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

MSKI-zero shot	0.09 7	0.05 5	0.09 24	0.16 60	0.07 14	0.10 56	0.13 45	0.15 21	0.14 54	0.09 14	0.09 23	0.09 37	0.06 6	0.12 91	0.11 69	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

LL-Strereo	0.13 155	0.10 234	0.12 85	0.20 262	0.10 214	0.11 77	0.18 227	0.33 291	0.25 205	0.16 170	0.16 101	0.14 127	0.14 188	0.19 241	0.11 69	0.06 50	0.05 79	0.09 225	0.08 210	0.04 1	0.05 42

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 120	0.12 3	0.11 15	0.08 4	0.09 23	0.06 3	0.09 65	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 108	0.06 2	0.08 22	0.12 23	0.13 9	0.08 1	0.08 4	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 77	0.12 23	0.11 1	0.16 82	0.06 1	0.05 1	0.07 17	0.05 2	0.10 15	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

ProNet	0.09 7	0.07 51	0.11 62	0.17 108	0.08 45	0.11 77	0.15 120	0.15 21	0.12 25	0.10 33	0.06 2	0.07 17	0.06 6	0.11 41	0.09 16	0.05 2	0.05 79	0.06 30	0.05 31	0.04 1	0.06 95

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 108	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 60	0.09 37	0.06 6	0.11 41	0.10 43	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

DCANet-4	0.11 69	0.07 51	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.18 86	0.20 139	0.13 101	0.17 117	0.09 37	0.14 188	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

fff	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

RAFT_CTSACE	0.12 131	0.09 180	0.10 38	0.22 304	0.08 45	0.12 102	0.24 318	0.18 86	0.17 97	0.21 247	0.27 245	0.13 111	0.07 28	0.13 128	0.09 16	0.05 2	0.06 186	0.08 158	0.07 158	0.04 1	0.04 4

test_4	0.11 69	0.10 234	0.08 6	0.19 220	0.09 121	0.08 22	0.21 289	0.15 21	0.18 107	0.12 77	0.18 137	0.12 89	0.09 65	0.08 5	0.11 69	0.04 1	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

IPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.11 77	0.14 75	0.20 121	0.15 66	0.13 101	0.18 137	0.07 17	0.07 28	0.14 145	0.14 170	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

MIPNet	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.12 102	0.14 75	0.21 132	0.25 205	0.12 77	0.10 36	0.09 37	0.07 28	0.13 128	0.13 146	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

GMOStereo	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

error version	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

test-v	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

test-3	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_1	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_3	0.11 69	0.09 180	0.10 38	0.21 288	0.08 45	0.13 121	0.25 334	0.14 15	0.21 152	0.10 33	0.10 36	0.09 37	0.10 78	0.08 5	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.04 1	0.04 4

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 280	0.10 56	0.13 45	0.18 86	0.19 121	0.09 14	0.09 23	0.09 37	0.07 28	0.10 15	0.08 9	0.07 140	0.05 79	0.07 98	0.07 158	0.04 1	0.04 4

ASMatch	0.11 69	0.06 17	0.13 108	0.17 108	0.10 214	0.08 22	0.14 75	0.18 86	0.16 82	0.12 77	0.16 101	0.16 162	0.11 102	0.13 128	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.09 242

RAFT-345	0.11 69	0.07 51	0.16 205	0.17 108	0.08 45	0.08 22	0.12 23	0.16 35	0.10 6	0.11 59	0.34 299	0.09 37	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.06 81	0.04 1	0.05 42

test-2	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 350	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

cross-raft	0.10 45	0.09 180	0.09 24	0.19 220	0.07 14	0.11 77	0.24 318	0.13 9	0.15 66	0.08 4	0.10 36	0.12 89	0.10 78	0.09 10	0.11 69	0.05 2	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

test-1	0.10 45	0.07 51	0.17 224	0.19 220	0.08 45	0.11 77	0.24 318	0.15 21	0.18 107	0.09 14	0.07 13	0.10 56	0.08 48	0.08 5	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.04 1	0.05 42

iRaftStereo_RVC	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.11 77	0.17 189	0.18 86	0.12 25	0.09 14	0.11 50	0.10 56	0.07 28	0.11 41	0.10 43	0.05 2	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 15	0.14 54	0.10 33	0.14 78	0.08 23	0.07 28	0.10 15	0.11 69	0.06 50	0.04 2	0.05 2	0.05 31	0.04 1	0.04 4
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	0.10 45	0.06 17	0.08 6	0.15 35	0.05 1	0.16 192	0.18 227	0.16 35	0.15 66	0.10 33	0.11 50	0.11 70	0.11 102	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

XX-Stereo	0.09 7	0.05 5	0.09 24	0.17 108	0.09 121	0.15 170	0.12 23	0.21 132	0.10 6	0.10 33	0.14 78	0.07 17	0.06 6	0.13 128	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

csc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

cscssc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

RAFT-Stereo + iAFF	0.09 7	0.06 17	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.17 62	0.15 66	0.10 33	0.10 36	0.08 23	0.09 65	0.12 91	0.10 43	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.03 1

AFF-stereo	0.09 7	0.07 51	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.18 86	0.10 6	0.10 33	0.11 50	0.09 37	0.10 78	0.12 91	0.10 43	0.05 2	0.04 2	0.07 98	0.07 158	0.04 1	0.04 4

CFNet-RSSM	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.09 36	0.15 120	0.17 62	0.18 107	0.08 4	0.12 60	0.11 70	0.09 65	0.12 91	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

Gwc-CoAtRS	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.10 56	0.15 120	0.18 86	0.17 97	0.08 4	0.10 36	0.12 89	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

