	0.06 101	0.14 334

RAFT	0.13 157	0.09 190	0.11 70	0.18 182	0.08 47	0.15 175	0.24 321	0.20 123	0.19 128	0.21 249	0.21 173	0.17 181	0.12 138	0.16 197	0.09 19	0.06 54	0.07 246	0.10 267	0.09 250	0.05 40	0.05 51

TestStereo	0.13 157	0.14 304	0.11 70	0.23 324	0.08 47	0.15 175	0.21 293	0.20 123	0.23 182	0.14 124	0.24 196	0.16 162	0.12 138	0.16 197	0.14 185	0.05 2	0.06 189	0.08 162	0.06 86	0.09 246	0.05 51

RALAANet	0.11 80	0.08 140	0.10 44	0.17 115	0.09 131	0.14 153	0.10 6	0.20 123	0.15 69	0.14 124	0.13 71	0.16 162	0.09 67	0.12 101	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 115	0.09 131	0.15 175	0.12 21	0.20 123	0.10 7	0.10 40	0.14 80	0.07 17	0.06 6	0.12 101	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

Anonymous	0.14 186	0.10 237	0.24 302	0.22 305	0.13 300	0.18 233	0.22 302	0.20 123	0.19 128	0.14 124	0.12 61	0.11 74	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.08 162	0.08 211	0.12 302	0.10 269

ARAFT	0.12 135	0.08 140	0.17 246	0.19 227	0.09 131	0.14 153	0.18 231	0.20 123	0.12 25	0.12 83	0.13 71	0.14 127	0.11 109	0.15 166	0.12 127	0.06 54	0.05 106	0.10 267	0.09 250	0.05 40	0.04 7

GMStereo	0.13 157	0.14 304	0.14 154	0.18 182	0.09 131	0.15 175	0.16 170	0.20 123	0.24 192	0.16 173	0.17 120	0.10 58	0.10 88	0.16 197	0.13 157	0.07 141	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
aanetorigin	0.22 305	0.17 328	0.56 372	0.17 115	0.10 216	0.15 175	0.19 262	0.20 123	0.33 274	0.49 373	0.48 356	0.29 290	0.27 321	0.20 260	0.23 300	0.08 190	0.07 246	0.08 162	0.07 161	0.10 273	0.09 250

EDNetEfficient	0.29 353	0.24 360	1.13 402	0.18 182	0.10 216	0.19 253	0.20 277	0.20 123	0.60 373	0.74 392	0.56 371	0.31 308	0.39 363	0.22 287	0.30 351	0.09 235	0.07 246	0.08 162	0.07 161	0.11 288	0.09 250

cf-r	0.13 157	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 262	0.20 123	0.25 211	0.17 185	0.25 225	0.21 216	0.16 226	0.14 148	0.14 185	0.10 266	0.05 106	0.06 31	0.08 211	0.06 101	0.06 98

iResNet	0.13 157	0.10 237	0.18 263	0.19 227	0.08 47	0.13 129	0.18 231	0.20 123	0.26 224	0.15 148	0.23 188	0.15 151	0.13 170	0.14 148	0.14 185	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

mmm	0.14 186	0.08 140	0.17 246	0.17 115	0.09 131	0.17 218	0.18 231	0.21 140	0.15 69	0.15 148	0.23 188	0.21 216	0.16 226	0.16 197	0.17 233	0.08 190	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

StereoVision	0.13 157	0.12 271	0.09 28	0.24 329	0.10 216	0.15 175	0.21 293	0.21 140	0.20 149	0.12 83	0.24 196	0.10 58	0.10 88	0.16 197	0.10 49	0.09 235	0.11 319	0.12 309	0.12 323	0.06 101	0.05 51

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 140	0.15 69	0.11 59	0.12 61	0.12 89	0.09 67	0.12 101	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

test_5	0.14 186	0.12 271	0.08 11	0.20 268	0.10 216	0.14 153	0.29 361	0.21 140	0.24 192	0.18 211	0.28 256	0.11 74	0.15 206	0.12 101	0.13 157	0.06 54	0.05 106	0.07 98	0.08 211	0.08 198	0.07 157

iRaft-Stereo_5w	0.12 135	0.09 190	0.12 90	0.19 227	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.19 224	0.14 80	0.11 74	0.09 67	0.20 260	0.16 222	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

UDGNet	0.14 186	0.13 292	0.16 221	0.17 115	0.10 216	0.12 104	0.16 170	0.21 140	0.27 231	0.20 241	0.20 159	0.16 162	0.13 170	0.16 197	0.13 157	0.10 266	0.06 189	0.09 226	0.07 161	0.06 101	0.07 157

dd	0.15 219	0.16 317	0.16 221	0.19 227	0.09 131	0.15 175	0.18 231	0.21 140	0.25 211	0.23 274	0.20 159	0.21 216	0.09 67	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.06 86	0.08 198	0.06 98

dad	0.17 256	0.20 346	0.20 280	0.16 68	0.11 254	0.20 265	0.18 231	0.21 140	0.28 242	0.30 326	0.24 196	0.29 290	0.13 170	0.19 241	0.16 222	0.18 362	0.09 291	0.11 294	0.09 250	0.11 288	0.07 157

IPLGR	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.12 104	0.17 191	0.21 140	0.24 192	0.11 59	0.12 61	0.11 74	0.08 49	0.12 101	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

LCNet	0.11 80	0.07 69	0.09 28	0.19 227	0.09 131	0.08 23	0.15 115	0.21 140	0.15 69	0.11 59	0.15 94	0.16 162	0.11 109	0.12 101	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.15 342

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 182	0.07 18	0.10 56	0.14 69	0.21 140	0.11 17	0.11 59	0.15 94	0.12 89	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

OMP-Stereo	0.11 80	0.06 19	0.14 154	0.18 182	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.13 104	0.14 80	0.11 74	0.12 138	0.11 45	0.13 157	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

FTStereo	0.12 135	0.06 19	0.14 154	0.18 182	0.09 131	0.07 16	0.15 115	0.21 140	0.18 116	0.12 83	0.24 196	0.12 89	0.12 138	0.13 133	0.13 157	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 269

DRaft	0.12 135	0.06 19	0.11 70	0.14 13	0.09 131	0.14 153	0.17 191	0.21 140	0.30 256	0.17 185	0.28 256	0.10 58	0.15 206	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 140	0.23 182	0.11 59	0.12 61	0.14 127	0.11 109	0.13 133	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

GwcNet-RSSM	0.14 186	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 277	0.21 140	0.27 231	0.18 211	0.27 247	0.22 233	0.16 226	0.14 148	0.15 208	0.10 266	0.05 106	0.07 98	0.09 250	0.07 155	0.07 157

CBFPSM	0.14 186	0.06 19	0.26 309	0.17 115	0.09 131	0.13 129	0.15 115	0.22 156	0.23 182	0.20 241	0.27 247	0.24 251	0.16 226	0.16 197	0.18 247	0.06 54	0.06 189	0.06 31	0.07 161	0.07 155	0.07 157

Anonymous_2	0.22 305	0.17 328	0.28 320	0.15 38	0.16 338	0.32 345	0.22 302	0.22 156	0.17 99	0.23 274	0.24 196	0.26 269	0.27 321	0.27 316	0.23 300	0.22 374	0.25 382	0.17 350	0.17 356	0.17 356	0.17 360

x	0.13 157	0.07 69	0.14 154	0.14 13	0.08 47	0.18 233	0.14 69	0.22 156	0.20 149	0.15 148	0.19 148	0.19 200	0.17 245	0.18 230	0.18 247	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 157

RAFT+CT+SA	0.13 157	0.11 257	0.09 28	0.19 227	0.09 131	0.15 175	0.28 353	0.22 156	0.22 173	0.15 148	0.26 240	0.10 58	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 211	0.07 155	0.06 98

Sa-1000	0.12 135	0.08 140	0.08 11	0.18 182	0.08 47	0.14 153	0.22 302	0.22 156	0.18 116	0.15 148	0.20 159	0.17 181	0.11 109	0.10 18	0.10 49	0.06 54	0.05 106	0.09 226	0.09 250	0.05 40	0.05 51

IIG-Stereo	0.11 80	0.06 19	0.13 128	0.17 115	0.08 47	0.11 82	0.12 21	0.22 156	0.17 99	0.14 124	0.17 120	0.11 74	0.12 138	0.12 101	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

KYRaft	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.08 23	0.15 115	0.22 156	0.12 25	0.13 104	0.16 102	0.20 210	0.10 88	0.12 101	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.06 101	0.16 353

Prome-Stereo	0.11 80	0.06 19	0.10 44	0.18 182	0.08 47	0.12 104	0.15 115	0.22 156	0.13 41	0.12 83	0.17 120	0.13 112	0.08 49	0.12 101	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 250

EDNetEfficientorigin	7.91 419	0.31 376	153.02 438	0.19 227	0.09 131	0.21 279	0.16 170	0.22 156	0.59 370	0.72 388	0.67 378	0.42 354	0.50 380	0.24 306	0.39 374	0.08 190	0.07 246	0.08 162	0.07 161	0.12 302	0.10 269

FENet	0.13 157	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 156	0.23 182	0.17 185	0.23 188	0.16 162	0.12 138	0.14 148	0.15 208	0.08 190	0.05 106	0.08 162	0.08 211	0.07 155	0.07 157

ACVNet	0.15 219	0.09 190	0.15 191	0.13 6	0.12 283	0.14 153	0.20 277	0.22 156	0.33 274	0.17 185	0.26 240	0.21 216	0.16 226	0.17 219	0.21 281	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

GANet-RSSM	0.14 186	0.07 69	0.13 128	0.13 6	0.08 47	0.14 153	0.17 191	0.22 156	0.21 162	0.17 185	0.24 196	0.23 245	0.15 206	0.16 197	0.15 208	0.10 266	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

CFNet-ft	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

BEATNet_4x	0.12 135	0.08 140	0.14 154	0.18 182	0.07 18	0.15 175	0.07 1	0.22 156	0.18 116	0.16 173	0.19 148	0.18 192	0.14 193	0.16 197	0.15 208	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

CFNet_RVC	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

LE_ROB	0.50 382	0.07 69	0.14 154	0.15 38	0.08 47	0.24 305	0.16 170	0.22 156	1.81 414	4.63 418	0.67 378	0.47 369	0.44 375	0.20 260	0.29 347	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

DN-CSS_ROB	0.13 157	0.13 292	0.16 221	0.18 182	0.10 216	0.16 199	0.08 2	0.22 156	0.18 116	0.17 185	0.22 182	0.13 112	0.13 170	0.12 101	0.13 157	0.05 2	0.05 106	0.10 267	0.10 282	0.08 198	0.06 98

