Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

LoS_RVC	0.13 2	0.10 24	0.19 1	0.18 8	0.16 228	0.20 55	0.18 86	0.20 2	0.17 3	0.13 2	0.19 25	0.12 3	0.15 49	0.17 11	0.13 24	0.06 1	0.05 6	0.06 1	0.04 1	0.05 1	0.12 253

DCANet-4	0.19 89	0.10 24	0.52 245	0.19 26	0.09 7	0.19 34	0.18 86	0.36 123	0.39 193	0.29 123	0.30 99	0.17 39	0.22 145	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

fff	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 86	0.35 104	0.43 226	0.29 123	0.30 99	0.18 46	0.28 223	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

csc	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 86	0.35 104	0.43 226	0.29 123	0.30 99	0.18 46	0.28 223	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

cscssc	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 86	0.35 104	0.43 226	0.29 123	0.30 99	0.18 46	0.28 223	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

MSKI-zero shot	0.17 36	0.09 9	0.43 182	0.20 57	0.11 42	0.21 73	0.15 26	0.32 67	0.21 26	0.23 57	0.24 59	0.23 93	0.10 4	0.31 150	0.13 24	0.07 16	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

RAFT-Test	0.17 36	0.10 24	0.38 127	0.19 26	0.12 77	0.25 135	0.17 59	0.33 81	0.23 44	0.23 57	0.29 88	0.27 138	0.14 42	0.20 28	0.14 40	0.07 16	0.06 72	0.07 14	0.07 50	0.06 6	0.06 18

CAS	0.15 21	0.07 1	0.21 4	0.41 366	0.16 228	0.20 55	0.18 86	0.22 3	0.19 7	0.15 11	0.19 25	0.11 2	0.09 2	0.14 1	0.13 24	0.29 370	0.04 1	0.06 1	0.04 1	0.06 6	0.14 282

LoS	0.14 6	0.08 2	0.27 21	0.16 3	0.09 7	0.22 93	0.14 13	0.26 14	0.26 65	0.15 11	0.18 22	0.18 46	0.13 32	0.22 44	0.14 40	0.08 99	0.06 72	0.06 1	0.04 1	0.06 6	0.06 18

Selective-IGEV	0.12 1	0.09 9	0.22 6	0.19 26	0.10 20	0.15 4	0.14 13	0.27 21	0.15 2	0.13 2	0.14 14	0.13 11	0.08 1	0.21 39	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

EGLCR-Stereo	0.13 2	0.08 2	0.20 3	0.18 8	0.09 7	0.21 73	0.13 3	0.27 21	0.21 26	0.13 2	0.10 1	0.15 27	0.09 2	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

MC-Stereo	0.14 6	0.09 9	0.25 13	0.21 86	0.09 7	0.18 13	0.16 38	0.23 6	0.19 7	0.18 39	0.23 49	0.16 34	0.13 32	0.22 44	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

RCA-Stereo	0.16 28	0.09 9	0.25 13	0.20 57	0.10 20	0.19 34	0.17 59	0.36 123	0.35 156	0.20 41	0.25 64	0.17 39	0.17 86	0.18 19	0.14 40	0.07 16	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

ADStereo(finetuned)	0.19 89	0.13 136	0.49 225	0.19 26	0.09 7	0.19 34	0.18 86	0.34 87	0.39 193	0.29 123	0.31 113	0.18 46	0.31 256	0.21 39	0.19 128	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

test-3	0.16 28	0.09 9	0.31 54	0.21 86	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.26 85	0.16 16	0.22 74	0.12 14	0.26 93	0.18 104	0.06 1	0.04 1	0.08 65	0.08 109	0.06 6	0.06 18

test_1	0.16 28	0.09 9	0.31 54	0.21 86	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.25 76	0.16 16	0.22 74	0.12 14	0.26 93	0.18 104	0.06 1	0.04 1	0.08 65	0.08 109	0.06 6	0.06 18

TRStereo	0.19 89	0.17 223	0.47 211	0.23 171	0.19 281	0.19 34	0.16 38	0.52 261	0.28 87	0.20 41	0.19 25	0.21 67	0.13 32	0.24 57	0.13 24	0.09 164	0.06 72	0.09 120	0.11 248	0.06 6	0.06 18

STrans-v2	0.24 182	0.13 136	0.54 251	0.21 86	0.12 77	0.23 110	0.21 184	0.47 213	0.28 87	0.31 168	0.42 218	0.36 218	0.35 277	0.62 275	0.23 188	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.06 18

TransformOpticalFlow	0.24 182	0.13 136	0.56 260	0.23 171	0.11 42	0.21 73	0.19 123	0.40 153	0.32 132	0.30 151	0.43 230	0.36 218	0.31 256	0.61 267	0.20 139	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.07 65

ASMatch	0.23 159	0.11 63	0.51 241	0.24 208	0.14 164	0.19 34	0.17 59	0.31 59	0.28 87	0.28 98	0.68 339	0.27 138	0.26 193	0.50 218	0.22 174	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.11 231

DEmStereo	0.26 214	0.09 9	0.47 211	0.19 26	0.12 77	0.30 208	0.25 256	0.28 33	0.36 166	0.36 242	0.58 312	0.25 111	0.48 336	0.53 234	0.44 302	0.07 16	0.06 72	0.08 65	0.08 109	0.06 6	0.07 65

RAFT-RH_RVC	0.25 204	0.11 63	0.45 198	0.21 86	0.12 77	0.25 135	0.14 13	0.27 21	0.27 74	0.38 255	1.15 377	0.23 93	0.17 86	0.57 250	0.24 197	0.07 16	0.05 6	0.10 182	0.07 50	0.06 6	0.07 65

RAFT-345	0.21 116	0.10 24	0.46 204	0.22 129	0.11 42	0.20 55	0.16 38	0.26 14	0.25 58	0.27 89	0.66 335	0.21 67	0.16 63	0.55 239	0.21 160	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.06 18

AnonymousM	0.17 36	0.19 250	0.24 10	0.18 8	0.10 20	0.18 13	0.17 59	0.30 54	0.23 44	0.26 85	0.20 35	0.18 46	0.14 42	0.19 25	0.14 40	0.09 164	0.06 72	0.38 373	0.15 317	0.06 6	0.05 1

cross-raft	0.17 36	0.12 81	0.41 165	0.23 171	0.10 20	0.20 55	0.24 242	0.33 81	0.23 44	0.23 57	0.28 79	0.29 160	0.15 49	0.17 11	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

test-1	0.17 36	0.11 63	0.40 143	0.23 171	0.13 131	0.22 93	0.23 220	0.34 87	0.26 65	0.20 41	0.24 59	0.22 74	0.14 42	0.16 7	0.20 139	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.08 111

CREStereo++_RVC	0.15 21	0.08 2	0.26 16	0.17 5	0.11 42	0.18 13	0.13 3	0.22 3	0.30 114	0.21 50	0.30 99	0.13 11	0.11 8	0.16 7	0.15 51	0.07 16	0.04 1	0.06 1	0.15 317	0.06 6	0.05 1
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	0.17 36	0.09 9	0.26 16	0.18 8	0.07 1	0.32 227	0.19 123	0.37 129	0.32 132	0.23 57	0.25 64	0.18 46	0.17 86	0.25 80	0.16 67	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.05 1

TANstereo	0.15 21	0.09 9	0.28 29	0.16 3	0.08 2	0.25 135	0.14 13	0.23 6	0.28 87	0.24 70	0.30 99	0.16 34	0.12 14	0.17 11	0.13 24	0.08 99	0.07 158	0.06 1	0.05 9	0.06 6	0.07 65

raftrobust	0.16 28	0.13 136	0.29 36	0.22 129	0.15 205	0.19 34	0.13 3	0.32 67	0.26 65	0.26 85	0.20 35	0.19 57	0.17 86	0.21 39	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.07 65

DCANet	0.18 53	0.13 136	0.40 143	0.19 26	0.09 7	0.19 34	0.18 86	0.34 87	0.39 193	0.29 123	0.31 113	0.18 46	0.23 154	0.20 28	0.19 128	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

EAI-Stereo	0.21 116	0.10 24	0.33 73	0.21 86	0.12 77	0.30 208	0.46 357	0.46 206	0.20 16	0.25 76	0.50 277	0.17 39	0.16 63	0.24 57	0.23 188	0.07 16	0.06 72	0.07 14	0.10 215	0.06 6	0.07 65

CFNet-RSSM	0.17 36	0.10 24	0.40 143	0.20 57	0.11 42	0.20 55	0.15 26	0.36 123	0.30 114	0.23 57	0.21 43	0.26 130	0.15 49	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

Gwc-CoAtRS	0.17 36	0.10 24	0.37 108	0.20 57	0.12 77	0.19 34	0.15 26	0.32 67	0.28 87	0.23 57	0.23 49	0.27 138	0.15 49	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

R-Stereo Train	0.18 53	0.09 9	0.32 60	0.22 129	0.12 77	0.22 93	0.19 123	0.42 175	0.19 7	0.31 168	0.45 251	0.20 59	0.14 42	0.18 19	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

RAFT-Stereo	0.18 53	0.09 9	0.32 60	0.22 129	0.12 77	0.22 93	0.19 123	0.42 175	0.19 7	0.31 168	0.45 251	0.20 59	0.14 42	0.18 19	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
AE-Stereo	0.17 36	0.11 63	0.31 54	0.24 208	0.14 164	0.23 110	0.18 86	0.34 87	0.29 105	0.15 11	0.25 64	0.21 67	0.13 32	0.20 28	0.14 40	0.07 16	0.08 223	0.09 120	0.10 215	0.07 37	0.06 18

ff7	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

IGEVStereo-DCA	0.14 6	0.11 63	0.27 21	0.19 26	0.12 77	0.20 55	0.18 86	0.27 21	0.20 16	0.15 11	0.12 2	0.14 21	0.12 14	0.28 120	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

ffff	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

rrr	0.17 36	0.11 63	0.57 264	0.19 26	0.12 77	0.20 55	0.18 86	0.35 104	0.22 33	0.15 11	0.12 2	0.14 21	0.12 14	0.28 120	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

11t	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

StereoIM	0.14 6	0.13 136	0.26 16	0.19 26	0.14 164	0.16 6	0.13 3	0.25 11	0.21 26	0.13 2	0.14 14	0.14 21	0.11 8	0.17 11	0.17 90	0.08 99	0.07 158	0.08 65	0.06 23	0.07 37	0.06 18

IGEV_Zeroshot_test	0.18 53	0.10 24	0.65 293	0.20 57	0.12 77	0.19 34	0.15 26	0.34 87	0.19 7	0.28 98	0.22 47	0.27 138	0.13 32	0.23 51	0.18 104	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.06 18

AEACV	0.13 2	0.09 9	0.23 8	0.18 8	0.19 281	0.19 34	0.16 38	0.23 6	0.14 1	0.13 2	0.17 19	0.13 11	0.16 63	0.16 7	0.12 6	0.07 16	0.05 6	0.07 14	0.08 109	0.07 37	0.06 18

Any-RAFT	0.17 36	0.08 2	0.31 54	0.19 26	0.10 20	0.29 191	0.16 38	0.42 175	0.30 114	0.24 70	0.27 75	0.27 138	0.16 63	0.21 39	0.12 6	0.08 99	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

HH	0.18 53	0.12 81	0.55 256	0.22 129	0.12 77	0.18 13	0.18 86	0.34 87	0.19 7	0.20 41	0.24 59	0.34 199	0.18 108	0.29 133	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

HanStereo	0.18 53	0.12 81	0.55 256	0.22 129	0.12 77	0.18 13	0.18 86	0.34 87	0.19 7	0.20 41	0.24 59	0.34 199	0.18 108	0.29 133	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

DCRE	0.20 102	0.13 136	0.40 143	0.21 86	0.15 205	0.20 55	0.19 123	0.30 54	0.27 74	0.22 54	0.80 356	0.23 93	0.16 63	0.23 51	0.15 51	0.07 16	0.07 158	0.07 14	0.08 109	0.07 37	0.06 18

anonymousa	0.23 159	0.11 63	0.50 235	0.21 86	0.16 228	0.31 219	0.20 161	0.36 123	0.35 156	0.32 186	0.50 277	0.39 238	0.26 193	0.22 44	0.20 139	0.08 99	0.06 72	0.09 120	0.11 248	0.07 37	0.08 111

ProNet	0.14 6	0.12 81	0.25 13	0.19 26	0.11 42	0.19 34	0.19 123	0.27 21	0.20 16	0.14 8	0.13 6	0.13 11	0.12 14	0.24 57	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.07 37	0.07 65

ccc-4	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

DisPM	0.19 89	0.10 24	0.35 86	0.23 171	0.13 131	0.18 13	0.20 161	0.29 40	0.29 105	0.33 195	0.34 141	0.23 93	0.16 63	0.33 162	0.16 67	0.09 164	0.06 72	0.09 120	0.08 109	0.07 37	0.11 231

test_4	0.18 53	0.12 81	0.34 78	0.23 171	0.12 77	0.18 13	0.22 200	0.26 14	0.24 54	0.24 70	0.47 268	0.22 74	0.13 32	0.24 57	0.16 67	0.06 1	0.05 6	0.09 120	0.09 183	0.07 37	0.05 1

GLC_STEREO	0.15 21	0.10 24	0.24 10	0.21 86	0.09 7	0.17 9	0.15 26	0.23 6	0.27 74	0.17 28	0.20 35	0.17 39	0.11 8	0.23 51	0.16 67	0.07 16	0.09 251	0.09 120	0.08 109	0.07 37	0.06 18

IPLG	0.21 116	0.15 189	0.53 248	0.21 86	0.12 77	0.28 172	0.17 59	0.42 175	0.30 114	0.33 195	0.32 116	0.15 27	0.17 86	0.50 218	0.21 160	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

MIPNet	0.21 116	0.15 189	0.52 245	0.21 86	0.12 77	0.27 159	0.20 161	0.45 197	0.37 175	0.30 151	0.23 49	0.19 57	0.24 169	0.27 108	0.19 128	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

IPLGR	0.21 116	0.13 136	0.61 277	0.21 86	0.11 42	0.25 135	0.18 86	0.41 163	0.37 175	0.28 98	0.27 75	0.21 67	0.19 121	0.37 183	0.18 104	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.06 18

test_3	0.18 53	0.11 63	0.32 60	0.24 208	0.11 42	0.22 93	0.25 256	0.31 59	0.31 124	0.25 76	0.18 22	0.23 93	0.13 32	0.25 80	0.19 128	0.06 1	0.05 6	0.09 120	0.10 215	0.07 37	0.06 18

CrosDoStereo	0.31 262	0.10 24	0.49 225	0.18 8	0.12 77	0.22 93	1.11 406	0.34 87	0.37 175	0.38 255	0.61 326	0.28 153	0.46 327	0.61 267	0.57 329	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.07 65

OMP-Stereo	0.23 159	0.14 164	0.35 86	0.29 316	0.13 131	0.21 73	0.16 38	0.37 129	0.33 143	0.34 211	0.30 99	0.34 199	0.19 121	0.70 300	0.24 197	0.07 16	0.06 72	0.09 120	0.07 50	0.07 37	0.06 18

IIG-Stereo	0.23 159	0.13 136	0.35 86	0.29 316	0.12 77	0.23 110	0.14 13	0.38 135	0.31 124	0.34 211	0.37 167	0.33 193	0.21 134	0.70 300	0.26 218	0.08 99	0.06 72	0.09 120	0.07 50	0.07 37	0.06 18

FTStereo	0.28 238	0.10 24	0.43 182	0.23 171	0.13 131	0.21 73	0.53 371	0.34 87	0.26 65	0.38 255	0.95 368	0.30 170	0.56 348	0.32 156	0.18 104	0.08 99	0.06 72	0.09 120	0.08 109	0.07 37	0.19 327

DeepStereo_LL	0.31 262	0.10 24	0.49 225	0.18 8	0.12 77	0.22 93	1.11 406	0.34 87	0.37 175	0.38 255	0.61 326	0.28 153	0.46 327	0.61 267	0.57 329	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.07 65