AE-Stereo	0.10 45	0.08 133	0.11 62	0.19 220	0.09 121	0.10 56	0.15 120	0.14 15	0.20 139	0.09 14	0.15 89	0.12 89	0.08 48	0.11 41	0.10 43	0.05 2	0.06 186	0.07 98	0.06 81	0.05 36	0.04 4

ff7	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEVStereo-DCA	0.09 7	0.07 51	0.11 62	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

ffff	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

rrr	0.09 7	0.07 51	0.13 108	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.15 66	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

11t	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

StereoIM	0.09 7	0.09 180	0.08 6	0.17 108	0.09 121	0.14 150	0.11 10	0.16 35	0.16 82	0.09 14	0.11 50	0.06 3	0.06 6	0.09 10	0.13 146	0.07 140	0.06 186	0.08 158	0.05 31	0.05 36	0.04 4

IGEV_Zeroshot_test	0.09 7	0.05 5	0.13 108	0.14 11	0.08 45	0.12 102	0.13 45	0.17 62	0.11 15	0.10 33	0.06 2	0.09 37	0.06 6	0.11 41	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

AEACV	0.09 7	0.05 5	0.08 6	0.14 11	0.13 300	0.14 150	0.13 45	0.15 21	0.09 2	0.07 2	0.09 23	0.07 17	0.08 48	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

RAFT-Test	0.09 7	0.06 17	0.10 38	0.16 60	0.07 14	0.11 77	0.15 120	0.16 35	0.13 40	0.09 14	0.10 36	0.11 70	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

HH	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

HanStereo	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 108	0.08 45	0.10 56	0.13 45	0.12 3	0.09 2	0.09 14	0.10 36	0.08 23	0.06 6	0.09 10	0.09 16	0.08 189	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

LoS	0.09 7	0.05 5	0.11 62	0.13 6	0.07 14	0.14 150	0.11 10	0.15 21	0.15 66	0.09 14	0.09 23	0.12 89	0.09 65	0.15 159	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	0.05 42

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 75	0.11 1	0.09 2	0.08 4	0.09 23	0.11 70	0.07 28	0.12 91	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 252	0.11 77	0.17 189	0.18 86	0.17 97	0.11 59	0.18 137	0.11 70	0.10 78	0.15 159	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

anonymousa	0.13 155	0.07 51	0.14 144	0.18 175	0.09 121	0.13 121	0.17 189	0.20 121	0.29 246	0.15 143	0.24 192	0.16 162	0.14 188	0.14 145	0.14 170	0.07 140	0.05 79	0.07 98	0.09 248	0.05 36	0.07 147

RCA-Stereo	0.09 7	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 86	0.14 54	0.10 33	0.11 50	0.08 23	0.07 28	0.12 91	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

TestStereo1	0.13 155	0.08 133	0.08 6	0.20 262	0.08 45	0.18 228	0.29 360	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

ccc-4	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

ADStereo(finetuned)	0.10 45	0.06 17	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.12 130	0.12 91	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

raft_robust	0.13 155	0.10 234	0.07 1	0.18 175	0.08 45	0.13 121	0.24 318	0.29 254	0.34 278	0.20 238	0.20 157	0.15 148	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.07 158	0.05 36	0.04 4

SA-5K	0.13 155	0.08 133	0.08 6	0.20 262	0.08 45	0.18 228	0.29 360	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

Sa-1000	0.12 131	0.08 133	0.09 24	0.18 175	0.08 45	0.15 170	0.22 299	0.22 151	0.19 121	0.15 143	0.20 157	0.17 178	0.11 102	0.10 15	0.10 43	0.06 50	0.05 79	0.09 225	0.09 248	0.05 36	0.05 42

SA	0.13 155	0.09 180	0.09 24	0.18 175	0.08 45	0.12 102	0.24 318	0.23 165	0.19 121	0.17 180	0.27 245	0.15 148	0.11 102	0.11 41	0.11 69	0.05 2	0.05 79	0.09 225	0.08 210	0.05 36	0.05 42

IGEV-Stereo	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 131	0.09 180	0.12 85	0.20 262	0.08 45	0.09 36	0.12 23	0.22 151	0.22 170	0.19 218	0.14 78	0.11 70	0.09 65	0.20 254	0.16 217	0.05 2	0.05 79	0.07 98	0.06 81	0.05 36	0.06 95

CIPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.16 82	0.14 122	0.11 50	0.16 162	0.10 78	0.17 213	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

GLC_STEREO	0.11 69	0.07 51	0.11 62	0.18 175	0.07 14	0.08 22	0.13 45	0.16 35	0.24 189	0.12 77	0.13 71	0.12 89	0.08 48	0.18 222	0.12 119	0.06 50	0.08 266	0.08 158	0.06 81	0.05 36	0.05 42

IPLGR_C	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.12 102	0.15 120	0.17 62	0.15 66	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

IPLGR	0.11 69	0.09 180	0.17 224	0.18 175	0.08 45	0.13 121	0.16 169	0.21 132	0.24 189	0.12 77	0.12 60	0.11 70	0.09 65	0.13 128	0.12 119	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.04 4

ACRE	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.14 54	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

CrosDoStereo	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

HHNet	0.11 69	0.06 17	0.16 205	0.15 35	0.14 315	0.07 15	0.13 45	0.20 121	0.18 107	0.15 143	0.25 218	0.11 70	0.09 65	0.13 128	0.10 43	0.06 50	0.04 2	0.08 158	0.06 81	0.05 36	0.09 242

STrans-v2	0.10 45	0.07 51	0.13 108	0.18 175	0.08 45	0.10 56	0.14 75	0.22 151	0.11 15	0.11 59	0.15 89	0.12 89	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

TransformOpticalFlow	0.10 45	0.08 133	0.13 108	0.18 175	0.07 14	0.09 36	0.15 120	0.19 110	0.16 82	0.12 77	0.16 101	0.11 70	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

OMP-Stereo	0.11 69	0.07 51	0.14 144	0.18 175	0.08 45	0.09 36	0.12 23	0.21 132	0.21 152	0.13 101	0.14 78	0.11 70	0.12 130	0.11 41	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.05 36	0.04 4

