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

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

xx1	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 161	0.16 225	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 210	0.07 155	0.07 156

cc1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	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

ffm	0.12 134	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.07 1	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.12 104	0.16 170	0.15 26	0.19 127	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

GMOStereo	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

error version	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

test-v	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 303	0.09 130	0.09 35	0.19 261	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
test-2	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 215	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

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 215	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

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 122	0.14 58	0.13 103	0.13 70	0.09 37	0.05 2	0.12 100	0.08 11	0.05 2	0.06 188	0.07 98	0.06 86	0.06 101	0.05 51

CAS	0.08 2	0.04 1	0.07 2	0.17 114	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 37	0.08 25	0.06 6	0.09 10	0.08 11	0.08 189	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

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

CroCo-Stereo Lap2	0.09 11	0.09 189	0.08 11	0.22 303	0.09 130	0.09 35	0.19 261	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 188	0.07 98	0.05 31	0.05 40	0.05 51

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 282	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	0.07 160	0.04 1	0.04 7

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 114	0.09 130	0.15 175	0.12 21	0.20 122	0.10 7	0.10 40	0.14 79	0.07 17	0.06 6	0.12 100	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 100	0.09 19	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 114	0.09 130	0.13 129	0.18 230	0.19 115	0.12 25	0.12 82	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 160	0.06 101	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	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

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	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

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	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

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	0.09 11	0.07 69	0.08 11	0.18 181	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 60	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

DLNR_Zeroshot_test	10.40 420	1.82 415	19.49 430	120.77 435	13.11 425	0.06 2	0.13 43	0.23 172	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 330	0.04 2	0.06 31	0.04 8	51.54 434	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 299	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

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 139	0.15 69	0.11 58	0.12 60	0.12 88	0.09 66	0.12 100	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 37	0.10 57	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

HH	0.09 11	0.06 19	0.13 127	0.17 114	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	0.13 127	0.17 114	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

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 181	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 52	0.10 57	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 160	0.06 101	0.05 51

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 66	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	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

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 114	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

ProNet	0.09 11	0.07 69	0.10 44	0.17 114	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

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	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

RAFT_CTSACE	0.12 134	0.09 189	0.10 44	0.22 303	0.08 47	0.12 104	0.24 320	0.18 96	0.16 87	0.20 240	0.27 246	0.13 111	0.07 31	0.13 132	0.09 19	0.05 2	0.06 188	0.08 162	0.07 160	0.04 1	0.04 7

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	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
iRaft-Stereo_20w	0.09 11	0.05 6	0.13 127	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 58	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

RAFT	0.13 156	0.09 189	0.11 70	0.18 181	0.08 47	0.15 175	0.24 320	0.20 122	0.19 127	0.21 248	0.21 172	0.17 180	0.12 137	0.16 196	0.09 19	0.06 54	0.07 245	0.10 266	0.09 249	0.05 40	0.05 51

test-1	0.10 50	0.07 69	0.16 220	0.19 226	0.08 47	0.11 82	0.24 320	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

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 127	0.11 58	0.15 93	0.10 57	0.06 6	0.12 100	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 130	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

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 114	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 37	0.08 25	0.09 66	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 114	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 60	0.09 37	0.09 66	0.12 100	0.09 19	0.05 2	0.04 2	0.07 98	0.07 160	0.04 1	0.03 1

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 60	0.10 57	0.09 66	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 37	0.12 88	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 181	0.09 130	0.10 56	0.15 115	0.14 15	0.19 127	0.09 15	0.14 79	0.12 88	0.08 49	0.11 45	0.10 49	0.05 2	0.06 188	0.07 98	0.06 86	0.05 40	0.04 7

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

StereoVision	0.13 156	0.12 270	0.09 28	0.24 327	0.10 215	0.15 175	0.21 292	0.21 139	0.20 148	0.12 82	0.24 195	0.10 57	0.10 87	0.16 196	0.10 49	0.09 234	0.11 317	0.12 308	0.12 322	0.06 101	0.05 51

CASnet	0.09 11	0.09 189	0.09 28	0.19 226	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 266	0.08 210	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.10 50	0.10 236	0.15 190	0.18 181	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 123	0.10 37	0.09 37	0.07 31	0.16 196	0.10 49	0.05 2	0.05 106	0.10 266	0.07 160	0.06 101	0.05 51

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 88	0.09 66	0.15 165	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 114	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 60	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

DisPM	0.11 79	0.07 69	0.12 90	0.16 68	0.09 130	0.06 2	0.13 43	0.17 72	0.17 99	0.14 123	0.20 158	0.12 88	0.10 87	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 291

Sa-1000	0.12 134	0.08 140	0.08 11	0.18 181	0.08 47	0.14 153	0.22 301	0.22 155	0.18 116	0.15 147	0.20 158	0.17 180	0.11 108	0.10 18	0.10 49	0.06 54	0.05 106	0.09 225	0.09 249	0.05 40	0.05 51

test-3	0.08 2	0.06 19	0.09 28	0.17 114	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	0.17 114	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

HHNet	0.11 79	0.06 19	0.16 220	0.15 38	0.14 316	0.07 16	0.13 43	0.20 122	0.17 99	0.14 123	0.25 224	0.11 73	0.08 49	0.13 132	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 249

Patchmatch Stereo++	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
TransformOpticalFlow	0.10 50	0.08 140	0.13 127	0.18 181	0.07 18	0.09 35	0.15 115	0.19 115	0.15 69	0.12 82	0.17 119	0.11 73	0.11 108	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

NRIStereo	0.11 79	0.08 140	0.14 153	0.18 181	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 82	0.14 79	0.13 111	0.12 137	0.13 132	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 156

PSM-adaLoss	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.20 122	0.13 41	0.12 82	0.14 79	0.18 191	0.11 108	0.11 45	0.10 49	0.05 2	0.05 106	0.09 225	0.08 210	0.06 101	0.14 332

ROB_FTStereo_v2	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

ROB_FTStereo	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

KYRaft	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.08 23	0.15 115	0.22 155	0.12 25	0.13 103	0.16 101	0.20 209	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.06 101	0.16 351

HUI-Stereo	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

ASMatch	0.11 79	0.06 19	0.13 127	0.16 68	0.10 215	0.07 16	0.14 69	0.17 72	0.17 99	0.12 82	0.16 101	0.16 161	0.10 87	0.13 132	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 216

iGMRVC	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

IRAFT_RVC	0.12 134	0.08 140	0.16 220	0.19 226	0.08 47	0.07 16	0.15 115	0.24 189	0.23 181	0.14 123	0.14 79	0.15 150	0.12 137	0.12 100	0.10 49	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.06 98

iRAFT	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 115	0.14 58	0.13 103	0.11 52	0.09 37	0.08 49	0.13 132	0.10 49	0.08 189	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

RAFT-IKP	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

Prome-Stereo	0.11 79	0.06 19	0.10 44	0.18 181	0.08 47	0.12 104	0.15 115	0.22 155	0.13 41	0.12 82	0.17 119	0.13 111	0.08 49	0.12 100	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 249

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 114	0.09 130	0.11 82	0.17 190	0.18 96	0.12 25	0.09 15	0.12 60	0.10 57	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.04 1	0.04 7

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 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

raftrobust	0.09 11	0.06 19	0.10 44	0.17 114	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 88	0.07 31	0.12 100	0.10 49	0.08 189	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

sAnonymous2	0.13 156	0.12 270	0.24 301	0.20 266	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

CroCo_RVC	0.13 156	0.12 270	0.24 301	0.20 266	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 139	0.23 181	0.11 58	0.12 60	0.14 126	0.11 108	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	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 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 189	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
PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 70	0.10 57	0.07 31	0.13 132	0.10 49	0.15 344	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

qqq1	0.13 156	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.11 85	0.08 189	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 156	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.11 85	0.08 189	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

CoDeX	0.12 134	0.07 69	0.12 90	0.17 114	0.08 47	0.12 104	0.15 115	0.23 172	0.27 230	0.13 103	0.17 119	0.16 161	0.11 108	0.14 147	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

LL-Strereo	0.13 156	0.09 189	0.11 70	0.20 266	0.10 215	0.11 82	0.18 230	0.32 285	0.24 191	0.15 147	0.15 93	0.14 126	0.13 169	0.19 240	0.11 85	0.06 54	0.04 2	0.09 225	0.08 210	0.04 1	0.05 51

anonymousdsp2	0.11 79	0.07 69	0.10 44	0.16 68	0.09 130	0.13 129	0.14 69	0.18 96	0.22 172	0.13 103	0.14 79	0.12 88	0.09 66	0.14 147	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

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

DCRE	0.11 79	0.07 69	0.13 127	0.16 68	0.11 253	0.11 82	0.17 190	0.18 96	0.17 99	0.11 58	0.18 141	0.10 57	0.10 87	0.15 165	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

knoymous	0.11 79	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 115	0.13 41	0.11 58	0.17 119	0.13 111	0.09 66	0.13 132	0.11 85	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

Selective-RAFT	0.11 79	0.10 236	0.11 70	0.21 290	0.08 47	0.16 198	0.13 43	0.20 122	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

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 37	0.08 25	0.07 31	0.12 100	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

SA	0.12 134	0.09 189	0.08 11	0.18 181	0.08 47	0.12 104	0.24 320	0.23 172	0.18 116	0.17 184	0.27 246	0.14 126	0.11 108	0.11 45	0.11 85	0.05 2	0.05 106	0.09 225	0.08 210	0.05 40	0.04 7

test_4	0.10 50	0.10 236	0.08 11	0.19 226	0.09 130	0.08 23	0.22 301	0.15 26	0.17 99	0.12 82	0.18 141	0.12 88	0.09 66	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 210	0.04 1	0.03 1

CIPLG	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.11 52	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

GLC_STEREO	0.11 79	0.07 69	0.11 70	0.17 114	0.07 18	0.09 35	0.13 43	0.15 26	0.24 191	0.12 82	0.13 70	0.12 88	0.08 49	0.18 229	0.11 85	0.06 54	0.08 267	0.08 162	0.06 86	0.05 40	0.05 51

IPLGR_C	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.10 37	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 123	0.10 37	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

test_3	0.10 50	0.09 189	0.10 44	0.20 266	0.08 47	0.13 129	0.26 339	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.04 1	0.04 7

PFNet+	0.11 79	0.06 19	0.13 127	0.16 68	0.09 130	0.05 1	0.12 21	0.17 72	0.21 161	0.16 172	0.19 147	0.14 126	0.10 87	0.11 45	0.11 85	0.08 189	0.05 106	0.09 225	0.08 210	0.06 101	0.11 291

LCNet	0.11 79	0.07 69	0.09 28	0.19 226	0.09 130	0.08 23	0.15 115	0.21 139	0.15 69	0.11 58	0.15 93	0.16 161	0.11 108	0.12 100	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.15 340

NF-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

OCTAStereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

PSM-softLoss	0.12 134	0.07 69	0.15 190	0.17 114	0.09 130	0.08 23	0.13 43	0.24 189	0.17 99	0.14 123	0.19 147	0.13 111	0.11 108	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 160	0.06 101	0.12 302

KMStereo	0.12 134	0.07 69	0.15 190	0.17 114	0.09 130	0.08 23	0.13 43	0.24 189	0.17 99	0.14 123	0.19 147	0.13 111	0.11 108	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 160	0.06 101	0.12 302

SST-Stereo	0.10 50	0.07 69	0.15 190	0.18 181	0.09 130	0.06 2	0.12 21	0.17 72	0.11 17	0.15 147	0.17 119	0.13 111	0.12 137	0.10 18	0.11 85	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

RAFT_R40	0.11 79	0.07 69	0.14 153	0.18 181	0.09 130	0.06 2	0.13 43	0.17 72	0.16 87	0.14 123	0.18 141	0.15 150	0.12 137	0.10 18	0.11 85	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

PFNet	0.12 134	0.06 19	0.17 245	0.17 114	0.08 47	0.09 35	0.15 115	0.26 214	0.20 148	0.16 172	0.16 101	0.14 126	0.11 108	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GrayStereo	0.11 79	0.06 19	0.11 70	0.19 226	0.09 130	0.09 35	0.16 170	0.18 96	0.17 99	0.14 123	0.17 119	0.17 180	0.11 108	0.12 100	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 268

RE-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

Pruner-Stereo	0.11 79	0.07 69	0.12 90	0.17 114	0.09 130	0.06 2	0.12 21	0.17 72	0.17 99	0.13 103	0.19 147	0.13 111	0.09 66	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 216

TVStereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

DeepStereo_RVC	0.11 79	0.08 140	0.16 220	0.18 181	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 103	0.14 79	0.12 88	0.12 137	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 216

CRE-IMP	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 123	0.13 70	0.13 111	0.12 137	0.12 100	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 197	0.08 216

cross-raft	0.10 50	0.09 189	0.09 28	0.19 226	0.07 18	0.11 82	0.25 333	0.13 9	0.15 69	0.08 5	0.11 52	0.12 88	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

GMM-Stereo	0.11 79	0.07 69	0.10 44	0.18 181	0.09 130	0.08 23	0.15 115	0.23 172	0.16 87	0.11 58	0.15 93	0.13 111	0.11 108	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.09 249

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
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 82	0.17 119	0.14 126	0.10 87	0.12 100	0.11 85	0.07 141	0.06 188	0.06 31	0.05 31	0.08 197	0.07 156

RALAANet	0.11 79	0.08 140	0.10 44	0.17 114	0.09 130	0.14 153	0.10 6	0.20 122	0.15 69	0.14 123	0.13 70	0.16 161	0.09 66	0.12 100	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

sCroCo_RVC	0.12 134	0.09 189	0.23 298	0.24 327	0.11 253	0.19 252	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 88	0.07 31	0.14 147	0.11 85	0.08 189	0.08 267	0.08 162	0.08 210	0.05 40	0.07 156

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	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

SFCPSM	0.13 156	0.07 69	0.14 153	0.17 114	0.09 130	0.15 175	0.16 170	0.28 246	0.27 230	0.14 123	0.17 119	0.12 88	0.13 169	0.14 147	0.11 85	0.08 189	0.05 106	0.07 98	0.07 160	0.07 155	0.06 98

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
test croco	0.10 50	0.08 140	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.14 15	0.13 41	0.13 103	0.15 93	0.09 37	0.12 137	0.13 132	0.12 127	0.07 141	0.05 106	0.09 225	0.06 86	0.06 101	0.06 98

MIF-Stereo (partial)	0.11 79	0.06 19	0.10 44	0.19 226	0.10 215	0.10 56	0.11 11	0.17 72	0.18 116	0.14 123	0.16 101	0.09 37	0.11 108	0.12 100	0.12 127	0.08 189	0.05 106	0.08 162	0.07 160	0.06 101	0.07 156

EKT-Stereo	0.11 79	0.07 69	0.14 153	0.15 38	0.10 215	0.13 129	0.14 69	0.18 96	0.21 161	0.11 58	0.08 17	0.12 88	0.09 66	0.11 45	0.12 127	0.08 189	0.06 188	0.07 98	0.06 86	0.08 197	0.07 156

riskmin	0.11 79	0.06 19	0.13 127	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 58	0.14 79	0.16 161	0.11 108	0.14 147	0.12 127	0.09 234	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.18 96	0.19 127	0.13 103	0.16 101	0.09 37	0.14 192	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.12 137	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

raft_robust	0.13 156	0.10 236	0.07 2	0.18 181	0.08 47	0.13 129	0.24 320	0.28 246	0.33 273	0.20 240	0.19 147	0.14 126	0.10 87	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 160	0.05 40	0.04 7

RAFT+CT+SA	0.13 156	0.11 256	0.09 28	0.19 226	0.09 130	0.15 175	0.28 351	0.22 155	0.22 172	0.15 147	0.26 239	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 210	0.07 155	0.06 98

hknet	0.15 218	0.11 256	0.13 127	0.22 303	0.11 253	0.14 153	0.15 115	0.34 312	0.25 210	0.17 184	0.22 181	0.22 232	0.18 253	0.17 218	0.12 127	0.07 141	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

DAS	0.15 218	0.08 140	0.18 262	0.19 226	0.10 215	0.19 252	0.17 190	0.27 232	0.29 248	0.18 210	0.25 224	0.21 215	0.15 205	0.16 196	0.12 127	0.08 189	0.06 188	0.06 31	0.06 86	0.07 155	0.07 156

SepStereo	0.15 218	0.08 140	0.18 262	0.19 226	0.10 215	0.19 252	0.17 190	0.27 232	0.29 248	0.18 210	0.25 224	0.21 215	0.15 205	0.25 310	0.12 127	0.08 189	0.06 188	0.06 31	0.06 86	0.07 155	0.07 156

MIPNet	0.11 79	0.08 140	0.14 153	0.17 114	0.09 130	0.12 104	0.14 69	0.20 122	0.24 191	0.11 58	0.10 37	0.09 37	0.07 31	0.13 132	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

IPLGR	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.12 104	0.17 190	0.21 139	0.24 191	0.11 58	0.12 60	0.11 73	0.08 49	0.12 100	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

CrosDoStereo	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 172	0.19 223	0.24 195	0.15 150	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 181	0.07 18	0.10 56	0.14 69	0.21 139	0.11 17	0.11 58	0.15 93	0.12 88	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

IIG-Stereo	0.11 79	0.06 19	0.13 127	0.17 114	0.08 47	0.11 82	0.12 21	0.22 155	0.17 99	0.14 123	0.17 119	0.11 73	0.12 137	0.12 100	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

DeepStereo_LL	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 172	0.19 223	0.24 195	0.15 150	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

DRaft	0.12 134	0.06 19	0.11 70	0.14 13	0.09 130	0.14 153	0.17 190	0.21 139	0.30 255	0.17 184	0.28 255	0.10 57	0.15 205	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 68	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 103	0.41 339	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 305	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

rafts_anoy	0.11 79	0.06 19	0.10 44	0.17 114	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 103	0.13 70	0.12 88	0.10 87	0.11 45	0.12 127	0.07 141	0.04 2	0.09 225	0.11 304	0.07 155	0.06 98

Anonymous3	0.16 236	0.13 291	0.33 335	0.26 343	0.14 316	0.27 329	0.17 190	0.28 246	0.28 241	0.15 147	0.17 119	0.14 126	0.10 87	0.15 165	0.12 127	0.08 189	0.08 267	0.08 162	0.08 210	0.08 197	0.11 291

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 230	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 108	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	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	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ARAFT	0.12 134	0.08 140	0.17 245	0.19 226	0.09 130	0.14 153	0.18 230	0.20 122	0.12 25	0.12 82	0.13 70	0.14 126	0.11 108	0.15 165	0.12 127	0.06 54	0.05 106	0.10 266	0.09 249	0.05 40	0.04 7

RAFT + AFF	0.13 156	0.07 69	0.20 279	0.20 266	0.10 215	0.14 153	0.24 320	0.26 214	0.20 148	0.11 58	0.10 37	0.12 88	0.10 87	0.15 165	0.12 127	0.07 141	0.06 188	0.09 225	0.08 210	0.06 101	0.08 216

MyStereo05	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.13 129	0.18 230	0.27 232	0.35 291	0.17 184	0.14 79	0.15 150	0.11 108	0.15 165	0.13 156	0.06 54	0.05 106	0.07 98	0.07 160	0.06 101	0.06 98

MyStereo04	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.29 256	0.38 306	0.17 184	0.14 79	0.16 161	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

11t1	0.12 134	0.06 19	0.13 127	0.14 13	0.08 47	0.17 217	0.15 115	0.18 96	0.15 69	0.15 147	0.15 93	0.16 161	0.16 225	0.15 165	0.13 156	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

StereoIM	0.09 11	0.09 189	0.08 11	0.17 114	0.09 130	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 52	0.06 3	0.06 6	0.09 10	0.13 156	0.07 141	0.06 188	0.07 98	0.05 31	0.05 40	0.04 7

PCWNet_CMD	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 295	0.14 123	0.20 158	0.21 215	0.12 137	0.17 218	0.13 156	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

TestStereo1	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 359	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

BUS	0.14 185	0.09 189	0.14 153	0.22 303	0.10 215	0.19 252	0.14 69	0.34 312	0.19 127	0.17 184	0.22 181	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

test_5	0.14 185	0.12 270	0.08 11	0.20 266	0.10 215	0.14 153	0.29 359	0.21 139	0.24 191	0.18 210	0.28 255	0.11 73	0.15 205	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 210	0.08 197	0.07 156

NINENet	0.16 236	0.10 236	0.15 190	0.17 114	0.11 253	0.19 252	0.14 69	0.40 350	0.36 295	0.18 210	0.21 172	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.08 267	0.10 266	0.07 160	0.10 272	0.09 249

SA-5K	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 359	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

UDGNet	0.14 185	0.13 291	0.16 220	0.17 114	0.10 215	0.12 104	0.16 170	0.21 139	0.27 230	0.20 240	0.20 158	0.16 161	0.13 169	0.16 196	0.13 156	0.10 265	0.06 188	0.09 225	0.07 160	0.06 101	0.07 156

IPLG	0.10 50	0.07 69	0.15 190	0.17 114	0.08 47	0.11 82	0.14 69	0.20 122	0.15 69	0.12 82	0.17 119	0.07 17	0.07 31	0.14 147	0.13 156	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

GANet-ADL	0.13 156	0.07 69	0.15 190	0.17 114	0.10 215	0.18 232	0.15 115	0.30 270	0.20 148	0.13 103	0.18 141	0.19 199	0.12 137	0.16 196	0.13 156	0.08 189	0.06 188	0.06 31	0.05 31	0.07 155	0.08 216

OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 181	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.13 103	0.14 79	0.11 73	0.12 137	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

FTStereo	0.12 134	0.06 19	0.14 153	0.18 181	0.09 130	0.07 16	0.15 115	0.21 139	0.18 116	0.12 82	0.24 195	0.12 88	0.12 137	0.13 132	0.13 156	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 268

DEmStereo	0.12 134	0.06 19	0.14 153	0.14 13	0.10 215	0.16 198	0.15 115	0.16 42	0.24 191	0.17 184	0.24 195	0.13 111	0.14 192	0.12 100	0.13 156	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

raft+_RVC	0.11 79	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 189	0.20 148	0.12 82	0.15 93	0.12 88	0.08 49	0.12 100	0.13 156	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

Anonymous	0.14 185	0.10 236	0.24 301	0.22 303	0.13 299	0.18 232	0.22 301	0.20 122	0.19 127	0.14 123	0.12 60	0.11 73	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.08 162	0.08 210	0.12 301	0.10 268

GES	0.14 185	0.08 140	0.16 220	0.15 38	0.10 215	0.13 129	0.13 43	0.28 246	0.25 210	0.16 172	0.23 187	0.18 191	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.07 98	0.06 86	0.08 197	0.09 249

HCRNet	0.16 236	0.24 359	0.12 90	0.35 373	0.11 253	0.15 175	0.17 190	0.26 214	0.22 172	0.19 223	0.24 195	0.21 215	0.14 192	0.15 165	0.13 156	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

GMStereo	0.13 156	0.14 303	0.14 153	0.18 181	0.09 130	0.15 175	0.16 170	0.20 122	0.24 191	0.16 172	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 188	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
PSMNet-RSSM	0.14 185	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 170	0.24 189	0.24 191	0.16 172	0.28 255	0.22 232	0.14 192	0.15 165	0.13 156	0.11 286	0.06 188	0.09 225	0.12 322	0.08 197	0.07 156

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 114	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 126	0.12 137	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 185	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 232	0.29 248	0.19 223	0.21 172	0.29 289	0.14 192	0.17 218	0.13 156	0.06 54	0.06 188	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
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	0.13 103	0.16 101	0.14 126	0.11 108	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MLCV	0.12 134	0.07 69	0.16 220	0.18 181	0.06 2	0.15 175	0.17 190	0.19 115	0.21 161	0.18 210	0.25 224	0.17 180	0.13 169	0.14 147	0.13 156	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

iResNet_ROB	0.14 185	0.07 69	0.13 127	0.14 13	0.07 18	0.18 232	0.14 69	0.26 214	0.31 261	0.22 261	0.25 224	0.23 244	0.15 205	0.15 165	0.13 156	0.07 141	0.05 106	0.05 2	0.04 8	0.08 197	0.08 216

DN-CSS_ROB	0.13 156	0.13 291	0.16 220	0.18 181	0.10 215	0.16 198	0.08 2	0.22 155	0.18 116	0.17 184	0.22 181	0.13 111	0.13 169	0.12 100	0.13 156	0.05 2	0.05 106	0.10 266	0.10 281	0.08 197	0.06 98

ttt	0.14 185	0.08 140	0.14 153	0.15 38	0.08 47	0.15 175	0.18 230	0.27 232	0.29 248	0.16 172	0.24 195	0.17 180	0.13 169	0.13 132	0.14 184	0.11 286	0.08 267	0.09 225	0.08 210	0.09 245	0.08 216

whm_eth	0.14 185	0.09 189	0.20 279	0.20 266	0.12 282	0.12 104	0.15 115	0.18 96	0.28 241	0.17 184	0.32 282	0.09 37	0.12 137	0.18 229	0.14 184	0.07 141	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156