CoDeX	0.12 135	0.07 69	0.12 90	0.17 115	0.08 47	0.12 104	0.15 115	0.23 173	0.27 231	0.13 104	0.17 120	0.16 162	0.11 109	0.14 148	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

1test111	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 166	0.16 222	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

DLNR_Zeroshot_test	10.40 423	1.82 418	19.49 433	120.77 439	13.11 429	0.06 2	0.13 43	0.23 173	0.10 7	0.07 2	0.10 38	0.09 37	0.06 6	0.10 18	0.09 19	0.13 331	0.04 2	0.06 31	0.04 8	51.54 438	0.04 7

TestStereo1	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 361	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

qqq	0.13 157	0.09 190	0.15 191	0.16 68	0.08 47	0.13 129	0.15 115	0.23 173	0.16 87	0.15 148	0.19 148	0.16 162	0.16 226	0.15 166	0.16 222	0.07 141	0.06 189	0.08 162	0.08 211	0.07 155	0.07 157

SA-5K	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 361	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

SA	0.12 135	0.09 190	0.08 11	0.18 182	0.08 47	0.12 104	0.24 321	0.23 173	0.18 116	0.17 185	0.27 247	0.14 127	0.11 109	0.11 45	0.11 85	0.05 2	0.05 106	0.09 226	0.08 211	0.05 40	0.04 7

AACVNet	0.16 237	0.08 140	0.14 154	0.15 38	0.10 216	0.18 233	0.15 115	0.23 173	0.24 192	0.27 306	0.27 247	0.28 283	0.17 245	0.19 241	0.16 222	0.09 235	0.07 246	0.09 226	0.07 161	0.10 273	0.09 250

NF-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

OCTAStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

RE-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

TVStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

GMM-Stereo	0.11 80	0.07 69	0.10 44	0.18 182	0.09 131	0.08 23	0.15 115	0.23 173	0.16 87	0.11 59	0.15 94	0.13 112	0.11 109	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.09 250

DMCA	0.14 186	0.09 190	0.16 221	0.19 227	0.09 131	0.15 175	0.17 191	0.23 173	0.27 231	0.14 124	0.19 148	0.17 181	0.18 254	0.15 166	0.17 233	0.10 266	0.06 189	0.08 162	0.06 86	0.09 246	0.10 269

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
gwcnet-sp	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

scenet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

ToySt	0.17 256	0.11 257	0.18 263	0.17 115	0.11 254	0.16 199	0.25 335	0.24 190	0.33 274	0.19 224	0.24 196	0.26 269	0.24 302	0.19 241	0.20 262	0.07 141	0.08 268	0.09 226	0.10 282	0.09 246	0.08 217

ssnet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

PSM-softLoss	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

KMStereo	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

IRAFT_RVC	0.12 135	0.08 140	0.16 221	0.19 227	0.08 47	0.07 16	0.15 115	0.24 190	0.23 182	0.14 124	0.14 80	0.15 151	0.12 138	0.12 101	0.10 49	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.06 98

raft+_RVC	0.11 80	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 190	0.20 149	0.12 83	0.15 94	0.12 89	0.08 49	0.12 101	0.13 157	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

ac_64	0.16 237	0.08 140	0.15 191	0.18 182	0.10 216	0.22 287	0.18 231	0.24 190	0.21 162	0.18 211	0.24 196	0.29 290	0.18 254	0.19 241	0.22 290	0.09 235	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

PSMNet-RSSM	0.14 186	0.07 69	0.13 128	0.15 38	0.08 47	0.13 129	0.16 170	0.24 190	0.24 192	0.16 173	0.28 256	0.22 233	0.14 193	0.15 166	0.13 157	0.11 287	0.06 189	0.09 226	0.12 323	0.08 198	0.07 157

SuperB	0.20 287	0.10 237	0.56 372	0.16 68	0.09 131	0.18 233	0.18 231	0.24 190	0.50 352	0.26 300	0.39 326	0.17 181	0.21 281	0.22 287	0.21 281	0.08 190	0.06 189	0.06 31	0.06 86	0.12 302	0.10 269

UCFNet_RVC	0.14 186	0.08 140	0.13 128	0.11 1	0.10 216	0.20 265	0.10 6	0.24 190	0.22 173	0.17 185	0.20 159	0.23 245	0.15 206	0.17 219	0.15 208	0.12 311	0.07 246	0.10 267	0.13 332	0.11 288	0.10 269

pmcnn	0.15 219	0.07 69	0.19 272	0.15 38	0.07 18	0.20 265	0.15 115	0.24 190	0.26 224	0.21 249	0.34 300	0.28 283	0.18 254	0.18 230	0.17 233	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

SDNR	0.19 278	0.08 140	0.19 272	0.16 68	0.12 283	0.77 399	0.14 69	0.25 203	0.32 268	0.19 224	0.24 196	0.19 200	0.13 170	0.19 241	0.15 208	0.16 356	0.18 364	0.14 333	0.11 305	0.08 198	0.11 292

fast-acv-ft	0.18 268	0.11 257	0.19 272	0.19 227	0.12 283	0.24 305	0.21 293	0.25 203	0.34 285	0.22 262	0.34 300	0.27 276	0.20 277	0.21 276	0.23 300	0.09 235	0.09 291	0.08 162	0.10 282	0.08 198	0.07 157

IER	0.14 186	0.07 69	0.13 128	0.17 115	0.09 131	0.14 153	0.16 170	0.25 203	0.26 224	0.18 211	0.25 225	0.17 181	0.20 277	0.16 197	0.14 185	0.08 190	0.05 106	0.07 98	0.06 86	0.08 198	0.07 157

CSP-Net	0.16 237	0.09 190	0.14 154	0.16 68	0.09 131	0.19 253	0.17 191	0.25 203	0.32 268	0.25 295	0.30 271	0.24 251	0.15 206	0.21 276	0.18 247	0.09 235	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

ICVP	0.15 219	0.09 190	0.12 90	0.22 305	0.09 131	0.17 218	0.21 293	0.25 203	0.23 182	0.18 211	0.30 271	0.26 269	0.18 254	0.17 219	0.14 185	0.09 235	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 256	0.09 190	0.16 221	0.20 268	0.11 254	0.27 330	0.20 277	0.25 203	0.41 320	0.22 262	0.30 271	0.21 216	0.20 277	0.17 219	0.20 262	0.06 54	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

acv_ft	0.15 219	0.09 190	0.15 191	0.19 227	0.10 216	0.16 199	0.17 191	0.25 203	0.33 274	0.19 224	0.26 240	0.21 216	0.17 245	0.17 219	0.18 247	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

hitnet-ft	0.18 268	0.09 190	0.17 246	0.14 13	0.09 131	0.26 323	0.20 277	0.25 203	0.26 224	0.24 282	0.32 283	0.31 308	0.22 290	0.24 306	0.21 281	0.12 311	0.07 246	0.10 267	0.08 211	0.12 302	0.11 292

DMCA-RVC	0.17 256	0.10 237	0.15 191	0.24 329	0.11 254	0.18 233	0.18 231	0.25 203	0.24 192	0.21 249	0.26 240	0.25 261	0.27 321	0.18 230	0.20 262	0.12 311	0.08 268	0.13 323	0.10 282	0.10 273	0.08 217

FADNet-RVC-Resample	0.16 237	0.11 257	0.31 331	0.22 305	0.11 254	0.19 253	0.14 69	0.25 203	0.24 192	0.24 282	0.27 247	0.20 210	0.15 206	0.16 197	0.15 208	0.07 141	0.08 268	0.12 309	0.10 282	0.09 246	0.10 269

RP	0.21 296	0.13 292	0.21 285	0.23 324	0.11 254	0.21 279	0.20 277	0.25 203	0.44 335	0.21 249	0.38 318	0.36 332	0.24 302	0.27 316	0.25 319	0.11 287	0.12 328	0.13 323	0.12 323	0.12 302	0.14 334

iResNetv2_ROB	0.14 186	0.08 140	0.15 191	0.16 68	0.08 47	0.16 199	0.12 21	0.25 203	0.35 292	0.21 249	0.29 267	0.24 251	0.13 170	0.14 148	0.14 185	0.06 54	0.05 106	0.06 31	0.04 8	0.09 246	0.08 217

SMFormer	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

Wz-Net-LNSev-Ref	0.18 268	0.09 190	0.29 326	0.15 38	0.10 216	0.22 287	0.20 277	0.26 215	0.39 311	0.25 295	0.42 346	0.24 251	0.15 206	0.20 260	0.19 256	0.07 141	0.05 106	0.06 31	0.05 31	0.10 273	0.09 250

CRFU-Net	0.16 237	0.08 140	0.14 154	0.17 115	0.09 131	0.19 253	0.14 69	0.26 215	0.20 149	0.28 317	0.27 247	0.29 290	0.17 245	0.19 241	0.17 233	0.09 235	0.09 291	0.07 98	0.07 161	0.08 198	0.08 217

PSMNet-ADL	0.15 219	0.12 271	0.13 128	0.22 305	0.09 131	0.13 129	0.20 277	0.26 215	0.23 182	0.18 211	0.20 159	0.24 251	0.16 226	0.18 230	0.17 233	0.08 190	0.08 268	0.08 162	0.11 305	0.08 198	0.07 157

PFNet	0.12 135	0.06 19	0.17 246	0.17 115	0.08 47	0.09 35	0.15 115	0.26 215	0.20 149	0.16 173	0.16 102	0.14 127	0.11 109	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

sAnonymous2	0.13 157	0.12 271	0.24 302	0.20 268	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CroCo_RVC	0.13 157	0.12 271	0.24 302	0.20 268	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

HCRNet	0.16 237	0.24 360	0.12 90	0.35 376	0.11 254	0.15 175	0.17 191	0.26 215	0.22 173	0.19 224	0.24 196	0.21 216	0.14 193	0.15 166	0.13 157	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

RAFT + AFF	0.13 157	0.07 69	0.20 280	0.20 268	0.10 216	0.14 153	0.24 321	0.26 215	0.20 149	0.11 59	0.10 38	0.12 89	0.10 88	0.15 166	0.12 127	0.07 141	0.06 189	0.09 226	0.08 211	0.06 101	0.08 217

FADNet_RVC	0.16 237	0.14 304	0.40 353	0.20 268	0.11 254	0.13 129	0.13 43	0.26 215	0.22 173	0.21 249	0.23 188	0.20 210	0.17 245	0.14 148	0.16 222	0.08 190	0.08 268	0.12 309	0.09 250	0.11 288	0.10 269

FADNet-RVC	0.20 287	0.20 346	0.38 349	0.21 292	0.16 338	0.20 265	0.15 115	0.26 215	0.26 224	0.26 300	0.32 283	0.26 269	0.21 281	0.22 287	0.19 256	0.12 311	0.13 341	0.12 309	0.14 336	0.13 319	0.18 362