DeepStereo_LL	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

DEmStereo	0.12 131	0.06 17	0.14 144	0.14 11	0.10 214	0.16 192	0.15 120	0.16 35	0.24 189	0.17 180	0.23 183	0.12 89	0.14 188	0.12 91	0.14 170	0.05 2	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

THIR-Stereo	0.12 131	0.07 51	0.11 62	0.15 35	0.08 45	0.14 150	0.16 169	0.18 86	0.25 205	0.17 180	0.24 192	0.13 111	0.13 159	0.12 91	0.14 170	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

DRaft	0.12 131	0.06 17	0.12 85	0.14 11	0.09 121	0.14 150	0.17 189	0.21 132	0.30 251	0.18 208	0.27 245	0.10 56	0.16 217	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.07 158	0.05 36	0.05 42

PFNet	0.12 131	0.06 17	0.17 224	0.18 175	0.08 45	0.09 36	0.15 120	0.26 207	0.20 139	0.16 170	0.16 101	0.14 127	0.12 130	0.13 128	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

RAFT-RH_RVC	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.12 102	0.12 23	0.17 62	0.12 25	0.13 101	0.40 328	0.11 70	0.10 78	0.13 128	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

AnonymousM	0.10 45	0.06 17	0.10 38	0.14 11	0.07 14	0.09 36	0.13 45	0.19 110	0.14 54	0.13 101	0.12 60	0.09 37	0.08 48	0.13 128	0.10 43	0.08 189	0.05 79	0.08 158	0.05 31	0.05 36	0.05 42

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 304	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.07 2	0.07 13	0.08 23	0.06 6	0.08 5	0.07 1	0.07 140	0.05 79	0.06 30	0.04 7	0.05 36	0.04 4
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	0.11 69	0.07 51	0.09 24	0.16 60	0.07 14	0.10 56	0.11 10	0.24 182	0.20 139	0.12 77	0.15 89	0.12 89	0.08 48	0.12 91	0.13 146	0.07 140	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

raftrobust	0.09 7	0.06 17	0.11 62	0.17 108	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 89	0.08 48	0.12 91	0.10 43	0.08 189	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

sCroCo_RVC	0.12 131	0.09 180	0.24 299	0.24 329	0.11 252	0.19 243	0.14 75	0.17 62	0.15 66	0.10 33	0.13 71	0.12 89	0.07 28	0.14 145	0.11 69	0.08 189	0.08 266	0.08 158	0.08 210	0.05 36	0.07 147

DCANet	0.10 45	0.06 17	0.12 85	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.11 102	0.11 41	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

test_xeample3	0.09 7	0.07 51	0.12 85	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.14 54	0.10 33	0.07 13	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

EAI-Stereo	0.09 7	0.07 51	0.11 62	0.16 60	0.07 14	0.10 56	0.15 120	0.16 35	0.09 2	0.08 4	0.09 23	0.08 23	0.07 28	0.09 10	0.11 69	0.05 2	0.05 79	0.05 2	0.05 31	0.05 36	0.04 4

DIP-Stereo	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.13 121	0.09 3	0.16 35	0.16 82	0.12 77	0.16 101	0.14 127	0.12 130	0.16 184	0.14 170	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 147
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42

RAFT-Stereo	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MLCV	0.13 155	0.08 133	0.17 224	0.18 175	0.06 2	0.16 192	0.17 189	0.19 110	0.22 170	0.19 218	0.25 218	0.17 178	0.13 159	0.15 159	0.14 170	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

tta	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.06 92	0.06 95

qqq1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

fff1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

MyStereo07	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.15 21	0.15 66	0.09 14	0.06 2	0.06 3	0.07 28	0.12 91	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo06	0.10 45	0.07 51	0.12 85	0.17 108	0.09 121	0.13 121	0.18 227	0.19 110	0.12 25	0.13 101	0.08 17	0.07 17	0.07 28	0.11 41	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo05	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.13 121	0.18 227	0.28 240	0.35 289	0.17 180	0.14 78	0.15 148	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo04	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.29 254	0.38 305	0.17 180	0.14 78	0.16 162	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

CoDeX	0.12 131	0.07 51	0.13 108	0.17 108	0.08 45	0.12 102	0.16 169	0.23 165	0.27 227	0.13 101	0.17 117	0.15 148	0.12 130	0.14 145	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

cc1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

DualNet	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

ffm	0.12 131	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.08 9	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

ff1	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

tt1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.15 21	0.19 121	0.09 14	0.08 17	0.06 3	0.06 6	0.10 15	0.08 9	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

test croco	0.11 69	0.09 180	0.10 38	0.19 220	0.09 121	0.11 77	0.14 75	0.14 15	0.13 40	0.13 101	0.15 89	0.09 37	0.12 130	0.13 128	0.12 119	0.07 140	0.05 79	0.09 225	0.06 81	0.06 92	0.06 95

StereoVision	0.14 180	0.13 286	0.10 38	0.24 329	0.10 214	0.16 192	0.21 289	0.21 132	0.20 139	0.12 77	0.25 218	0.10 56	0.10 78	0.16 184	0.10 43	0.09 231	0.10 308	0.12 309	0.12 320	0.06 92	0.05 42

MIF-Stereo (partial)	0.11 69	0.06 17	0.10 38	0.19 220	0.10 214	0.10 56	0.12 23	0.17 62	0.19 121	0.14 122	0.16 101	0.10 56	0.11 102	0.12 91	0.12 119	0.08 189	0.05 79	0.08 158	0.07 158	0.06 92	0.07 147

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 175	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 60	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 186	0.05 2	0.05 31	0.06 92	0.05 42

MIM_Stereo	0.10 45	0.07 51	0.11 62	0.15 35	0.07 14	0.07 15	0.12 23	0.20 121	0.14 54	0.13 101	0.14 78	0.09 37	0.05 2	0.12 91	0.08 9	0.05 2	0.06 186	0.07 98	0.06 81	0.06 92	0.05 42