GMStereo_Zeroshot	0.16 236	0.13 291	0.24 301	0.20 266	0.10 215	0.17 217	0.13 43	0.29 256	0.25 210	0.23 273	0.32 282	0.25 260	0.11 108	0.19 240	0.14 184	0.09 234	0.06 188	0.11 293	0.06 86	0.12 301	0.08 216

CASS	0.13 156	0.12 270	0.11 70	0.23 322	0.09 130	0.15 175	0.17 190	0.18 96	0.19 127	0.17 184	0.18 141	0.15 150	0.15 205	0.14 147	0.14 184	0.09 234	0.06 188	0.10 266	0.08 210	0.09 245	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 156	0.07 69	0.13 127	0.18 181	0.09 130	0.13 129	0.17 190	0.19 115	0.29 248	0.15 147	0.24 195	0.15 150	0.14 192	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 249	0.05 40	0.06 98

IER	0.14 185	0.07 69	0.13 127	0.17 114	0.09 130	0.14 153	0.16 170	0.25 202	0.26 223	0.18 210	0.25 224	0.17 180	0.20 276	0.16 196	0.14 184	0.08 189	0.05 106	0.07 98	0.06 86	0.08 197	0.07 156

BSDual-CNN	0.15 218	0.09 189	0.14 153	0.22 303	0.10 215	0.14 153	0.15 115	0.34 312	0.19 127	0.17 184	0.22 181	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

psmg	0.14 185	0.09 189	0.14 153	0.17 114	0.10 215	0.15 175	0.17 190	0.29 256	0.19 127	0.17 184	0.21 172	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.08 162	0.08 210	0.07 155	0.06 98

GwcNet-ADL	0.13 156	0.08 140	0.14 153	0.20 266	0.09 130	0.11 82	0.20 276	0.30 270	0.24 191	0.13 103	0.14 79	0.18 191	0.14 192	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

AAGNet	0.11 79	0.07 69	0.16 220	0.19 226	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 172	0.21 172	0.13 111	0.14 192	0.11 45	0.14 184	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

THIR-Stereo	0.12 134	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 210	0.16 172	0.24 195	0.14 126	0.12 137	0.12 100	0.14 184	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

ICVP	0.15 218	0.09 189	0.12 90	0.22 303	0.09 130	0.17 217	0.21 292	0.25 202	0.23 181	0.18 210	0.30 270	0.26 268	0.18 253	0.17 218	0.14 184	0.09 234	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
TestStereo	0.13 156	0.14 303	0.11 70	0.23 322	0.08 47	0.15 175	0.21 292	0.20 122	0.23 181	0.14 123	0.24 195	0.16 161	0.12 137	0.16 196	0.14 184	0.05 2	0.06 188	0.08 162	0.06 86	0.09 245	0.05 51

CFNet_pseudo	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.13 129	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 156

cf-r	0.13 156	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 261	0.20 122	0.25 210	0.17 184	0.25 224	0.21 215	0.16 225	0.14 147	0.14 184	0.10 265	0.05 106	0.06 31	0.08 210	0.06 101	0.06 98

CFNet-ft	0.14 185	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 230	0.22 155	0.24 191	0.17 184	0.26 239	0.24 250	0.14 192	0.16 196	0.14 184	0.11 286	0.06 188	0.08 162	0.09 249	0.09 245	0.08 216

MSMDNet	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 295	0.14 123	0.21 172	0.21 215	0.12 137	0.17 218	0.14 184	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

CFNet	0.15 218	0.10 236	0.17 245	0.17 114	0.08 47	0.18 232	0.09 3	0.28 246	0.25 210	0.19 223	0.24 195	0.24 250	0.17 244	0.17 218	0.14 184	0.08 189	0.06 188	0.09 225	0.10 281	0.07 155	0.06 98

CFNet_RVC	0.14 185	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 230	0.22 155	0.24 191	0.17 184	0.26 239	0.24 250	0.14 192	0.16 196	0.14 184	0.11 286	0.06 188	0.08 162	0.09 249	0.09 245	0.08 216

ccs_rob	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.12 104	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.07 160	0.07 155	0.07 156

AdaStereo	0.15 218	0.11 256	0.15 190	0.18 181	0.09 130	0.20 264	0.11 11	0.32 285	0.28 241	0.20 240	0.23 187	0.20 209	0.13 169	0.19 240	0.14 184	0.12 310	0.05 106	0.10 266	0.07 160	0.09 245	0.07 156
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 185	0.08 140	0.15 190	0.16 68	0.08 47	0.16 198	0.12 21	0.25 202	0.35 291	0.21 248	0.29 266	0.24 250	0.13 169	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 245	0.08 216

iResNet	0.13 156	0.10 236	0.18 262	0.19 226	0.08 47	0.13 129	0.18 230	0.20 122	0.26 223	0.15 147	0.23 187	0.15 150	0.13 169	0.14 147	0.14 184	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

CFNet_ucs	0.15 218	0.08 140	0.16 220	0.16 68	0.11 253	0.14 153	0.14 69	0.30 270	0.34 284	0.16 172	0.24 195	0.23 244	0.14 192	0.18 229	0.15 207	0.09 234	0.06 188	0.08 162	0.07 160	0.09 245	0.09 249

SDNR	0.19 277	0.08 140	0.19 271	0.16 68	0.12 282	0.77 397	0.14 69	0.25 202	0.32 267	0.19 223	0.24 195	0.19 199	0.13 169	0.19 240	0.15 207	0.16 355	0.18 362	0.14 332	0.11 304	0.08 197	0.11 291

gwcnet-sp	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

scenet	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

ssnet	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

FENet	0.13 156	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 155	0.23 181	0.17 184	0.23 187	0.16 161	0.12 137	0.14 147	0.15 207	0.08 189	0.05 106	0.08 162	0.08 210	0.07 155	0.07 156

GANet-RSSM	0.14 185	0.07 69	0.13 127	0.13 6	0.08 47	0.14 153	0.17 190	0.22 155	0.21 161	0.17 184	0.24 195	0.23 244	0.15 205	0.16 196	0.15 207	0.10 265	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

GwcNet-RSSM	0.14 185	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 276	0.21 139	0.27 230	0.18 210	0.27 246	0.22 232	0.16 225	0.14 147	0.15 207	0.10 265	0.05 106	0.07 98	0.09 249	0.07 155	0.07 156

FADNet-RVC-Resample	0.16 236	0.11 256	0.31 330	0.22 303	0.11 253	0.19 252	0.14 69	0.25 202	0.24 191	0.24 281	0.27 246	0.20 209	0.15 205	0.16 196	0.15 207	0.07 141	0.08 267	0.12 308	0.10 281	0.09 245	0.10 268

FADNet	0.21 295	0.22 355	0.36 344	0.18 181	0.17 350	0.24 304	0.13 43	0.31 276	0.31 261	0.23 273	0.25 224	0.27 275	0.21 280	0.19 240	0.15 207	0.13 330	0.15 352	0.12 308	0.15 345	0.16 348	0.18 360

BEATNet_4x	0.12 134	0.08 140	0.14 153	0.18 181	0.07 18	0.15 175	0.07 1	0.22 155	0.18 116	0.16 172	0.19 147	0.18 191	0.14 192	0.16 196	0.15 207	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

UCFNet_RVC	0.14 185	0.08 140	0.13 127	0.11 1	0.10 215	0.20 264	0.10 6	0.24 189	0.22 172	0.17 184	0.20 158	0.23 244	0.15 205	0.17 218	0.15 207	0.12 310	0.07 245	0.10 266	0.13 331	0.11 287	0.10 268

DeepPruner_ROB	0.16 236	0.11 256	0.15 190	0.17 114	0.10 215	0.17 217	0.15 115	0.32 285	0.21 161	0.19 223	0.21 172	0.22 232	0.18 253	0.20 259	0.15 207	0.13 330	0.09 290	0.09 225	0.09 249	0.11 287	0.10 268

HSM	0.15 218	0.08 140	0.14 153	0.16 68	0.09 130	0.16 198	0.14 69	0.28 246	0.25 210	0.19 223	0.23 187	0.37 334	0.16 225	0.20 259	0.15 207	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

1test111	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 165	0.16 221	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

qqq	0.13 156	0.09 189	0.15 190	0.16 68	0.08 47	0.13 129	0.15 115	0.23 172	0.16 87	0.15 147	0.19 147	0.16 161	0.16 225	0.15 165	0.16 221	0.07 141	0.06 188	0.08 162	0.08 210	0.07 155	0.07 156

iRaft-Stereo_5w	0.12 134	0.09 189	0.12 90	0.19 226	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.19 223	0.14 79	0.11 73	0.09 66	0.20 259	0.16 221	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

dd	0.15 218	0.16 316	0.16 220	0.19 226	0.09 130	0.15 175	0.18 230	0.21 139	0.25 210	0.23 273	0.20 158	0.21 215	0.09 66	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.06 86	0.08 197	0.06 98

dad	0.17 255	0.20 345	0.20 279	0.16 68	0.11 253	0.20 264	0.18 230	0.21 139	0.28 241	0.30 325	0.24 195	0.29 289	0.13 169	0.19 240	0.16 221	0.18 360	0.09 290	0.11 293	0.09 249	0.11 287	0.07 156

AACVNet	0.16 236	0.08 140	0.14 153	0.15 38	0.10 215	0.18 232	0.15 115	0.23 172	0.24 191	0.27 305	0.27 246	0.28 282	0.17 244	0.19 240	0.16 221	0.09 234	0.07 245	0.09 225	0.07 160	0.10 272	0.09 249

GEStereo_RVC	0.17 255	0.12 270	0.15 190	0.22 303	0.11 253	0.19 252	0.17 190	0.32 285	0.48 343	0.20 240	0.25 224	0.17 180	0.13 169	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.07 160	0.09 245	0.08 216

FADNet_RVC	0.16 236	0.14 303	0.40 351	0.20 266	0.11 253	0.13 129	0.13 43	0.26 214	0.22 172	0.21 248	0.23 187	0.20 209	0.17 244	0.14 147	0.16 221	0.08 189	0.08 267	0.12 308	0.09 249	0.11 287	0.10 268

AANet_RVC	0.16 236	0.10 236	0.10 44	0.18 181	0.09 130	0.18 232	0.19 261	0.26 214	0.31 261	0.22 261	0.35 302	0.21 215	0.21 280	0.22 286	0.16 221	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

CBMV_ROB	0.19 277	0.13 291	0.17 245	0.16 68	0.11 253	0.15 175	0.13 43	0.26 214	0.28 241	0.27 305	0.30 270	0.27 275	0.24 301	0.23 297	0.16 221	0.15 344	0.17 360	0.22 365	0.20 360	0.10 272	0.11 291

NOSS_ROB	0.19 277	0.12 270	0.18 262	0.16 68	0.12 282	0.15 175	0.12 21	0.30 270	0.32 267	0.20 240	0.22 181	0.27 275	0.23 295	0.21 275	0.16 221	0.16 355	0.18 362	0.23 366	0.21 362	0.12 301	0.13 315

SMFormer	0.14 185	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.17 232	0.08 189	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 185	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.17 232	0.08 189	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

mmm	0.14 185	0.08 140	0.17 245	0.17 114	0.09 130	0.17 217	0.18 230	0.21 139	0.15 69	0.15 147	0.23 187	0.21 215	0.16 225	0.16 196	0.17 232	0.08 189	0.05 106	0.08 162	0.07 160	0.07 155	0.07 156

HBP-ISP	0.18 267	0.13 291	0.16 220	0.15 38	0.11 253	0.08 23	0.13 43	0.28 246	0.29 248	0.22 261	0.33 295	0.21 215	0.25 309	0.23 297	0.17 232	0.14 341	0.16 355	0.21 361	0.17 354	0.10 272	0.08 216

CRFU-Net	0.16 236	0.08 140	0.14 153	0.17 114	0.09 130	0.19 252	0.14 69	0.26 214	0.20 148	0.28 316	0.27 246	0.29 289	0.17 244	0.19 240	0.17 232	0.09 234	0.09 290	0.07 98	0.07 160	0.08 197	0.08 216