AANet_RVC	0.16 237	0.10 237	0.10 44	0.18 182	0.09 131	0.18 233	0.19 262	0.26 215	0.31 262	0.22 262	0.35 304	0.21 216	0.21 281	0.22 287	0.16 222	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

StereoDRNet-Refined	0.17 256	0.12 271	0.15 191	0.20 268	0.09 131	0.18 233	0.18 231	0.26 215	0.23 182	0.26 300	0.40 331	0.22 233	0.17 245	0.21 276	0.20 262	0.08 190	0.05 106	0.09 226	0.10 282	0.07 155	0.07 157
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CBMV_ROB	0.19 278	0.13 292	0.17 246	0.16 68	0.11 254	0.15 175	0.13 43	0.26 215	0.28 242	0.27 306	0.30 271	0.27 276	0.24 302	0.23 298	0.16 222	0.15 345	0.17 362	0.22 367	0.20 362	0.10 273	0.11 292

iResNet_ROB	0.14 186	0.07 69	0.13 128	0.14 13	0.07 18	0.18 233	0.14 69	0.26 215	0.31 262	0.22 262	0.25 225	0.23 245	0.15 206	0.15 166	0.13 157	0.07 141	0.05 106	0.05 2	0.04 8	0.08 198	0.08 217

MyStereo05	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.13 129	0.18 231	0.27 233	0.35 292	0.17 185	0.14 80	0.15 151	0.11 109	0.15 166	0.13 157	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

mmx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

ttt	0.14 186	0.08 140	0.14 154	0.15 38	0.08 47	0.15 175	0.18 231	0.27 233	0.29 249	0.16 173	0.24 196	0.17 181	0.13 170	0.13 133	0.14 185	0.11 287	0.08 268	0.09 226	0.08 211	0.09 246	0.08 217

xxx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

coex-ft	3.30 413	0.34 379	59.09 437	0.18 182	0.13 300	0.26 323	0.22 302	0.27 233	0.72 385	1.90 415	0.70 382	0.44 360	0.45 376	0.29 334	0.41 379	0.09 235	0.09 291	0.12 309	0.09 250	0.14 331	0.13 317

iinet-f	0.16 237	0.06 19	0.45 358	0.14 13	0.10 216	0.21 279	0.14 69	0.27 233	0.23 182	0.21 249	0.24 196	0.21 216	0.15 206	0.18 230	0.21 281	0.09 235	0.07 246	0.07 98	0.06 86	0.09 246	0.10 269

DAS	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.16 197	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

SepStereo	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.25 311	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

LMCR-Stereo	0.15 219	0.08 140	0.13 128	0.21 292	0.09 131	0.17 218	0.20 277	0.27 233	0.19 128	0.24 282	0.24 196	0.23 245	0.17 245	0.20 260	0.17 233	0.07 141	0.06 189	0.08 162	0.06 86	0.10 273	0.08 217

CFNet_pseudo	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.13 129	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 157

HSM-Net_RVC	0.14 186	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 233	0.29 249	0.19 224	0.21 173	0.29 290	0.14 193	0.17 219	0.13 157	0.06 54	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DANet	0.21 296	0.15 310	0.28 320	0.25 340	0.13 300	0.22 287	0.19 262	0.27 233	0.27 231	0.28 317	0.32 283	0.35 330	0.31 345	0.31 338	0.23 300	0.11 287	0.09 291	0.11 294	0.10 282	0.13 319	0.11 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ccs_rob	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.12 104	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

DISCO	0.19 278	0.09 190	0.22 290	0.17 115	0.10 216	0.25 315	0.18 231	0.27 233	0.44 335	0.22 262	0.31 279	0.33 320	0.26 313	0.28 327	0.28 344	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.09 250

HBP-ISP	0.18 268	0.13 292	0.16 221	0.15 38	0.11 254	0.08 23	0.13 43	0.28 247	0.29 249	0.22 262	0.33 296	0.21 216	0.25 310	0.23 298	0.17 233	0.14 342	0.16 357	0.21 363	0.17 356	0.10 273	0.08 217

raft_robust	0.13 157	0.10 237	0.07 2	0.18 182	0.08 47	0.13 129	0.24 321	0.28 247	0.33 274	0.20 241	0.19 148	0.14 127	0.10 88	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 161	0.05 40	0.04 7

Anonymous3	0.16 237	0.13 292	0.33 336	0.26 345	0.14 317	0.27 330	0.17 191	0.28 247	0.28 242	0.15 148	0.17 120	0.14 127	0.10 88	0.15 166	0.12 127	0.08 190	0.08 268	0.08 162	0.08 211	0.08 198	0.11 292

GES	0.14 186	0.08 140	0.16 221	0.15 38	0.10 216	0.13 129	0.13 43	0.28 247	0.25 211	0.16 173	0.23 188	0.18 192	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.07 98	0.06 86	0.08 198	0.09 250

test_xeample	0.15 219	0.06 19	0.13 128	0.14 13	0.08 47	0.21 279	0.20 277	0.28 247	0.20 149	0.16 173	0.29 267	0.19 200	0.16 226	0.15 166	0.26 329	0.09 235	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

SFCPSM	0.13 157	0.07 69	0.14 154	0.17 115	0.09 131	0.15 175	0.16 170	0.28 247	0.27 231	0.14 124	0.17 120	0.12 89	0.13 170	0.14 148	0.11 85	0.08 190	0.05 106	0.07 98	0.07 161	0.07 155	0.06 98

UPFNet	0.16 237	0.08 140	0.12 90	0.20 268	0.12 283	0.20 265	0.23 312	0.28 247	0.26 224	0.17 185	0.24 196	0.22 233	0.19 269	0.19 241	0.21 281	0.09 235	0.07 246	0.08 162	0.09 250	0.08 198	0.06 98

DSFCA	0.16 237	0.09 190	0.14 154	0.16 68	0.10 216	0.20 265	0.19 262	0.28 247	0.31 262	0.23 274	0.24 196	0.22 233	0.15 206	0.19 241	0.20 262	0.10 266	0.07 246	0.09 226	0.09 250	0.08 198	0.08 217

CFNet	0.15 219	0.10 237	0.17 246	0.17 115	0.08 47	0.18 233	0.09 3	0.28 247	0.25 211	0.19 224	0.24 196	0.24 251	0.17 245	0.17 219	0.14 185	0.08 190	0.06 189	0.09 226	0.10 282	0.07 155	0.06 98

HSM	0.15 219	0.08 140	0.14 154	0.16 68	0.09 131	0.16 199	0.14 69	0.28 247	0.25 211	0.19 224	0.23 188	0.37 336	0.16 226	0.20 260	0.15 208	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

MyStereo04	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.29 257	0.38 308	0.17 185	0.14 80	0.16 162	0.10 88	0.15 166	0.13 157	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

GMStereo_Zeroshot	0.16 237	0.13 292	0.24 302	0.20 268	0.10 216	0.17 218	0.13 43	0.29 257	0.25 211	0.23 274	0.32 283	0.25 261	0.11 109	0.19 241	0.14 185	0.09 235	0.06 189	0.11 294	0.06 86	0.12 302	0.08 217

SQANet	0.23 320	0.23 357	0.30 329	0.30 368	0.19 360	0.27 330	0.13 43	0.29 257	0.33 274	0.24 282	0.37 313	0.31 308	0.22 290	0.27 316	0.23 300	0.15 345	0.10 309	0.21 363	0.16 349	0.21 365	0.15 342

PCWNet_CMD	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 297	0.14 124	0.20 159	0.21 216	0.12 138	0.17 219	0.13 157	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

psmg	0.14 186	0.09 190	0.14 154	0.17 115	0.10 216	0.15 175	0.17 191	0.29 257	0.19 128	0.17 185	0.21 173	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.08 162	0.08 211	0.07 155	0.06 98

DDUNet	0.22 305	0.17 328	0.21 285	0.22 305	0.15 328	0.25 315	0.24 321	0.29 257	0.30 256	0.31 332	0.36 307	0.33 320	0.25 310	0.24 306	0.20 262	0.18 362	0.13 341	0.17 350	0.11 305	0.16 349	0.16 353

STTStereo	0.18 268	0.12 271	0.27 315	0.20 268	0.11 254	0.16 199	0.21 293	0.29 257	0.23 182	0.21 249	0.30 271	0.29 290	0.18 254	0.20 260	0.19 256	0.12 311	0.11 319	0.11 294	0.14 336	0.09 246	0.08 217

G-Net	0.24 328	0.16 317	0.36 345	0.22 305	0.16 338	0.51 376	0.23 312	0.29 257	0.34 285	0.36 346	0.38 318	0.31 308	0.29 337	0.27 316	0.26 329	0.11 287	0.09 291	0.12 309	0.09 250	0.16 349	0.13 317

ADCL	0.24 328	0.11 257	0.47 362	0.22 305	0.12 283	0.34 354	0.29 361	0.29 257	0.56 364	0.24 282	0.46 353	0.30 298	0.30 341	0.29 334	0.29 347	0.08 190	0.07 246	0.09 226	0.09 250	0.10 273	0.10 269

RASNet	0.14 186	0.07 69	0.14 154	0.16 68	0.08 47	0.18 233	0.14 69	0.29 257	0.20 149	0.17 185	0.25 225	0.21 216	0.18 254	0.20 260	0.19 256	0.07 141	0.06 189	0.06 31	0.08 211	0.06 101	0.06 98

MSMDNet	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 297	0.14 124	0.21 173	0.21 216	0.12 138	0.17 219	0.14 185	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

PA-Net	0.23 320	0.18 338	0.33 336	0.28 359	0.22 367	0.21 279	0.38 383	0.29 257	0.39 311	0.22 262	0.32 283	0.25 261	0.26 313	0.20 260	0.25 319	0.09 235	0.23 380	0.15 341	0.22 367	0.09 246	0.13 317
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DLCB_ROB	0.18 268	0.10 237	0.15 191	0.23 324	0.11 254	0.24 305	0.18 231	0.29 257	0.28 242	0.27 306	0.28 256	0.28 283	0.24 302	0.19 241	0.20 262	0.08 190	0.08 268	0.09 226	0.09 250	0.07 155	0.07 157

CBMV	0.19 278	0.14 304	0.17 246	0.18 182	0.10 216	0.20 265	0.11 11	0.29 257	0.30 256	0.29 323	0.30 271	0.30 298	0.23 296	0.27 316	0.19 256	0.13 331	0.15 354	0.17 350	0.16 349	0.10 273	0.10 269
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CFNet_ucs	0.15 219	0.08 140	0.16 221	0.16 68	0.11 254	0.14 153	0.14 69	0.30 271	0.34 285	0.16 173	0.24 196	0.23 245	0.14 193	0.18 230	0.15 208	0.09 235	0.06 189	0.08 162	0.07 161	0.09 246	0.09 250

