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

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

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

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

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

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

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

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

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

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

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

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

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

DLNR_Zeroshot_test	10.40 420	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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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 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

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

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	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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.
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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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.
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

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

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

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
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

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

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
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
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.
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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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