SACVNet	0.18 267	0.12 270	0.14 153	0.17 114	0.13 299	0.22 286	0.18 230	0.31 276	0.30 255	0.23 273	0.31 278	0.30 297	0.22 289	0.22 286	0.17 232	0.11 286	0.08 267	0.10 266	0.10 281	0.12 301	0.14 332

PSMNet-ADL	0.15 218	0.12 270	0.13 127	0.22 303	0.09 130	0.13 129	0.20 276	0.26 214	0.23 181	0.18 210	0.20 158	0.24 250	0.16 225	0.18 229	0.17 232	0.08 189	0.08 267	0.08 162	0.11 304	0.08 197	0.07 156

LMCR-Stereo	0.15 218	0.08 140	0.13 127	0.21 290	0.09 130	0.17 217	0.20 276	0.27 232	0.19 127	0.24 281	0.24 195	0.23 244	0.17 244	0.20 259	0.17 232	0.07 141	0.06 188	0.08 162	0.06 86	0.10 272	0.08 216

FINET	0.21 295	0.18 337	0.26 308	0.18 181	0.16 337	0.23 299	0.23 311	0.32 285	0.48 343	0.25 294	0.32 282	0.22 232	0.22 289	0.22 286	0.17 232	0.18 360	0.16 355	0.11 293	0.10 281	0.15 341	0.13 315

DMCA	0.14 185	0.09 189	0.16 220	0.19 226	0.09 130	0.15 175	0.17 190	0.23 172	0.27 230	0.14 123	0.19 147	0.17 180	0.18 253	0.15 165	0.17 232	0.10 265	0.06 188	0.08 162	0.06 86	0.09 245	0.10 268

CVANet_RVC	0.18 267	0.10 236	0.14 153	0.21 290	0.10 215	0.18 232	0.17 190	0.34 312	0.33 273	0.22 261	0.31 278	0.28 282	0.18 253	0.23 297	0.17 232	0.12 310	0.08 267	0.12 308	0.11 304	0.09 245	0.07 156

NVstereo2D	0.19 277	0.10 236	0.15 190	0.17 114	0.15 327	0.28 335	0.23 311	0.44 365	0.42 324	0.15 147	0.27 246	0.25 260	0.19 268	0.22 286	0.17 232	0.09 234	0.06 188	0.10 266	0.08 210	0.15 341	0.09 249

SGM-Forest	0.20 286	0.14 303	0.18 262	0.19 226	0.13 299	0.20 264	0.22 301	0.33 302	0.30 255	0.24 281	0.29 266	0.28 282	0.19 268	0.23 297	0.17 232	0.15 344	0.16 355	0.15 340	0.14 335	0.12 301	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
pmcnn	0.15 218	0.07 69	0.19 271	0.15 38	0.07 18	0.20 264	0.15 115	0.24 189	0.26 223	0.21 248	0.34 299	0.28 282	0.18 253	0.18 229	0.17 232	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

MyStereo8	0.12 134	0.07 69	0.15 190	0.15 38	0.09 130	0.18 232	0.14 69	0.19 115	0.22 172	0.12 82	0.18 141	0.11 73	0.10 87	0.16 196	0.18 246	0.07 141	0.05 106	0.07 98	0.05 31	0.08 197	0.09 249

CBFPSM	0.14 185	0.06 19	0.26 308	0.17 114	0.09 130	0.13 129	0.15 115	0.22 155	0.23 181	0.20 240	0.27 246	0.24 250	0.16 225	0.16 196	0.18 246	0.06 54	0.06 188	0.06 31	0.07 160	0.07 155	0.07 156

GASNet	0.22 304	0.23 356	0.33 335	0.26 343	0.17 350	0.26 322	0.16 170	0.44 365	0.42 324	0.27 305	0.24 195	0.30 297	0.15 205	0.27 315	0.18 246	0.12 310	0.08 267	0.12 308	0.11 304	0.16 348	0.07 156

x	0.13 156	0.07 69	0.14 153	0.14 13	0.08 47	0.18 232	0.14 69	0.22 155	0.20 148	0.15 147	0.19 147	0.19 199	0.17 244	0.18 229	0.18 246	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 156

CSP-Net	0.16 236	0.09 189	0.14 153	0.16 68	0.09 130	0.19 252	0.17 190	0.25 202	0.32 267	0.25 294	0.30 270	0.24 250	0.15 205	0.21 275	0.18 246	0.09 234	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

UNet	0.17 255	0.09 189	0.18 262	0.19 226	0.12 282	0.27 329	0.19 261	0.33 302	0.29 248	0.21 248	0.24 195	0.23 244	0.19 268	0.19 240	0.18 246	0.07 141	0.06 188	0.08 162	0.07 160	0.08 197	0.06 98

acv_ft	0.15 218	0.09 189	0.15 190	0.19 226	0.10 215	0.16 198	0.17 190	0.25 202	0.33 273	0.19 223	0.26 239	0.21 215	0.17 244	0.17 218	0.18 246	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

TDLM	0.17 255	0.12 270	0.13 127	0.24 327	0.10 215	0.18 232	0.18 230	0.36 330	0.30 255	0.21 248	0.28 255	0.28 282	0.18 253	0.23 297	0.18 246	0.11 286	0.07 245	0.10 266	0.10 281	0.08 197	0.08 216

MDST_ROB	0.22 304	0.10 236	0.17 245	0.18 181	0.11 253	0.37 362	0.19 261	0.43 363	0.41 318	0.39 352	0.39 324	0.29 289	0.21 280	0.26 312	0.18 246	0.11 286	0.10 308	0.14 332	0.11 304	0.10 272	0.08 216

Wz-Net-LNSev-Ref	0.18 267	0.09 189	0.29 325	0.15 38	0.10 215	0.22 286	0.20 276	0.26 214	0.39 309	0.25 294	0.42 344	0.24 250	0.15 205	0.20 259	0.19 255	0.07 141	0.05 106	0.06 31	0.05 31	0.10 272	0.09 249

pcwnet_v2	0.19 277	0.10 236	0.26 308	0.17 114	0.14 316	0.18 232	0.15 115	0.37 335	0.46 341	0.19 223	0.24 195	0.21 215	0.19 268	0.20 259	0.19 255	0.13 330	0.10 308	0.10 266	0.10 281	0.11 287	0.13 315

FADNet-RVC	0.20 286	0.20 345	0.38 348	0.21 290	0.16 337	0.20 264	0.15 115	0.26 214	0.26 223	0.26 299	0.32 282	0.26 268	0.21 280	0.22 286	0.19 255	0.12 310	0.13 339	0.12 308	0.14 335	0.13 318	0.18 360

STTStereo	0.18 267	0.12 270	0.27 314	0.20 266	0.11 253	0.16 198	0.21 292	0.29 256	0.23 181	0.21 248	0.30 270	0.29 289	0.18 253	0.20 259	0.19 255	0.12 310	0.11 317	0.11 293	0.14 335	0.09 245	0.08 216

RASNet	0.14 185	0.07 69	0.14 153	0.16 68	0.08 47	0.18 232	0.14 69	0.29 256	0.20 148	0.17 184	0.25 224	0.21 215	0.18 253	0.20 259	0.19 255	0.07 141	0.06 188	0.06 31	0.08 210	0.06 101	0.06 98

CBMV	0.19 277	0.14 303	0.17 245	0.18 181	0.10 215	0.20 264	0.11 11	0.29 256	0.30 255	0.29 322	0.30 270	0.30 297	0.23 295	0.27 315	0.19 255	0.13 330	0.15 352	0.17 348	0.16 347	0.10 272	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DualNet	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

ff1	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

mmx	0.14 185	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.27 232	0.25 210	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.08 189	0.06 188	0.09 225	0.08 210	0.08 197	0.08 216

xxx	0.14 185	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.27 232	0.25 210	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.08 189	0.06 188	0.09 225	0.08 210	0.08 197	0.08 216

ToySt	0.17 255	0.11 256	0.18 262	0.17 114	0.11 253	0.16 198	0.25 333	0.24 189	0.33 273	0.19 223	0.24 195	0.26 268	0.24 301	0.19 240	0.20 261	0.07 141	0.08 267	0.09 225	0.10 281	0.09 245	0.08 216

ssnet_v2	0.17 255	0.10 236	0.17 245	0.17 114	0.11 253	0.21 278	0.21 292	0.33 302	0.25 210	0.22 261	0.22 181	0.27 275	0.18 253	0.22 286	0.20 261	0.11 286	0.09 290	0.09 225	0.09 249	0.08 197	0.08 216

DDUNet	0.22 304	0.17 327	0.21 284	0.22 303	0.15 327	0.25 314	0.24 320	0.29 256	0.30 255	0.31 331	0.36 305	0.33 318	0.25 309	0.24 305	0.20 261	0.18 360	0.13 339	0.17 348	0.11 304	0.16 348	0.16 351

AASNet	0.16 236	0.08 140	0.12 90	0.19 226	0.09 130	0.18 232	0.15 115	0.37 335	0.37 301	0.19 223	0.23 187	0.20 209	0.16 225	0.17 218	0.20 261	0.10 265	0.08 267	0.08 162	0.07 160	0.09 245	0.09 249

MMNet	0.17 255	0.09 189	0.16 220	0.20 266	0.11 253	0.27 329	0.20 276	0.25 202	0.41 318	0.22 261	0.30 270	0.21 215	0.20 276	0.17 218	0.20 261	0.06 54	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

HGLStereo	0.17 255	0.08 140	0.19 271	0.17 114	0.12 282	0.18 232	0.18 230	0.31 276	0.32 267	0.21 248	0.32 282	0.25 260	0.18 253	0.19 240	0.20 261	0.09 234	0.09 290	0.07 98	0.07 160	0.09 245	0.10 268

FAT-Stereo	0.20 286	0.12 270	0.22 289	0.21 290	0.12 282	0.17 217	0.18 230	0.34 312	0.39 309	0.27 305	0.37 311	0.34 324	0.32 347	0.21 275	0.20 261	0.09 234	0.11 317	0.10 266	0.09 249	0.11 287	0.14 332

DSFCA	0.16 236	0.09 189	0.14 153	0.16 68	0.10 215	0.20 264	0.19 261	0.28 246	0.31 261	0.23 273	0.24 195	0.22 232	0.15 205	0.19 240	0.20 261	0.10 265	0.07 245	0.09 225	0.09 249	0.08 197	0.08 216

DMCA-RVC	0.17 255	0.10 236	0.15 190	0.24 327	0.11 253	0.18 232	0.18 230	0.25 202	0.24 191	0.21 248	0.26 239	0.25 260	0.27 320	0.18 229	0.20 261	0.12 310	0.08 267	0.13 322	0.10 281	0.10 272	0.08 216

NLCA_NET_v2_RVC	0.17 255	0.10 236	0.22 289	0.20 266	0.10 215	0.15 175	0.18 230	0.31 276	0.25 210	0.21 248	0.30 270	0.25 260	0.17 244	0.21 275	0.20 261	0.09 234	0.06 188	0.08 162	0.08 210	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 286	0.21 351	0.23 298	0.20 266	0.10 215	0.19 252	0.17 190	0.36 330	0.25 210	0.27 305	0.33 295	0.27 275	0.24 301	0.20 259	0.20 261	0.15 344	0.12 326	0.17 348	0.14 335	0.10 272	0.08 216

StereoDRNet-Refined	0.17 255	0.12 270	0.15 190	0.20 266	0.09 130	0.18 232	0.18 230	0.26 214	0.23 181	0.26 299	0.40 329	0.22 232	0.17 244	0.21 275	0.20 261	0.08 189	0.05 106	0.09 225	0.10 281	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
StereoDRNet	0.18 267	0.11 256	0.17 245	0.22 303	0.11 253	0.21 278	0.22 301	0.37 335	0.33 273	0.24 281	0.28 255	0.30 297	0.19 268	0.20 259	0.20 261	0.09 234	0.08 267	0.11 293	0.09 249	0.09 245	0.07 156

DLCB_ROB	0.18 267	0.10 236	0.15 190	0.23 322	0.11 253	0.24 304	0.18 230	0.29 256	0.28 241	0.27 305	0.28 255	0.28 282	0.24 301	0.19 240	0.20 261	0.08 189	0.08 267	0.09 225	0.09 249	0.07 155	0.07 156

PWCDC_ROB	0.20 286	0.13 291	0.22 289	0.24 327	0.11 253	0.19 252	0.15 115	0.33 302	0.54 359	0.29 322	0.50 359	0.21 215	0.15 205	0.27 315	0.20 261	0.11 286	0.09 290	0.10 266	0.08 210	0.11 287	0.09 249

iinet-f	0.16 236	0.06 19	0.45 356	0.14 13	0.10 215	0.21 278	0.14 69	0.27 232	0.23 181	0.21 248	0.24 195	0.21 215	0.15 205	0.18 229	0.21 280	0.09 234	0.07 245	0.07 98	0.06 86	0.09 245	0.10 268