THIR-Stereo	0.29 248	0.12 81	0.41 165	0.19 26	0.11 42	0.28 172	0.72 384	0.32 67	0.35 156	0.37 247	0.65 333	0.34 199	0.50 338	0.57 250	0.45 305	0.07 16	0.06 72	0.08 65	0.09 183	0.07 37	0.07 65

DRaft	0.24 182	0.10 24	0.34 78	0.18 8	0.12 77	0.28 172	0.23 220	0.33 81	0.39 193	0.38 255	0.61 326	0.21 67	0.41 305	0.48 211	0.42 297	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.08 111

GrayStereo	0.25 204	0.09 9	0.32 60	0.26 273	0.13 131	0.23 110	0.47 361	0.34 87	0.30 114	0.39 270	0.47 268	0.30 170	0.79 371	0.29 133	0.16 67	0.07 16	0.06 72	0.08 65	0.09 183	0.07 37	0.13 265

CroCo-Stereo	0.14 6	0.13 136	0.24 10	0.25 245	0.11 42	0.11 1	0.18 86	0.32 67	0.23 44	0.12 1	0.12 2	0.18 46	0.12 14	0.14 1	0.13 24	0.08 99	0.06 72	0.07 14	0.05 9	0.07 37	0.06 18
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
raft+_RVC	0.18 53	0.14 164	0.32 60	0.21 86	0.15 205	0.21 73	0.16 38	0.38 135	0.34 150	0.21 50	0.28 79	0.20 59	0.15 49	0.24 57	0.19 128	0.08 99	0.06 72	0.08 65	0.07 50	0.07 37	0.08 111

XX-TBD	0.15 21	0.18 235	0.28 29	0.22 129	0.10 20	0.22 93	0.15 26	0.22 3	0.27 74	0.22 54	0.26 70	0.14 21	0.12 14	0.16 7	0.13 24	0.08 99	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

XX-Stereo	0.21 116	0.10 24	0.83 331	0.26 273	0.17 244	0.23 110	0.13 3	0.40 153	0.18 5	0.20 41	0.41 204	0.31 178	0.10 4	0.32 156	0.12 6	0.08 99	0.06 72	0.08 65	0.08 109	0.07 37	0.05 1

111	0.20 102	0.17 223	0.40 143	0.18 8	0.09 7	0.24 125	0.17 59	0.41 163	0.45 252	0.23 57	0.29 88	0.29 160	0.21 134	0.24 57	0.18 104	0.07 16	0.05 6	0.07 14	0.06 23	0.07 37	0.08 111

test_xeample3	0.16 28	0.11 63	0.56 260	0.19 26	0.12 77	0.20 55	0.18 86	0.35 104	0.20 16	0.16 24	0.12 2	0.13 11	0.12 14	0.24 57	0.15 51	0.07 16	0.06 72	0.07 14	0.08 109	0.07 37	0.07 65

RAFT-Stereo + iAFF	0.17 36	0.14 164	0.32 60	0.20 57	0.09 7	0.19 34	0.17 59	0.32 67	0.30 114	0.25 76	0.33 135	0.20 59	0.17 86	0.19 25	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.07 37	0.05 1

AFF-stereo	0.18 53	0.15 189	0.32 60	0.21 86	0.10 20	0.18 13	0.18 86	0.33 81	0.27 74	0.25 76	0.37 167	0.25 111	0.17 86	0.24 57	0.15 51	0.06 1	0.05 6	0.08 65	0.08 109	0.07 37	0.05 1

CREStereo	0.13 2	0.08 2	0.21 4	0.14 1	0.08 2	0.22 93	0.15 26	0.25 11	0.24 54	0.16 24	0.21 43	0.14 21	0.13 32	0.18 19	0.13 24	0.09 164	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18
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	0.15 21	0.08 2	0.23 8	0.15 2	0.09 7	0.23 110	0.16 38	0.25 11	0.23 44	0.17 28	0.21 43	0.16 34	0.14 42	0.22 44	0.13 24	0.29 370	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

DIP-Stereo	0.18 53	0.12 81	0.33 73	0.20 57	0.13 131	0.28 172	0.12 1	0.42 175	0.25 58	0.27 89	0.32 116	0.21 67	0.17 86	0.25 80	0.20 139	0.07 16	0.06 72	0.08 65	0.06 23	0.07 37	0.08 111
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.28 238	0.14 164	0.44 188	0.22 129	0.18 263	0.32 227	0.19 123	0.48 224	0.38 187	0.29 123	0.43 230	0.47 286	0.37 289	0.79 332	0.36 270	0.09 164	0.07 158	0.07 14	0.09 183	0.07 37	0.07 65

MLCV	0.22 142	0.16 207	0.44 188	0.21 86	0.08 2	0.29 191	0.19 123	0.38 135	0.37 175	0.38 255	0.44 239	0.31 178	0.21 134	0.41 194	0.24 197	0.07 16	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

tta	0.24 182	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.28 224	0.10 206	0.07 158	0.08 65	0.08 109	0.08 81	0.07 65

qqq1	0.24 182	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.16 67	0.10 206	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

fff1	0.24 182	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.16 67	0.10 206	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

MyStereo07	0.16 28	0.12 81	0.26 16	0.22 129	0.14 164	0.25 135	0.23 220	0.29 40	0.21 26	0.15 11	0.13 6	0.12 3	0.13 32	0.25 80	0.13 24	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

MyStereo06	0.20 102	0.12 81	0.57 264	0.21 86	0.14 164	0.25 135	0.23 220	0.40 153	0.21 26	0.30 151	0.24 59	0.31 178	0.18 108	0.22 44	0.18 104	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

MyStereo05	0.23 159	0.12 81	0.57 264	0.21 86	0.14 164	0.25 135	0.23 220	0.48 224	0.52 306	0.31 168	0.23 49	0.25 111	0.22 145	0.30 145	0.21 160	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

MyStereo04	0.23 159	0.12 81	0.55 256	0.22 129	0.14 164	0.25 135	0.23 220	0.49 230	0.52 306	0.28 98	0.23 49	0.27 138	0.23 154	0.30 145	0.22 174	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

CoDeX	0.23 159	0.12 81	0.46 204	0.21 86	0.14 164	0.29 191	0.21 184	0.53 272	0.41 217	0.29 123	0.35 148	0.29 160	0.22 145	0.48 211	0.19 128	0.09 164	0.06 72	0.08 65	0.07 50	0.08 81	0.07 65

cc1	0.18 53	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.35 104	0.47 271	0.17 28	0.19 25	0.13 11	0.18 108	0.28 120	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

DualNet	0.26 214	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.35 104	0.44 240	0.30 151	0.42 218	0.34 199	0.23 154	0.27 108	1.08 370	0.08 99	0.05 6	0.11 229	0.10 215	0.08 81	0.08 111

ffm	0.22 142	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.35 104	0.44 240	0.30 151	0.42 218	0.34 199	0.23 154	0.27 108	0.11 1	0.08 99	0.05 6	0.11 229	0.10 215	0.08 81	0.08 111

ff1	0.29 248	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.35 104	0.44 240	0.30 151	0.42 218	0.34 199	0.23 154	0.81 339	1.08 370	0.08 99	0.05 6	0.11 229	0.10 215	0.08 81	0.08 111

tt1	0.18 53	0.14 164	0.35 86	0.23 171	0.11 42	0.30 208	0.19 123	0.35 104	0.44 240	0.17 28	0.19 25	0.13 11	0.16 63	0.27 108	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

MIF-Stereo	0.14 6	0.10 24	0.30 42	0.21 86	0.13 131	0.17 9	0.13 3	0.19 1	0.18 5	0.15 11	0.20 35	0.10 1	0.11 8	0.18 19	0.16 67	0.08 99	0.06 72	0.07 14	0.06 23	0.08 81	0.06 18

MIM_Stereo	0.18 53	0.12 81	0.38 127	0.20 57	0.11 42	0.17 9	0.14 13	0.35 104	0.25 58	0.27 89	0.35 148	0.23 93	0.13 32	0.27 108	0.16 67	0.06 1	0.07 158	0.08 65	0.08 109	0.08 81	0.06 18

CASnet	0.14 6	0.12 81	0.22 6	0.22 129	0.08 2	0.16 6	0.15 26	0.27 21	0.25 58	0.22 54	0.20 35	0.15 27	0.11 8	0.17 11	0.13 24	0.07 16	0.05 6	0.11 229	0.09 183	0.08 81	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.18 53	0.18 235	0.39 138	0.22 129	0.12 77	0.24 125	0.13 3	0.31 59	0.23 44	0.24 70	0.20 35	0.24 104	0.12 14	0.26 93	0.15 51	0.06 1	0.06 72	0.12 262	0.09 183	0.08 81	0.07 65

4D-IteraStereo	0.17 36	0.16 207	0.50 235	0.21 86	0.14 164	0.19 34	0.17 59	0.28 33	0.28 87	0.23 57	0.20 35	0.20 59	0.11 8	0.19 25	0.14 40	0.06 1	0.04 1	0.10 182	0.08 109	0.08 81	0.06 18

anonymousdsp2	0.17 36	0.10 24	0.28 29	0.20 57	0.11 42	0.25 135	0.17 59	0.41 163	0.31 124	0.23 57	0.23 49	0.22 74	0.15 49	0.25 80	0.15 51	0.07 16	0.05 6	0.07 14	0.05 9	0.08 81	0.07 65

anonymousdsp	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.07 65

CES	0.14 6	0.08 2	0.19 1	0.17 5	0.22 318	0.18 13	0.16 38	0.23 6	0.19 7	0.14 8	0.17 19	0.14 21	0.10 4	0.18 19	0.12 6	0.07 16	0.05 6	0.06 1	0.04 1	0.08 81	0.18 320

Selective-RAFT	0.17 36	0.12 81	0.30 42	0.24 208	0.10 20	0.29 191	0.15 26	0.32 67	0.31 124	0.17 28	0.17 19	0.21 67	0.18 108	0.28 120	0.17 90	0.07 16	0.06 72	0.07 14	0.07 50	0.08 81	0.06 18

CroCo-Stereo Lap2	0.15 21	0.15 189	0.28 29	0.25 245	0.18 263	0.11 1	0.19 123	0.28 33	0.21 26	0.13 2	0.16 16	0.15 27	0.12 14	0.17 11	0.14 40	0.07 16	0.07 158	0.08 65	0.06 23	0.08 81	0.07 65

TestStereo1	0.21 116	0.16 207	0.32 60	0.26 273	0.13 131	0.26 152	0.27 272	0.40 153	0.36 166	0.29 123	0.39 189	0.22 74	0.21 134	0.33 162	0.17 90	0.07 16	0.06 72	0.09 120	0.08 109	0.08 81	0.07 65

raft_robust	0.22 142	0.17 223	0.30 42	0.22 129	0.12 77	0.23 110	0.22 200	0.49 230	0.48 280	0.32 186	0.32 116	0.26 130	0.23 154	0.53 234	0.15 51	0.07 16	0.06 72	0.08 65	0.10 215	0.08 81	0.06 18

RAFT_CTSACE	0.21 116	0.16 207	0.41 165	0.25 245	0.15 205	0.22 93	0.24 242	0.32 67	0.28 87	0.33 195	0.51 283	0.29 160	0.17 86	0.32 156	0.13 24	0.06 1	0.07 158	0.09 120	0.08 109	0.08 81	0.06 18

SA-5K	0.21 116	0.16 207	0.32 60	0.26 273	0.13 131	0.26 152	0.27 272	0.40 153	0.36 166	0.29 123	0.39 189	0.22 74	0.21 134	0.33 162	0.17 90	0.07 16	0.06 72	0.09 120	0.08 109	0.08 81	0.07 65

Sa-1000	0.22 142	0.15 189	0.35 86	0.23 171	0.13 131	0.28 172	0.23 220	0.47 213	0.39 193	0.30 151	0.50 277	0.26 130	0.19 121	0.33 162	0.16 67	0.07 16	0.06 72	0.10 182	0.11 248	0.08 81	0.06 18

SA	0.22 142	0.16 207	0.36 103	0.23 171	0.13 131	0.24 125	0.23 220	0.45 197	0.40 206	0.27 89	0.44 239	0.23 93	0.23 154	0.33 162	0.17 90	0.07 16	0.06 72	0.10 182	0.11 248	0.08 81	0.06 18

IGEV-Stereo	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.07 65
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CIPLG	0.21 116	0.21 271	0.55 256	0.23 171	0.15 205	0.25 135	0.20 161	0.35 104	0.29 105	0.31 168	0.33 135	0.22 74	0.15 49	0.26 93	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

iRaft-Stereo_20w	0.19 89	0.10 24	0.46 204	0.19 26	0.13 131	0.25 135	0.19 123	0.52 261	0.19 7	0.29 123	0.21 43	0.22 74	0.20 129	0.28 120	0.18 104	0.07 16	0.06 72	0.07 14	0.08 109	0.08 81	0.08 111

IPLGR_C	0.21 116	0.22 283	0.60 274	0.23 171	0.15 205	0.24 125	0.20 161	0.35 104	0.29 105	0.31 168	0.32 116	0.22 74	0.15 49	0.25 80	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

GMOStereo	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

error version	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

test-v	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

ACRE	0.21 116	0.20 258	0.62 285	0.23 171	0.15 205	0.24 125	0.20 161	0.35 104	0.28 87	0.31 168	0.32 116	0.22 74	0.15 49	0.25 80	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

PFNet+	0.20 102	0.10 24	0.37 108	0.21 86	0.12 77	0.17 9	0.19 123	0.29 40	0.34 150	0.33 195	0.32 116	0.24 104	0.16 63	0.32 156	0.17 90	0.10 206	0.07 158	0.11 229	0.10 215	0.08 81	0.12 253

HHNet	0.22 142	0.12 81	0.52 245	0.18 8	0.18 263	0.20 55	0.20 161	0.34 87	0.31 124	0.32 186	0.59 314	0.20 59	0.21 134	0.24 57	0.31 244	0.08 99	0.05 6	0.09 120	0.07 50	0.08 81	0.11 231

AAGNet	0.33 277	0.11 63	0.37 108	0.25 245	0.16 228	0.20 55	0.19 123	0.30 54	0.27 74	0.35 227	0.35 148	0.27 138	0.30 245	0.44 202	2.66 407	0.08 99	0.05 6	0.10 182	0.07 50	0.08 81	0.06 18

NF-Stereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

OCTAStereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

PSM-softLoss	0.21 116	0.10 24	0.39 138	0.24 208	0.12 77	0.20 55	0.18 86	0.38 135	0.26 65	0.29 123	0.32 116	0.24 104	0.16 63	0.52 229	0.20 139	0.09 164	0.06 72	0.10 182	0.09 183	0.08 81	0.12 253

KMStereo	0.21 116	0.10 24	0.39 138	0.24 208	0.12 77	0.20 55	0.18 86	0.38 135	0.26 65	0.29 123	0.32 116	0.24 104	0.16 63	0.52 229	0.20 139	0.09 164	0.06 72	0.10 182	0.09 183	0.08 81	0.12 253

PSM-AAD	0.25 204	0.10 24	0.30 42	0.24 208	0.12 77	0.26 152	0.38 336	0.34 87	0.28 87	0.35 227	0.39 189	0.28 153	0.79 371	0.30 145	0.16 67	0.07 16	0.06 72	0.12 262	0.11 248	0.08 81	0.21 344

KYRaft	0.22 142	0.10 24	0.30 42	0.23 171	0.12 77	0.23 110	0.23 220	0.35 104	0.24 54	0.35 227	0.54 299	0.34 199	0.26 193	0.29 133	0.15 51	0.07 16	0.05 6	0.09 120	0.10 215	0.08 81	0.31 368

RAFT_R40	0.21 116	0.10 24	0.37 108	0.24 208	0.13 131	0.18 13	0.18 86	0.31 59	0.29 105	0.33 195	0.33 135	0.30 170	0.24 169	0.55 239	0.18 104	0.08 99	0.05 6	0.10 182	0.08 109	0.08 81	0.07 65

PFNet	0.23 159	0.10 24	0.57 264	0.24 208	0.14 164	0.22 93	0.19 123	0.39 146	0.33 143	0.35 227	0.32 116	0.27 138	0.19 121	0.64 282	0.22 174	0.09 164	0.05 6	0.09 120	0.07 50	0.08 81	0.07 65