CASnet	0.09 7	0.09 180	0.09 24	0.19 220	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 59	0.10 36	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 266	0.08 210	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 45	0.05 5	0.10 38	0.15 35	0.07 14	0.13 121	0.14 75	0.21 132	0.15 66	0.11 59	0.12 60	0.13 111	0.10 78	0.13 128	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

LL-Strereo2	0.11 69	0.10 234	0.16 205	0.18 175	0.08 45	0.15 170	0.09 3	0.17 62	0.14 54	0.14 122	0.11 50	0.09 37	0.07 28	0.16 184	0.10 43	0.05 2	0.05 79	0.11 292	0.07 158	0.06 92	0.05 42

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 175	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 50	0.10 56	0.07 28	0.12 91	0.09 16	0.05 2	0.03 1	0.08 158	0.07 158	0.06 92	0.05 42

anonymousdsp2	0.11 69	0.07 51	0.11 62	0.16 60	0.09 121	0.13 121	0.14 75	0.19 110	0.23 179	0.13 101	0.14 78	0.12 89	0.09 65	0.14 145	0.11 69	0.05 2	0.05 79	0.05 2	0.04 7	0.06 92	0.06 95

Selective-RAFT	0.11 69	0.11 252	0.12 85	0.21 288	0.08 45	0.16 192	0.13 45	0.21 132	0.23 179	0.10 33	0.10 36	0.11 70	0.10 78	0.15 159	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

CroCo-Stereo Lap2	0.09 7	0.09 180	0.08 6	0.22 304	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.09 14	0.10 36	0.05 1	0.05 2	0.08 5	0.08 9	0.06 50	0.06 186	0.07 98	0.05 31	0.06 92	0.05 42

DisPM	0.11 69	0.07 51	0.13 108	0.16 60	0.09 121	0.06 2	0.13 45	0.18 86	0.17 97	0.14 122	0.19 148	0.12 89	0.10 78	0.12 91	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.11 285

iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 121	0.12 102	0.15 120	0.19 110	0.11 15	0.11 59	0.08 17	0.08 23	0.05 2	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

PFNet+	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.05 1	0.12 23	0.18 86	0.21 152	0.16 170	0.19 148	0.14 127	0.10 78	0.11 41	0.11 69	0.08 189	0.05 79	0.09 225	0.08 210	0.06 92	0.11 285

LCNet	0.11 69	0.07 51	0.09 24	0.19 220	0.09 121	0.08 22	0.14 75	0.21 132	0.15 66	0.12 77	0.15 89	0.16 162	0.11 102	0.12 91	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.14 326

AAGNet	0.12 131	0.08 133	0.17 224	0.19 220	0.09 121	0.08 22	0.13 45	0.19 110	0.13 40	0.16 170	0.21 173	0.13 111	0.14 188	0.11 41	0.14 170	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

IIG-Stereo	0.11 69	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.12 23	0.22 151	0.18 107	0.14 122	0.17 117	0.12 89	0.13 159	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

NRIStereo	0.11 69	0.08 133	0.15 170	0.18 175	0.08 45	0.10 56	0.13 45	0.17 62	0.15 66	0.12 77	0.15 89	0.13 111	0.13 159	0.13 128	0.10 43	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.07 147

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 262	0.09 121	0.10 56	0.14 75	0.21 132	0.13 40	0.12 77	0.14 78	0.18 190	0.11 102	0.11 41	0.10 43	0.05 2	0.05 79	0.09 225	0.08 210	0.06 92	0.14 326

FTStereo	0.12 131	0.07 51	0.14 144	0.18 175	0.09 121	0.07 15	0.15 120	0.22 151	0.18 107	0.12 77	0.24 192	0.11 70	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.07 98	0.07 158	0.06 92	0.10 264

KYRaft	0.12 131	0.07 51	0.10 38	0.19 220	0.09 121	0.08 22	0.15 120	0.23 165	0.12 25	0.13 101	0.16 101	0.20 209	0.10 78	0.12 91	0.11 69	0.06 50	0.04 2	0.08 158	0.08 210	0.06 92	0.15 341

RAFT_R40	0.11 69	0.07 51	0.15 170	0.18 175	0.09 121	0.06 2	0.13 45	0.17 62	0.15 66	0.14 122	0.18 137	0.15 148	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

GrayStereo	0.11 69	0.06 17	0.11 62	0.19 220	0.09 121	0.09 36	0.16 169	0.18 86	0.17 97	0.14 122	0.17 117	0.17 178	0.11 102	0.12 91	0.11 69	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

Pruner-Stereo	0.11 69	0.07 51	0.12 85	0.17 108	0.09 121	0.06 2	0.12 23	0.18 86	0.17 97	0.14 122	0.19 148	0.13 111	0.10 78	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.08 210

IRAFT_RVC	0.12 131	0.08 133	0.17 224	0.19 220	0.08 45	0.07 15	0.14 75	0.25 199	0.23 179	0.14 122	0.15 89	0.15 148	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.06 95

RAFT	0.13 155	0.09 180	0.11 62	0.18 175	0.08 45	0.15 170	0.23 310	0.21 132	0.20 139	0.21 247	0.21 173	0.18 190	0.13 159	0.17 213	0.10 43	0.06 50	0.07 240	0.10 266	0.09 248	0.06 92	0.05 42

GMM-Stereo	0.11 69	0.07 51	0.10 38	0.18 175	0.09 121	0.08 22	0.14 75	0.24 182	0.16 82	0.11 59	0.15 89	0.13 111	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.09 242

Prome-Stereo	0.11 69	0.07 51	0.11 62	0.18 175	0.09 121	0.12 102	0.14 75	0.23 165	0.13 40	0.13 101	0.16 101	0.13 111	0.08 48	0.12 91	0.10 43	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