ADLNet	0.16 236	0.08 140	0.15 190	0.16 68	0.10 215	0.16 198	0.17 190	0.32 285	0.27 230	0.22 261	0.27 246	0.24 250	0.16 225	0.18 229	0.21 280	0.10 265	0.06 188	0.10 266	0.10 281	0.08 197	0.09 249

delet	0.17 255	0.08 140	0.17 245	0.19 226	0.11 253	0.20 264	0.21 292	0.30 270	0.37 301	0.17 184	0.26 239	0.19 199	0.19 268	0.19 240	0.21 280	0.08 189	0.08 267	0.09 225	0.11 304	0.06 101	0.06 98

UPFNet	0.16 236	0.08 140	0.12 90	0.20 266	0.12 282	0.20 264	0.23 311	0.28 246	0.26 223	0.17 184	0.24 195	0.22 232	0.19 268	0.19 240	0.21 280	0.09 234	0.07 245	0.08 162	0.09 249	0.08 197	0.06 98

ACVNet	0.15 218	0.09 189	0.15 190	0.13 6	0.12 282	0.14 153	0.20 276	0.22 155	0.33 273	0.17 184	0.26 239	0.21 215	0.16 225	0.17 218	0.21 280	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

hitnet-ft	0.18 267	0.09 189	0.17 245	0.14 13	0.09 130	0.26 322	0.20 276	0.25 202	0.26 223	0.24 281	0.32 282	0.31 307	0.22 289	0.24 305	0.21 280	0.12 310	0.07 245	0.10 266	0.08 210	0.12 301	0.11 291

MaskLacGwcNet_RVC	0.22 304	0.21 351	0.24 301	0.26 343	0.11 253	0.23 299	0.14 69	0.39 346	0.24 191	0.32 337	0.36 305	0.30 297	0.21 280	0.19 240	0.21 280	0.17 359	0.14 346	0.21 361	0.16 347	0.12 301	0.12 302

SuperB	0.20 286	0.10 236	0.56 370	0.16 68	0.09 130	0.18 232	0.18 230	0.24 189	0.50 350	0.26 299	0.39 324	0.17 180	0.21 280	0.22 286	0.21 280	0.08 189	0.06 188	0.06 31	0.06 86	0.12 301	0.10 268

NaN_ROB	0.22 304	0.19 340	0.24 301	0.25 338	0.13 299	0.29 338	0.26 339	0.33 302	0.41 318	0.31 331	0.31 278	0.32 315	0.23 295	0.30 335	0.21 280	0.11 286	0.17 360	0.10 266	0.10 281	0.08 197	0.09 249

UDG	0.21 295	0.17 327	0.19 271	0.23 322	0.15 327	0.30 341	0.20 276	0.33 302	0.35 291	0.23 273	0.28 255	0.31 307	0.27 320	0.20 259	0.22 289	0.15 344	0.12 326	0.13 322	0.09 249	0.14 330	0.14 332

ADLNet2	0.16 236	0.09 189	0.13 127	0.16 68	0.09 130	0.20 264	0.16 170	0.31 276	0.39 309	0.16 172	0.20 158	0.20 209	0.18 253	0.21 275	0.22 289	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.07 156

psm_up	0.18 267	0.10 236	0.18 262	0.20 266	0.11 253	0.17 217	0.19 261	0.37 335	0.34 284	0.21 248	0.28 255	0.29 289	0.24 301	0.20 259	0.22 289	0.09 234	0.10 308	0.11 293	0.11 304	0.08 197	0.08 216

ac_64	0.16 236	0.08 140	0.15 190	0.18 181	0.10 215	0.22 286	0.18 230	0.24 189	0.21 161	0.18 210	0.24 195	0.29 289	0.18 253	0.19 240	0.22 289	0.09 234	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

S-Stereo	0.20 286	0.12 270	0.25 307	0.21 290	0.13 299	0.20 264	0.18 230	0.32 285	0.43 329	0.23 273	0.36 305	0.28 282	0.30 340	0.19 240	0.22 289	0.09 234	0.12 326	0.10 266	0.10 281	0.13 318	0.13 315

RGC	0.25 336	0.20 345	0.29 325	0.28 357	0.16 337	0.22 286	0.23 311	0.32 285	0.44 333	0.27 305	0.40 329	0.38 338	0.27 320	0.36 358	0.22 289	0.11 286	0.13 339	0.17 348	0.17 354	0.14 330	0.16 351

stereogan	0.22 304	0.11 256	0.21 284	0.20 266	0.12 282	0.31 342	0.19 261	0.35 324	0.44 333	0.22 261	0.39 324	0.35 328	0.27 320	0.33 344	0.22 289	0.10 265	0.12 326	0.10 266	0.10 281	0.14 330	0.13 315

DeepPrunerF	0.24 327	0.17 327	0.42 354	0.26 343	0.16 337	0.22 286	0.28 351	0.37 335	0.50 350	0.26 299	0.29 266	0.24 250	0.28 328	0.21 275	0.22 289	0.15 344	0.11 317	0.20 360	0.18 358	0.12 301	0.13 315

GANet	0.21 295	0.12 270	0.21 284	0.24 327	0.13 299	0.22 286	0.22 301	0.41 355	0.26 223	0.31 331	0.42 344	0.37 334	0.28 328	0.23 297	0.22 289	0.10 265	0.12 326	0.10 266	0.09 249	0.10 272	0.08 216

PWC_ROB	0.21 295	0.16 316	0.26 308	0.18 181	0.11 253	0.22 286	0.13 43	0.32 285	0.49 348	0.30 325	0.40 329	0.32 315	0.24 301	0.31 336	0.22 289	0.10 265	0.07 245	0.11 293	0.08 210	0.11 287	0.10 268

1111x	0.15 218	0.08 140	0.12 90	0.18 181	0.07 18	0.18 232	0.25 333	0.31 276	0.24 191	0.17 184	0.24 195	0.26 268	0.15 205	0.13 132	0.23 299	0.07 141	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

SQANet	0.23 319	0.23 356	0.30 328	0.30 366	0.19 359	0.27 329	0.13 43	0.29 256	0.33 273	0.24 281	0.37 311	0.31 307	0.22 289	0.27 315	0.23 299	0.15 344	0.10 308	0.21 361	0.16 347	0.21 363	0.15 340

fast-acv-ft	0.18 267	0.11 256	0.19 271	0.19 226	0.12 282	0.24 304	0.21 292	0.25 202	0.34 284	0.22 261	0.34 299	0.27 275	0.20 276	0.21 275	0.23 299	0.09 234	0.09 290	0.08 162	0.10 281	0.08 197	0.07 156

Anonymous_2	0.22 304	0.17 327	0.28 319	0.15 38	0.16 337	0.32 343	0.22 301	0.22 155	0.17 99	0.23 273	0.24 195	0.26 268	0.27 320	0.27 315	0.23 299	0.22 372	0.25 379	0.17 348	0.17 354	0.17 355	0.17 358

DGSMNet	0.24 327	0.19 340	0.33 335	0.21 290	0.24 369	0.24 304	0.20 276	0.35 324	0.41 318	0.24 281	0.32 282	0.38 338	0.21 280	0.29 332	0.23 299	0.12 310	0.11 317	0.14 332	0.16 347	0.23 366	0.23 371

aanetorigin	0.22 304	0.17 327	0.56 370	0.17 114	0.10 215	0.15 175	0.19 261	0.20 122	0.33 273	0.49 370	0.48 354	0.29 289	0.27 320	0.20 259	0.23 299	0.08 189	0.07 245	0.08 162	0.07 160	0.10 272	0.09 249

DANet	0.21 295	0.15 309	0.28 319	0.25 338	0.13 299	0.22 286	0.19 261	0.27 232	0.27 230	0.28 316	0.32 282	0.35 328	0.31 344	0.31 336	0.23 299	0.11 286	0.09 290	0.11 293	0.10 281	0.13 318	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 347	0.16 316	0.31 330	0.18 181	0.13 299	0.54 376	0.42 385	0.51 377	0.67 379	0.29 322	0.38 316	0.38 338	0.29 336	0.31 336	0.23 299	0.11 286	0.10 308	0.11 293	0.08 210	0.20 362	0.16 351

FBW_ROB	0.24 327	0.17 327	0.22 289	0.26 343	0.14 316	0.25 314	0.22 301	0.41 355	0.41 318	0.41 359	0.41 339	0.42 352	0.27 320	0.31 336	0.23 299	0.09 234	0.14 346	0.14 332	0.12 322	0.11 287	0.09 249

DispFullNet	0.27 344	0.21 351	0.65 377	0.28 357	0.16 337	0.26 322	0.17 190	0.33 302	0.58 367	0.27 305	0.38 316	0.43 355	0.23 295	0.38 363	0.23 299	0.12 310	0.06 188	0.19 358	0.11 304	0.21 363	0.15 340

ACVNet-4b	0.39 366	0.53 385	0.55 368	0.45 382	0.24 369	0.47 370	0.18 230	0.49 374	0.64 375	0.42 362	0.45 350	0.60 376	0.27 320	0.34 347	0.24 309	0.33 383	0.14 346	0.48 386	0.42 386	0.30 379	0.26 378

Syn2CoEx	0.21 295	0.16 316	0.27 314	0.29 364	0.14 316	0.26 322	0.20 276	0.33 302	0.31 261	0.28 316	0.36 305	0.27 275	0.25 309	0.19 240	0.24 309	0.16 355	0.12 326	0.14 332	0.11 304	0.09 245	0.08 216

GwcNet	0.20 286	0.13 291	0.19 271	0.18 181	0.12 282	0.24 304	0.19 261	0.35 324	0.43 329	0.20 240	0.32 282	0.33 318	0.20 276	0.22 286	0.24 309	0.11 286	0.09 290	0.09 225	0.09 249	0.09 245	0.10 268

edge stereo	0.22 304	0.13 291	0.20 279	0.21 290	0.13 299	0.23 299	0.16 170	0.32 285	0.42 324	0.32 337	0.40 329	0.38 338	0.35 354	0.25 310	0.24 309	0.13 330	0.11 317	0.14 332	0.11 304	0.12 301	0.13 315

ADCRef	0.19 277	0.12 270	0.41 353	0.20 266	0.12 282	0.22 286	0.18 230	0.32 285	0.36 295	0.26 299	0.32 282	0.17 180	0.23 295	0.24 305	0.24 309	0.07 141	0.06 188	0.09 225	0.09 249	0.08 197	0.08 216

DRN-Test	0.19 277	0.11 256	0.20 279	0.22 303	0.10 215	0.22 286	0.22 301	0.39 346	0.37 301	0.24 281	0.32 282	0.26 268	0.21 280	0.22 286	0.24 309	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

NCCL2	0.23 319	0.15 309	0.17 245	0.34 371	0.18 357	0.24 304	0.23 311	0.34 312	0.28 241	0.31 331	0.38 316	0.38 338	0.28 328	0.23 297	0.24 309	0.15 344	0.12 326	0.18 356	0.21 362	0.13 318	0.13 315

SANet	0.24 327	0.14 303	0.28 319	0.21 290	0.11 253	0.27 329	0.24 320	0.38 342	0.64 375	0.36 345	0.40 329	0.43 355	0.26 312	0.27 315	0.24 309	0.12 310	0.09 290	0.10 266	0.09 249	0.13 318	0.11 291

SGM_RVC	0.23 319	0.12 270	0.15 190	0.15 38	0.09 130	0.33 349	0.18 230	0.34 312	0.31 261	0.44 366	0.37 311	0.53 372	0.35 354	0.35 353	0.24 309	0.13 330	0.13 339	0.13 322	0.13 331	0.10 272	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Wz-Net-LNSev	0.22 304	0.16 316	0.38 348	0.21 290	0.13 299	0.25 314	0.23 311	0.32 285	0.43 329	0.30 325	0.41 339	0.31 307	0.18 253	0.22 286	0.25 318	0.10 265	0.09 290	0.08 162	0.08 210	0.12 301	0.11 291

Wz-Net-MNSev	0.22 304	0.13 291	0.31 330	0.20 266	0.14 316	0.36 361	0.24 320	0.33 302	0.44 333	0.28 316	0.40 329	0.38 338	0.19 268	0.24 305	0.25 318	0.09 234	0.07 245	0.09 225	0.09 249	0.12 301	0.10 268