RE-Stereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

Pruner-Stereo	0.19 89	0.11 63	0.34 78	0.29 316	0.12 77	0.19 34	0.17 59	0.31 59	0.29 105	0.33 195	0.32 116	0.25 111	0.15 49	0.24 57	0.21 160	0.09 164	0.06 72	0.09 120	0.08 109	0.08 81	0.09 161

TVStereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

IRAFT_RVC	0.22 142	0.12 81	0.39 138	0.26 273	0.11 42	0.18 13	0.24 242	0.40 153	0.37 175	0.31 168	0.30 99	0.29 160	0.24 169	0.55 239	0.22 174	0.08 99	0.06 72	0.10 182	0.08 109	0.08 81	0.07 65

test-2	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

GMM-Stereo	0.21 116	0.10 24	0.43 182	0.23 171	0.13 131	0.24 125	0.25 256	0.37 129	0.27 74	0.30 151	0.45 251	0.27 138	0.21 134	0.31 150	0.17 90	0.07 16	0.05 6	0.10 182	0.09 183	0.08 81	0.19 327

Prome-Stereo	0.21 116	0.10 24	0.30 42	0.24 208	0.12 77	0.23 110	0.23 220	0.36 123	0.25 58	0.33 195	0.59 314	0.24 104	0.28 223	0.29 133	0.16 67	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.20 337

iRaftStereo_RVC	0.16 28	0.12 81	0.26 16	0.21 86	0.11 42	0.20 55	0.17 59	0.32 67	0.23 44	0.20 41	0.25 64	0.18 46	0.12 14	0.20 28	0.15 51	0.07 16	0.05 6	0.09 120	0.09 183	0.08 81	0.07 65

delet	0.27 221	0.14 164	0.40 143	0.23 171	0.19 281	0.41 290	0.29 289	0.49 230	0.48 280	0.33 195	0.41 204	0.37 222	0.30 245	0.48 211	0.34 260	0.09 164	0.09 251	0.11 229	0.12 280	0.08 81	0.08 111

cf-r	0.24 182	0.15 189	0.44 188	0.21 86	0.14 164	0.27 159	0.22 200	0.42 175	0.40 206	0.30 151	0.42 218	0.42 261	0.26 193	0.43 198	0.25 206	0.11 233	0.06 72	0.08 65	0.10 215	0.08 81	0.08 111

HSM-Net_RVC	0.27 221	0.11 63	0.42 172	0.19 26	0.11 42	0.34 249	0.20 161	0.62 343	0.43 226	0.40 278	0.43 230	0.50 302	0.26 193	0.76 323	0.22 174	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.28 238	0.16 207	0.35 86	0.20 57	0.15 205	0.33 236	0.19 123	0.53 272	0.37 175	0.36 242	0.38 177	0.67 353	0.31 256	0.89 352	0.23 188	0.08 99	0.06 72	0.08 65	0.07 50	0.08 81	0.08 111

iResNet	0.24 182	0.18 235	0.61 277	0.25 245	0.11 42	0.29 191	0.21 184	0.42 175	0.43 226	0.33 195	0.43 230	0.27 138	0.22 145	0.34 168	0.26 218	0.07 16	0.05 6	0.07 14	0.06 23	0.08 81	0.07 65

SMFormer	0.25 204	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.28 224	0.10 206	0.07 158	0.08 65	0.08 109	0.09 142	0.09 161

ACVNet-DCA	0.18 53	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.41 163	0.27 74	0.17 28	0.19 25	0.13 11	0.18 108	0.28 120	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 161

xx1	0.20 102	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.35 104	0.47 271	0.17 28	0.19 25	0.28 153	0.24 169	0.28 120	0.11 1	0.08 99	0.05 6	0.10 182	0.09 183	0.09 142	0.09 161

1test111	0.19 89	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.41 163	0.27 74	0.17 28	0.19 25	0.13 11	0.18 108	0.34 168	0.22 174	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 161

11t1	0.18 53	0.10 24	0.30 42	0.20 57	0.11 42	0.27 159	0.17 59	0.35 104	0.23 44	0.25 76	0.23 49	0.23 93	0.23 154	0.25 80	0.18 104	0.09 164	0.07 158	0.07 14	0.06 23	0.09 142	0.09 161

1111x	0.32 271	0.11 63	0.40 143	0.22 129	0.11 42	0.32 227	0.26 267	0.59 322	0.43 226	0.31 168	0.41 204	0.39 238	0.28 223	0.76 323	1.37 387	0.09 164	0.08 223	0.09 120	0.10 215	0.09 142	0.08 111

whm_eth	0.23 159	0.18 235	0.56 260	0.24 208	0.19 281	0.21 73	0.18 86	0.37 129	0.40 206	0.31 168	0.60 319	0.15 27	0.17 86	0.26 93	0.19 128	0.09 164	0.08 223	0.10 182	0.09 183	0.09 142	0.11 231

MIF-Stereo (partial)	0.16 28	0.10 24	0.34 78	0.21 86	0.15 205	0.15 4	0.13 3	0.28 33	0.25 58	0.17 28	0.26 70	0.15 27	0.16 63	0.25 80	0.17 90	0.09 164	0.06 72	0.10 182	0.08 109	0.09 142	0.08 111

EKT-Stereo	0.38 308	0.12 81	0.38 127	0.42 367	3.88 415	0.21 73	0.17 59	0.35 104	0.28 87	0.20 41	0.20 35	0.23 93	0.15 49	0.28 120	0.16 67	0.09 164	0.07 158	0.09 120	0.07 50	0.09 142	0.09 161

LL-Strereo	0.29 248	0.25 297	0.58 268	0.25 245	0.21 303	0.23 110	0.24 242	0.55 289	0.42 221	0.34 211	0.32 116	0.41 254	0.40 301	0.94 361	0.23 188	0.08 99	0.07 158	0.11 229	0.09 183	0.09 142	0.09 161

CBFPSM	0.27 221	0.16 207	0.67 297	0.20 57	0.14 164	0.38 275	0.25 256	0.40 153	0.36 166	0.33 195	0.36 158	0.56 319	0.38 293	0.32 156	0.38 273	0.08 99	0.08 223	0.07 14	0.08 109	0.09 142	0.11 231

gwcnet-sp	0.24 182	0.13 136	0.63 287	0.22 129	0.14 164	0.34 249	0.22 200	0.44 189	0.39 193	0.35 227	0.34 141	0.27 138	0.27 210	0.35 177	0.25 206	0.09 164	0.08 223	0.09 120	0.09 183	0.09 142	0.09 161

scenet	0.24 182	0.13 136	0.63 287	0.22 129	0.14 164	0.34 249	0.22 200	0.44 189	0.39 193	0.35 227	0.34 141	0.27 138	0.27 210	0.35 177	0.25 206	0.09 164	0.08 223	0.09 120	0.09 183	0.09 142	0.09 161

knoymous	0.17 36	0.09 9	0.32 60	0.17 5	0.11 42	0.21 73	0.17 59	0.32 67	0.23 44	0.23 57	0.28 79	0.27 138	0.16 63	0.23 51	0.16 67	0.09 164	0.06 72	0.09 120	0.06 23	0.09 142	0.09 161

ssnet	0.24 182	0.13 136	0.63 287	0.22 129	0.14 164	0.34 249	0.22 200	0.44 189	0.39 193	0.35 227	0.34 141	0.27 138	0.27 210	0.35 177	0.25 206	0.09 164	0.08 223	0.09 120	0.09 183	0.09 142	0.09 161

qqq	0.20 102	0.12 81	0.31 54	0.20 57	0.11 42	0.23 110	0.19 123	0.41 163	0.27 74	0.24 70	0.28 79	0.28 153	0.24 169	0.34 168	0.22 174	0.08 99	0.07 158	0.10 182	0.09 183	0.09 142	0.09 161

x	0.19 89	0.11 63	0.29 36	0.20 57	0.11 42	0.26 152	0.18 86	0.41 163	0.29 105	0.25 76	0.29 88	0.28 153	0.24 169	0.26 93	0.23 188	0.09 164	0.07 158	0.08 65	0.07 50	0.09 142	0.08 111

BUS	0.23 159	0.12 81	0.28 29	0.25 245	0.14 164	0.43 305	0.17 59	0.56 303	0.34 150	0.34 211	0.35 148	0.32 186	0.20 129	0.26 93	0.21 160	0.10 206	0.07 158	0.11 229	0.10 215	0.09 142	0.09 161

IER	0.23 159	0.12 81	0.39 138	0.20 57	0.14 164	0.31 219	0.19 123	0.42 175	0.36 166	0.33 195	0.40 196	0.32 186	0.33 266	0.29 133	0.22 174	0.09 164	0.07 158	0.08 65	0.08 109	0.09 142	0.08 111

RAFT+CT+SA	0.21 116	0.18 235	0.33 73	0.25 245	0.18 263	0.23 110	0.29 289	0.40 153	0.36 166	0.24 70	0.38 177	0.18 46	0.16 63	0.32 156	0.16 67	0.07 16	0.05 6	0.09 120	0.12 280	0.09 142	0.09 161

BSDual-CNN	0.23 159	0.12 81	0.28 29	0.25 245	0.14 164	0.35 258	0.21 184	0.56 303	0.34 150	0.34 211	0.35 148	0.38 227	0.24 169	0.26 93	0.21 160	0.10 206	0.07 158	0.11 229	0.10 215	0.09 142	0.09 161

hknet	0.25 204	0.14 164	0.40 143	0.25 245	0.15 205	0.35 258	0.21 184	0.56 303	0.37 175	0.34 211	0.35 148	0.43 264	0.27 210	0.37 183	0.21 160	0.09 164	0.07 158	0.11 229	0.10 215	0.09 142	0.09 161

iRaft-Stereo_5w	0.23 159	0.18 235	0.44 188	0.22 129	0.13 131	0.19 34	0.19 123	0.37 129	0.32 132	0.28 98	0.37 167	0.34 199	0.23 154	0.65 288	0.27 222	0.06 1	0.06 72	0.08 65	0.07 50	0.09 142	0.08 111

psmg	0.23 159	0.12 81	0.28 29	0.21 86	0.14 164	0.35 258	0.23 220	0.51 251	0.34 150	0.35 227	0.38 177	0.38 227	0.24 169	0.26 93	0.21 160	0.10 206	0.08 223	0.10 182	0.10 215	0.09 142	0.08 111

DAS	0.27 221	0.12 81	0.42 172	0.24 208	0.18 263	0.29 191	0.24 242	0.45 197	0.45 252	0.41 287	0.44 239	0.34 199	0.29 236	0.75 318	0.21 160	0.09 164	0.07 158	0.09 120	0.07 50	0.09 142	0.09 161

SepStereo	0.26 214	0.12 81	0.42 172	0.24 208	0.18 263	0.29 191	0.24 242	0.45 197	0.45 252	0.41 287	0.44 239	0.34 199	0.29 236	0.64 282	0.21 160	0.09 164	0.07 158	0.09 120	0.07 50	0.09 142	0.09 161

GwcNet-ADL	0.22 142	0.14 164	0.58 268	0.24 208	0.13 131	0.22 93	0.23 220	0.49 230	0.40 206	0.27 89	0.29 88	0.30 170	0.20 129	0.26 93	0.23 188	0.09 164	0.07 158	0.07 14	0.07 50	0.09 142	0.09 161

GANet-ADL	0.21 116	0.12 81	0.45 198	0.23 171	0.14 164	0.29 191	0.19 123	0.46 206	0.35 156	0.25 76	0.32 116	0.32 186	0.19 121	0.24 57	0.20 139	0.10 206	0.07 158	0.07 14	0.06 23	0.09 142	0.10 206

NRIStereo	0.18 53	0.11 63	0.35 86	0.23 171	0.11 42	0.24 125	0.20 161	0.29 40	0.26 65	0.26 85	0.25 64	0.25 111	0.18 108	0.34 168	0.18 104	0.07 16	0.06 72	0.09 120	0.07 50	0.09 142	0.08 111

SST-Stereo	0.21 116	0.10 24	0.37 108	0.24 208	0.13 131	0.19 34	0.17 59	0.31 59	0.24 54	0.34 211	0.33 135	0.29 160	0.25 184	0.56 247	0.17 90	0.08 99	0.05 6	0.10 182	0.08 109	0.09 142	0.07 65

DeepStereo_RVC	0.18 53	0.11 63	0.40 143	0.21 86	0.11 42	0.19 34	0.16 38	0.28 33	0.22 33	0.27 89	0.27 75	0.23 93	0.28 223	0.24 57	0.18 104	0.08 99	0.06 72	0.09 120	0.07 50	0.09 142	0.10 206

ICVP	0.23 159	0.13 136	0.44 188	0.26 273	0.14 164	0.29 191	0.25 256	0.45 197	0.33 143	0.29 123	0.43 230	0.35 213	0.25 184	0.26 93	0.23 188	0.12 260	0.09 251	0.09 120	0.08 109	0.09 142	0.10 206
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
rafts_anoy	0.18 53	0.15 189	0.35 86	0.22 129	0.14 164	0.19 34	0.17 59	0.32 67	0.30 114	0.23 57	0.25 64	0.20 59	0.16 63	0.22 44	0.19 128	0.08 99	0.07 158	0.10 182	0.12 280	0.09 142	0.08 111

RALCasStereoNet	0.18 53	0.15 189	0.33 73	0.21 86	0.14 164	0.21 73	0.18 86	0.31 59	0.25 58	0.21 50	0.29 88	0.22 74	0.15 49	0.27 108	0.17 90	0.08 99	0.10 269	0.07 14	0.06 23	0.09 142	0.09 161

RALAANet	0.19 89	0.18 235	0.37 108	0.23 171	0.14 164	0.23 110	0.13 3	0.37 129	0.29 105	0.28 98	0.26 70	0.25 111	0.15 49	0.26 93	0.18 104	0.08 99	0.06 72	0.09 120	0.08 109	0.09 142	0.06 18

sCroCo_RVC	0.18 53	0.14 164	0.49 225	0.27 296	0.18 263	0.22 93	0.17 59	0.27 21	0.23 44	0.14 8	0.22 47	0.17 39	0.14 42	0.21 39	0.15 51	0.10 206	0.11 286	0.09 120	0.09 183	0.09 142	0.09 161

222	0.41 322	0.10 24	0.29 36	0.19 26	0.11 42	0.36 263	0.20 161	0.57 310	0.39 193	0.35 227	0.44 239	0.30 170	0.27 210	0.55 239	3.56 410	0.11 233	0.07 158	0.08 65	0.08 109	0.09 142	0.09 161

xxxx	0.34 284	0.10 24	0.29 36	0.19 26	0.11 42	0.37 268	0.20 161	0.58 317	0.38 187	0.29 123	0.42 218	0.38 227	0.24 169	0.46 206	2.20 403	0.11 233	0.07 158	0.09 120	0.08 109	0.09 142	0.09 161

test_xeample	0.34 284	0.10 24	0.29 36	0.19 26	0.11 42	0.33 236	0.23 220	0.55 289	0.38 187	0.32 186	0.45 251	0.29 160	0.26 193	0.57 250	2.24 405	0.10 206	0.07 158	0.09 120	0.08 109	0.09 142	0.09 161

ARAFT	0.24 182	0.21 271	0.78 317	0.22 129	0.12 77	0.29 191	0.24 242	0.43 185	0.32 132	0.33 195	0.28 79	0.28 153	0.19 121	0.49 216	0.18 104	0.07 16	0.06 72	0.12 262	0.11 248	0.09 142	0.06 18

SFCPSM	0.22 142	0.10 24	0.51 241	0.21 86	0.14 164	0.34 249	0.22 200	0.55 289	0.39 193	0.29 123	0.32 116	0.23 93	0.21 134	0.27 108	0.19 128	0.09 164	0.07 158	0.09 120	0.09 183	0.09 142	0.08 111