GwcNet-ADL	0.13 157	0.08 140	0.14 154	0.20 268	0.09 131	0.11 82	0.20 277	0.30 271	0.24 192	0.13 104	0.14 80	0.18 192	0.14 193	0.13 133	0.14 185	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

GANet-ADL	0.13 157	0.07 69	0.15 191	0.17 115	0.10 216	0.18 233	0.15 115	0.30 271	0.20 149	0.13 104	0.18 142	0.19 200	0.12 138	0.16 197	0.13 157	0.08 190	0.06 189	0.06 31	0.05 31	0.07 155	0.08 217

222	0.16 237	0.07 69	0.14 154	0.14 13	0.08 47	0.24 305	0.18 231	0.30 271	0.20 149	0.17 185	0.28 256	0.17 181	0.16 226	0.15 166	0.40 376	0.10 266	0.05 106	0.07 98	0.06 86	0.07 155	0.08 217

delet	0.17 256	0.08 140	0.17 246	0.19 227	0.11 254	0.20 265	0.21 293	0.30 271	0.37 303	0.17 185	0.26 240	0.19 200	0.19 269	0.19 241	0.21 281	0.08 190	0.08 268	0.09 226	0.11 305	0.06 101	0.06 98

NOSS_ROB	0.19 278	0.12 271	0.18 263	0.16 68	0.12 283	0.15 175	0.12 21	0.30 271	0.32 268	0.20 241	0.22 182	0.27 276	0.23 296	0.21 276	0.16 222	0.16 356	0.18 364	0.23 368	0.21 364	0.12 302	0.13 317

1111x	0.15 219	0.08 140	0.12 90	0.18 182	0.07 18	0.18 233	0.25 335	0.31 277	0.24 192	0.17 185	0.24 196	0.26 269	0.15 206	0.13 133	0.23 300	0.07 141	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

SACVNet	0.18 268	0.12 271	0.14 154	0.17 115	0.13 300	0.22 287	0.18 231	0.31 277	0.30 256	0.23 274	0.31 279	0.30 298	0.22 290	0.22 287	0.17 233	0.11 287	0.08 268	0.10 267	0.10 282	0.12 302	0.14 334

ADLNet2	0.16 237	0.09 190	0.13 128	0.16 68	0.09 131	0.20 265	0.16 170	0.31 277	0.39 311	0.16 173	0.20 159	0.20 210	0.18 254	0.21 276	0.22 290	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.07 157

xxxx	0.15 219	0.07 69	0.14 154	0.14 13	0.08 47	0.23 300	0.18 231	0.31 277	0.19 128	0.14 124	0.28 256	0.22 233	0.14 193	0.15 166	0.26 329	0.09 235	0.05 106	0.07 98	0.07 161	0.08 198	0.07 157

HGLStereo	0.17 256	0.08 140	0.19 272	0.17 115	0.12 283	0.18 233	0.18 231	0.31 277	0.32 268	0.21 249	0.32 283	0.25 261	0.18 254	0.19 241	0.20 262	0.09 235	0.09 291	0.07 98	0.07 161	0.09 246	0.10 269

FADNet	0.21 296	0.22 356	0.36 345	0.18 182	0.17 351	0.24 305	0.13 43	0.31 277	0.31 262	0.23 274	0.25 225	0.27 276	0.21 281	0.19 241	0.15 208	0.13 331	0.15 354	0.12 309	0.15 347	0.16 349	0.18 362

ADCP+	0.20 287	0.10 237	0.33 336	0.20 268	0.12 283	0.22 287	0.26 341	0.31 277	0.34 285	0.26 300	0.37 313	0.22 233	0.22 290	0.27 316	0.27 336	0.09 235	0.06 189	0.08 162	0.08 211	0.09 246	0.10 269

NLCA_NET_v2_RVC	0.17 256	0.10 237	0.22 290	0.20 268	0.10 216	0.15 175	0.18 231	0.31 277	0.25 211	0.21 249	0.30 271	0.25 261	0.17 245	0.21 276	0.20 262	0.09 235	0.06 189	0.08 162	0.08 211	0.07 155	0.08 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
ETE_ROB	0.23 320	0.17 328	0.22 290	0.25 340	0.13 300	0.26 323	0.29 361	0.31 277	0.36 297	0.28 317	0.36 307	0.45 362	0.26 313	0.27 316	0.26 329	0.11 287	0.08 268	0.12 309	0.09 250	0.14 331	0.13 317

LL-Strereo	0.13 157	0.09 190	0.11 70	0.20 268	0.10 216	0.11 82	0.18 231	0.32 286	0.24 192	0.15 148	0.15 94	0.14 127	0.13 170	0.19 241	0.11 85	0.06 54	0.04 2	0.09 226	0.08 211	0.04 1	0.05 51

Wz-Net-LNSev	0.22 305	0.16 317	0.38 349	0.21 292	0.13 300	0.25 315	0.23 312	0.32 286	0.43 331	0.30 326	0.41 341	0.31 308	0.18 254	0.22 287	0.25 319	0.10 266	0.09 291	0.08 162	0.08 211	0.12 302	0.11 292

GEStereo_RVC	0.17 256	0.12 271	0.15 191	0.22 305	0.11 254	0.19 253	0.17 191	0.32 286	0.48 345	0.20 241	0.25 225	0.17 181	0.13 170	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.07 161	0.09 246	0.08 217

ADLNet	0.16 237	0.08 140	0.15 191	0.16 68	0.10 216	0.16 199	0.17 191	0.32 286	0.27 231	0.22 262	0.27 247	0.24 251	0.16 226	0.18 230	0.21 281	0.10 266	0.06 189	0.10 267	0.10 282	0.08 198	0.09 250

FINET	0.21 296	0.18 338	0.26 309	0.18 182	0.16 338	0.23 300	0.23 312	0.32 286	0.48 345	0.25 295	0.32 283	0.22 233	0.22 290	0.22 287	0.17 233	0.18 362	0.16 357	0.11 294	0.10 282	0.15 342	0.13 317

MFN_U_SF_DS_RVC	0.30 358	0.24 360	0.29 326	0.36 378	0.16 338	0.34 354	0.30 368	0.32 286	0.42 326	0.40 357	0.46 353	0.38 340	0.31 345	0.34 349	0.28 344	0.19 366	0.20 370	0.26 370	0.29 379	0.18 360	0.19 367

S-Stereo	0.20 287	0.12 271	0.25 308	0.21 292	0.13 300	0.20 265	0.18 231	0.32 286	0.43 331	0.23 274	0.36 307	0.28 283	0.30 341	0.19 241	0.22 290	0.09 235	0.12 328	0.10 267	0.10 282	0.13 319	0.13 317

AF-Net	0.22 305	0.17 328	0.17 246	0.26 345	0.13 300	0.25 315	0.24 321	0.32 286	0.50 352	0.25 295	0.33 296	0.38 340	0.26 313	0.28 327	0.25 319	0.11 287	0.10 309	0.16 347	0.11 305	0.11 288	0.10 269

RGC	0.25 337	0.20 346	0.29 326	0.28 359	0.16 338	0.22 287	0.23 312	0.32 286	0.44 335	0.27 306	0.40 331	0.38 340	0.27 321	0.36 360	0.22 290	0.11 287	0.13 341	0.17 350	0.17 356	0.14 331	0.16 353

edge stereo	0.22 305	0.13 292	0.20 280	0.21 292	0.13 300	0.23 300	0.16 170	0.32 286	0.42 326	0.32 338	0.40 331	0.38 340	0.35 356	0.25 311	0.24 310	0.13 331	0.11 319	0.14 333	0.11 305	0.12 302	0.13 317

ADCRef	0.19 278	0.12 271	0.41 355	0.20 268	0.12 283	0.22 287	0.18 231	0.32 286	0.36 297	0.26 300	0.32 283	0.17 181	0.23 296	0.24 306	0.24 310	0.07 141	0.06 189	0.09 226	0.09 250	0.08 198	0.08 217

AnyNet_C32	0.26 344	0.16 317	0.36 345	0.20 268	0.16 338	0.25 315	0.30 368	0.32 286	0.44 335	0.31 332	0.49 357	0.30 298	0.33 350	0.40 372	0.33 362	0.12 311	0.12 328	0.12 309	0.14 336	0.14 331	0.15 342

ADCPNet	0.25 337	0.16 317	0.61 376	0.21 292	0.15 328	0.35 362	0.25 335	0.32 286	0.35 292	0.30 326	0.40 331	0.36 332	0.28 329	0.28 327	0.32 359	0.12 311	0.10 309	0.11 294	0.12 323	0.14 331	0.13 317

AdaStereo	0.15 219	0.11 257	0.15 191	0.18 182	0.09 131	0.20 265	0.11 11	0.32 286	0.28 242	0.20 241	0.23 188	0.20 210	0.13 170	0.19 241	0.14 185	0.12 311	0.05 106	0.10 267	0.07 161	0.09 246	0.07 157
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.
DeepPruner_ROB	0.16 237	0.11 257	0.15 191	0.17 115	0.10 216	0.17 218	0.15 115	0.32 286	0.21 162	0.19 224	0.21 173	0.22 233	0.18 254	0.20 260	0.15 208	0.13 331	0.09 291	0.09 226	0.09 250	0.11 288	0.10 269

PWC_ROB	0.21 296	0.16 317	0.26 309	0.18 182	0.11 254	0.22 287	0.13 43	0.32 286	0.49 350	0.30 326	0.40 331	0.32 317	0.24 302	0.31 338	0.22 290	0.10 266	0.07 246	0.11 294	0.08 211	0.11 288	0.10 269

WCMA_ROB	0.24 328	0.11 257	0.22 290	0.17 115	0.14 317	0.32 345	0.15 115	0.32 286	0.32 268	0.38 352	0.53 363	0.40 351	0.34 354	0.34 349	0.25 319	0.11 287	0.12 328	0.12 309	0.10 282	0.14 331	0.14 334

ssnet_v2	0.17 256	0.10 237	0.17 246	0.17 115	0.11 254	0.21 279	0.21 293	0.33 303	0.25 211	0.22 262	0.22 182	0.27 276	0.18 254	0.22 287	0.20 262	0.11 287	0.09 291	0.09 226	0.09 250	0.08 198	0.08 217

Wz-Net-MNSev	0.22 305	0.13 292	0.31 331	0.20 268	0.14 317	0.36 363	0.24 321	0.33 303	0.44 335	0.28 317	0.40 331	0.38 340	0.19 269	0.24 306	0.25 319	0.09 235	0.07 246	0.09 226	0.09 250	0.12 302	0.10 269