APVNet	0.22 304	0.12 270	0.19 271	0.18 181	0.14 316	0.32 343	0.31 372	0.39 346	0.32 267	0.27 305	0.40 329	0.30 297	0.29 336	0.26 312	0.25 318	0.11 286	0.12 326	0.11 293	0.14 335	0.12 301	0.12 302

AF-Net	0.22 304	0.17 327	0.17 245	0.26 343	0.13 299	0.25 314	0.24 320	0.32 285	0.50 350	0.25 294	0.33 295	0.38 338	0.26 312	0.28 326	0.25 318	0.11 286	0.10 308	0.16 346	0.11 304	0.11 287	0.10 268

RP	0.21 295	0.13 291	0.21 284	0.23 322	0.11 253	0.21 278	0.20 276	0.25 202	0.44 333	0.21 248	0.38 316	0.36 330	0.24 301	0.27 315	0.25 318	0.11 286	0.12 326	0.13 322	0.12 322	0.12 301	0.14 332

Nwc_Net	0.23 319	0.16 316	0.21 284	0.25 338	0.14 316	0.24 304	0.26 339	0.37 335	0.38 306	0.22 261	0.41 339	0.30 297	0.28 328	0.28 326	0.25 318	0.11 286	0.10 308	0.17 348	0.20 360	0.10 272	0.10 268

PA-Net	0.23 319	0.18 337	0.33 335	0.28 357	0.22 366	0.21 278	0.38 381	0.29 256	0.39 309	0.22 261	0.32 282	0.25 260	0.26 312	0.20 259	0.25 318	0.09 234	0.23 377	0.15 340	0.22 365	0.09 245	0.13 315
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LSM	0.33 362	0.20 345	0.58 372	0.26 343	0.60 397	0.34 352	0.25 333	0.42 360	0.48 343	0.45 367	0.58 372	0.42 352	0.36 356	0.35 353	0.25 318	0.12 310	0.20 368	0.14 332	0.16 347	0.19 361	0.33 385

WCMA_ROB	0.24 327	0.11 256	0.22 289	0.17 114	0.14 316	0.32 343	0.15 115	0.32 285	0.32 267	0.38 350	0.53 361	0.40 349	0.34 352	0.34 347	0.25 318	0.11 286	0.12 326	0.12 308	0.10 281	0.14 330	0.14 332

xxxx	0.15 218	0.07 69	0.14 153	0.14 13	0.08 47	0.23 299	0.18 230	0.31 276	0.19 127	0.14 123	0.28 255	0.22 232	0.14 192	0.15 165	0.26 327	0.09 234	0.05 106	0.07 98	0.07 160	0.08 197	0.07 156

test_xeample	0.15 218	0.06 19	0.13 127	0.14 13	0.08 47	0.21 278	0.20 276	0.28 246	0.20 148	0.16 172	0.29 266	0.19 199	0.16 225	0.15 165	0.26 327	0.09 234	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

G-Net	0.24 327	0.16 316	0.36 344	0.22 303	0.16 337	0.51 374	0.23 311	0.29 256	0.34 284	0.36 345	0.38 316	0.31 307	0.29 336	0.27 315	0.26 327	0.11 286	0.09 290	0.12 308	0.09 249	0.16 348	0.13 315

CC-Net-ROB	0.28 347	0.31 374	0.36 344	0.29 364	0.15 327	0.25 314	0.19 261	0.45 368	0.33 273	0.39 352	0.37 311	0.39 346	0.31 344	0.27 315	0.26 327	0.24 378	0.19 365	0.30 379	0.23 369	0.18 358	0.15 340

ETE_ROB	0.23 319	0.17 327	0.22 289	0.25 338	0.13 299	0.26 322	0.29 359	0.31 276	0.36 295	0.28 316	0.36 305	0.45 359	0.26 312	0.27 315	0.26 327	0.11 286	0.08 267	0.12 308	0.09 249	0.14 330	0.13 315

PSMNet_ROB	0.21 295	0.11 256	0.15 190	0.27 354	0.15 327	0.24 304	0.35 376	0.43 363	0.37 301	0.27 305	0.32 282	0.32 315	0.22 289	0.21 275	0.26 327	0.12 310	0.08 267	0.13 322	0.11 304	0.09 245	0.09 249

MeshStereo	0.27 344	0.13 291	0.18 262	0.15 38	0.11 253	0.32 343	0.24 320	0.40 350	0.36 295	0.52 372	0.57 370	0.67 383	0.40 364	0.35 353	0.26 327	0.14 341	0.13 339	0.13 322	0.11 304	0.11 287	0.10 268
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
psmorigin	0.25 336	0.15 309	0.34 343	0.17 114	0.13 299	0.23 299	0.14 69	0.34 312	0.33 273	0.41 359	0.55 364	0.41 351	0.37 358	0.34 347	0.27 334	0.11 286	0.15 352	0.11 293	0.11 304	0.12 301	0.16 351

NCC-stereo	0.24 327	0.15 309	0.31 330	0.26 343	0.16 337	0.20 264	0.30 366	0.40 350	0.40 315	0.24 281	0.38 316	0.33 318	0.28 328	0.36 358	0.27 334	0.12 310	0.11 317	0.15 340	0.22 365	0.13 318	0.13 315

Abc-Net	0.24 327	0.15 309	0.31 330	0.26 343	0.16 337	0.20 264	0.30 366	0.40 350	0.40 315	0.24 281	0.38 316	0.33 318	0.28 328	0.36 358	0.27 334	0.12 310	0.11 317	0.15 340	0.22 365	0.13 318	0.13 315
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCP+	0.20 286	0.10 236	0.33 335	0.20 266	0.12 282	0.22 286	0.26 339	0.31 276	0.34 284	0.26 299	0.37 311	0.22 232	0.22 289	0.27 315	0.27 334	0.09 234	0.06 188	0.08 162	0.08 210	0.09 245	0.10 268

Anonymous Stereo	0.23 319	0.19 340	0.50 362	0.24 327	0.17 350	0.21 278	0.21 292	0.33 302	0.44 333	0.25 294	0.34 299	0.26 268	0.18 253	0.31 336	0.27 334	0.13 330	0.12 326	0.12 308	0.13 331	0.11 287	0.14 332

SGM-ForestM	0.32 359	0.12 270	0.16 220	0.16 68	0.11 253	0.39 365	0.19 261	0.41 355	0.50 350	0.52 372	0.54 363	1.32 402	0.42 371	0.40 370	0.27 334	0.14 341	0.16 355	0.16 346	0.16 347	0.12 301	0.12 302

LALA_ROB	0.25 336	0.16 316	0.22 289	0.26 343	0.17 350	0.27 329	0.27 346	0.42 360	0.37 301	0.33 341	0.38 316	0.51 369	0.26 312	0.28 326	0.27 334	0.16 355	0.09 290	0.12 308	0.11 304	0.13 318	0.12 302

MSMD_ROB	0.31 357	0.26 365	0.26 308	0.24 327	0.21 364	0.34 352	0.25 333	0.34 312	0.39 309	0.40 355	0.69 378	0.45 359	0.40 364	0.34 347	0.27 334	0.20 366	0.19 365	0.26 368	0.25 371	0.23 366	0.22 370

MFN_U_SF_DS_RVC	0.30 356	0.24 359	0.29 325	0.36 375	0.16 337	0.34 352	0.30 366	0.32 285	0.42 324	0.40 355	0.46 351	0.38 338	0.31 344	0.34 347	0.28 342	0.19 364	0.20 368	0.26 368	0.29 377	0.18 358	0.19 365

DISCO	0.19 277	0.09 189	0.22 289	0.17 114	0.10 215	0.25 314	0.18 230	0.27 232	0.44 333	0.22 261	0.31 278	0.33 318	0.26 312	0.28 326	0.28 342	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.09 249

XPNet_ROB	0.22 304	0.11 256	0.19 271	0.22 303	0.13 299	0.22 286	0.19 261	0.34 312	0.40 315	0.30 325	0.39 324	0.39 346	0.26 312	0.26 312	0.28 342	0.15 344	0.10 308	0.10 266	0.10 281	0.13 318	0.12 302

SHD	0.26 342	0.15 309	0.30 328	0.24 327	0.18 357	0.22 286	0.15 115	0.38 342	0.71 382	0.32 337	0.41 339	0.36 330	0.28 328	0.32 342	0.29 345	0.12 310	0.11 317	0.14 332	0.13 331	0.16 348	0.20 366

RTSC	0.23 319	0.12 270	0.28 319	0.21 290	0.13 299	0.28 335	0.16 170	0.35 324	0.66 378	0.27 305	0.33 295	0.30 297	0.21 280	0.31 336	0.29 345	0.10 265	0.08 267	0.09 225	0.10 281	0.13 318	0.13 315

ADCL	0.24 327	0.11 256	0.47 360	0.22 303	0.12 282	0.34 352	0.29 359	0.29 256	0.56 362	0.24 281	0.46 351	0.30 297	0.30 340	0.29 332	0.29 345	0.08 189	0.07 245	0.09 225	0.09 249	0.10 272	0.10 268

LE_ROB	0.50 380	0.07 69	0.14 153	0.15 38	0.08 47	0.24 304	0.16 170	0.22 155	1.81 411	4.63 414	0.67 376	0.47 366	0.44 373	0.20 259	0.29 345	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

Wz-Net-TNSev	0.29 351	0.20 345	0.65 377	0.19 226	0.15 327	0.38 364	0.27 346	0.35 324	0.55 360	0.34 342	0.42 344	0.45 359	0.38 359	0.32 342	0.30 349	0.12 310	0.13 339	0.10 266	0.12 322	0.15 341	0.14 332

Wz-Net-SNSev	0.25 336	0.17 327	0.44 355	0.25 338	0.14 316	0.26 322	0.23 311	0.38 342	0.56 362	0.30 325	0.55 364	0.39 346	0.26 312	0.23 297	0.30 349	0.10 265	0.09 290	0.09 225	0.10 281	0.11 287	0.11 291

FCDSN-DC	0.33 362	0.28 369	0.28 319	0.30 366	0.24 369	0.39 365	0.28 351	0.42 360	0.42 324	0.43 365	0.53 361	0.51 369	0.41 368	0.36 358	0.30 349	0.21 369	0.20 368	0.27 371	0.26 372	0.25 373	0.24 372
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
EDNetEfficient	0.29 351	0.24 359	1.13 400	0.18 181	0.10 215	0.19 252	0.20 276	0.20 122	0.60 371	0.74 389	0.56 369	0.31 307	0.39 361	0.22 286	0.30 349	0.09 234	0.07 245	0.08 162	0.07 160	0.11 287	0.09 249

RYNet	0.22 304	0.12 270	0.22 289	0.19 226	0.17 350	0.46 368	0.26 339	0.38 342	0.48 343	0.24 281	0.28 255	0.34 324	0.23 295	0.20 259	0.30 349	0.10 265	0.06 188	0.09 225	0.09 249	0.13 318	0.15 340

FC-DCNN	0.33 362	0.27 366	0.28 319	0.26 343	0.23 368	0.37 362	0.28 351	0.40 350	0.43 329	0.45 367	0.55 364	0.51 369	0.40 364	0.37 362	0.30 349	0.21 369	0.20 368	0.27 371	0.26 372	0.25 373	0.24 372

CSAN	0.29 351	0.24 359	0.27 314	0.34 371	0.19 359	0.33 349	0.42 385	0.37 335	0.50 350	0.38 350	0.40 329	0.44 357	0.33 348	0.28 326	0.30 349	0.20 366	0.16 355	0.19 358	0.19 359	0.14 330	0.15 340

Ntro	0.40 369	0.40 381	0.53 365	0.46 385	0.30 380	0.65 384	0.24 320	0.46 370	0.68 380	0.41 359	0.49 355	0.48 367	0.42 371	0.39 366	0.31 356	0.32 382	0.28 381	0.37 382	0.30 379	0.32 383	0.29 380

otaku	0.39 366	0.37 379	0.52 364	0.44 381	0.28 376	0.58 378	0.24 320	0.41 355	0.62 373	0.40 355	0.49 355	0.46 363	0.33 348	0.40 370	0.32 357	0.30 381	0.30 383	0.39 383	0.33 382	0.29 378	0.28 379

ADCPNet	0.25 336	0.16 316	0.61 374	0.21 290	0.15 327	0.35 360	0.25 333	0.32 285	0.35 291	0.30 325	0.40 329	0.36 330	0.28 328	0.28 326	0.32 357	0.12 310	0.10 308	0.11 293	0.12 322	0.14 330	0.13 315