FENet	0.21 116	0.11 63	0.45 198	0.21 86	0.12 77	0.26 152	0.17 59	0.41 163	0.35 156	0.30 151	0.31 113	0.29 160	0.23 154	0.26 93	0.23 188	0.09 164	0.06 72	0.09 120	0.09 183	0.09 142	0.09 161

ac_64	0.27 221	0.13 136	0.41 165	0.24 208	0.17 244	0.36 263	0.22 200	0.46 206	0.33 143	0.35 227	0.36 158	0.52 309	0.30 245	0.62 275	0.32 249	0.11 233	0.09 251	0.10 182	0.10 215	0.09 142	0.08 111

GwcNet-RSSM	0.26 214	0.17 223	0.46 204	0.21 86	0.13 131	0.28 172	0.23 220	0.44 189	0.42 221	0.31 168	0.45 251	0.40 251	0.26 193	0.55 239	0.28 224	0.11 233	0.07 158	0.09 120	0.10 215	0.09 142	0.08 111

AANet_RVC	0.31 262	0.22 283	0.50 235	0.23 171	0.14 164	0.30 208	0.24 242	0.47 213	0.54 314	0.38 255	0.60 319	0.43 264	0.29 236	0.87 348	0.40 288	0.11 233	0.07 158	0.07 14	0.07 50	0.09 142	0.09 161

HITNet	0.20 102	0.17 223	0.43 182	0.19 26	0.08 2	0.27 159	0.14 13	0.42 175	0.30 114	0.29 123	0.32 116	0.27 138	0.21 134	0.28 120	0.25 206	0.07 16	0.05 6	0.07 14	0.06 23	0.09 142	0.06 18
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
iResNet_ROB	0.25 204	0.19 250	0.40 143	0.20 57	0.12 77	0.30 208	0.16 38	0.55 289	0.53 310	0.38 255	0.43 230	0.37 222	0.26 193	0.38 187	0.22 174	0.08 99	0.06 72	0.06 1	0.04 1	0.09 142	0.09 161

MyStereo8	0.22 142	0.15 189	0.63 287	0.21 86	0.17 244	0.31 219	0.16 38	0.36 123	0.32 132	0.28 98	0.36 158	0.25 111	0.18 108	0.25 80	0.28 224	0.08 99	0.07 158	0.08 65	0.07 50	0.10 189	0.12 253

mmm	0.21 116	0.12 81	0.31 54	0.22 129	0.12 77	0.28 172	0.21 184	0.41 163	0.27 74	0.29 123	0.38 177	0.29 160	0.24 169	0.29 133	0.22 174	0.09 164	0.07 158	0.11 229	0.09 183	0.10 189	0.09 161

test croco	0.17 36	0.13 136	0.43 182	0.21 86	0.13 131	0.16 6	0.17 59	0.27 21	0.22 33	0.16 24	0.26 70	0.13 11	0.16 63	0.27 108	0.16 67	0.08 99	0.06 72	0.10 182	0.07 50	0.10 189	0.07 65

StereoVision	0.22 142	0.18 235	0.37 108	0.27 296	0.17 244	0.23 110	0.22 200	0.38 135	0.31 124	0.20 41	0.51 283	0.22 74	0.16 63	0.28 120	0.18 104	0.11 233	0.12 303	0.13 281	0.13 298	0.10 189	0.07 65

riskmin	0.18 53	0.09 9	0.34 78	0.18 8	0.12 77	0.24 125	0.16 38	0.34 87	0.28 87	0.21 50	0.23 49	0.33 193	0.24 169	0.23 51	0.17 90	0.09 164	0.06 72	0.09 120	0.06 23	0.10 189	0.10 206

CRFU-Net	0.28 238	0.14 164	0.45 198	0.25 245	0.15 205	0.45 312	0.23 220	0.50 238	0.30 114	0.43 301	0.41 204	0.48 292	0.46 327	0.43 198	0.29 234	0.11 233	0.10 269	0.09 120	0.08 109	0.10 189	0.10 206

test_5	0.23 159	0.19 250	0.38 127	0.26 273	0.18 263	0.25 135	0.29 289	0.40 153	0.37 175	0.29 123	0.40 196	0.25 111	0.22 145	0.34 168	0.18 104	0.07 16	0.05 6	0.09 120	0.09 183	0.10 189	0.10 206

CSP-Net	0.27 221	0.15 189	0.30 42	0.21 86	0.14 164	0.44 307	0.24 242	0.50 238	0.40 206	0.41 287	0.43 230	0.42 261	0.26 193	0.66 292	0.28 224	0.12 260	0.08 223	0.08 65	0.08 109	0.10 189	0.09 161

PSMNet-ADL	0.25 204	0.15 189	0.32 60	0.26 273	0.14 164	0.31 219	0.22 200	0.44 189	0.36 166	0.27 89	0.33 135	0.41 254	0.28 223	0.61 267	0.29 234	0.11 233	0.09 251	0.09 120	0.11 248	0.10 189	0.10 206

Patchmatch Stereo++	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.26 93	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111
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
PSM-adaLoss	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.18 108	0.24 57	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

ROB_FTStereo_v2	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.24 57	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

ROB_FTStereo	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 79	0.25 111	0.17 86	0.24 57	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

HUI-Stereo	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 79	0.25 111	0.17 86	0.22 44	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

iGMRVC	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.27 108	0.17 90	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

iRAFT	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.26 93	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

CRE-IMP	0.18 53	0.12 81	0.37 108	0.22 129	0.11 42	0.24 125	0.17 59	0.29 40	0.21 26	0.27 89	0.26 70	0.24 104	0.17 86	0.23 51	0.18 104	0.08 99	0.05 6	0.10 182	0.07 50	0.10 189	0.10 206

RAFT	0.21 116	0.17 223	0.32 60	0.24 208	0.12 77	0.25 135	0.27 272	0.35 104	0.28 87	0.33 195	0.33 135	0.38 227	0.22 145	0.29 133	0.17 90	0.08 99	0.08 223	0.11 229	0.10 215	0.10 189	0.06 18

RAFT-IKP	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.18 108	0.25 80	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

GES	0.22 142	0.12 81	0.42 172	0.20 57	0.14 164	0.27 159	0.19 123	0.49 230	0.33 143	0.30 151	0.36 158	0.25 111	0.23 154	0.29 133	0.22 174	0.10 206	0.08 223	0.08 65	0.07 50	0.10 189	0.11 231

HCRNet	0.24 182	0.25 297	0.33 73	0.34 344	0.16 228	0.27 159	0.18 86	0.43 185	0.35 156	0.30 151	0.35 148	0.32 186	0.22 145	0.44 202	0.20 139	0.13 276	0.08 223	0.13 281	0.11 248	0.10 189	0.09 161

GMStereo	0.19 89	0.25 297	0.40 143	0.21 86	0.12 77	0.22 93	0.19 123	0.29 40	0.40 206	0.25 76	0.23 49	0.16 34	0.15 49	0.25 80	0.19 128	0.09 164	0.06 72	0.08 65	0.08 109	0.10 189	0.08 111
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MMNet	0.27 221	0.14 164	0.49 225	0.24 208	0.17 244	0.47 320	0.22 200	0.45 197	0.51 300	0.39 270	0.41 204	0.36 218	0.33 266	0.39 189	0.34 260	0.08 99	0.07 158	0.09 120	0.09 183	0.10 189	0.08 111

psm_up	0.29 248	0.16 207	0.41 165	0.26 273	0.17 244	0.32 227	0.26 267	0.55 289	0.43 226	0.36 242	0.40 196	0.45 278	0.37 289	0.58 255	0.30 240	0.11 233	0.12 303	0.13 281	0.12 280	0.10 189	0.10 206

UNet	0.28 238	0.14 164	0.69 302	0.23 171	0.20 295	0.44 307	0.22 200	0.50 238	0.40 206	0.34 211	0.39 189	0.43 264	0.33 266	0.40 192	0.31 244	0.09 164	0.07 158	0.10 182	0.08 109	0.10 189	0.08 111

UPFNet	0.25 204	0.12 81	0.38 127	0.24 208	0.19 281	0.37 268	0.28 285	0.48 224	0.38 187	0.34 211	0.37 167	0.37 222	0.28 223	0.39 189	0.33 256	0.10 206	0.09 251	0.10 182	0.10 215	0.10 189	0.08 111

ACVNet	0.23 159	0.13 136	0.35 86	0.18 8	0.15 205	0.27 159	0.23 220	0.39 146	0.44 240	0.28 98	0.41 204	0.38 227	0.26 193	0.27 108	0.32 249	0.08 99	0.07 158	0.08 65	0.07 50	0.10 189	0.07 65

HGLStereo	0.27 221	0.14 164	0.46 204	0.24 208	0.21 303	0.33 236	0.23 220	0.50 238	0.42 221	0.35 227	0.48 274	0.41 254	0.33 266	0.45 204	0.33 256	0.11 233	0.10 269	0.09 120	0.09 183	0.10 189	0.12 253

GANet-RSSM	0.24 182	0.14 164	0.36 103	0.21 86	0.14 164	0.27 159	0.21 184	0.45 197	0.33 143	0.29 123	0.39 189	0.39 238	0.28 223	0.58 255	0.23 188	0.11 233	0.07 158	0.09 120	0.09 183	0.10 189	0.09 161

PSMNet-RSSM	0.24 182	0.15 189	0.36 103	0.21 86	0.14 164	0.25 135	0.20 161	0.48 224	0.37 175	0.30 151	0.44 239	0.38 227	0.26 193	0.52 229	0.22 174	0.12 260	0.07 158	0.11 229	0.13 298	0.10 189	0.09 161

DMCA	0.22 142	0.14 164	0.36 103	0.22 129	0.14 164	0.27 159	0.20 161	0.43 185	0.38 187	0.31 168	0.32 116	0.33 193	0.24 169	0.24 57	0.28 224	0.11 233	0.08 223	0.10 182	0.08 109	0.10 189	0.11 231

BEATNet_4x	0.22 142	0.18 235	0.47 211	0.22 129	0.10 20	0.28 172	0.14 13	0.46 206	0.32 132	0.31 168	0.34 141	0.31 178	0.25 184	0.31 150	0.29 234	0.08 99	0.06 72	0.08 65	0.06 23	0.10 189	0.08 111

NLCA_NET_v2_RVC	0.27 221	0.21 271	0.59 272	0.25 245	0.18 263	0.29 191	0.22 200	0.50 238	0.40 206	0.38 255	0.41 204	0.43 264	0.27 210	0.43 198	0.29 234	0.11 233	0.08 223	0.10 182	0.10 215	0.10 189	0.11 231
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.27 221	0.17 223	0.35 86	0.25 245	0.14 164	0.37 268	0.21 184	0.47 213	0.41 217	0.44 306	0.51 283	0.41 254	0.28 223	0.45 204	0.37 271	0.09 164	0.06 72	0.11 229	0.11 248	0.10 189	0.10 206
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.28 238	0.16 207	0.34 78	0.27 296	0.16 228	0.38 275	0.25 256	0.48 224	0.43 226	0.46 313	0.46 261	0.51 306	0.33 266	0.53 234	0.33 256	0.10 206	0.10 269	0.11 229	0.11 248	0.10 189	0.09 161

pmcnn	0.50 345	0.20 258	0.78 317	0.24 208	0.26 346	0.39 282	0.30 299	0.51 251	0.50 297	0.54 343	1.23 380	2.52 404	0.37 289	0.77 329	0.95 364	0.08 99	0.06 72	0.06 1	0.05 9	0.10 189	0.08 111

mmx	0.31 262	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.55 289	0.45 252	0.30 151	0.42 218	0.34 199	0.23 154	0.81 339	1.08 370	0.10 206	0.07 158	0.11 229	0.10 215	0.11 225	0.10 206

ttt	0.29 248	0.12 81	0.34 78	0.21 86	0.13 131	0.29 191	0.20 161	0.56 303	0.47 271	0.31 168	0.44 239	0.30 170	0.22 145	0.65 288	0.85 360	0.13 276	0.10 269	0.10 182	0.10 215	0.11 225	0.11 231

xxx	0.31 262	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.55 289	0.45 252	0.30 151	0.42 218	0.34 199	0.23 154	0.81 339	1.08 370	0.10 206	0.07 158	0.11 229	0.10 215	0.11 225	0.10 206

PCWNet_CMD	0.23 159	0.13 136	0.48 220	0.20 57	0.13 131	0.28 172	0.16 38	0.46 206	0.46 266	0.29 123	0.36 158	0.37 222	0.24 169	0.28 120	0.20 139	0.09 164	0.06 72	0.10 182	0.08 109	0.11 225	0.09 161

CASS	0.21 116	0.15 189	0.32 60	0.26 273	0.11 42	0.28 172	0.19 123	0.39 146	0.30 114	0.32 186	0.34 141	0.25 111	0.24 169	0.25 80	0.20 139	0.13 276	0.08 223	0.11 229	0.09 183	0.11 225	0.11 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ToySt	0.24 182	0.16 207	0.48 220	0.21 86	0.13 131	0.29 191	0.29 289	0.39 146	0.39 193	0.27 89	0.35 148	0.39 238	0.31 256	0.31 150	0.29 234	0.08 99	0.09 251	0.10 182	0.11 248	0.11 225	0.10 206

ssnet_v2	0.28 238	0.16 207	0.44 188	0.22 129	0.15 205	0.40 287	0.30 299	0.57 310	0.46 266	0.38 255	0.36 158	0.47 286	0.29 236	0.38 187	0.39 281	0.13 276	0.11 286	0.11 229	0.11 248	0.11 225	0.11 231

Wz-Net-LNSev-Ref	0.30 255	0.20 258	0.70 308	0.21 86	0.17 244	0.46 314	0.27 272	0.50 238	0.49 289	0.42 295	0.55 303	0.43 264	0.30 245	0.46 206	0.38 273	0.09 164	0.06 72	0.07 14	0.06 23	0.11 225	0.10 206

NINENet	0.25 204	0.15 189	0.37 108	0.23 171	0.16 228	0.43 305	0.17 59	0.60 330	0.46 266	0.32 186	0.37 167	0.32 186	0.20 129	0.42 196	0.21 160	0.10 206	0.10 269	0.12 262	0.08 109	0.11 225	0.10 206

dd	0.22 142	0.26 308	0.40 143	0.22 129	0.12 77	0.25 135	0.21 184	0.32 67	0.44 240	0.29 123	0.28 79	0.25 111	0.16 63	0.30 145	0.25 206	0.12 260	0.07 158	0.10 182	0.08 109	0.11 225	0.09 161

GEStereo_RVC	0.27 221	0.20 258	0.44 188	0.27 296	0.16 228	0.33 236	0.25 256	0.56 303	0.54 314	0.34 211	0.38 177	0.34 199	0.25 184	0.51 223	0.28 224	0.12 260	0.08 223	0.09 120	0.08 109	0.11 225	0.11 231

Anonymous3	0.23 159	0.18 235	0.63 287	0.27 296	0.18 263	0.41 290	0.23 220	0.43 185	0.35 156	0.23 57	0.27 75	0.20 59	0.18 108	0.27 108	0.18 104	0.12 260	0.11 286	0.10 182	0.10 215	0.11 225	0.12 253

TestStereo	0.21 116	0.19 250	0.40 143	0.25 245	0.10 20	0.22 93	0.21 184	0.31 59	0.31 124	0.23 57	0.34 141	0.22 74	0.18 108	0.62 275	0.18 104	0.08 99	0.06 72	0.10 182	0.07 50	0.11 225	0.06 18

CFNet_pseudo	0.23 159	0.13 136	0.47 211	0.19 26	0.13 131	0.26 152	0.16 38	0.44 189	0.44 240	0.29 123	0.37 167	0.38 227	0.23 154	0.29 133	0.21 160	0.09 164	0.06 72	0.11 229	0.08 109	0.11 225	0.09 161

ADLNet	0.28 238	0.15 189	0.42 172	0.23 171	0.19 281	0.34 249	0.23 220	0.53 272	0.43 226	0.42 295	0.41 204	0.44 274	0.27 210	0.55 239	0.35 264	0.11 233	0.08 223	0.11 229	0.11 248	0.11 225	0.12 253