UDG	0.21 296	0.17 328	0.19 272	0.23 324	0.15 328	0.30 342	0.20 277	0.33 303	0.35 292	0.23 274	0.28 256	0.31 308	0.27 321	0.20 260	0.22 290	0.15 345	0.12 328	0.13 323	0.09 250	0.14 331	0.14 334

Syn2CoEx	0.21 296	0.16 317	0.27 315	0.29 366	0.14 317	0.26 323	0.20 277	0.33 303	0.31 262	0.28 317	0.36 307	0.27 276	0.25 310	0.19 241	0.24 310	0.16 356	0.12 328	0.14 333	0.11 305	0.09 246	0.08 217

UNet	0.17 256	0.09 190	0.18 263	0.19 227	0.12 283	0.27 330	0.19 262	0.33 303	0.29 249	0.21 249	0.24 196	0.23 245	0.19 269	0.19 241	0.18 247	0.07 141	0.06 189	0.08 162	0.07 161	0.08 198	0.06 98

Anonymous Stereo	0.23 320	0.19 341	0.50 364	0.24 329	0.17 351	0.21 279	0.21 293	0.33 303	0.44 335	0.25 295	0.34 300	0.26 269	0.18 254	0.31 338	0.27 336	0.13 331	0.12 328	0.12 309	0.13 332	0.11 288	0.14 334

NaN_ROB	0.22 305	0.19 341	0.24 302	0.25 340	0.13 300	0.29 339	0.26 341	0.33 303	0.41 320	0.31 332	0.31 279	0.32 317	0.23 296	0.30 337	0.21 281	0.11 287	0.17 362	0.10 267	0.10 282	0.08 198	0.09 250

DispFullNet	0.27 346	0.21 352	0.65 379	0.28 359	0.16 338	0.26 323	0.17 191	0.33 303	0.58 369	0.27 306	0.38 318	0.43 358	0.23 296	0.38 365	0.23 300	0.12 311	0.06 189	0.19 360	0.11 305	0.21 365	0.15 342

PWCDC_ROB	0.20 287	0.13 292	0.22 290	0.24 329	0.11 254	0.19 253	0.15 115	0.33 303	0.54 361	0.29 323	0.50 361	0.21 216	0.15 206	0.27 316	0.20 262	0.11 287	0.09 291	0.10 267	0.08 211	0.11 288	0.09 250

SGM-Forest	0.20 287	0.14 304	0.18 263	0.19 227	0.13 300	0.20 265	0.22 302	0.33 303	0.30 256	0.24 282	0.29 267	0.28 283	0.19 269	0.23 298	0.17 233	0.15 345	0.16 357	0.15 341	0.14 336	0.12 302	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
BUS	0.14 186	0.09 190	0.14 154	0.22 305	0.10 216	0.19 253	0.14 69	0.34 313	0.19 128	0.17 185	0.22 182	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

BSDual-CNN	0.15 219	0.09 190	0.14 154	0.22 305	0.10 216	0.14 153	0.15 115	0.34 313	0.19 128	0.17 185	0.22 182	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

hknet	0.15 219	0.11 257	0.13 128	0.22 305	0.11 254	0.14 153	0.15 115	0.34 313	0.25 211	0.17 185	0.22 182	0.22 233	0.18 254	0.17 219	0.12 127	0.07 141	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

psmorigin	0.25 337	0.15 310	0.34 344	0.17 115	0.13 300	0.23 300	0.14 69	0.34 313	0.33 274	0.41 361	0.55 366	0.41 353	0.37 360	0.34 349	0.27 336	0.11 287	0.15 354	0.11 294	0.11 305	0.12 302	0.16 353

FAT-Stereo	0.20 287	0.12 271	0.22 290	0.21 292	0.12 283	0.17 218	0.18 231	0.34 313	0.39 311	0.27 306	0.37 313	0.34 326	0.32 349	0.21 276	0.20 262	0.09 235	0.11 319	0.10 267	0.09 250	0.11 288	0.14 334

ADCMid	0.25 337	0.15 310	0.40 353	0.20 268	0.14 317	0.25 315	0.26 341	0.34 313	0.38 308	0.36 346	0.44 351	0.34 326	0.40 366	0.35 355	0.33 362	0.10 266	0.09 291	0.11 294	0.11 305	0.13 319	0.12 303

STTRV1_RVC	0.25 337	0.26 366	0.39 351	0.19 227	0.26 377	0.30 342	0.24 321	0.34 313	0.35 292	0.36 346	0.34 300	0.31 308	0.31 345	0.28 327	0.25 319	0.17 360	0.10 309	0.16 347	0.14 336	0.17 356	0.12 303

CVANet_RVC	0.18 268	0.10 237	0.14 154	0.21 292	0.10 216	0.18 233	0.17 191	0.34 313	0.33 274	0.22 262	0.31 279	0.28 283	0.18 254	0.23 298	0.17 233	0.12 311	0.08 268	0.12 309	0.11 305	0.09 246	0.07 157

PASM	0.32 361	0.24 360	0.48 363	0.28 359	0.27 378	0.29 339	0.30 368	0.34 313	0.49 350	0.35 344	0.39 326	0.46 366	0.34 354	0.34 349	0.35 365	0.23 378	0.25 382	0.26 370	0.28 378	0.23 368	0.21 370

NCCL2	0.23 320	0.15 310	0.17 246	0.34 374	0.18 358	0.24 305	0.23 312	0.34 313	0.28 242	0.31 332	0.38 318	0.38 340	0.28 329	0.23 298	0.24 310	0.15 345	0.12 328	0.18 358	0.21 364	0.13 319	0.13 317

XPNet_ROB	0.22 305	0.11 257	0.19 272	0.22 305	0.13 300	0.22 287	0.19 262	0.34 313	0.40 317	0.30 326	0.39 326	0.39 348	0.26 313	0.26 313	0.28 344	0.15 345	0.10 309	0.10 267	0.10 282	0.13 319	0.12 303

MSMD_ROB	0.31 359	0.26 366	0.26 309	0.24 329	0.21 365	0.34 354	0.25 335	0.34 313	0.39 311	0.40 357	0.69 380	0.45 362	0.40 366	0.34 349	0.27 336	0.20 368	0.19 367	0.26 370	0.25 373	0.23 368	0.22 372

SGM_RVC	0.23 320	0.12 271	0.15 191	0.15 38	0.09 131	0.33 351	0.18 231	0.34 313	0.31 262	0.44 369	0.37 313	0.53 375	0.35 356	0.35 355	0.24 310	0.13 331	0.13 341	0.13 323	0.13 332	0.10 273	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Wz-Net-TNSev	0.29 353	0.20 346	0.65 379	0.19 227	0.15 328	0.38 366	0.27 348	0.35 326	0.55 362	0.34 343	0.42 346	0.45 362	0.38 361	0.32 344	0.30 351	0.12 311	0.13 341	0.10 267	0.12 323	0.15 342	0.14 334

DGSMNet	0.24 328	0.19 341	0.33 336	0.21 292	0.24 370	0.24 305	0.20 277	0.35 326	0.41 320	0.24 282	0.32 283	0.38 340	0.21 281	0.29 334	0.23 300	0.12 311	0.11 319	0.14 333	0.16 349	0.23 368	0.23 374

GwcNet	0.20 287	0.13 292	0.19 272	0.18 182	0.12 283	0.24 305	0.19 262	0.35 326	0.43 331	0.20 241	0.32 283	0.33 320	0.20 277	0.22 287	0.24 310	0.11 287	0.09 291	0.09 226	0.09 250	0.09 246	0.10 269

stereogan	0.22 305	0.11 257	0.21 285	0.20 268	0.12 283	0.31 344	0.19 262	0.35 326	0.44 335	0.22 262	0.39 326	0.35 330	0.27 321	0.33 346	0.22 290	0.10 266	0.12 328	0.10 267	0.10 282	0.14 331	0.13 317

RTSC	0.23 320	0.12 271	0.28 320	0.21 292	0.13 300	0.28 336	0.16 170	0.35 326	0.66 380	0.27 306	0.33 296	0.30 298	0.21 281	0.31 338	0.29 347	0.10 266	0.08 268	0.09 226	0.10 282	0.13 319	0.13 317

AnyNet_C01	0.36 367	0.25 365	1.37 405	0.22 305	0.17 351	0.48 374	0.27 348	0.35 326	0.39 311	0.39 354	0.74 386	0.46 366	0.38 361	0.45 376	0.47 385	0.13 331	0.13 341	0.13 323	0.14 336	0.14 331	0.15 342

XQC	0.28 349	0.23 357	0.51 365	0.28 359	0.19 360	0.34 354	0.27 348	0.36 332	0.57 366	0.31 332	0.30 271	0.37 336	0.30 341	0.38 365	0.38 372	0.13 331	0.09 291	0.15 341	0.12 323	0.17 356	0.18 362

RTS	0.45 378	0.19 341	3.26 412	0.24 329	0.15 328	0.74 393	0.20 277	0.36 332	0.76 390	0.42 364	0.43 349	0.31 308	0.41 370	0.53 384	0.35 365	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 342

RTSA	0.45 378	0.19 341	3.26 412	0.24 329	0.15 328	0.74 393	0.20 277	0.36 332	0.76 390	0.42 364	0.43 349	0.31 308	0.41 370	0.53 384	0.35 365	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 342

TDLM	0.17 256	0.12 271	0.13 128	0.24 329	0.10 216	0.18 233	0.18 231	0.36 332	0.30 256	0.21 249	0.28 256	0.28 283	0.18 254	0.23 298	0.18 247	0.11 287	0.07 246	0.10 267	0.10 282	0.08 198	0.08 217

PS-NSSS	0.20 287	0.21 352	0.23 299	0.20 268	0.10 216	0.19 253	0.17 191	0.36 332	0.25 211	0.27 306	0.33 296	0.27 276	0.24 302	0.20 260	0.20 262	0.15 345	0.12 328	0.17 350	0.14 336	0.10 273	0.08 217

AASNet	0.16 237	0.08 140	0.12 90	0.19 227	0.09 131	0.18 233	0.15 115	0.37 337	0.37 303	0.19 224	0.23 188	0.20 210	0.16 226	0.17 219	0.20 262	0.10 266	0.08 268	0.08 162	0.07 161	0.09 246	0.09 250

pcwnet_v2	0.19 278	0.10 237	0.26 309	0.17 115	0.14 317	0.18 233	0.15 115	0.37 337	0.46 343	0.19 224	0.24 196	0.21 216	0.19 269	0.20 260	0.19 256	0.13 331	0.10 309	0.10 267	0.10 282	0.11 288	0.13 317

psm_up	0.18 268	0.10 237	0.18 263	0.20 268	0.11 254	0.17 218	0.19 262	0.37 337	0.34 285	0.21 249	0.28 256	0.29 290	0.24 302	0.20 260	0.22 290	0.09 235	0.10 309	0.11 294	0.11 305	0.08 198	0.08 217