GANetREF_RVC	0.31 357	0.34 376	0.27 314	0.35 373	0.16 337	0.32 343	0.41 382	0.48 372	0.51 357	0.35 343	0.35 302	0.34 324	0.33 348	0.39 366	0.32 357	0.27 380	0.20 368	0.29 377	0.15 345	0.18 358	0.17 358
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
ADCMid	0.25 336	0.15 309	0.40 351	0.20 266	0.14 316	0.25 314	0.26 339	0.34 312	0.38 306	0.36 345	0.44 349	0.34 324	0.40 364	0.35 353	0.33 360	0.10 265	0.09 290	0.11 293	0.11 304	0.13 318	0.12 302

AnyNet_C32	0.26 342	0.16 316	0.36 344	0.20 266	0.16 337	0.25 314	0.30 366	0.32 285	0.44 333	0.31 331	0.49 355	0.30 297	0.33 348	0.40 370	0.33 360	0.12 310	0.12 326	0.12 308	0.14 335	0.14 330	0.15 340

PDISCO_ROB	0.27 344	0.16 316	0.26 308	0.28 357	0.20 362	0.32 343	0.26 339	0.44 365	0.57 364	0.28 316	0.40 329	0.45 359	0.29 336	0.33 344	0.34 362	0.12 310	0.09 290	0.17 348	0.16 347	0.17 355	0.13 315

ACVNet_1	0.44 374	0.49 384	0.60 373	0.45 382	0.28 376	0.49 373	0.27 346	0.57 385	0.72 383	0.62 378	0.58 372	0.74 387	0.49 377	0.50 377	0.35 363	0.26 379	0.24 378	0.39 383	0.29 377	0.31 382	0.24 372

WZ-Net	0.28 347	0.17 327	0.78 391	0.22 303	0.16 337	0.34 352	0.29 359	0.39 346	0.57 364	0.24 281	0.55 364	0.37 334	0.24 301	0.33 344	0.35 363	0.09 234	0.08 267	0.09 225	0.10 281	0.14 330	0.16 351

RTS	0.45 376	0.19 340	3.26 409	0.24 327	0.15 327	0.74 391	0.20 276	0.36 330	0.76 388	0.42 362	0.43 347	0.31 307	0.41 368	0.53 382	0.35 363	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 340

RTSA	0.45 376	0.19 340	3.26 409	0.24 327	0.15 327	0.74 391	0.20 276	0.36 330	0.76 388	0.42 362	0.43 347	0.31 307	0.41 368	0.53 382	0.35 363	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 340

PASM	0.32 359	0.24 359	0.48 361	0.28 357	0.27 375	0.29 338	0.30 366	0.34 312	0.49 348	0.35 343	0.39 324	0.46 363	0.34 352	0.34 347	0.35 363	0.23 376	0.25 379	0.26 368	0.28 376	0.23 366	0.21 368

MFN_U_SF_RVC	0.32 359	0.21 351	0.55 368	0.30 366	0.15 327	0.34 352	0.17 190	0.52 378	0.46 341	0.46 369	0.55 364	0.59 375	0.39 361	0.35 353	0.37 368	0.15 344	0.14 346	0.18 356	0.21 362	0.16 348	0.15 340

MANE	0.45 376	0.27 366	0.27 314	0.27 354	0.24 369	0.47 370	0.31 372	0.55 382	0.59 368	0.72 385	1.13 404	1.15 396	0.61 386	0.52 380	0.37 368	0.21 369	0.20 368	0.27 371	0.31 381	0.25 373	0.24 372

PVD	0.39 366	0.20 345	0.39 350	0.31 370	0.22 366	0.29 338	0.43 387	0.52 378	0.96 395	0.55 375	0.79 388	0.53 372	0.59 385	0.52 380	0.38 370	0.19 364	0.14 346	0.17 348	0.14 335	0.24 372	0.31 383

XQC	0.28 347	0.23 356	0.51 363	0.28 357	0.19 359	0.34 352	0.27 346	0.36 330	0.57 364	0.31 331	0.30 270	0.37 334	0.30 340	0.38 363	0.38 370	0.13 330	0.09 290	0.15 340	0.12 322	0.17 355	0.18 360

EDNetEfficientorigin	7.91 416	0.31 374	153.02 435	0.19 226	0.09 130	0.21 278	0.16 170	0.22 155	0.59 368	0.72 385	0.67 376	0.42 352	0.50 378	0.24 305	0.39 372	0.08 189	0.07 245	0.08 162	0.07 160	0.12 301	0.10 268

SAMSARA	0.40 369	0.28 369	0.33 335	0.55 388	0.39 382	0.82 398	1.23 412	0.47 371	0.51 357	0.36 345	0.35 302	0.55 374	0.39 361	0.38 363	0.39 372	0.15 344	0.20 368	0.15 340	0.14 335	0.23 366	0.20 366

222	0.16 236	0.07 69	0.14 153	0.14 13	0.08 47	0.24 304	0.18 230	0.30 270	0.20 148	0.17 184	0.28 255	0.17 180	0.16 225	0.15 165	0.40 374	0.10 265	0.05 106	0.07 98	0.06 86	0.07 155	0.08 216

ADCS	0.29 351	0.18 337	0.45 356	0.21 290	0.17 350	0.28 335	0.23 311	0.41 355	0.63 374	0.40 355	0.49 355	0.40 349	0.36 356	0.39 366	0.40 374	0.13 330	0.12 326	0.13 322	0.14 335	0.16 348	0.16 351

ELAS_RVC	0.41 371	0.29 372	0.33 335	0.28 357	0.24 369	0.54 376	0.36 377	0.49 374	0.59 368	0.72 385	0.74 384	0.65 381	0.54 379	0.54 384	0.40 374	0.22 372	0.20 368	0.27 371	0.26 372	0.26 376	0.25 376
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
coex-ft	3.30 411	0.34 376	59.09 434	0.18 181	0.13 299	0.26 322	0.22 301	0.27 232	0.72 383	1.90 412	0.70 380	0.44 357	0.45 374	0.29 332	0.41 377	0.09 234	0.09 290	0.12 308	0.09 249	0.14 330	0.13 315

ccnet	0.29 351	0.28 369	0.23 298	0.20 266	0.28 376	0.41 367	0.21 292	0.45 368	0.33 273	0.36 345	0.46 351	0.36 330	0.30 340	0.39 366	0.42 378	0.23 376	0.14 346	0.21 361	0.17 354	0.23 366	0.18 360

BEATNet-Init1	0.52 381	0.27 366	0.62 375	0.30 366	0.21 364	0.76 395	0.29 359	0.54 381	0.65 377	0.86 394	0.95 395	2.07 411	0.62 388	0.56 386	0.42 378	0.18 360	0.18 362	0.23 366	0.22 365	0.22 365	0.21 368

ELAS	0.41 371	0.29 372	0.33 335	0.27 354	0.24 369	0.60 381	0.36 377	0.50 376	0.50 350	0.71 383	0.79 388	0.67 383	0.54 379	0.51 378	0.42 378	0.22 372	0.20 368	0.27 371	0.26 372	0.26 376	0.25 376
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RainbowNet	0.54 383	0.61 389	0.70 389	0.57 389	0.43 385	0.65 384	0.37 380	0.60 387	0.87 392	0.50 371	0.66 375	0.64 379	0.47 375	0.49 376	0.43 381	0.47 391	0.48 393	0.52 390	0.41 385	0.52 388	0.40 390

MSC_U_SF_DS_RVC	0.43 373	0.39 380	0.54 366	0.40 377	0.20 362	0.64 383	0.32 374	0.53 380	0.72 383	0.71 383	0.72 381	0.61 377	0.54 379	0.51 378	0.46 382	0.20 366	0.19 365	0.29 377	0.30 379	0.23 366	0.18 360

ACVNet_2	0.66 389	0.66 393	0.68 385	0.63 390	0.41 383	0.71 389	0.49 389	0.96 400	1.39 404	0.89 395	1.09 400	1.04 392	0.73 392	0.54 384	0.47 383	0.43 389	0.40 387	0.53 391	0.44 387	0.47 386	0.35 387

AnyNet_C01	0.36 365	0.25 364	1.37 403	0.22 303	0.17 350	0.48 372	0.27 346	0.35 324	0.39 309	0.39 352	0.74 384	0.46 363	0.38 359	0.45 374	0.47 383	0.13 330	0.13 339	0.13 322	0.14 335	0.14 330	0.15 340

IMH-64-1	0.65 387	0.61 389	0.68 385	0.71 392	0.51 388	0.59 379	0.49 389	0.91 396	0.85 390	0.74 389	1.02 397	0.81 388	0.78 394	0.79 393	0.49 385	0.42 387	0.46 388	0.71 394	0.47 388	0.52 388	0.39 388

IMH-64	0.65 387	0.61 389	0.68 385	0.71 392	0.51 388	0.59 379	0.49 389	0.91 396	0.85 390	0.74 389	1.02 397	0.81 388	0.78 394	0.79 393	0.49 385	0.42 387	0.46 388	0.71 394	0.47 388	0.52 388	0.39 388

Consistency-Raft	0.44 374	0.40 381	0.45 356	0.37 376	0.43 385	0.46 368	0.41 382	0.57 385	0.55 360	0.32 337	0.73 382	0.33 318	0.48 376	0.42 373	0.49 385	0.39 385	0.35 385	0.45 385	0.51 393	0.42 385	0.29 380

anonymity	0.53 382	0.58 387	0.65 377	0.41 379	0.61 398	0.53 375	0.41 382	0.56 383	0.41 318	0.55 375	0.50 359	0.49 368	0.55 382	0.58 387	0.50 388	0.58 396	0.50 397	0.51 388	0.51 393	0.51 387	0.57 394

IMH	0.71 390	0.64 392	0.68 385	0.76 394	0.54 390	0.69 387	0.54 393	0.98 402	1.10 397	0.82 393	1.09 400	0.89 390	0.88 399	0.87 401	0.52 389	0.44 390	0.50 397	0.75 397	0.51 393	0.56 393	0.41 391

SGM+DAISY	0.56 384	0.57 386	0.65 377	0.40 377	0.54 390	0.66 386	0.49 389	0.56 383	0.45 340	0.66 379	0.69 378	0.67 383	0.56 383	0.63 389	0.56 390	0.59 397	0.48 393	0.50 387	0.50 392	0.52 388	0.58 395

ktn	1.01 405	1.21 410	0.80 394	1.23 411	0.86 408	1.01 406	0.87 407	0.94 399	1.39 404	1.04 401	1.12 403	1.15 396	1.07 405	0.94 405	0.59 391	1.28 412	0.71 410	1.38 412	0.83 406	1.02 410	0.75 407

MFMNet_re	0.64 386	0.66 393	0.65 377	0.51 386	0.69 402	0.69 387	0.57 395	0.64 389	0.73 386	0.60 377	0.73 382	0.62 378	0.67 390	0.65 390	0.60 392	0.66 400	0.58 406	0.63 392	0.59 396	0.68 398	0.69 404

NVStereoNet_ROB	0.46 379	0.36 378	0.46 359	0.41 379	0.28 376	0.34 352	0.34 375	0.48 372	0.60 371	0.72 385	0.93 393	0.70 386	0.66 389	0.47 375	0.60 392	0.22 372	0.33 384	0.34 381	0.34 384	0.30 379	0.30 382
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	0.57 385	0.58 387	0.65 377	0.45 382	0.55 392	0.62 382	0.44 388	0.62 388	0.50 350	0.68 381	0.64 374	0.66 382	0.57 384	0.61 388	0.60 392	0.62 399	0.47 392	0.51 388	0.49 390	0.55 392	0.58 395
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-7	0.79 395	0.78 398	0.54 366	0.85 400	0.67 401	0.74 391	0.68 403	1.05 405	1.32 402	0.90 396	1.20 407	1.04 392	0.92 400	0.69 391	0.66 395	0.60 398	0.62 407	0.67 393	0.68 401	0.64 394	0.58 395

WAO-6	0.81 396	0.80 399	0.62 375	0.86 401	0.63 399	0.76 395	0.58 396	0.98 402	1.54 409	0.90 396	0.96 396	1.07 394	1.03 404	0.70 392	0.66 395	0.72 401	0.49 395	0.90 404	0.71 402	0.68 398	0.58 395

PWCK	0.71 390	0.94 405	0.95 398	0.76 394	0.31 381	0.74 391	0.36 377	0.90 395	0.90 393	0.96 398	0.75 386	0.95 391	0.61 386	0.87 401	0.66 395	0.72 401	0.46 388	0.75 397	0.49 390	0.69 400	0.44 392