TANstereo	0.09 7	0.04 1	0.08 6	0.13 6	0.06 2	0.11 77	0.13 45	0.15 21	0.19 121	0.11 59	0.15 89	0.10 56	0.07 28	0.12 91	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

XX-TBD	0.09 7	0.06 17	0.07 1	0.14 11	0.07 14	0.13 121	0.16 169	0.14 15	0.14 54	0.11 59	0.12 60	0.09 37	0.08 48	0.10 15	0.10 43	0.06 50	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

RALAANet	0.11 69	0.08 133	0.10 38	0.17 108	0.09 121	0.14 150	0.10 5	0.20 121	0.16 82	0.14 122	0.13 71	0.16 162	0.09 65	0.12 91	0.12 119	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.04 4

111	0.11 69	0.06 17	0.12 85	0.15 35	0.07 14	0.10 56	0.14 75	0.21 132	0.24 189	0.11 59	0.12 60	0.14 127	0.12 130	0.13 128	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.06 92	0.05 42

ARAFT	0.12 131	0.08 133	0.18 250	0.19 220	0.09 121	0.15 170	0.17 189	0.20 121	0.13 40	0.12 77	0.13 71	0.14 127	0.12 130	0.15 159	0.13 146	0.06 50	0.05 79	0.10 266	0.09 248	0.06 92	0.04 4

RAFT + AFF	0.13 155	0.08 133	0.21 280	0.20 262	0.10 214	0.14 150	0.23 310	0.27 219	0.21 152	0.12 77	0.10 36	0.12 89	0.10 78	0.16 184	0.12 119	0.08 189	0.07 240	0.09 225	0.09 248	0.06 92	0.09 242

delet	0.17 253	0.09 180	0.18 250	0.19 220	0.11 252	0.21 270	0.22 299	0.30 264	0.38 305	0.17 180	0.27 245	0.19 194	0.19 262	0.19 241	0.21 269	0.08 189	0.08 266	0.09 225	0.11 302	0.06 92	0.07 147

CREStereo	0.09 7	0.05 5	0.08 6	0.11 1	0.06 2	0.14 150	0.14 75	0.14 15	0.10 6	0.09 14	0.13 71	0.09 37	0.08 48	0.12 91	0.10 43	0.08 189	0.04 2	0.05 2	0.03 1	0.06 92	0.06 95
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
cf-r	0.14 180	0.07 51	0.13 108	0.16 60	0.08 45	0.14 150	0.19 262	0.21 132	0.25 205	0.17 180	0.26 230	0.22 231	0.17 238	0.14 145	0.15 200	0.10 262	0.05 79	0.06 30	0.08 210	0.06 92	0.06 95

BEATNet_4x	0.12 131	0.09 180	0.15 170	0.18 175	0.07 14	0.15 170	0.07 1	0.23 165	0.19 121	0.16 170	0.19 148	0.19 194	0.14 188	0.17 213	0.15 200	0.07 140	0.05 79	0.05 2	0.05 31	0.06 92	0.07 147

RASNet	0.15 212	0.07 51	0.15 170	0.16 60	0.08 45	0.19 243	0.14 75	0.30 264	0.21 152	0.17 180	0.25 218	0.21 215	0.19 262	0.20 254	0.20 258	0.07 140	0.06 186	0.06 30	0.08 210	0.06 92	0.06 95

HITNet	0.11 69	0.06 17	0.12 85	0.14 11	0.06 2	0.12 102	0.10 5	0.18 86	0.18 107	0.13 101	0.17 117	0.15 148	0.11 102	0.15 159	0.14 170	0.06 50	0.04 2	0.04 1	0.04 7	0.06 92	0.05 42
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	0.13 155	0.10 234	0.18 250	0.19 220	0.08 45	0.14 150	0.18 227	0.21 132	0.27 227	0.16 170	0.24 192	0.15 148	0.13 159	0.14 145	0.15 200	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

Former-RAFT_DAM_RVC	0.11 69	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.18 86	0.19 121	0.10 33	0.09 23	0.09 37	0.08 48	0.11 41	0.12 119	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.06 95

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

xx1	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.16 162	0.16 217	0.10 15	0.07 1	0.06 50	0.05 79	0.08 158	0.08 210	0.07 147	0.07 147

1test111	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.15 159	0.16 217	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

1111x	0.16 235	0.09 180	0.13 108	0.18 175	0.08 45	0.18 228	0.25 334	0.32 281	0.25 205	0.17 180	0.24 192	0.27 274	0.15 206	0.14 145	0.24 303	0.07 140	0.07 240	0.08 158	0.09 248	0.07 147	0.07 147

whm_eth	0.14 180	0.09 180	0.21 280	0.21 288	0.12 280	0.12 102	0.16 169	0.18 86	0.29 246	0.17 180	0.32 282	0.09 37	0.13 159	0.18 222	0.14 170	0.07 140	0.07 240	0.08 158	0.07 158	0.07 147	0.07 147

PCWNet_CMD	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 295	0.14 122	0.20 157	0.21 215	0.13 159	0.17 213	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

CBFPSM	0.15 212	0.07 51	0.27 311	0.17 108	0.09 121	0.13 121	0.15 120	0.22 151	0.23 179	0.20 238	0.27 245	0.23 242	0.16 217	0.16 184	0.19 250	0.06 50	0.06 186	0.06 30	0.07 158	0.07 147	0.07 147

knoymous	0.11 69	0.06 17	0.12 85	0.14 11	0.07 14	0.15 170	0.13 45	0.20 121	0.14 54	0.11 59	0.17 117	0.13 111	0.09 65	0.14 145	0.11 69	0.09 231	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

qqq	0.13 155	0.09 180	0.15 170	0.16 60	0.08 45	0.13 121	0.15 120	0.24 182	0.16 82	0.15 143	0.19 148	0.16 162	0.16 217	0.15 159	0.16 217	0.07 140	0.06 186	0.08 158	0.08 210	0.07 147	0.07 147

x	0.13 155	0.08 133	0.15 170	0.14 11	0.08 45	0.19 243	0.14 75	0.22 151	0.21 152	0.15 143	0.20 157	0.20 209	0.18 248	0.18 222	0.18 240	0.07 140	0.05 79	0.06 30	0.06 81	0.07 147	0.07 147