RAFT + AFF	0.27 221	0.23 290	0.50 235	0.25 245	0.17 244	0.30 208	0.33 318	0.52 261	0.40 206	0.28 98	0.30 99	0.30 170	0.31 256	0.62 275	0.24 197	0.09 164	0.10 269	0.11 229	0.10 215	0.11 225	0.11 231

acv_ft	0.25 204	0.13 136	0.40 143	0.23 171	0.19 281	0.34 249	0.21 184	0.45 197	0.44 240	0.38 255	0.41 204	0.38 227	0.27 210	0.27 108	0.35 264	0.08 99	0.07 158	0.08 65	0.07 50	0.11 225	0.07 65

DSFCA	0.27 221	0.13 136	0.36 103	0.20 57	0.17 244	0.38 275	0.31 303	0.47 213	0.43 226	0.43 301	0.37 167	0.39 238	0.29 236	0.52 229	0.32 249	0.12 260	0.10 269	0.10 182	0.11 248	0.11 225	0.10 206

ADCRef	0.38 308	0.24 293	0.88 342	0.26 273	0.21 303	0.49 327	0.27 272	0.52 261	0.48 280	0.50 325	0.58 312	0.35 213	0.47 330	0.48 211	1.29 386	0.09 164	0.08 223	0.12 262	0.12 280	0.11 225	0.11 231

MSMDNet	0.23 159	0.13 136	0.48 220	0.20 57	0.13 131	0.28 172	0.16 38	0.46 206	0.46 266	0.29 123	0.36 158	0.37 222	0.24 169	0.28 120	0.20 139	0.09 164	0.06 72	0.09 120	0.08 109	0.11 225	0.09 161

CFNet	0.27 221	0.20 258	0.44 188	0.22 129	0.14 164	0.33 236	0.14 13	0.51 251	0.45 252	0.30 151	0.40 196	0.38 227	0.27 210	0.76 323	0.25 206	0.09 164	0.07 158	0.11 229	0.11 248	0.11 225	0.08 111

ccs_rob	0.23 159	0.13 136	0.47 211	0.20 57	0.13 131	0.26 152	0.17 59	0.44 189	0.44 240	0.29 123	0.37 167	0.38 227	0.23 154	0.29 133	0.21 160	0.09 164	0.06 72	0.11 229	0.08 109	0.11 225	0.09 161

AdaStereo	0.24 182	0.16 207	0.37 108	0.24 208	0.12 77	0.32 227	0.17 59	0.54 279	0.42 221	0.33 195	0.38 177	0.35 213	0.21 134	0.30 145	0.22 174	0.14 299	0.06 72	0.13 281	0.08 109	0.11 225	0.08 111
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.
NaN_ROB	0.41 322	0.28 318	0.62 285	0.30 324	0.19 281	0.51 332	0.47 361	0.58 317	0.59 329	0.56 345	0.47 268	0.49 296	0.41 305	1.21 382	0.64 344	0.12 260	0.18 349	0.12 262	0.13 298	0.11 225	0.14 282

LE_ROB	1.76 403	0.20 258	2.68 404	0.48 374	0.52 380	0.78 371	0.96 399	0.84 383	6.61 415	7.40 417	2.08 403	2.08 397	4.83 411	1.27 386	3.79 411	0.10 206	0.08 223	0.12 262	0.11 248	0.11 225	0.10 206

DN-CSS_ROB	0.22 142	0.25 297	0.47 211	0.24 208	0.14 164	0.25 135	0.12 1	0.40 153	0.33 143	0.29 123	0.42 218	0.22 74	0.20 129	0.33 162	0.19 128	0.07 16	0.06 72	0.11 229	0.11 248	0.11 225	0.07 65

CFNet_ucs	0.24 182	0.13 136	0.50 235	0.20 57	0.15 205	0.28 172	0.17 59	0.49 230	0.45 252	0.32 186	0.42 218	0.39 238	0.22 145	0.31 150	0.21 160	0.11 233	0.08 223	0.12 262	0.09 183	0.12 251	0.11 231

fast-acv-ft	0.31 262	0.20 258	0.81 327	0.24 208	0.18 263	0.46 314	0.27 272	0.41 163	0.49 289	0.39 270	0.55 303	0.49 296	0.35 277	0.37 183	0.38 273	0.11 233	0.11 286	0.11 229	0.12 280	0.12 251	0.09 161

ADLNet2	0.30 255	0.17 223	0.72 311	0.23 171	0.17 244	0.36 263	0.24 242	0.52 261	0.51 300	0.32 186	0.38 177	0.45 278	0.30 245	0.69 297	0.35 264	0.10 206	0.08 223	0.09 120	0.09 183	0.12 251	0.10 206

CFNet-ft	0.24 182	0.15 189	0.35 86	0.18 8	0.15 205	0.30 208	0.21 184	0.39 146	0.36 166	0.28 98	0.40 196	0.43 264	0.25 184	0.47 209	0.24 197	0.12 260	0.07 158	0.12 262	0.11 248	0.12 251	0.09 161

STTStereo	0.28 238	0.20 258	0.61 277	0.25 245	0.17 244	0.29 191	0.24 242	0.47 213	0.39 193	0.39 270	0.41 204	0.44 274	0.28 223	0.40 192	0.28 224	0.13 276	0.12 303	0.13 281	0.16 328	0.12 251	0.11 231

PA-Net	0.37 302	0.28 318	0.83 331	0.31 331	0.28 351	0.39 282	0.42 348	0.51 251	0.55 320	0.34 211	0.42 218	0.41 254	0.36 281	0.79 332	0.49 317	0.12 260	0.23 367	0.16 321	0.23 360	0.12 251	0.18 320
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.30 255	0.21 271	0.38 127	0.28 313	0.15 205	0.33 236	0.32 308	0.52 261	0.47 271	0.38 255	0.43 230	0.39 238	0.29 236	0.91 356	0.28 224	0.14 299	0.08 223	0.13 281	0.11 248	0.12 251	0.10 206

CFNet_RVC	0.24 182	0.15 189	0.35 86	0.18 8	0.15 205	0.30 208	0.21 184	0.39 146	0.36 166	0.28 98	0.40 196	0.43 264	0.25 184	0.47 209	0.24 197	0.12 260	0.07 158	0.12 262	0.11 248	0.12 251	0.09 161

iResNetv2_ROB	0.27 221	0.26 308	0.72 311	0.23 171	0.13 131	0.29 191	0.18 86	0.52 261	0.49 289	0.37 247	0.45 251	0.39 238	0.25 184	0.34 168	0.20 139	0.08 99	0.06 72	0.07 14	0.05 9	0.12 251	0.09 161

DRN-Test	0.33 277	0.17 223	0.61 277	0.27 296	0.19 281	0.46 314	0.29 289	0.65 351	0.51 300	0.47 321	0.46 261	0.44 274	0.34 273	0.62 275	0.41 294	0.12 260	0.08 223	0.13 281	0.12 280	0.12 251	0.10 206

StereoDRNet	0.32 271	0.22 283	0.61 277	0.27 296	0.21 303	0.42 297	0.30 299	0.61 334	0.48 280	0.46 313	0.39 189	0.48 292	0.30 245	0.57 250	0.40 288	0.11 233	0.09 251	0.12 262	0.11 248	0.12 251	0.10 206

DISCO	0.32 271	0.13 136	0.51 241	0.25 245	0.16 228	0.48 324	0.25 256	0.50 238	0.57 326	0.37 247	0.45 251	0.62 337	0.36 281	0.64 282	0.49 317	0.09 164	0.07 158	0.09 120	0.08 109	0.12 251	0.11 231

MDST_ROB	0.48 341	0.14 164	0.95 354	0.30 324	0.21 303	1.33 397	0.32 308	0.77 374	0.56 323	1.06 383	0.71 344	0.49 296	0.35 277	1.26 385	0.38 273	0.13 276	0.11 286	0.16 321	0.13 298	0.12 251	0.12 253

iinet-f	0.30 255	0.18 235	1.03 365	0.20 57	0.15 205	0.44 307	0.22 200	0.45 197	0.37 175	0.35 227	0.44 239	0.41 254	0.34 273	0.34 168	0.40 288	0.10 206	0.09 251	0.08 65	0.08 109	0.13 264	0.11 231

AASNet	0.27 221	0.19 250	0.49 225	0.26 273	0.17 244	0.34 249	0.20 161	0.62 343	0.48 280	0.35 227	0.40 196	0.32 186	0.25 184	0.28 120	0.34 260	0.11 233	0.09 251	0.10 182	0.08 109	0.13 264	0.11 231

AACVNet	0.26 214	0.16 207	0.37 108	0.22 129	0.14 164	0.29 191	0.19 123	0.41 163	0.31 124	0.38 255	0.42 218	0.43 264	0.28 223	0.73 310	0.25 206	0.11 233	0.08 223	0.11 229	0.09 183	0.13 264	0.11 231

LCNet	0.21 116	0.11 63	0.29 36	0.25 245	0.12 77	0.23 110	0.19 123	0.34 87	0.26 65	0.28 98	0.35 148	0.26 130	0.30 245	0.35 177	0.17 90	0.07 16	0.05 6	0.09 120	0.10 215	0.13 264	0.22 349

LMCR-Stereo	0.26 214	0.18 235	0.49 225	0.28 313	0.14 164	0.36 263	0.23 220	0.54 279	0.34 150	0.39 270	0.40 196	0.29 160	0.29 236	0.37 183	0.27 222	0.11 233	0.07 158	0.09 120	0.07 50	0.13 264	0.09 161

Syn2CoEx	0.36 293	0.31 336	0.78 317	0.34 344	0.21 303	0.41 290	0.28 285	0.61 334	0.49 289	0.42 295	0.56 308	0.45 278	0.44 318	0.69 297	0.38 273	0.17 332	0.14 317	0.15 312	0.12 280	0.13 264	0.12 253

GwcNet	0.35 289	0.23 290	0.88 342	0.25 245	0.24 334	0.48 324	0.27 272	0.55 289	0.57 326	0.38 255	0.52 291	0.51 306	0.32 263	0.60 262	0.41 294	0.13 276	0.11 286	0.12 262	0.11 248	0.13 264	0.14 282

DMCA-RVC	0.27 221	0.21 271	0.61 277	0.28 313	0.17 244	0.29 191	0.21 184	0.42 175	0.35 156	0.40 278	0.37 167	0.39 238	0.36 281	0.43 198	0.30 240	0.13 276	0.10 269	0.15 312	0.11 248	0.13 264	0.10 206

FADNet-RVC-Resample	0.29 248	0.25 297	0.93 351	0.26 273	0.16 228	0.32 227	0.21 184	0.47 213	0.39 193	0.35 227	0.38 177	0.33 193	0.27 210	0.53 234	0.24 197	0.10 206	0.10 269	0.14 300	0.13 298	0.13 264	0.16 298

UCFNet_RVC	0.24 182	0.16 207	0.34 78	0.18 8	0.15 205	0.33 236	0.16 38	0.46 206	0.35 156	0.29 123	0.35 148	0.39 238	0.25 184	0.34 168	0.22 174	0.13 276	0.08 223	0.13 281	0.14 309	0.13 264	0.12 253

PSMNet_ROB	0.33 277	0.24 293	0.54 251	0.31 331	0.21 303	0.42 297	0.43 350	0.59 322	0.47 271	0.37 247	0.44 239	0.49 296	0.31 256	0.64 282	0.43 298	0.14 299	0.10 269	0.15 312	0.14 309	0.13 264	0.11 231

CBMV	0.33 277	0.21 271	0.54 251	0.23 171	0.13 131	0.42 297	0.33 318	0.53 272	0.48 280	0.52 336	0.49 275	0.50 302	0.41 305	0.56 247	0.31 244	0.15 310	0.16 338	0.18 334	0.16 328	0.13 264	0.13 265
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.34 284	0.29 325	0.91 347	0.26 273	0.21 303	0.47 320	0.31 303	0.54 279	0.54 314	0.44 306	0.52 291	0.50 302	0.35 277	0.39 189	0.39 281	0.11 233	0.11 286	0.10 182	0.09 183	0.14 276	0.13 265

UDGNet	0.23 159	0.31 336	0.38 127	0.24 208	0.14 164	0.24 125	0.18 86	0.32 67	0.43 226	0.29 123	0.28 79	0.24 104	0.19 121	0.29 133	0.20 139	0.15 310	0.07 158	0.21 347	0.11 248	0.14 276	0.10 206

dad	0.28 238	0.31 336	0.44 188	0.21 86	0.14 164	0.30 208	0.20 161	0.33 81	0.49 289	0.44 306	0.44 239	0.45 278	0.21 134	0.41 194	0.26 218	0.20 350	0.11 286	0.20 344	0.11 248	0.14 276	0.10 206

pcwnet_v2	0.32 271	0.15 189	1.26 379	0.23 171	0.18 263	0.32 227	0.18 86	0.59 322	0.60 332	0.36 242	0.45 251	0.35 213	0.29 236	0.36 181	0.25 206	0.14 299	0.11 286	0.12 262	0.11 248	0.14 276	0.15 291

FAT-Stereo	0.36 293	0.18 235	0.73 314	0.26 273	0.18 263	0.33 236	0.29 289	0.60 330	0.59 329	0.46 313	0.60 319	0.60 331	0.50 338	0.61 267	0.34 260	0.13 276	0.14 317	0.13 281	0.12 280	0.14 276	0.18 320

Nwc_Net	0.37 302	0.25 297	0.68 301	0.31 331	0.24 334	0.44 307	0.30 299	0.65 351	0.50 297	0.37 247	0.69 343	0.58 326	0.45 321	0.60 262	0.40 288	0.15 310	0.12 303	0.19 341	0.21 351	0.14 276	0.13 265

ADCL	0.47 339	0.22 283	1.00 359	0.27 296	0.19 281	0.74 365	0.64 379	0.54 279	0.69 351	0.56 345	0.71 344	0.55 317	0.60 353	0.60 262	1.43 388	0.11 233	0.09 251	0.13 281	0.13 298	0.14 276	0.14 282

ADCP+	0.45 336	0.24 293	1.15 373	0.25 245	0.22 318	0.56 344	0.39 341	0.54 279	0.51 300	0.44 306	0.51 283	0.46 284	0.52 343	0.56 247	1.89 399	0.10 206	0.08 223	0.11 229	0.10 215	0.14 276	0.13 265

GANet	0.36 293	0.22 283	0.49 225	0.29 316	0.17 244	0.41 290	0.38 336	0.57 310	0.45 252	0.46 313	0.75 350	0.55 317	0.40 301	0.94 361	0.41 294	0.13 276	0.13 313	0.13 281	0.11 248	0.14 276	0.11 231

CVANet_RVC	0.30 255	0.19 250	0.41 165	0.26 273	0.16 228	0.33 236	0.26 267	0.52 261	0.47 271	0.40 278	0.46 261	0.43 264	0.31 256	0.89 352	0.26 218	0.14 299	0.09 251	0.14 300	0.13 298	0.14 276	0.10 206

DeepPruner_ROB	0.26 214	0.19 250	0.44 188	0.21 86	0.16 228	0.30 208	0.21 184	0.52 261	0.32 132	0.35 227	0.38 177	0.39 238	0.26 193	0.42 196	0.24 197	0.15 310	0.11 286	0.11 229	0.11 248	0.14 276	0.13 265

CBMV_ROB	0.33 277	0.18 235	0.53 248	0.21 86	0.14 164	0.33 236	0.20 161	0.51 251	0.45 252	0.51 330	0.55 303	0.45 278	0.42 313	0.71 303	0.32 249	0.18 342	0.19 353	0.23 354	0.21 351	0.14 276	0.15 291

Wz-Net-MNSev	0.36 293	0.26 308	0.79 323	0.26 273	0.21 303	0.59 349	0.38 336	0.55 289	0.56 323	0.48 324	0.54 299	0.53 313	0.36 281	0.60 262	0.44 302	0.11 233	0.09 251	0.11 229	0.11 248	0.15 288	0.13 265