Nwc_Net	0.23 320	0.16 317	0.21 285	0.25 340	0.14 317	0.24 305	0.26 341	0.37 337	0.38 308	0.22 262	0.41 341	0.30 298	0.28 329	0.28 327	0.25 319	0.11 287	0.10 309	0.17 350	0.20 362	0.10 273	0.10 269

DeepPrunerF	0.24 328	0.17 328	0.42 356	0.26 345	0.16 338	0.22 287	0.28 353	0.37 337	0.50 352	0.26 300	0.29 267	0.24 251	0.28 329	0.21 276	0.22 290	0.15 345	0.11 319	0.20 362	0.18 360	0.12 302	0.13 317

StereoDRNet	0.18 268	0.11 257	0.17 246	0.22 305	0.11 254	0.21 279	0.22 302	0.37 337	0.33 274	0.24 282	0.28 256	0.30 298	0.19 269	0.20 260	0.20 262	0.09 235	0.08 268	0.11 294	0.09 250	0.09 246	0.07 157

CSAN	0.29 353	0.24 360	0.27 315	0.34 374	0.19 360	0.33 351	0.42 387	0.37 337	0.50 352	0.38 352	0.40 331	0.44 360	0.33 350	0.28 327	0.30 351	0.20 368	0.16 357	0.19 360	0.19 361	0.14 331	0.15 342

Wz-Net-SNSev	0.25 337	0.17 328	0.44 357	0.25 340	0.14 317	0.26 323	0.23 312	0.38 344	0.56 364	0.30 326	0.55 366	0.39 348	0.26 313	0.23 298	0.30 351	0.10 266	0.09 291	0.09 226	0.10 282	0.11 288	0.11 292

SHD	0.26 344	0.15 310	0.30 329	0.24 329	0.18 358	0.22 287	0.15 115	0.38 344	0.71 384	0.32 338	0.41 341	0.36 332	0.28 329	0.32 344	0.29 347	0.12 311	0.11 319	0.14 333	0.13 332	0.16 349	0.20 368

RYNet	0.22 305	0.12 271	0.22 290	0.19 227	0.17 351	0.46 370	0.26 341	0.38 344	0.48 345	0.24 282	0.28 256	0.34 326	0.23 296	0.20 260	0.30 351	0.10 266	0.06 189	0.09 226	0.09 250	0.13 319	0.15 342

SANet	0.24 328	0.14 304	0.28 320	0.21 292	0.11 254	0.27 330	0.24 321	0.38 344	0.64 377	0.36 346	0.40 331	0.43 358	0.26 313	0.27 316	0.24 310	0.12 311	0.09 291	0.10 267	0.09 250	0.13 319	0.11 292

WZ-Net	0.28 349	0.17 328	0.78 393	0.22 305	0.16 338	0.34 354	0.29 361	0.39 348	0.57 366	0.24 282	0.55 366	0.37 336	0.24 302	0.33 346	0.35 365	0.09 235	0.08 268	0.09 226	0.10 282	0.14 331	0.16 353

APVNet	0.22 305	0.12 271	0.19 272	0.18 182	0.14 317	0.32 345	0.31 374	0.39 348	0.32 268	0.27 306	0.40 331	0.30 298	0.29 337	0.26 313	0.25 319	0.11 287	0.12 328	0.11 294	0.14 336	0.12 302	0.12 303

MaskLacGwcNet_RVC	0.22 305	0.21 352	0.24 302	0.26 345	0.11 254	0.23 300	0.14 69	0.39 348	0.24 192	0.32 338	0.36 307	0.30 298	0.21 281	0.19 241	0.21 281	0.17 360	0.14 348	0.21 363	0.16 349	0.12 302	0.12 303

DRN-Test	0.19 278	0.11 257	0.20 280	0.22 305	0.10 216	0.22 287	0.22 302	0.39 348	0.37 303	0.24 282	0.32 283	0.26 269	0.21 281	0.22 287	0.24 310	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

NINENet	0.16 237	0.10 237	0.15 191	0.17 115	0.11 254	0.19 253	0.14 69	0.40 352	0.36 297	0.18 211	0.21 173	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.08 268	0.10 267	0.07 161	0.10 273	0.09 250

NCC-stereo	0.24 328	0.15 310	0.31 331	0.26 345	0.16 338	0.20 265	0.30 368	0.40 352	0.40 317	0.24 282	0.38 318	0.33 320	0.28 329	0.36 360	0.27 336	0.12 311	0.11 319	0.15 341	0.22 367	0.13 319	0.13 317

Abc-Net	0.24 328	0.15 310	0.31 331	0.26 345	0.16 338	0.20 265	0.30 368	0.40 352	0.40 317	0.24 282	0.38 318	0.33 320	0.28 329	0.36 360	0.27 336	0.12 311	0.11 319	0.15 341	0.22 367	0.13 319	0.13 317
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN	0.33 364	0.27 368	0.28 320	0.26 345	0.23 369	0.37 364	0.28 353	0.40 352	0.43 331	0.45 370	0.55 366	0.51 372	0.40 366	0.37 364	0.30 351	0.21 371	0.20 370	0.27 373	0.26 374	0.25 376	0.24 375

MeshStereo	0.27 346	0.13 292	0.18 263	0.15 38	0.11 254	0.32 345	0.24 321	0.40 352	0.36 297	0.52 375	0.57 372	0.67 386	0.40 366	0.35 355	0.26 329	0.14 342	0.13 341	0.13 323	0.11 305	0.11 288	0.10 269
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
otaku	0.39 368	0.37 382	0.52 366	0.44 384	0.28 379	0.58 380	0.24 321	0.41 357	0.62 375	0.40 357	0.49 357	0.46 366	0.33 350	0.40 372	0.32 359	0.30 383	0.30 386	0.39 385	0.33 384	0.29 381	0.28 382

ADCS	0.29 353	0.18 338	0.45 358	0.21 292	0.17 351	0.28 336	0.23 312	0.41 357	0.63 376	0.40 357	0.49 357	0.40 351	0.36 358	0.39 368	0.40 376	0.13 331	0.12 328	0.13 323	0.14 336	0.16 349	0.16 353

GANet	0.21 296	0.12 271	0.21 285	0.24 329	0.13 300	0.22 287	0.22 302	0.41 357	0.26 224	0.31 332	0.42 346	0.37 336	0.28 329	0.23 298	0.22 290	0.10 266	0.12 328	0.10 267	0.09 250	0.10 273	0.08 217

SGM-ForestM	0.32 361	0.12 271	0.16 221	0.16 68	0.11 254	0.39 367	0.19 262	0.41 357	0.50 352	0.52 375	0.54 365	1.32 405	0.42 373	0.40 372	0.27 336	0.14 342	0.16 357	0.16 347	0.16 349	0.12 302	0.12 303

FBW_ROB	0.24 328	0.17 328	0.22 290	0.26 345	0.14 317	0.25 315	0.22 302	0.41 357	0.41 320	0.41 361	0.41 341	0.42 354	0.27 321	0.31 338	0.23 300	0.09 235	0.14 348	0.14 333	0.12 323	0.11 288	0.09 250

FCDSN-DC	0.33 364	0.28 371	0.28 320	0.30 368	0.24 370	0.39 367	0.28 353	0.42 362	0.42 326	0.43 367	0.53 363	0.51 372	0.41 370	0.36 360	0.30 351	0.21 371	0.20 370	0.27 373	0.26 374	0.25 376	0.24 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
LSM	0.33 364	0.20 346	0.58 374	0.26 345	0.60 400	0.34 354	0.25 335	0.42 362	0.48 345	0.45 370	0.58 374	0.42 354	0.36 358	0.35 355	0.25 319	0.12 311	0.20 370	0.14 333	0.16 349	0.19 363	0.33 388

LALA_ROB	0.25 337	0.16 317	0.22 290	0.26 345	0.17 351	0.27 330	0.27 348	0.42 362	0.37 303	0.33 342	0.38 318	0.51 372	0.26 313	0.28 327	0.27 336	0.16 356	0.09 291	0.12 309	0.11 305	0.13 319	0.12 303

MDST_ROB	0.22 305	0.10 237	0.17 246	0.18 182	0.11 254	0.37 364	0.19 262	0.43 365	0.41 320	0.39 354	0.39 326	0.29 290	0.21 281	0.26 313	0.18 247	0.11 287	0.10 309	0.14 333	0.11 305	0.10 273	0.08 217

PSMNet_ROB	0.21 296	0.11 257	0.15 191	0.27 356	0.15 328	0.24 305	0.35 378	0.43 365	0.37 303	0.27 306	0.32 283	0.32 317	0.22 290	0.21 276	0.26 329	0.12 311	0.08 268	0.13 323	0.11 305	0.09 246	0.09 250

GASNet	0.22 305	0.23 357	0.33 336	0.26 345	0.17 351	0.26 323	0.16 170	0.44 367	0.42 326	0.27 306	0.24 196	0.30 298	0.15 206	0.27 316	0.18 247	0.12 311	0.08 268	0.12 309	0.11 305	0.16 349	0.07 157

NVstereo2D	0.19 278	0.10 237	0.15 191	0.17 115	0.15 328	0.28 336	0.23 312	0.44 367	0.42 326	0.15 148	0.27 247	0.25 261	0.19 269	0.22 287	0.17 233	0.09 235	0.06 189	0.10 267	0.08 211	0.15 342	0.09 250

PDISCO_ROB	0.27 346	0.16 317	0.26 309	0.28 359	0.20 363	0.32 345	0.26 341	0.44 367	0.57 366	0.28 317	0.40 331	0.45 362	0.29 337	0.33 346	0.34 364	0.12 311	0.09 291	0.17 350	0.16 349	0.17 356	0.13 317

ccnet	0.29 353	0.28 371	0.23 299	0.20 268	0.28 379	0.41 369	0.21 293	0.45 370	0.33 274	0.36 346	0.46 353	0.36 332	0.30 341	0.39 368	0.42 380	0.23 378	0.14 348	0.21 363	0.17 356	0.23 368	0.18 362

CC-Net-ROB	0.28 349	0.31 376	0.36 345	0.29 366	0.15 328	0.25 315	0.19 262	0.45 370	0.33 274	0.39 354	0.37 313	0.39 348	0.31 345	0.27 316	0.26 329	0.24 380	0.19 367	0.30 381	0.23 371	0.18 360	0.15 342