BUS	0.15 212	0.09 180	0.14 144	0.22 304	0.10 214	0.20 260	0.14 75	0.34 305	0.20 139	0.17 180	0.23 183	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

RAFT+CT+SA	0.13 155	0.11 252	0.09 24	0.19 220	0.09 121	0.15 170	0.28 350	0.22 151	0.22 170	0.15 143	0.26 230	0.10 56	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.08 210	0.07 147	0.06 95

BSDual-CNN	0.15 212	0.09 180	0.14 144	0.22 304	0.10 214	0.15 170	0.15 120	0.34 305	0.20 139	0.17 180	0.23 183	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

hknet	0.15 212	0.11 252	0.14 144	0.22 304	0.11 252	0.15 170	0.15 120	0.34 305	0.26 217	0.17 180	0.23 183	0.22 231	0.18 248	0.17 213	0.13 146	0.07 140	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

psmg	0.14 180	0.09 180	0.14 144	0.17 108	0.10 214	0.15 170	0.17 189	0.29 254	0.20 139	0.17 180	0.21 173	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.07 240	0.08 158	0.08 210	0.07 147	0.07 147

UDGNet	0.14 180	0.13 286	0.17 224	0.18 175	0.10 214	0.12 102	0.16 169	0.21 132	0.27 227	0.20 238	0.20 157	0.17 178	0.13 159	0.16 184	0.14 170	0.10 262	0.06 186	0.09 225	0.07 158	0.07 147	0.07 147

DAS	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.16 184	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

SepStereo	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.26 312	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

GwcNet-ADL	0.13 155	0.08 133	0.14 144	0.20 262	0.09 121	0.12 102	0.20 276	0.30 264	0.25 205	0.14 122	0.14 78	0.18 190	0.14 188	0.13 128	0.15 200	0.07 140	0.05 79	0.06 30	0.05 31	0.07 147	0.06 95

GANet-ADL	0.13 155	0.07 51	0.15 170	0.17 108	0.10 214	0.19 243	0.15 120	0.30 264	0.21 152	0.13 101	0.18 137	0.19 194	0.13 159	0.16 184	0.14 170	0.08 189	0.06 186	0.06 30	0.05 31	0.07 147	0.08 210

NF-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.12 303

OCTAStereo	0.11 69	0.07 51	0.14 144	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

PSM-softLoss	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

KMStereo	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

SST-Stereo	0.11 69	0.07 51	0.16 205	0.18 175	0.09 121	0.06 2	0.12 23	0.18 86	0.10 6	0.15 143	0.18 137	0.13 111	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.07 147	0.06 95

RE-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

TVStereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

DeepStereo_RVC	0.11 69	0.08 133	0.17 224	0.18 175	0.08 45	0.08 22	0.11 10	0.17 62	0.12 25	0.13 101	0.15 89	0.12 89	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.08 210

ICVP	0.16 235	0.09 180	0.12 85	0.22 304	0.09 121	0.18 228	0.21 289	0.26 207	0.24 189	0.18 208	0.30 270	0.27 274	0.18 248	0.18 222	0.15 200	0.10 262	0.07 240	0.08 158	0.07 158	0.07 147	0.08 210
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
rafts_anoy	0.11 69	0.06 17	0.10 38	0.17 108	0.08 45	0.10 56	0.14 75	0.18 86	0.14 54	0.13 101	0.13 71	0.12 89	0.11 102	0.11 41	0.13 146	0.07 140	0.05 79	0.09 225	0.11 302	0.07 147	0.06 95

CFNet_pseudo	0.14 180	0.08 133	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.07 147

test_xeample	0.15 212	0.07 51	0.14 144	0.15 35	0.08 45	0.22 283	0.20 276	0.29 254	0.21 152	0.16 170	0.29 264	0.19 194	0.17 238	0.16 184	0.28 334	0.09 231	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

GMStereo	0.13 155	0.15 307	0.14 144	0.18 175	0.09 121	0.16 192	0.16 169	0.20 121	0.25 205	0.17 180	0.17 117	0.11 70	0.11 102	0.16 184	0.13 146	0.07 140	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 155	0.07 51	0.15 170	0.17 108	0.09 121	0.15 170	0.16 169	0.28 240	0.27 227	0.14 122	0.18 137	0.12 89	0.13 159	0.14 145	0.11 69	0.08 189	0.05 79	0.07 98	0.07 158	0.07 147	0.06 95

ac_64	0.16 235	0.09 180	0.15 170	0.18 175	0.10 214	0.22 283	0.17 189	0.24 182	0.22 170	0.19 218	0.24 192	0.29 289	0.18 248	0.19 241	0.22 282	0.09 231	0.08 266	0.08 158	0.09 248	0.07 147	0.06 95

GwcNet-RSSM	0.14 180	0.07 51	0.12 85	0.16 60	0.08 45	0.15 170	0.20 276	0.22 151	0.28 240	0.18 208	0.28 254	0.23 242	0.17 238	0.15 159	0.16 217	0.10 262	0.06 186	0.07 98	0.09 248	0.07 147	0.07 147

PMTNet	0.09 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 71	0.10 56	0.07 28	0.14 145	0.10 43	0.15 344	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

MSMDNet	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 295	0.14 122	0.20 157	0.21 215	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