Anonymous	0.20 102	0.14 164	0.47 211	0.27 296	0.20 295	0.25 135	0.25 256	0.32 67	0.26 65	0.18 39	0.18 22	0.15 27	0.19 121	0.24 57	0.18 104	0.10 206	0.09 251	0.09 120	0.09 183	0.15 288	0.13 265

hitnet-ft	0.29 248	0.17 223	0.40 143	0.19 26	0.14 164	0.39 282	0.23 220	0.44 189	0.41 217	0.36 242	0.46 261	0.53 313	0.34 273	0.76 323	0.32 249	0.14 299	0.10 269	0.13 281	0.10 215	0.15 288	0.13 265

AF-Net	0.37 302	0.26 308	0.56 260	0.32 337	0.23 329	0.41 290	0.29 289	0.61 334	0.64 341	0.42 295	0.68 339	0.65 348	0.49 337	0.57 250	0.44 302	0.15 310	0.11 286	0.19 341	0.14 309	0.15 288	0.13 265

SGM-ForestM	1.36 394	0.28 318	0.79 323	0.26 273	0.16 228	2.26 408	1.00 401	1.42 396	1.46 395	2.38 407	2.05 402	5.95 417	2.66 409	2.95 408	2.46 406	0.17 332	0.18 349	0.18 334	0.18 342	0.15 288	0.18 320

PS-NSSS	0.32 271	0.30 331	0.46 204	0.23 171	0.17 244	0.33 236	0.24 242	0.57 310	0.41 217	0.37 247	0.52 291	0.35 213	0.30 245	0.80 336	0.30 240	0.17 332	0.14 317	0.21 347	0.15 317	0.15 288	0.13 265

XPNet_ROB	0.33 277	0.20 258	0.43 182	0.27 296	0.18 263	0.37 268	0.31 303	0.55 289	0.50 297	0.51 330	0.53 296	0.58 326	0.37 289	0.63 280	0.45 305	0.17 332	0.12 303	0.13 281	0.12 280	0.15 288	0.14 282

SGM-Forest	0.36 293	0.17 223	0.47 211	0.23 171	0.16 228	0.45 312	0.41 345	0.55 289	0.48 280	0.52 336	0.60 319	0.52 309	0.41 305	0.85 345	0.50 322	0.17 332	0.17 343	0.17 327	0.15 317	0.15 288	0.15 291
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
GMStereo_Zeroshot	0.24 182	0.21 271	0.45 198	0.26 273	0.13 131	0.28 172	0.15 26	0.39 146	0.35 156	0.37 247	0.43 230	0.40 251	0.17 86	0.34 168	0.20 139	0.12 260	0.07 158	0.13 281	0.07 50	0.16 296	0.09 161

HBP-ISP	0.33 277	0.30 331	0.72 311	0.22 129	0.16 228	0.32 227	0.22 200	0.54 279	0.44 240	0.41 287	0.49 275	0.33 193	0.38 293	0.73 310	0.25 206	0.18 342	0.19 353	0.24 356	0.20 348	0.16 296	0.13 265

Wz-Net-SNSev	0.43 329	0.41 362	1.27 380	0.30 324	0.21 303	0.44 307	0.41 345	0.61 334	0.65 342	0.46 313	0.65 333	0.62 337	0.39 298	0.74 317	0.59 335	0.12 260	0.11 286	0.12 262	0.13 298	0.16 296	0.14 282

SACVNet	0.30 255	0.20 258	0.41 165	0.25 245	0.18 263	0.34 249	0.25 256	0.52 261	0.40 206	0.41 287	0.44 239	0.46 284	0.32 263	0.71 303	0.25 206	0.13 276	0.10 269	0.12 262	0.12 280	0.16 296	0.17 306

APVNet	0.36 293	0.20 258	0.70 308	0.26 273	0.22 318	0.52 341	0.35 323	0.61 334	0.44 240	0.38 255	0.52 291	0.48 292	0.38 293	0.84 344	0.46 311	0.13 276	0.14 317	0.15 312	0.16 328	0.16 296	0.15 291

psmorigin	0.50 345	0.25 297	3.03 406	0.24 208	0.19 281	0.38 275	0.22 200	0.50 238	0.44 240	0.64 354	0.68 339	0.71 361	0.51 341	0.85 345	0.45 305	0.14 299	0.17 343	0.13 281	0.14 309	0.16 296	0.21 344

aanetorigin	0.39 314	0.29 325	1.09 368	0.24 208	0.19 281	0.28 172	0.37 330	0.33 81	0.47 271	0.94 375	0.82 358	0.52 309	0.54 344	0.49 216	0.50 322	0.11 233	0.09 251	0.10 182	0.10 215	0.16 296	0.15 291

S-Stereo	0.38 308	0.20 258	1.05 366	0.27 296	0.22 318	0.38 275	0.32 308	0.55 289	0.66 343	0.39 270	0.59 314	0.49 296	0.41 305	0.75 318	0.40 288	0.12 260	0.15 331	0.13 281	0.13 298	0.16 296	0.21 344

NCC-stereo	0.39 314	0.25 297	0.69 302	0.32 337	0.28 351	0.46 314	0.36 326	0.65 351	0.52 306	0.40 278	0.57 310	0.56 319	0.47 330	0.73 310	0.45 305	0.17 332	0.14 317	0.18 334	0.25 362	0.16 296	0.16 298

edge stereo	0.39 314	0.22 283	0.81 327	0.27 296	0.22 318	0.37 268	0.24 242	0.56 303	0.54 314	0.53 341	0.60 319	0.71 361	0.50 338	0.78 330	0.40 288	0.16 322	0.14 317	0.19 341	0.14 309	0.16 296	0.17 306

Abc-Net	0.39 314	0.25 297	0.69 302	0.32 337	0.28 351	0.46 314	0.36 326	0.65 351	0.52 306	0.40 278	0.57 310	0.56 319	0.47 330	0.73 310	0.45 305	0.17 332	0.14 317	0.18 334	0.25 362	0.16 296	0.16 298
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.38 308	0.34 344	1.00 359	0.30 324	0.25 341	0.33 236	0.44 353	0.50 238	0.54 314	0.41 287	0.45 251	0.39 238	0.26 193	0.93 358	0.48 314	0.15 310	0.14 317	0.15 312	0.16 328	0.16 296	0.17 306

NCCL2	0.35 289	0.26 308	0.49 225	0.36 354	0.22 318	0.41 290	0.41 345	0.53 272	0.42 221	0.47 321	0.46 261	0.61 335	0.39 298	0.55 239	0.37 271	0.16 322	0.13 313	0.21 347	0.21 351	0.16 296	0.16 298

ETE_ROB	0.34 284	0.26 308	0.45 198	0.29 316	0.18 263	0.40 287	0.37 330	0.57 310	0.47 271	0.50 325	0.50 277	0.62 337	0.36 281	0.55 239	0.38 273	0.13 276	0.10 269	0.14 300	0.12 280	0.16 296	0.16 298

SGM_RVC	0.50 345	0.19 250	0.50 235	0.25 245	0.15 205	0.69 360	0.39 341	0.68 365	0.82 367	0.95 377	0.84 360	1.13 377	0.76 369	1.16 378	0.60 337	0.16 322	0.16 338	0.16 321	0.16 328	0.16 296	0.17 306
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SDNR	0.42 325	0.21 271	0.82 330	0.21 86	0.18 263	1.27 394	0.17 59	0.50 238	0.49 289	0.42 295	0.81 357	0.38 227	0.27 210	1.19 379	0.38 273	0.23 354	0.24 369	0.17 327	0.13 298	0.17 311	0.20 337

RP	0.35 289	0.22 283	0.51 241	0.31 331	0.24 334	0.37 268	0.28 285	0.50 238	0.58 328	0.40 278	0.63 331	0.61 335	0.47 330	0.61 267	0.39 281	0.16 322	0.15 331	0.17 327	0.15 317	0.17 311	0.17 306

RTSC	0.39 314	0.28 318	0.78 317	0.27 296	0.18 263	0.49 327	0.22 200	0.59 322	0.84 372	0.55 344	0.53 296	0.49 296	0.36 281	0.67 294	0.82 356	0.13 276	0.10 269	0.11 229	0.12 280	0.17 311	0.17 306

DeepPrunerF	0.44 335	0.29 325	1.29 382	0.33 342	0.30 359	0.35 258	0.36 326	0.62 343	1.15 389	0.40 278	0.44 239	0.39 238	0.41 305	0.80 336	0.52 325	0.18 342	0.14 317	0.23 354	0.21 351	0.17 311	0.17 306

DANet	0.35 289	0.23 290	0.60 274	0.36 354	0.22 318	0.39 282	0.25 256	0.48 224	0.43 226	0.52 336	0.50 277	0.59 328	0.41 305	0.76 323	0.49 317	0.13 276	0.11 286	0.14 300	0.12 280	0.17 311	0.15 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FBW_ROB	0.43 329	0.26 308	0.54 251	0.31 331	0.20 295	0.51 332	0.32 308	0.70 367	0.60 332	0.59 348	0.55 303	0.65 348	0.41 305	1.40 390	0.51 324	0.13 276	0.17 343	0.21 347	0.16 328	0.17 311	0.18 320

SANet	0.53 354	0.28 318	0.96 355	0.26 273	0.15 205	0.69 360	0.44 353	0.67 362	1.34 391	0.67 357	0.98 370	0.94 372	0.71 367	0.89 352	0.76 350	0.14 299	0.12 303	0.12 262	0.11 248	0.17 311	0.16 298

NOSS_ROB	0.31 262	0.20 258	0.35 86	0.24 208	0.16 228	0.32 227	0.19 123	0.52 261	0.48 280	0.33 195	0.36 158	0.42 261	0.28 223	0.93 358	0.24 197	0.19 347	0.20 358	0.24 356	0.22 358	0.17 311	0.17 306

LALA_ROB	0.36 293	0.25 297	0.46 204	0.30 324	0.21 303	0.47 320	0.39 341	0.61 334	0.51 300	0.52 336	0.51 283	0.69 358	0.36 281	0.50 218	0.43 298	0.17 332	0.11 286	0.16 321	0.14 309	0.17 311	0.15 291

PWC_ROB	0.38 308	0.29 325	0.69 302	0.25 245	0.20 295	0.38 275	0.19 123	0.58 317	0.67 346	0.57 347	0.85 361	0.51 306	0.40 301	0.71 303	0.52 325	0.13 276	0.09 251	0.14 300	0.10 215	0.17 311	0.14 282

MeshStereo	0.58 360	0.27 315	0.67 297	0.22 129	0.17 244	0.66 358	0.37 330	0.78 375	0.61 335	1.47 403	1.30 382	1.65 391	0.79 371	1.12 376	0.59 335	0.17 332	0.17 343	0.17 327	0.14 309	0.17 311	0.14 282
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
FINET	0.34 284	0.27 315	0.80 325	0.24 208	0.24 334	0.36 263	0.34 320	0.54 279	0.72 356	0.39 270	0.47 268	0.32 186	0.30 245	0.51 223	0.32 249	0.19 347	0.17 343	0.13 281	0.12 280	0.18 322	0.16 298

RGC	0.39 314	0.32 341	0.64 292	0.34 344	0.27 348	0.40 287	0.29 289	0.57 310	0.53 310	0.45 310	0.64 332	0.62 337	0.45 321	0.72 308	0.39 281	0.15 310	0.15 331	0.21 347	0.20 348	0.18 322	0.19 327

RYNet	0.37 302	0.18 235	0.59 272	0.25 245	0.28 351	0.61 353	0.32 308	0.59 322	0.59 329	0.41 287	0.38 177	0.57 323	0.39 298	0.87 348	0.53 327	0.11 233	0.08 223	0.12 262	0.11 248	0.18 322	0.18 320

CSAN	0.50 345	0.35 347	0.78 317	0.36 354	0.23 329	0.56 344	0.59 376	0.61 334	0.70 353	0.64 354	0.78 354	0.65 348	0.60 353	1.38 389	0.62 340	0.21 351	0.17 343	0.20 344	0.20 348	0.18 322	0.18 320

WZ-Net	0.52 353	0.38 357	1.90 394	0.30 324	0.24 334	0.57 347	0.48 365	0.62 343	0.78 364	0.50 325	0.71 344	0.68 356	0.54 344	0.98 367	0.84 357	0.13 276	0.10 269	0.11 229	0.12 280	0.19 326	0.20 337

EDNetEfficient	0.63 366	0.37 355	2.40 400	0.26 273	0.25 341	0.38 275	0.49 367	0.41 163	1.06 384	1.38 393	0.87 365	0.62 337	0.95 382	0.65 288	1.65 392	0.11 233	0.09 251	0.10 182	0.11 248	0.19 326	0.17 306

FADNet-RVC	0.31 262	0.35 347	0.78 317	0.25 245	0.20 295	0.33 236	0.20 161	0.49 230	0.40 206	0.34 211	0.39 189	0.41 254	0.29 236	0.63 280	0.31 244	0.13 276	0.14 317	0.14 300	0.15 317	0.19 326	0.19 327

stereogan	0.37 302	0.17 223	0.65 293	0.27 296	0.22 318	0.62 354	0.26 267	0.59 322	0.63 340	0.43 301	0.60 319	0.67 353	0.42 313	0.68 295	0.35 264	0.13 276	0.14 317	0.14 300	0.12 280	0.19 326	0.17 306

ADCPNet	0.48 341	0.29 325	1.60 390	0.27 296	0.23 329	0.70 363	0.38 336	0.53 272	0.51 300	0.51 330	0.59 314	0.67 353	0.56 348	0.60 262	1.14 376	0.15 310	0.18 349	0.14 300	0.23 360	0.19 326	0.19 327

NVstereo2D	0.31 262	0.16 207	0.54 251	0.24 208	0.22 318	0.42 297	0.28 285	0.58 317	0.56 323	0.28 98	0.38 177	0.40 251	0.30 245	0.71 303	0.28 224	0.13 276	0.08 223	0.13 281	0.10 215	0.19 326	0.16 298

PWCDC_ROB	0.38 308	0.30 331	0.60 274	0.33 342	0.20 295	0.42 297	0.19 123	0.58 317	0.89 373	0.42 295	1.26 381	0.36 218	0.34 273	0.50 218	0.38 273	0.18 342	0.11 286	0.11 229	0.09 183	0.19 326	0.13 265

WCMA_ROB	0.51 349	0.21 271	0.65 293	0.25 245	0.21 303	0.58 348	0.32 308	0.54 279	0.55 320	0.95 377	1.40 385	1.28 384	0.81 374	0.73 310	0.62 340	0.18 342	0.15 331	0.15 312	0.15 317	0.19 326	0.19 327

SHD	0.42 325	0.27 315	0.81 327	0.31 331	0.25 341	0.42 297	0.22 200	0.66 357	0.94 380	0.63 352	0.60 319	0.59 328	0.47 330	0.59 261	0.58 334	0.15 310	0.13 313	0.16 321	0.16 328	0.20 334	0.22 349

ADCMid	0.49 343	0.34 344	1.13 372	0.26 273	0.21 303	0.51 332	0.37 330	0.57 310	0.54 314	0.75 366	0.66 335	0.62 337	0.64 363	0.64 282	1.68 393	0.13 276	0.12 303	0.17 327	0.17 337	0.20 334	0.17 306

AnyNet_C32	0.51 349	0.40 359	1.10 371	0.29 316	0.28 351	0.59 349	0.58 374	0.54 279	0.60 332	0.62 351	0.66 335	0.54 315	0.54 344	0.78 330	1.74 396	0.15 310	0.14 317	0.15 312	0.17 337	0.20 334	0.20 337

coex-ft	3.44 410	0.73 384	48.55 435	0.24 208	0.19 281	0.50 331	0.43 350	0.47 213	2.40 402	7.03 416	1.20 378	0.97 375	2.23 406	0.73 310	1.92 400	0.12 260	0.15 331	0.14 300	0.12 280	0.21 337	0.43 379

Wz-Net-TNSev	0.51 349	0.58 377	1.61 392	0.25 245	0.21 303	0.65 356	0.45 355	0.63 349	0.69 351	0.51 330	0.54 299	0.71 361	0.60 353	1.00 368	0.77 353	0.15 310	0.15 331	0.13 281	0.15 317	0.21 337	0.20 337