Ntro	0.40 371	0.40 384	0.53 367	0.46 388	0.30 383	0.65 386	0.24 321	0.46 372	0.68 382	0.41 361	0.49 357	0.48 370	0.42 373	0.39 368	0.31 358	0.32 385	0.28 384	0.37 384	0.30 381	0.32 386	0.29 383

SAMSARA	0.40 371	0.28 371	0.33 336	0.55 391	0.39 385	0.82 400	1.23 414	0.47 373	0.51 359	0.36 346	0.35 304	0.55 377	0.39 363	0.38 365	0.39 374	0.15 345	0.20 370	0.15 341	0.14 336	0.23 368	0.20 368

GANetREF_RVC	0.31 359	0.34 379	0.27 315	0.35 376	0.16 338	0.32 345	0.41 384	0.48 374	0.51 359	0.35 344	0.35 304	0.34 326	0.33 350	0.39 368	0.32 359	0.27 382	0.20 370	0.29 379	0.15 347	0.18 360	0.17 360
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
NVStereoNet_ROB	0.46 381	0.36 381	0.46 361	0.41 382	0.28 379	0.34 354	0.34 377	0.48 374	0.60 373	0.72 388	0.93 395	0.70 389	0.66 391	0.47 377	0.60 394	0.22 374	0.33 387	0.34 383	0.34 386	0.30 382	0.30 385
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet-4b	0.39 368	0.53 388	0.55 370	0.45 385	0.24 370	0.47 372	0.18 231	0.49 376	0.64 377	0.42 364	0.45 352	0.60 379	0.27 321	0.34 349	0.24 310	0.33 386	0.14 348	0.48 389	0.42 389	0.30 382	0.26 381

ELAS_RVC	0.41 373	0.29 374	0.33 336	0.28 359	0.24 370	0.54 378	0.36 379	0.49 376	0.59 370	0.72 388	0.74 386	0.65 384	0.54 381	0.54 386	0.40 376	0.22 374	0.20 370	0.27 373	0.26 374	0.26 379	0.25 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 373	0.29 374	0.33 336	0.27 356	0.24 370	0.60 383	0.36 379	0.50 378	0.50 352	0.71 386	0.79 390	0.67 386	0.54 381	0.51 380	0.42 380	0.22 374	0.20 370	0.27 373	0.26 374	0.26 379	0.25 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DPSNet	0.28 349	0.16 317	0.31 331	0.18 182	0.13 300	0.54 378	0.42 387	0.51 379	0.67 381	0.29 323	0.38 318	0.38 340	0.29 337	0.31 338	0.23 300	0.11 287	0.10 309	0.11 294	0.08 211	0.20 364	0.16 353

MFN_U_SF_RVC	0.32 361	0.21 352	0.55 370	0.30 368	0.15 328	0.34 354	0.17 191	0.52 380	0.46 343	0.46 372	0.55 366	0.59 378	0.39 363	0.35 355	0.37 370	0.15 345	0.14 348	0.18 358	0.21 364	0.16 349	0.15 342

PVD	0.39 368	0.20 346	0.39 351	0.31 372	0.22 367	0.29 339	0.43 389	0.52 380	0.96 397	0.55 378	0.79 390	0.53 375	0.59 387	0.52 382	0.38 372	0.19 366	0.14 348	0.17 350	0.14 336	0.24 375	0.31 386

MSC_U_SF_DS_RVC	0.43 375	0.39 383	0.54 368	0.40 380	0.20 363	0.64 385	0.32 376	0.53 382	0.72 385	0.71 386	0.72 383	0.61 380	0.54 381	0.51 380	0.46 384	0.20 368	0.19 367	0.29 379	0.30 381	0.23 368	0.18 362

BEATNet-Init1	0.52 383	0.27 368	0.62 377	0.30 368	0.21 365	0.76 397	0.29 361	0.54 383	0.65 379	0.86 397	0.95 397	2.07 415	0.62 390	0.56 388	0.42 380	0.18 362	0.18 364	0.23 368	0.22 367	0.22 367	0.21 370

MANE	0.45 378	0.27 368	0.27 315	0.27 356	0.24 370	0.47 372	0.31 374	0.55 384	0.59 370	0.72 388	1.13 406	1.15 399	0.61 388	0.52 382	0.37 370	0.21 371	0.20 370	0.27 373	0.31 383	0.25 376	0.24 375

anonymity	0.53 384	0.58 390	0.65 379	0.41 382	0.61 401	0.53 377	0.41 384	0.56 385	0.41 320	0.55 378	0.50 361	0.49 371	0.55 384	0.58 389	0.50 390	0.58 399	0.50 400	0.51 391	0.51 396	0.51 390	0.57 397

SGM+DAISY	0.56 386	0.57 389	0.65 379	0.40 380	0.54 393	0.66 388	0.49 391	0.56 385	0.45 342	0.66 382	0.69 380	0.67 386	0.56 385	0.63 391	0.56 392	0.59 400	0.48 396	0.50 390	0.50 395	0.52 391	0.58 398

ACVNet_1	0.44 376	0.49 387	0.60 375	0.45 385	0.28 379	0.49 375	0.27 348	0.57 387	0.72 385	0.62 381	0.58 374	0.74 390	0.49 379	0.50 379	0.35 365	0.26 381	0.24 381	0.39 385	0.29 379	0.31 385	0.24 375

Consistency-Raft	0.44 376	0.40 384	0.45 358	0.37 379	0.43 388	0.46 370	0.41 384	0.57 387	0.55 362	0.32 338	0.73 384	0.33 320	0.48 378	0.42 375	0.49 387	0.39 388	0.35 388	0.45 388	0.51 396	0.42 388	0.29 383

RainbowNet	0.54 385	0.61 392	0.70 391	0.57 392	0.43 388	0.65 386	0.37 382	0.60 389	0.87 394	0.50 374	0.66 377	0.64 382	0.47 377	0.49 378	0.43 383	0.47 394	0.48 396	0.52 393	0.41 388	0.52 391	0.40 393

SPS-STEREO	0.57 387	0.58 390	0.65 379	0.45 385	0.55 395	0.62 384	0.44 390	0.62 390	0.50 352	0.68 384	0.64 376	0.66 385	0.57 386	0.61 390	0.60 394	0.62 402	0.47 395	0.51 391	0.49 393	0.55 395	0.58 398
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 388	0.66 396	0.65 379	0.51 389	0.69 405	0.69 389	0.57 397	0.64 391	0.73 388	0.60 380	0.73 384	0.62 381	0.67 392	0.65 392	0.60 394	0.66 403	0.58 409	0.63 395	0.59 399	0.68 401	0.69 407

FADE		0.33 378		0.33 373	0.25 376			0.64 391	1.07 398	0.43 367		0.42 354		0.70 394		0.30 383	0.21 379	0.41 387	0.38 387	0.23 368	0.22 372

MADNet+	0.75 395	0.71 398	3.70 415	0.66 394	0.41 386	0.98 405	0.97 412	0.69 393	0.73 388	0.52 375	0.57 372	0.64 382	0.68 393	0.86 403	1.01 410	0.34 387	0.36 389	0.28 378	0.23 371	0.36 387	0.31 386

JetBlue	0.71 392	0.45 386	1.14 403	0.51 389	0.47 390	2.02 414	0.64 401	0.75 394	0.70 383	0.69 385	0.77 389	1.22 401	0.83 398	1.03 411	1.01 410	0.40 389	0.28 384	0.33 382	0.33 384	0.30 382	0.34 389

UNDER WATER-64	0.95 404	0.94 408	1.43 407	0.87 405	0.56 396	1.18 413	0.87 409	0.77 395	0.94 396	1.04 404	0.85 392	1.58 412	1.21 412	0.94 408	0.96 408	0.87 410	0.57 408	1.03 410	0.88 411	0.78 408	0.73 408

UNDER WATER	0.97 405	0.97 410	1.42 406	0.99 409	0.70 408	1.12 412	0.84 408	0.80 396	1.08 399	1.01 403	0.90 393	1.55 411	1.22 413	1.03 411	1.00 409	0.78 408	0.53 403	1.02 409	0.87 410	0.80 409	0.74 409

TorneroNet-64	0.76 396	0.72 399	0.74 392	0.78 399	0.58 399	0.91 404	0.56 396	0.84 397	1.29 404	0.66 382	0.90 393	1.40 407	0.75 395	0.85 402	0.67 400	0.49 395	0.46 391	0.72 399	0.59 399	0.67 400	0.53 396

PWCK	0.71 392	0.94 408	0.95 400	0.76 397	0.31 384	0.74 393	0.36 379	0.90 398	0.90 395	0.96 401	0.75 388	0.95 394	0.61 388	0.87 404	0.66 397	0.72 404	0.46 391	0.75 400	0.49 393	0.69 403	0.44 395

IMH-64-1	0.65 389	0.61 392	0.68 387	0.71 395	0.51 391	0.59 381	0.49 391	0.91 399	0.85 392	0.74 392	1.02 399	0.81 391	0.78 396	0.79 396	0.49 387	0.42 390	0.46 391	0.71 397	0.47 391	0.52 391	0.39 391

IMH-64	0.65 389	0.61 392	0.68 387	0.71 395	0.51 391	0.59 381	0.49 391	0.91 399	0.85 392	0.74 392	1.02 399	0.81 391	0.78 396	0.79 396	0.49 387	0.42 390	0.46 391	0.71 397	0.47 391	0.52 391	0.39 391

notaker	0.97 405	1.11 411	0.98 401	1.13 411	0.81 409	0.73 392	0.68 405	0.93 401	1.16 401	1.18 410	1.18 408	1.41 408	1.16 411	1.08 413	0.69 401	0.81 409	0.64 411	1.17 412	0.79 408	0.98 411	0.80 412

ktn	1.01 407	1.21 413	0.80 396	1.23 414	0.86 411	1.01 408	0.87 409	0.94 402	1.39 407	1.04 404	1.12 405	1.15 399	1.07 407	0.94 408	0.59 393	1.28 416	0.71 413	1.38 416	0.83 409	1.02 413	0.75 410

TorneroNet	0.82 399	0.74 400	0.81 397	0.84 402	0.63 402	0.99 406	0.63 399	0.96 403	1.16 401	0.80 395	1.11 404	1.36 406	0.86 400	0.93 407	0.80 405	0.56 397	0.49 398	0.78 404	0.66 403	0.73 406	0.63 406

ACVNet_2	0.66 391	0.66 396	0.68 387	0.63 393	0.41 386	0.71 391	0.49 391	0.96 403	1.39 407	0.89 398	1.09 402	1.04 395	0.73 394	0.54 386	0.47 385	0.43 392	0.40 390	0.53 394	0.44 390	0.47 389	0.35 390