HSM-Net_RVC	0.14 180	0.08 133	0.12 85	0.15 35	0.08 45	0.16 192	0.15 120	0.27 219	0.29 246	0.20 238	0.21 173	0.29 289	0.14 188	0.18 222	0.13 146	0.06 50	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
NLCA_NET_v2_RVC	0.17 253	0.10 234	0.23 293	0.20 262	0.10 214	0.15 170	0.18 227	0.31 277	0.25 205	0.21 247	0.31 273	0.25 260	0.17 238	0.21 269	0.20 258	0.09 231	0.06 186	0.08 158	0.09 248	0.07 147	0.08 210
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
ccs_rob	0.14 180	0.09 180	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.07 147

AANet_RVC	0.16 235	0.10 234	0.11 62	0.18 175	0.09 121	0.19 243	0.18 227	0.27 219	0.32 263	0.22 256	0.35 304	0.21 215	0.22 286	0.22 286	0.17 228	0.06 50	0.05 79	0.06 30	0.06 81	0.07 147	0.06 95

HSM	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.16 192	0.14 75	0.28 240	0.25 205	0.20 238	0.24 192	0.37 334	0.17 238	0.20 254	0.15 200	0.07 140	0.05 79	0.07 98	0.06 81	0.07 147	0.06 95

StereoDRNet-Refined	0.17 253	0.12 267	0.16 205	0.20 262	0.10 214	0.18 228	0.18 227	0.27 219	0.24 189	0.26 297	0.41 338	0.23 242	0.18 248	0.21 269	0.21 269	0.09 231	0.05 79	0.09 225	0.10 279	0.07 147	0.07 147
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.18 266	0.10 234	0.16 205	0.23 321	0.11 252	0.24 300	0.18 227	0.30 264	0.28 240	0.27 304	0.29 264	0.28 282	0.25 305	0.20 254	0.20 258	0.08 189	0.08 266	0.09 225	0.09 248	0.07 147	0.07 147

pmcnn	0.15 212	0.07 51	0.20 274	0.15 35	0.07 14	0.21 270	0.16 169	0.25 199	0.26 217	0.21 247	0.33 289	0.29 289	0.19 262	0.18 222	0.17 228	0.07 140	0.05 79	0.05 2	0.04 7	0.07 147	0.06 95

MyStereo8	0.12 131	0.07 51	0.15 170	0.15 35	0.09 121	0.18 228	0.14 75	0.19 110	0.22 170	0.12 77	0.18 137	0.11 70	0.10 78	0.16 184	0.18 240	0.07 140	0.05 79	0.07 98	0.05 31	0.08 194	0.09 242

SMFormer	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

mmm	0.14 180	0.08 133	0.18 250	0.17 108	0.09 121	0.17 212	0.18 227	0.21 132	0.16 82	0.16 170	0.23 183	0.21 215	0.16 217	0.16 184	0.17 228	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.07 147

11t1	0.12 131	0.07 51	0.14 144	0.14 11	0.08 45	0.17 212	0.15 120	0.19 110	0.15 66	0.15 143	0.15 89	0.17 178	0.16 217	0.15 159	0.13 146	0.08 189	0.05 79	0.06 30	0.05 31	0.08 194	0.07 147

mmx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

xxx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

EKT-Stereo	0.11 69	0.07 51	0.14 144	0.16 60	0.10 214	0.13 121	0.14 75	0.19 110	0.21 152	0.11 59	0.08 17	0.13 111	0.10 78	0.11 41	0.12 119	0.08 189	0.06 186	0.07 98	0.06 81	0.08 194	0.07 147

SDNR	0.20 282	0.09 180	0.19 271	0.16 60	0.12 280	0.79 397	0.13 45	0.26 207	0.33 268	0.19 218	0.25 218	0.19 194	0.12 130	0.19 241	0.15 200	0.16 356	0.18 363	0.14 333	0.11 302	0.08 194	0.12 303

fast-acv-ft	0.18 266	0.11 252	0.20 274	0.19 220	0.12 280	0.26 318	0.21 289	0.26 207	0.35 289	0.22 256	0.34 299	0.27 274	0.21 279	0.21 269	0.23 292	0.09 231	0.09 287	0.08 158	0.10 279	0.08 194	0.07 147

gwcnet-sp	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

scenet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

riskmin	0.11 69	0.06 17	0.13 108	0.14 11	0.08 45	0.14 150	0.14 75	0.18 86	0.15 66	0.12 77	0.15 89	0.17 178	0.11 102	0.14 145	0.12 119	0.09 231	0.05 79	0.07 98	0.05 31	0.08 194	0.08 210

ssnet_v2	0.17 253	0.10 234	0.18 250	0.17 108	0.11 252	0.21 270	0.22 299	0.34 305	0.25 205	0.23 269	0.23 183	0.27 274	0.19 262	0.22 286	0.21 269	0.11 287	0.10 308	0.09 225	0.09 248	0.08 194	0.08 210

ssnet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

IER	0.14 180	0.08 133	0.13 108	0.17 108	0.09 121	0.14 150	0.16 169	0.26 207	0.27 227	0.18 208	0.26 230	0.17 178	0.20 275	0.17 213	0.14 170	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

CRFU-Net	0.16 235	0.08 133	0.15 170	0.17 108	0.09 121	0.20 260	0.14 75	0.27 219	0.21 152	0.28 316	0.28 254	0.29 289	0.18 248	0.19 241	0.18 240	0.09 231	0.09 287	0.07 98	0.07 158	0.08 194	0.09 242

test_5	0.14 180	0.12 267	0.08 6	0.20 262	0.10 214	0.14 150	0.28 350	0.21 132	0.24 189	0.19 218	0.28 254	0.11 70	0.15 206	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.08 210	0.08 194	0.07 147

CSP-Net	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.19 243	0.18 227	0.25 199	0.33 268	0.26 297	0.31 273	0.25 260	0.16 217	0.21 269	0.19 250	0.09 231	0.06 186	0.07 98	0.07 158	0.08 194	0.08 210

dd	0.15 212	0.17 324	0.17 224	0.19 220	0.09 121	0.15 170	0.18 227	0.22 151	0.26 217	0.23 269	0.20 157	0.21 215	0.10 78	0.21 269	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.08 194	0.07 147