EDNetEfficientorigin	7.51 415	0.52 375	140.47 437	0.25 245	0.17 244	0.42 297	0.29 289	0.47 213	1.03 381	1.28 390	1.02 371	0.83 367	0.84 377	0.75 318	0.99 366	0.10 206	0.09 251	0.12 262	0.10 215	0.21 337	0.22 349

FADNet_RVC	0.30 255	0.28 318	0.83 331	0.23 171	0.15 205	0.30 208	0.17 59	0.49 230	0.37 175	0.30 151	0.38 177	0.30 170	0.27 210	0.52 229	0.31 244	0.14 299	0.14 317	0.14 300	0.16 328	0.21 337	0.23 355

RTS	0.78 380	0.48 367	4.68 408	0.34 344	0.28 351	1.12 387	0.46 357	0.62 343	1.03 381	0.73 362	0.89 366	0.60 331	0.59 351	1.61 393	1.16 379	0.14 299	0.11 286	0.15 312	0.15 317	0.21 337	0.19 327

RTSA	0.78 380	0.48 367	4.68 408	0.34 344	0.28 351	1.12 387	0.46 357	0.62 343	1.03 381	0.73 362	0.89 366	0.60 331	0.59 351	1.61 393	1.16 379	0.14 299	0.11 286	0.15 312	0.15 317	0.21 337	0.19 327

GASNet	0.36 293	0.46 363	0.88 342	0.34 344	0.23 329	0.35 258	0.22 200	0.60 330	0.53 310	0.40 278	0.37 167	0.45 278	0.30 245	0.79 332	0.35 264	0.15 310	0.10 269	0.14 300	0.14 309	0.22 343	0.12 253

G-Net	0.46 338	0.25 297	0.86 339	0.34 344	0.28 351	0.90 379	0.35 323	0.47 213	0.45 252	0.68 358	1.22 379	0.64 347	0.60 353	0.61 267	0.57 329	0.16 322	0.14 317	0.17 327	0.13 298	0.22 343	0.19 327

ADCS	0.58 360	0.40 359	1.35 385	0.29 316	0.24 334	0.55 343	0.45 355	0.67 362	0.83 370	0.76 367	0.71 344	0.68 356	0.60 353	0.76 323	2.23 404	0.16 322	0.16 338	0.16 321	0.17 337	0.22 343	0.22 349

sAnonymous2	0.20 102	0.21 271	0.58 268	0.24 208	0.17 244	0.22 93	0.19 123	0.34 87	0.28 87	0.17 28	0.19 25	0.17 39	0.16 63	0.17 11	0.14 40	0.10 206	0.07 158	0.09 120	0.08 109	0.23 346	0.17 306

CroCo_RVC	0.20 102	0.21 271	0.58 268	0.24 208	0.17 244	0.22 93	0.19 123	0.34 87	0.28 87	0.17 28	0.19 25	0.17 39	0.16 63	0.17 11	0.14 40	0.10 206	0.07 158	0.09 120	0.08 109	0.23 346	0.17 306

AnyNet_C01	0.65 368	0.58 377	2.60 403	0.32 337	0.26 346	0.88 377	0.61 377	0.63 349	0.62 337	0.68 358	0.96 369	0.76 364	0.60 353	0.96 364	1.43 388	0.16 322	0.16 338	0.17 327	0.17 337	0.23 346	0.23 355

FADNet	0.32 271	0.36 350	0.74 315	0.23 171	0.22 318	0.37 268	0.19 123	0.53 272	0.48 280	0.32 186	0.36 158	0.43 264	0.32 263	0.64 282	0.25 206	0.16 322	0.16 338	0.14 300	0.16 328	0.24 349	0.19 327

MFN_U_SF_DS_RVC	0.51 349	0.50 372	0.86 339	0.39 363	0.24 334	0.84 375	0.55 372	0.56 303	0.62 337	0.60 349	0.68 339	0.62 337	0.42 313	1.13 377	0.43 298	0.23 354	0.27 373	0.27 359	0.35 375	0.25 350	0.29 365

XQC	0.43 329	0.37 355	0.96 355	0.34 344	0.25 341	0.53 342	0.34 320	0.60 330	0.73 359	0.51 330	0.46 261	0.57 323	0.47 330	0.70 300	0.72 349	0.17 332	0.12 303	0.18 334	0.15 317	0.25 350	0.23 355

STTRV1_RVC	0.42 325	0.32 341	0.89 345	0.29 316	0.36 367	0.49 327	0.31 303	0.61 334	0.53 310	0.46 313	0.56 308	0.47 286	0.43 316	1.00 368	0.39 281	0.27 364	0.21 359	0.20 344	0.18 342	0.25 350	0.17 306

LSM	1.64 402	0.40 359	2.56 402	2.02 413	17.61 425	0.51 332	0.52 369	0.61 334	0.76 361	0.82 369	1.11 375	0.63 345	0.54 344	0.75 318	0.49 317	0.16 322	0.24 369	0.18 334	0.21 351	0.25 350	2.42 415

DPSNet	0.47 339	0.24 293	0.93 351	0.27 296	0.20 295	0.75 367	0.57 373	0.84 383	0.79 365	0.47 321	0.51 283	0.60 331	0.69 365	0.87 348	0.71 348	0.16 322	0.13 313	0.12 262	0.10 215	0.25 350	0.21 344

PDISCO_ROB	0.43 329	0.30 331	0.67 297	0.43 368	0.36 367	0.67 359	0.32 308	0.72 370	0.76 361	0.43 301	0.53 296	0.63 345	0.40 301	0.66 292	0.47 313	0.21 351	0.12 303	0.21 347	0.19 347	0.25 350	0.20 337

MSMD_ROB	0.60 364	0.33 343	0.61 277	0.30 324	0.25 341	0.86 376	0.35 323	0.55 289	0.67 346	1.10 385	1.49 390	1.76 394	0.97 385	0.88 351	0.49 317	0.23 354	0.21 359	0.27 359	0.27 368	0.25 350	0.24 359

ccnet	0.42 325	0.31 336	0.48 220	0.27 296	0.32 362	0.60 352	0.32 308	0.65 351	0.46 266	0.53 341	0.66 335	0.56 319	0.45 321	0.72 308	0.61 338	0.26 359	0.19 353	0.24 356	0.21 351	0.26 357	0.22 349

MaskLacGwcNet_RVC	0.36 293	0.36 350	0.53 248	0.34 344	0.19 281	0.51 332	0.24 242	0.55 289	0.38 187	0.41 287	0.47 268	0.47 286	0.27 210	0.73 310	0.30 240	0.36 376	0.19 353	0.27 359	0.17 337	0.26 357	0.23 355

FC-DCNN	0.70 373	0.30 331	0.69 302	0.32 337	0.27 348	0.81 374	0.39 341	0.79 378	0.82 367	1.41 396	1.58 395	1.98 396	1.26 394	1.02 371	0.77 353	0.24 357	0.22 364	0.27 359	0.26 366	0.26 357	0.26 361

FCDSN-DC	0.63 366	0.31 336	0.61 277	0.36 354	0.30 359	0.65 356	0.37 330	0.66 357	0.68 349	1.14 387	1.54 393	1.71 393	1.26 394	0.92 357	0.64 344	0.24 357	0.22 364	0.27 359	0.26 366	0.27 360	0.27 364
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	0.58 360	0.34 344	0.84 335	0.39 363	0.31 361	0.59 349	0.47 361	0.80 379	1.25 390	0.92 374	1.09 373	0.79 365	0.82 375	0.85 345	0.76 350	0.21 351	0.18 349	0.22 353	0.18 342	0.27 360	0.35 373

SAMSARA	0.56 356	0.39 358	0.80 325	0.60 382	0.46 375	1.00 383	1.23 409	0.67 362	0.68 349	0.71 361	0.54 299	0.89 371	0.57 350	0.81 339	0.62 340	0.19 347	0.22 364	0.18 334	0.18 342	0.27 360	0.25 360

GANetREF_RVC	0.43 329	0.47 365	0.69 302	0.38 361	0.20 295	0.51 332	0.48 365	0.66 357	0.66 343	0.46 313	0.46 261	0.50 302	0.44 318	0.90 355	0.39 281	0.27 364	0.21 359	0.32 369	0.18 342	0.27 360	0.22 349
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
MANE	1.41 395	0.36 350	0.74 315	0.43 368	0.41 372	2.16 407	0.80 391	2.39 411	3.38 405	2.22 406	3.06 408	3.54 410	2.73 410	2.15 405	1.94 401	0.28 368	0.27 373	0.30 367	0.46 383	0.28 364	0.34 372

PASM	0.45 336	0.35 347	0.90 346	0.35 353	0.33 363	0.39 282	0.38 336	0.50 238	0.61 335	0.52 336	0.51 283	0.62 337	0.45 321	0.93 358	0.48 314	0.26 359	0.29 377	0.29 365	0.33 373	0.29 365	0.26 361

ELAS_RVC	0.74 378	0.36 350	1.00 359	0.37 359	0.33 363	0.88 377	0.93 398	0.83 382	1.08 385	1.35 392	1.33 384	1.24 382	1.33 397	1.06 373	0.95 364	0.27 364	0.25 371	0.29 365	0.27 368	0.30 366	0.30 366
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.43 329	0.47 365	0.65 293	0.37 359	0.23 329	0.51 332	0.29 289	0.66 357	0.49 289	0.46 313	0.51 283	0.48 292	0.38 293	0.96 364	0.35 264	0.34 375	0.23 367	0.55 383	0.25 362	0.31 367	0.20 337

ELAS	0.74 378	0.36 350	0.85 338	0.36 354	0.33 363	1.36 398	0.77 389	0.93 386	0.92 377	1.41 396	1.53 392	1.16 380	1.17 390	0.95 363	1.03 368	0.26 359	0.25 371	0.28 364	0.28 371	0.31 367	0.30 366
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MFN_U_SF_RVC	0.56 356	0.51 374	1.19 374	0.38 361	0.22 318	0.69 360	0.27 272	0.80 379	0.67 346	0.73 362	0.74 349	0.87 368	0.61 362	0.81 339	0.76 350	0.29 370	0.27 373	0.32 369	0.37 379	0.32 369	0.31 368

Anonymous_2	0.37 302	0.21 271	0.47 211	0.20 57	0.21 303	0.42 297	0.26 267	0.38 135	0.29 105	0.33 195	0.30 99	0.44 274	0.38 293	0.36 181	0.29 234	0.26 359	0.29 377	0.44 377	1.41 411	0.34 370	0.21 344

UDG	0.40 320	0.46 363	0.49 225	0.40 365	0.35 366	0.47 320	0.27 272	0.54 279	0.47 271	0.39 270	0.45 251	0.59 328	0.44 318	0.46 206	0.39 281	0.26 359	0.19 353	0.48 379	0.22 358	0.34 370	0.26 361

NVStereoNet_ROB	0.67 370	0.49 371	0.83 331	0.48 374	0.40 371	0.51 332	0.46 357	0.70 367	0.77 363	0.84 370	1.72 396	1.02 376	0.83 376	1.23 383	0.79 355	0.32 373	0.38 384	0.40 375	0.46 383	0.36 372	0.41 378
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
DDUNet	0.41 322	0.50 372	0.48 220	0.44 370	0.39 369	0.46 314	0.32 308	0.50 238	0.43 226	0.45 310	0.52 291	0.57 323	0.36 281	0.48 211	0.33 256	0.33 374	0.21 359	0.55 383	0.25 362	0.37 373	0.32 371

MSC_U_SF_DS_RVC	0.68 371	0.64 381	1.06 367	0.45 371	0.27 348	1.40 400	0.58 374	0.78 375	0.92 377	0.84 370	0.86 362	0.88 370	0.68 364	1.33 388	0.68 347	0.37 378	0.29 377	0.34 371	0.36 378	0.43 374	0.37 374

MADNet+	1.01 387	1.16 404	4.72 410	0.70 386	0.47 376	1.24 393	0.96 399	0.97 387	0.89 373	0.65 356	0.77 353	0.87 368	0.85 379	2.09 403	1.68 393	0.38 379	0.39 385	0.31 368	0.27 368	0.43 374	0.39 376

SQANet	0.40 320	0.48 367	0.67 297	0.48 374	0.39 369	0.48 324	0.22 200	0.51 251	0.43 226	0.40 278	0.47 268	0.47 286	0.33 266	0.54 238	0.32 249	0.36 376	0.15 331	0.40 375	0.21 351	0.45 376	0.31 368

FADE		1.06 400		0.71 387	0.76 394							1.17 381				24.23 435	4.70 418	17.35 430	17.61 429	0.49 377

anonymity	0.56 356	0.54 376	0.70 308	0.47 373	0.61 385	0.56 344	0.43 350	0.69 366	0.49 289	0.63 352	0.55 303	0.54 315	0.60 353	0.61 267	0.57 329	0.55 385	0.53 393	0.50 380	0.54 391	0.51 378	0.56 387

Consistency-Raft	0.55 355	0.48 367	1.02 363	0.45 371	0.49 377	0.49 327	0.47 361	0.72 370	0.72 356	0.45 310	0.82 358	0.47 286	0.60 353	0.50 218	0.63 343	0.39 380	0.39 385	0.44 377	0.51 388	0.52 379	0.37 374

SGM+DAISY	0.87 382	0.66 383	1.30 383	0.51 377	0.60 384	1.03 384	0.84 395	0.76 373	0.73 359	1.39 394	1.51 391	1.31 385	1.22 392	1.11 374	1.08 370	0.57 387	0.53 393	0.51 382	0.51 388	0.54 380	0.61 394

SPS-STEREO	0.69 372	0.61 379	0.98 357	0.52 379	0.57 383	0.74 365	0.50 368	0.78 375	0.62 337	0.95 377	0.86 362	0.94 372	0.70 366	1.01 370	0.87 361	0.58 388	0.51 390	0.50 380	0.50 387	0.55 381	0.58 389
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
BEATNet-Init1	4.73 413	2.61 414	13.29 424	0.58 380	0.53 381	10.12 418	3.33 414	4.83 414	5.01 413	8.75 418	8.51 416	14.08 426	7.60 417	7.70 418	5.34 414	0.28 368	0.28 376	0.34 371	0.37 379	0.57 382	0.45 380

JetBlue	1.14 392	0.76 385	2.36 398	0.59 381	0.75 391	3.04 411	1.78 411	1.11 389	0.90 375	0.94 375	1.10 374	1.66 392	1.28 396	2.09 403	1.72 395	0.43 381	0.36 383	0.38 373	0.38 381	0.58 383	0.56 387

otaku	0.57 359	0.62 380	0.87 341	0.63 384	0.44 374	0.73 364	0.37 330	0.65 351	0.66 343	0.51 330	0.75 350	0.66 352	0.45 321	0.69 297	0.46 311	0.53 382	0.34 382	0.55 383	0.35 375	0.60 384	0.45 380

Ntro	0.58 360	0.64 381	0.92 349	0.66 385	0.50 378	0.77 368	0.36 326	0.66 357	0.70 353	0.50 325	0.59 314	0.65 348	0.51 341	0.75 318	0.45 305	0.56 386	0.32 381	0.56 386	0.34 374	0.63 385	0.46 383

DGSMNet	0.61 365	0.29 325	0.91 347	0.51 377	0.70 389	0.62 354	1.38 410	0.59 322	0.55 320	0.37 247	0.61 326	0.52 309	0.33 266	0.65 288	0.43 298	0.53 382	0.60 400	0.67 388	0.61 396	0.63 385	0.61 394

ACVNet_1	0.72 374	0.81 387	1.37 386	0.72 388	0.53 381	0.77 368	0.42 348	0.85 385	0.90 375	0.74 365	0.75 350	1.32 386	0.72 368	1.02 371	0.55 328	0.54 384	0.31 380	0.71 390	0.35 375	0.64 387	0.45 380

ACVNet-4b	0.72 374	0.81 387	1.33 384	0.72 388	0.50 378	0.80 373	0.31 303	0.71 369	0.80 366	0.50 325	0.72 348	0.95 374	0.43 316	0.96 364	1.20 383	1.13 408	0.21 359	0.76 392	0.45 382	0.65 388	0.46 383