WAO-6	0.81 398	0.80 402	0.62 377	0.86 404	0.63 402	0.76 397	0.58 398	0.98 405	1.54 412	0.90 399	0.96 398	1.07 397	1.03 406	0.70 394	0.66 397	0.72 404	0.49 398	0.90 407	0.71 405	0.68 401	0.58 398

IMH	0.71 392	0.64 395	0.68 387	0.76 397	0.54 393	0.69 389	0.54 395	0.98 405	1.10 400	0.82 396	1.09 402	0.89 393	0.88 401	0.87 404	0.52 391	0.44 393	0.50 400	0.75 400	0.51 396	0.56 396	0.41 394

HanzoNet	1.29 410	1.26 415	1.19 404	1.12 410	0.85 410	1.02 409	0.83 407	1.03 407	1.48 411	1.64 413	1.61 414	2.50 417	1.72 414	1.61 415	1.61 413	1.26 415	0.80 414	1.31 415	1.01 413	1.02 413	0.86 413

WAO-7	0.79 397	0.78 401	0.54 368	0.85 403	0.67 404	0.74 393	0.68 405	1.05 408	1.32 405	0.90 399	1.20 409	1.04 395	0.92 402	0.69 393	0.66 397	0.60 401	0.62 410	0.67 396	0.68 404	0.64 397	0.58 398

LVE	0.83 400	0.85 405	0.85 398	0.80 400	0.56 396	1.04 410	0.65 402	1.05 408	1.47 410	0.96 401	1.22 410	1.10 398	0.85 399	0.83 399	0.71 402	0.49 395	0.55 406	0.76 402	0.60 401	0.65 398	0.59 403

WAO-8	0.91 402	0.81 403	0.65 379	0.94 407	0.69 405	0.90 401	0.67 403	1.07 410	1.83 415	1.06 406	1.45 412	1.30 402	1.07 407	0.84 400	0.78 403	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 404

Venus	0.91 402	0.81 403	0.65 379	0.94 407	0.69 405	0.90 401	0.67 403	1.07 410	1.83 415	1.06 406	1.45 412	1.30 402	1.07 407	0.84 400	0.78 403	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 404

KSHMR	1.09 408	1.17 412	0.88 399	1.25 415	1.00 414	0.99 406	0.96 411	1.13 412	1.37 406	1.16 409	1.29 411	1.41 408	0.96 404	1.01 410	0.92 407	1.03 413	1.08 415	1.20 413	1.03 414	1.01 412	0.97 414

Dean	0.87 401	0.86 406	0.79 395	0.81 401	0.56 396	0.90 401	0.63 399	1.15 413	1.73 413	1.15 408	1.15 407	1.31 404	0.99 405	0.81 398	0.81 406	0.57 398	0.56 407	0.77 403	0.64 402	0.66 399	0.58 398

DPSimNet_ROB	1.11 409	1.23 414	0.78 393	1.13 411	0.88 412	1.10 411	1.13 413	1.16 414	1.23 403	1.43 412	1.02 399	1.41 408	1.10 410	0.90 406	1.60 412	1.46 417	0.51 402	1.21 414	1.03 414	0.90 410	1.01 416

JetRed	1.62 411	1.46 416	2.98 411	0.92 406	1.21 415	4.99 416	1.53 416	1.27 415	1.39 407	1.83 414	1.74 415	1.60 413	0.95 403	1.41 414	2.45 416	0.90 412	1.60 417	0.93 408	0.90 412	1.35 415	0.99 415

ASD4	3.54 414	3.38 419	2.05 410	1.72 416	2.51 419	9.03 420	17.71 421	2.25 416	5.51 419	2.46 416	2.81 417	2.03 414	3.36 416	2.73 417	5.06 417	1.22 414	1.34 416	1.13 411	1.33 416	1.68 416	1.49 418

MADNet++	1.95 412	1.75 417	1.59 409	1.82 417	1.69 417	2.33 415	1.40 415	2.35 417	2.09 417	2.57 417	2.36 416	2.24 416	2.17 415	2.28 416	2.34 415	1.87 418	1.66 418	1.54 417	1.34 417	1.92 417	1.77 419

PML	8.91 422	9.34 428	6.13 416	5.35 422	6.41 423	14.99 423	23.38 427	5.27 418	6.83 420	18.04 429	28.19 437	7.67 421	6.83 419	7.85 422	5.75 418	5.35 424	1.83 419	5.95 428	1.93 419	8.64 426	2.52 420

DPSMNet_ROB	8.06 420	4.48 420	8.63 424	5.37 424	10.74 426	8.32 418	22.98 426	5.46 419	13.36 426	5.12 419	9.92 421	5.08 419	10.40 423	5.53 421	12.58 423	3.80 423	8.00 424	3.50 420	7.02 423	3.83 422	7.14 425

DGTPSM_ROB	8.06 420	4.48 420	8.63 424	5.35 422	10.72 425	8.32 418	22.97 425	5.46 419	13.35 425	5.12 419	9.92 421	5.08 419	10.40 423	5.52 420	12.58 423	3.79 422	8.00 424	3.50 420	7.02 423	3.83 422	7.14 425

LRCNet_RVC	10.62 424	13.42 429	7.30 417	18.92 429	2.07 418	0.33 351	0.30 368	5.59 421	0.48 345	13.03 427	17.94 427	8.87 422	5.65 418	4.79 419	1.89 414	23.51 436	2.73 423	27.55 437	25.71 437	16.07 434	16.33 435

xxxxx1	7.79 416	5.02 422	7.31 418	3.12 419	3.85 420	16.35 424	22.88 422	5.86 422	8.69 421	7.97 421	8.54 418	9.12 423	8.27 420	10.18 423	10.92 420	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 421

tt_ll	7.79 416	5.02 422	7.31 418	3.12 419	3.85 420	16.35 424	22.88 422	5.86 422	8.69 421	7.97 421	8.54 418	9.12 423	8.27 420	10.18 423	10.92 420	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 421

ff	7.79 416	5.02 422	7.31 418	3.12 419	3.85 420	16.35 424	22.88 422	5.86 422	8.69 421	7.97 421	8.54 418	9.12 423	8.27 420	10.18 423	10.92 420	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 421

tt	4.67 415	0.06 19	3.55 414	2.02 418	1.55 416	10.25 421	16.71 420	8.91 425	5.03 418	1.31 411	0.94 396	4.71 418	4.76 417	3.33 418	5.87 419	6.06 425	10.30 429	1.88 419	2.11 420	2.75 418	1.21 417

Anonymous_1	10.96 425	7.92 425	7.46 421	10.33 425	10.06 424	18.65 428	26.34 428	11.06 426	13.44 427	9.40 424	10.05 423	9.67 426	11.23 425	10.73 426	12.72 425	6.42 426	8.38 426	5.77 425	10.61 425	12.12 427	6.77 424

DPSM_ROB	11.15 426	8.58 426	8.00 422	10.88 426	11.58 427	19.10 429	26.71 429	12.05 427	14.07 428	10.36 425	10.84 424	10.33 427	11.86 426	11.70 427	13.54 426	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 427

DPSM	11.15 426	8.58 426	8.00 422	10.88 426	11.58 427	19.10 429	26.71 429	12.05 427	14.07 428	10.36 425	10.84 424	10.33 427	11.86 426	11.70 427	13.54 426	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 427

HaxPig	15.71 429	18.52 436	19.18 432	16.89 428	15.89 430	7.73 417	7.60 417	13.31 429	10.82 424	15.42 428	14.91 426	15.98 429	14.92 428	15.58 429	15.98 429	18.95 435	16.73 430	19.46 435	18.08 435	19.26 435	19.05 436

MEDIAN_ROB	20.38 430	24.04 437	23.31 434	21.23 430	21.71 431	10.40 422	7.92 418	17.64 430	15.50 430	20.12 430	19.70 428	20.34 430	20.32 429	21.19 430	21.13 430	23.81 437	21.81 437	24.98 436	23.76 436	24.71 436	23.93 437

AVERAGE_ROB	24.90 437	29.20 438	28.14 435	24.89 437	24.64 437	17.75 427	11.12 419	21.45 431	19.93 431	25.12 438	24.46 436	25.12 438	25.46 437	24.69 438	22.83 431	29.76 438	27.13 438	28.97 438	27.95 438	29.91 437	29.47 438

CasAABBNet	22.42 431	17.33 431	16.01 426	22.01 434	23.28 435	38.32 432	53.80 436	24.14 432	28.41 433	20.60 431	21.77 430	20.89 435	23.91 434	23.43 431	27.36 432	14.07 429	17.69 432	11.83 433	14.01 430	14.67 431	14.95 433

MyStereo03	22.45 432	17.33 431	16.21 428	21.95 431	23.27 432	38.32 432	53.79 433	24.21 433	28.46 434	20.87 434	21.85 432	20.80 431	23.87 430	23.46 432	27.40 434	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 429

MyStereo02	22.45 432	17.33 431	16.21 428	21.95 431	23.27 432	38.32 432	53.79 433	24.21 433	28.46 434	20.87 434	21.85 432	20.80 431	23.87 430	23.46 432	27.40 434	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 429

MyStereo	22.45 432	17.33 431	16.21 428	21.95 431	23.27 432	38.32 432	53.79 433	24.21 433	28.46 434	20.87 434	21.85 432	20.80 431	23.87 430	23.46 432	27.40 434	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 429

LSM0	22.87 436	17.28 430	18.96 431	22.19 436	29.04 438	38.42 437	53.71 432	24.28 436	28.31 432	20.78 433	21.00 429	21.43 436	24.16 435	23.50 435	27.39 433	14.09 434	17.38 431	11.84 434	14.04 434	14.73 433	14.89 429

Selective-RAFT-Error	22.47 435	17.37 435	16.09 427	22.06 435	23.34 436	38.39 436	53.83 437	24.29 437	28.47 437	20.74 432	21.83 431	20.81 434	23.90 433	23.54 436	27.53 437	14.08 430	17.69 432	11.82 429	14.00 429	14.69 432	15.00 434

test_example2	98.32 438	94.13 439	45.89 436	96.35 438	109.85 439	88.61 438	95.45 438	25.75 438	94.37 439	130.00 439	126.06 438	58.17 439	74.63 438	88.51 439	79.96 438	150.23 439	221.02 439	77.62 439	99.10 439	113.75 439	96.94 439

SPstereo	13.84 428	0.93 407	1.50 408	1.22 413	0.88 412	28.82 431	48.26 431	26.77 439	29.54 438	22.37 437	22.60 435	23.23 437	24.68 436	24.53 437	15.06 428	0.88 411	0.69 412	1.83 418	1.60 418	0.74 407	0.77 411

Low-res two-view benchmark