TorneroNet-64	0.76 394	0.72 396	0.74 390	0.78 396	0.58 396	0.91 402	0.56 394	0.84 394	1.29 401	0.66 379	0.90 391	1.40 404	0.75 393	0.85 399	0.67 398	0.49 392	0.46 388	0.72 396	0.59 396	0.67 397	0.53 393

notaker	0.97 403	1.11 408	0.98 399	1.13 408	0.81 406	0.73 390	0.68 403	0.93 398	1.16 398	1.18 407	1.18 406	1.41 405	1.16 409	1.08 410	0.69 399	0.81 406	0.64 408	1.17 408	0.79 405	0.98 408	0.80 409

LVE	0.83 398	0.85 402	0.85 396	0.80 397	0.56 393	1.04 408	0.65 400	1.05 405	1.47 407	0.96 398	1.22 408	1.10 395	0.85 397	0.83 396	0.71 400	0.49 392	0.55 403	0.76 399	0.60 398	0.65 395	0.59 400

WAO-8	0.91 400	0.81 400	0.65 377	0.94 404	0.69 402	0.90 399	0.67 401	1.07 407	1.83 412	1.06 403	1.45 410	1.30 399	1.07 405	0.84 397	0.78 401	0.74 403	0.53 400	0.86 402	0.75 403	0.69 400	0.62 401

Venus	0.91 400	0.81 400	0.65 377	0.94 404	0.69 402	0.90 399	0.67 401	1.07 407	1.83 412	1.06 403	1.45 410	1.30 399	1.07 405	0.84 397	0.78 401	0.74 403	0.53 400	0.86 402	0.75 403	0.69 400	0.62 401

TorneroNet	0.82 397	0.74 397	0.81 395	0.84 399	0.63 399	0.99 404	0.63 397	0.96 400	1.16 398	0.80 392	1.11 402	1.36 403	0.86 398	0.93 404	0.80 403	0.56 394	0.49 395	0.78 401	0.66 400	0.73 403	0.63 403

Dean	0.87 399	0.86 403	0.79 393	0.81 398	0.56 393	0.90 399	0.63 397	1.15 410	1.73 410	1.15 405	1.15 405	1.31 401	0.99 403	0.81 395	0.81 404	0.57 395	0.56 404	0.77 400	0.64 399	0.66 396	0.58 395

KSHMR	1.09 406	1.17 409	0.88 397	1.25 412	1.00 411	0.99 404	0.96 409	1.13 409	1.37 403	1.16 406	1.29 409	1.41 405	0.96 402	1.01 407	0.92 405	1.03 410	1.08 412	1.20 409	1.03 411	1.01 409	0.97 411

UNDER WATER-64	0.95 402	0.94 405	1.43 405	0.87 402	0.56 393	1.18 411	0.87 407	0.77 392	0.94 394	1.04 401	0.85 390	1.58 409	1.21 410	0.94 405	0.96 406	0.87 407	0.57 405	1.03 407	0.88 408	0.78 405	0.73 405

UNDER WATER	0.97 403	0.97 407	1.42 404	0.99 406	0.70 405	1.12 410	0.84 406	0.80 393	1.08 396	1.01 400	0.90 391	1.55 408	1.22 411	1.03 408	1.00 407	0.78 405	0.53 400	1.02 406	0.87 407	0.80 406	0.74 406

JetBlue	0.71 390	0.45 383	1.14 401	0.51 386	0.47 387	2.02 412	0.64 399	0.75 391	0.70 381	0.69 382	0.77 387	1.22 398	0.83 396	1.03 408	1.01 408	0.40 386	0.28 381	0.33 380	0.33 382	0.30 379	0.34 386

MADNet+	0.75 393	0.71 395	3.70 412	0.66 391	0.41 383	0.98 403	0.97 410	0.69 390	0.73 386	0.52 372	0.57 370	0.64 379	0.68 391	0.86 400	1.01 408	0.34 384	0.36 386	0.28 376	0.23 369	0.36 384	0.31 383

DPSimNet_ROB	1.11 407	1.23 411	0.78 391	1.13 408	0.88 409	1.10 409	1.13 411	1.16 411	1.23 400	1.43 409	1.02 397	1.41 405	1.10 408	0.90 403	1.60 410	1.46 413	0.51 399	1.21 410	1.03 411	0.90 407	1.01 413

HanzoNet	1.29 408	1.26 412	1.19 402	1.12 407	0.85 407	1.02 407	0.83 405	1.03 404	1.48 408	1.64 410	1.61 412	2.50 413	1.72 412	1.61 412	1.61 411	1.26 411	0.80 411	1.31 411	1.01 410	1.02 410	0.86 410

LRCNet_RVC	10.62 421	13.42 426	7.30 414	18.92 425	2.07 415	0.33 349	0.30 366	5.59 417	0.48 343	13.03 423	17.94 424	8.87 418	5.65 415	4.79 415	1.89 412	23.51 432	2.73 419	27.55 433	25.71 433	16.07 430	16.33 431

MADNet++	1.95 410	1.75 414	1.59 407	1.82 413	1.69 414	2.33 413	1.40 413	2.35 413	2.09 414	2.57 413	2.36 414	2.24 412	2.17 413	2.28 413	2.34 413	1.87 414	1.66 414	1.54 413	1.34 413	1.92 413	1.77 415

JetRed	1.62 409	1.46 413	2.98 408	0.92 403	1.21 412	4.99 414	1.53 414	1.27 412	1.39 404	1.83 411	1.74 413	1.60 410	0.95 401	1.41 411	2.45 414	0.90 409	1.60 413	0.93 405	0.90 409	1.35 412	0.99 412

PML	8.91 419	9.34 425	6.13 413	5.35 418	6.41 419	14.99 420	23.38 424	5.27 414	6.83 416	18.04 425	28.19 434	7.67 417	6.83 416	7.85 418	5.75 415	5.35 420	1.83 415	5.95 424	1.93 415	8.64 422	2.52 416

tt	4.67 412	0.06 19	3.55 411	2.02 414	1.55 413	10.25 418	16.71 418	8.91 421	5.03 415	1.31 408	0.94 394	4.71 414	4.76 414	3.33 414	5.87 416	6.06 421	10.30 425	1.88 415	2.11 416	2.75 414	1.21 414

xxxxx1	7.79 413	5.02 419	7.31 415	3.12 415	3.85 416	16.35 421	22.88 419	5.86 418	8.69 417	7.97 417	8.54 415	9.12 419	8.27 417	10.18 419	10.92 417	2.42 415	2.45 416	3.56 418	12.37 422	3.77 415	3.06 417

tt_ll	7.79 413	5.02 419	7.31 415	3.12 415	3.85 416	16.35 421	22.88 419	5.86 418	8.69 417	7.97 417	8.54 415	9.12 419	8.27 417	10.18 419	10.92 417	2.42 415	2.45 416	3.56 418	12.37 422	3.77 415	3.06 417

ff	7.79 413	5.02 419	7.31 415	3.12 415	3.85 416	16.35 421	22.88 419	5.86 418	8.69 417	7.97 417	8.54 415	9.12 419	8.27 417	10.18 419	10.92 417	2.42 415	2.45 416	3.56 418	12.37 422	3.77 415	3.06 417

DPSMNet_ROB	8.06 417	4.48 417	8.63 421	5.37 420	10.74 422	8.32 416	22.98 423	5.46 415	13.36 422	5.12 415	9.92 418	5.08 415	10.40 420	5.53 417	12.58 420	3.80 419	8.00 420	3.50 416	7.02 419	3.83 418	7.14 421

DGTPSM_ROB	8.06 417	4.48 417	8.63 421	5.35 418	10.72 421	8.32 416	22.97 422	5.46 415	13.35 421	5.12 415	9.92 418	5.08 415	10.40 420	5.52 416	12.58 420	3.79 418	8.00 420	3.50 416	7.02 419	3.83 418	7.14 421

Anonymous_1	10.96 422	7.92 422	7.46 418	10.33 421	10.06 420	18.65 425	26.34 425	11.06 422	13.44 423	9.40 420	10.05 420	9.67 422	11.23 422	10.73 422	12.72 422	6.42 422	8.38 422	5.77 421	10.61 421	12.12 423	6.77 420

DPSM_ROB	11.15 423	8.58 423	8.00 419	10.88 422	11.58 423	19.10 426	26.71 426	12.05 423	14.07 424	10.36 421	10.84 421	10.33 423	11.86 423	11.70 423	13.54 423	6.99 423	8.79 423	5.89 422	6.95 417	7.29 420	7.42 423

DPSM	11.15 423	8.58 423	8.00 419	10.88 422	11.58 423	19.10 426	26.71 426	12.05 423	14.07 424	10.36 421	10.84 421	10.33 423	11.86 423	11.70 423	13.54 423	6.99 423	8.79 423	5.89 422	6.95 417	7.29 420	7.42 423

SPstereo	13.84 425	0.93 404	1.50 406	1.22 410	0.88 409	28.82 428	48.26 428	26.77 435	29.54 434	22.37 433	22.60 432	23.23 433	24.68 433	24.53 433	15.06 425	0.88 408	0.69 409	1.83 414	1.60 414	0.74 404	0.77 408

HaxPig	15.71 426	18.52 433	19.18 429	16.89 424	15.89 426	7.73 415	7.60 415	13.31 425	10.82 420	15.42 424	14.91 423	15.98 425	14.92 425	15.58 425	15.98 426	18.95 431	16.73 426	19.46 431	18.08 431	19.26 431	19.05 432

MEDIAN_ROB	20.38 427	24.04 434	23.31 431	21.23 426	21.71 427	10.40 419	7.92 416	17.64 426	15.50 426	20.12 426	19.70 425	20.34 426	20.32 426	21.19 426	21.13 427	23.81 433	21.81 433	24.98 432	23.76 432	24.71 432	23.93 433

AVERAGE_ROB	24.90 434	29.20 435	28.14 432	24.89 433	24.64 433	17.75 424	11.12 417	21.45 427	19.93 427	25.12 434	24.46 433	25.12 434	25.46 434	24.69 434	22.83 428	29.76 434	27.13 434	28.97 434	27.95 434	29.91 433	29.47 434

CasAABBNet	22.42 428	17.33 428	16.01 423	22.01 430	23.28 431	38.32 429	53.80 433	24.14 428	28.41 429	20.60 427	21.77 427	20.89 431	23.91 431	23.43 427	27.36 429	14.07 425	17.69 428	11.83 429	14.01 426	14.67 427	14.95 429

LSM0	22.87 433	17.28 427	18.96 428	22.19 432	29.04 434	38.42 434	53.71 429	24.28 432	28.31 428	20.78 429	21.00 426	21.43 432	24.16 432	23.50 431	27.39 430	14.09 430	17.38 427	11.84 430	14.04 430	14.73 429	14.89 425

MyStereo03	22.45 429	17.33 428	16.21 425	21.95 427	23.27 428	38.32 429	53.79 430	24.21 429	28.46 430	20.87 430	21.85 429	20.80 427	23.87 427	23.46 428	27.40 431	14.08 426	17.71 430	11.82 425	14.03 427	14.65 424	14.89 425

MyStereo02	22.45 429	17.33 428	16.21 425	21.95 427	23.27 428	38.32 429	53.79 430	24.21 429	28.46 430	20.87 430	21.85 429	20.80 427	23.87 427	23.46 428	27.40 431	14.08 426	17.71 430	11.82 425	14.03 427	14.65 424	14.89 425

MyStereo	22.45 429	17.33 428	16.21 425	21.95 427	23.27 428	38.32 429	53.79 430	24.21 429	28.46 430	20.87 430	21.85 429	20.80 427	23.87 427	23.46 428	27.40 431	14.08 426	17.71 430	11.82 425	14.03 427	14.65 424	14.89 425

Selective-RAFT-Error	22.47 432	17.37 432	16.09 424	22.06 431	23.34 432	38.39 433	53.83 434	24.29 433	28.47 433	20.74 428	21.83 428	20.81 430	23.90 430	23.54 432	27.53 434	14.08 426	17.69 428	11.82 425	14.00 425	14.69 428	15.00 430

test_example2	98.32 435	94.13 436	45.89 433	96.35 434	109.85 435	88.61 435	95.45 435	25.75 434	94.37 435	130.00 435	126.06 435	58.17 435	74.63 435	88.51 435	79.96 435	150.23 435	221.02 435	77.62 435	99.10 435	113.75 435	96.94 435

ASD4		3.38 416

Low-res two-view benchmark