DispFullNet	0.66 369	0.89 392	1.59 389	0.77 390	1.21 407	0.51 332	0.23 220	0.59 322	0.72 356	0.69 360	0.61 326	0.69 358	0.91 381	0.79 332	0.48 314	0.27 364	0.12 303	0.73 391	0.30 372	0.65 388	0.40 377

WAO-7	1.01 387	0.89 392	0.93 351	0.83 393	0.66 388	1.18 389	0.81 393	1.40 395	1.57 396	1.11 386	1.76 398	1.45 388	1.19 391	1.50 392	1.14 376	0.61 389	0.62 403	0.70 389	0.68 398	0.66 390	0.60 391

MFMNet_re	0.72 374	0.76 385	0.99 358	0.62 383	0.70 389	0.77 368	0.67 380	0.75 372	0.83 370	0.78 368	0.86 362	0.69 358	0.78 370	0.71 303	0.61 338	0.66 391	0.59 399	0.61 387	0.58 395	0.68 391	0.71 398

ACVNet_2	0.89 383	0.87 391	1.25 378	0.82 391	0.62 386	0.97 382	0.62 378	1.14 390	1.42 393	1.00 380	1.40 385	1.47 389	0.84 377	1.11 374	0.66 346	0.61 389	0.43 387	0.78 393	0.49 385	0.75 392	0.52 385

RainbowNet	0.72 374	0.89 392	1.02 363	0.82 391	0.63 387	0.78 371	0.52 369	0.81 381	0.93 379	0.60 349	0.79 355	0.80 366	0.60 353	0.80 336	0.57 329	0.78 395	0.55 396	0.78 393	0.49 385	0.76 393	0.58 389

WAO-6	1.07 390	0.93 395	0.92 349	0.96 395	0.78 395	1.28 395	0.75 386	1.34 393	2.00 400	1.02 382	1.54 393	1.59 390	1.22 392	1.31 387	1.14 376	0.78 395	0.55 396	1.02 401	0.75 402	0.83 394	0.69 397

IMH-64-1	0.91 384	0.86 389	0.84 335	0.97 396	0.75 391	0.92 380	0.71 382	1.27 391	1.10 386	0.89 372	1.45 387	1.14 378	0.96 383	1.19 379	0.84 357	0.74 392	0.51 390	0.97 397	0.55 392	0.84 395	0.60 391

IMH-64	0.91 384	0.86 389	0.84 335	0.97 396	0.75 391	0.92 380	0.71 382	1.27 391	1.10 386	0.89 372	1.45 387	1.14 378	0.96 383	1.19 379	0.84 357	0.74 392	0.51 390	0.97 397	0.55 392	0.84 395	0.60 391

IMH	1.05 389	0.95 396	1.00 359	1.01 398	0.78 395	1.11 386	0.68 381	1.38 394	1.43 394	1.00 380	1.72 396	1.43 387	1.14 387	1.73 398	0.89 362	1.09 405	0.55 396	0.99 399	0.57 394	0.87 397	0.62 396

LVE	1.13 391	1.02 397	1.28 381	1.01 398	0.80 398	1.29 396	0.81 393	1.47 398	1.96 398	1.07 384	1.90 399	1.90 395	1.01 386	1.48 391	0.91 363	0.93 402	0.61 402	0.94 396	0.69 399	0.87 397	0.75 402

WAO-8	1.46 398	1.10 402	1.09 368	1.10 401	0.84 399	2.06 404	0.75 386	1.84 404	3.83 408	1.44 400	2.21 404	2.15 398	1.43 399	3.17 409	1.19 381	0.91 400	0.65 405	1.09 402	0.79 403	0.90 399	0.71 398

Venus	1.46 398	1.10 402	1.09 368	1.10 401	0.84 399	2.06 404	0.75 386	1.84 404	3.83 408	1.44 400	2.21 404	2.15 398	1.43 399	3.17 409	1.19 381	0.91 400	0.65 405	1.09 402	0.79 403	0.90 399	0.71 398

Dean	1.17 393	1.04 399	1.49 388	1.03 400	0.78 395	1.20 392	0.77 389	1.48 399	1.96 398	1.28 390	1.99 401	2.15 398	1.14 387	1.25 384	1.00 367	0.81 397	0.60 400	1.01 400	0.69 399	0.92 401	0.74 401

PWCK	1.00 386	1.17 405	1.70 393	0.91 394	0.41 372	1.19 391	0.92 397	1.10 388	1.14 388	1.16 388	1.14 376	1.25 383	0.88 380	1.75 399	1.04 369	0.87 399	0.50 388	0.87 395	0.53 390	0.96 402	0.52 385

SuperB	0.49 343	0.28 318	2.23 396	0.23 171	0.15 205	0.41 290	0.32 308	0.47 213	0.82 367	0.43 301	0.50 277	0.33 193	0.45 321	0.68 295	1.08 370	0.10 206	0.07 158	0.09 120	0.08 109	0.98 403	0.14 282

UNDER WATER-64	1.55 400	1.19 406	2.52 401	1.31 406	0.95 403	2.12 406	1.21 408	1.45 397	3.19 404	1.43 399	1.32 383	2.64 405	2.04 405	1.63 395	1.83 397	1.11 406	0.67 407	1.28 407	0.92 406	1.19 404	1.02 407

UNDER WATER	1.59 401	1.22 407	2.36 398	1.38 407	1.03 404	1.67 403	1.10 405	1.54 402	3.63 406	1.44 400	1.47 389	2.85 407	2.25 407	1.67 396	1.94 401	1.06 404	0.62 403	1.31 408	0.93 407	1.21 405	1.02 407

TorneroNet-64	1.43 396	1.03 398	1.20 375	1.10 401	0.86 401	2.26 408	0.73 385	1.84 404	3.84 410	1.25 389	2.25 406	2.69 406	1.42 398	1.76 400	1.43 388	0.76 394	0.50 388	1.09 402	0.66 397	1.23 406	0.76 403

TorneroNet	2.22 406	1.08 401	1.24 377	1.14 405	0.90 402	5.58 413	0.80 391	2.12 409	8.69 417	2.58 408	5.42 413	3.88 411	1.97 404	1.78 402	1.87 398	0.86 398	0.54 395	1.15 406	0.74 401	1.23 406	0.85 404

notaker	1.45 397	1.34 408	1.48 387	1.40 408	1.07 405	1.18 389	0.85 396	1.48 399	1.40 392	1.51 404	3.46 409	2.40 403	1.81 403	1.76 400	1.45 391	1.11 406	0.69 408	1.38 409	0.87 405	1.31 408	0.97 406

SPstereo	14.25 422	1.73 412	2.83 405	1.84 412	1.57 412	23.16 429	43.27 429	35.72 436	29.56 436	20.86 433	20.62 427	26.34 437	21.82 429	25.23 436	19.62 428	1.56 411	1.42 411	2.96 415	2.17 413	1.31 408	1.33 412

ktn	1.77 404	1.36 409	1.22 376	1.43 409	1.14 406	1.52 401	1.08 404	1.51 401	3.96 411	2.77 410	4.69 411	3.35 409	1.46 401	1.69 397	1.25 385	1.43 410	0.77 409	1.45 410	0.99 408	1.32 410	0.96 405

KSHMR	1.89 405	1.36 409	1.60 390	1.47 410	1.22 408	1.38 399	1.06 403	1.79 403	5.97 414	1.42 398	5.65 415	2.98 408	1.14 387	2.23 406	1.20 383	1.27 409	1.12 410	1.46 411	1.10 410	1.32 410	1.15 409

JetRed	2.30 408	2.64 415	6.12 411	1.12 404	1.38 410	5.85 414	3.29 413	1.99 407	1.67 397	1.98 405	1.95 400	2.16 401	1.60 402	2.48 407	4.10 412	1.05 403	1.60 412	1.09 402	1.01 409	1.67 412	1.28 410

MADNet++	2.26 407	1.80 413	2.06 395	2.13 415	1.97 413	2.61 410	1.79 412	2.38 410	2.16 401	2.75 409	2.65 407	2.38 402	2.43 408	3.17 409	3.21 408	2.17 412	1.95 413	1.94 413	1.63 412	2.06 413	2.01 414

HanzoNet	2.97 409	1.69 411	2.29 397	1.74 411	1.33 409	1.53 402	1.03 402	1.99 407	2.64 403	5.51 413	5.16 412	5.90 416	6.82 416	4.32 414	3.29 409	3.16 414	2.02 415	1.92 412	2.87 416	2.24 414	1.89 413

tt	4.71 412	0.10 24	3.94 407	2.06 414	1.53 411	10.14 419	16.88 419	9.27 420	4.98 412	1.39 394	1.02 371	4.68 412	4.90 412	3.35 412	5.86 415	5.76 419	9.15 425	2.24 414	2.53 415	3.10 415	1.32 411

DPSimNet_ROB	4.34 411	4.23 416	6.89 413	3.67 416	3.68 414	4.75 412	5.21 415	2.67 412	3.68 407	5.82 414	3.95 410	5.57 413	6.72 415	3.46 413	4.48 413	4.05 417	2.88 416	4.68 418	3.12 417	3.69 416	3.62 417

DGTPSM_ROB	8.34 416	5.10 417	10.37 422	5.31 419	10.18 419	8.33 415	23.60 424	6.06 416	13.41 423	4.90 411	10.87 421	5.65 414	10.44 418	6.17 415	12.59 419	3.74 415	7.55 420	3.69 416	7.26 421	4.14 417	7.46 419

DPSMNet_ROB	8.40 417	5.11 418	10.49 423	5.58 420	10.25 420	8.34 416	23.62 425	6.07 417	13.45 424	4.93 412	10.88 422	5.66 415	10.44 418	6.24 416	12.64 420	3.98 416	7.61 421	3.76 417	7.30 422	4.20 418	7.51 420

ASD4	7.23 414	6.65 419	7.69 414	5.24 418	5.62 416	11.85 420	20.36 420	7.57 418	7.14 416	6.55 415	5.47 414	5.99 418	5.78 413	7.22 417	9.24 418	4.85 418	4.44 417	6.40 422	5.19 418	6.53 419	4.89 418

DPSM_ROB	11.49 420	9.87 424	10.35 420	11.13 422	11.31 421	19.11 427	27.51 427	13.37 425	14.21 426	10.31 422	11.06 423	10.96 424	11.27 424	11.96 425	13.59 422	6.78 421	8.19 423	6.03 419	7.09 419	7.93 420	7.73 422

DPSM	11.49 420	9.87 424	10.35 420	11.13 422	11.31 421	19.11 427	27.51 427	13.37 425	14.21 426	10.31 422	11.06 423	10.96 424	11.27 424	11.96 425	13.59 422	6.78 421	8.19 423	6.03 419	7.09 419	7.93 420	7.73 422

PML	16.10 426	12.82 427	6.78 412	5.23 417	7.76 417	33.92 430	66.56 436	5.30 415	10.28 418	26.12 435	68.59 436	20.51 428	13.49 426	10.06 420	6.78 417	5.96 420	2.00 414	6.04 421	2.18 414	8.96 422	2.60 416

xxxxx1	15.27 423	9.54 421	10.31 417	20.13 427	18.88 426	17.08 422	23.03 421	10.36 421	10.99 419	9.21 419	9.62 417	10.74 421	10.61 421	10.72 421	13.89 424	7.97 423	9.20 426	31.85 435	44.72 435	12.84 423	13.69 424

tt_ll	15.27 423	9.54 421	10.31 417	20.13 427	18.88 426	17.08 422	23.03 421	10.36 421	10.99 419	9.21 419	9.62 417	10.74 421	10.61 421	10.72 421	13.89 424	7.97 423	9.20 426	31.85 435	44.72 435	12.84 423	13.69 424

ff	15.27 423	9.54 421	10.31 417	20.13 427	18.88 426	17.08 422	23.03 421	10.36 421	10.99 419	9.21 419	9.62 417	10.74 421	10.61 421	10.72 421	13.89 424	7.97 423	9.20 426	31.85 435	44.72 435	12.84 423	13.69 424

LRCNet_RVC	10.90 419	14.34 428	9.35 415	15.35 424	8.04 418	1.08 385	0.34 320	8.78 419	0.70 353	12.63 425	16.05 425	9.85 419	6.54 414	8.57 419	6.34 416	20.27 433	5.40 419	23.70 432	21.88 431	14.87 426	13.83 427

MyStereo03	23.12 431	19.90 430	20.85 428	22.49 431	22.71 430	38.42 432	55.53 433	26.80 430	28.72 432	20.77 430	22.25 431	22.03 430	22.69 430	23.90 429	27.38 434	13.62 428	16.50 432	12.15 424	14.28 425	15.95 427	15.53 428

MyStereo02	23.12 431	19.90 430	20.85 428	22.49 431	22.71 430	38.42 432	55.53 433	26.80 430	28.72 432	20.77 430	22.25 431	22.03 430	22.69 430	23.90 429	27.38 434	13.62 428	16.50 432	12.15 424	14.28 425	15.95 427	15.53 428

MyStereo	23.12 431	19.90 430	20.85 428	22.49 431	22.71 430	38.42 432	55.53 433	26.80 430	28.72 432	20.77 430	22.25 431	22.03 430	22.69 430	23.90 429	27.38 434	13.62 428	16.50 432	12.15 424	14.28 425	15.95 427	15.53 428

CasAABBNet	23.10 430	19.86 429	20.64 427	22.47 430	22.73 433	38.41 431	55.50 432	26.89 433	28.70 431	20.61 428	22.15 430	22.08 433	22.75 433	23.99 432	27.36 432	13.59 426	16.48 430	12.14 423	14.27 424	15.95 427	15.53 428

Selective-RAFT-Error	23.16 434	19.93 433	20.87 431	22.54 434	22.81 434	38.52 436	55.47 431	27.01 435	28.83 435	20.66 429	22.25 431	22.09 434	22.80 435	24.09 433	27.36 432	13.61 427	16.48 430	12.15 424	14.28 425	15.99 431	15.57 432

LSM0	24.24 435	19.98 434	22.32 432	24.22 435	40.14 437	38.48 435	55.20 430	26.95 434	28.57 430	20.49 427	21.83 428	22.26 435	22.75 433	24.22 434	27.30 431	13.66 431	16.32 429	12.19 428	14.15 423	16.10 432	17.66 433

HaxPig	17.72 428	20.22 435	19.73 425	16.53 425	16.51 424	9.27 417	9.33 416	14.34 427	13.27 422	18.65 426	18.70 426	17.35 427	16.77 427	17.04 427	16.45 427	22.05 434	20.89 435	22.27 431	21.53 430	21.29 433	22.13 434

MEDIAN_ROB	21.21 429	24.62 436	23.47 433	19.58 426	19.65 429	13.22 421	10.96 417	17.88 428	17.00 428	22.14 434	22.02 429	20.86 429	20.36 428	21.06 428	19.71 429	25.63 436	24.13 436	26.21 433	25.20 432	25.17 434	25.38 435

AVERAGE_ROB	25.43 436	29.06 437	27.24 434	24.63 436	24.20 436	17.73 425	12.61 418	22.29 429	21.39 429	26.79 436	26.16 435	25.20 436	24.64 436	25.07 435	23.53 430	29.96 437	28.40 437	30.60 434	29.58 433	29.72 435	29.84 436

DLNR_Zeroshot_test	10.44 418	12.10 426	19.93 426	106.08 438	23.66 435	0.14 3	0.13 3	3.22 413	0.17 3	0.16 24	0.23 49	0.16 34	0.10 4	0.31 150	0.15 51	2.36 413	0.06 72	0.07 14	0.07 50	39.70 436	0.06 18

Anonymous_1	16.62 427	9.35 420	9.84 416	10.66 421	14.64 423	18.66 426	27.12 426	12.64 424	13.51 425	10.76 424	10.30 420	10.13 420	10.60 420	11.06 424	12.74 421	15.87 432	7.74 422	16.92 429	43.48 434	58.66 437	7.68 421

test_example2	101.33 437	108.28 438	68.15 436	98.43 437	106.93 438	89.75 437	102.43 437	36.80 437	97.65 437	129.04 437	130.15 437	65.26 438	66.62 437	92.11 437	80.24 437	144.10 438	199.48 438	81.81 438	103.01 438	125.01 438	101.27 437

Low-res two-view benchmark