PSMNet-ADL	0.15 212	0.12 267	0.13 108	0.22 304	0.09 121	0.13 121	0.20 276	0.26 207	0.23 179	0.18 208	0.20 157	0.23 242	0.17 238	0.18 222	0.18 240	0.09 231	0.08 266	0.08 158	0.11 302	0.08 194	0.07 147

Patchmatch Stereo++	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147
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	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo_v2	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

HUI-Stereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

iGMRVC	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

iRAFT	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

CRE-IMP	0.11 69	0.09 180	0.16 205	0.19 220	0.09 121	0.10 56	0.12 23	0.18 86	0.10 6	0.14 122	0.14 78	0.14 127	0.13 159	0.12 91	0.12 119	0.07 140	0.04 2	0.08 158	0.06 81	0.08 194	0.08 210

RAFT-IKP	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

Anonymous3	0.16 235	0.14 301	0.34 337	0.26 345	0.14 315	0.27 326	0.18 227	0.28 240	0.28 240	0.15 143	0.17 117	0.14 127	0.11 102	0.16 184	0.12 119	0.08 189	0.08 266	0.08 158	0.08 210	0.08 194	0.11 285

RALCasStereoNet	0.11 69	0.07 51	0.09 24	0.16 60	0.08 45	0.13 121	0.14 75	0.17 62	0.11 15	0.12 77	0.17 117	0.14 127	0.10 78	0.12 91	0.11 69	0.07 140	0.06 186	0.06 30	0.05 31	0.08 194	0.07 147

ADLNet	0.16 235	0.08 133	0.15 170	0.16 60	0.10 214	0.16 192	0.17 189	0.33 291	0.27 227	0.23 269	0.27 245	0.24 251	0.16 217	0.18 222	0.21 269	0.10 262	0.06 186	0.10 266	0.10 279	0.08 194	0.09 242

GES	0.14 180	0.08 133	0.16 205	0.15 35	0.10 214	0.13 121	0.13 45	0.28 240	0.26 217	0.17 180	0.24 192	0.19 194	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.07 98	0.06 81	0.08 194	0.09 242

222	0.16 235	0.07 51	0.15 170	0.14 11	0.08 45	0.25 308	0.18 227	0.30 264	0.21 152	0.18 208	0.29 264	0.17 178	0.16 217	0.16 184	0.44 380	0.10 262	0.05 79	0.07 98	0.06 81	0.08 194	0.08 210

xxxx	0.15 212	0.07 51	0.14 144	0.14 11	0.08 45	0.24 300	0.18 227	0.32 281	0.20 139	0.14 122	0.28 254	0.22 231	0.14 188	0.15 159	0.29 341	0.09 231	0.05 79	0.07 98	0.07 158	0.08 194	0.08 210

MMNet	0.17 253	0.10 234	0.17 224	0.20 262	0.11 252	0.27 326	0.20 276	0.26 207	0.42 322	0.22 256	0.30 270	0.22 231	0.20 275	0.18 222	0.20 258	0.06 50	0.06 186	0.07 98	0.07 158	0.08 194	0.07 147

psm_up	0.19 275	0.10 234	0.18 250	0.21 288	0.11 252	0.17 212	0.19 262	0.38 340	0.34 278	0.22 256	0.28 254	0.29 289	0.25 305	0.20 254	0.22 282	0.09 231	0.10 308	0.11 292	0.11 302	0.08 194	0.08 210

UNet	0.17 253	0.09 180	0.18 250	0.19 220	0.12 280	0.28 334	0.19 262	0.33 291	0.30 251	0.21 247	0.25 218	0.23 242	0.19 262	0.20 254	0.19 250	0.07 140	0.06 186	0.08 158	0.07 158	0.08 194	0.07 147

UPFNet	0.16 235	0.08 133	0.12 85	0.20 262	0.12 280	0.20 260	0.23 310	0.28 240	0.26 217	0.18 208	0.24 192	0.22 231	0.20 275	0.19 241	0.22 282	0.09 231	0.07 240	0.08 158	0.09 248	0.08 194	0.06 95

FENet	0.13 155	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 165	0.23 179	0.17 180	0.24 192	0.16 162	0.13 159	0.14 145	0.15 200	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.08 210

ACVNet	0.15 212	0.09 180	0.15 170	0.13 6	0.12 280	0.14 150	0.20 276	0.22 151	0.34 278	0.17 180	0.26 230	0.21 215	0.17 238	0.18 222	0.21 269	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

acv_ft	0.15 212	0.09 180	0.16 205	0.19 220	0.10 214	0.16 192	0.17 189	0.25 199	0.34 278	0.19 218	0.26 230	0.21 215	0.17 238	0.18 222	0.19 250	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

GANet-RSSM	0.14 180	0.07 51	0.13 108	0.13 6	0.08 45	0.14 150	0.18 227	0.23 165	0.21 152	0.17 180	0.25 218	0.24 251	0.16 217	0.16 184	0.16 217	0.10 262	0.06 186	0.07 98	0.08 210	0.08 194	0.07 147

PSMNet-RSSM	0.14 180	0.07 51	0.14 144	0.15 35	0.08 45	0.13 121	0.16 169	0.25 199	0.24 189	0.17 180	0.28 254	0.23 242	0.14 188	0.16 184	0.14 170	0.11 287	0.06 186	0.09 225	0.12 320	0.08 194	0.07 147

DSFCA	0.16 235	0.09 180	0.14 144	0.16 60	0.10 214	0.21 270	0.19 262	0.28 240	0.31 258	0.23 269	0.25 218	0.22 231	0.16 217	0.20 254	0.20 258	0.10 262	0.07 240	0.09 225	0.09 248	0.08 194	0.08 210

ADCRef	0.20 282	0.12 267	0.43 355	0.20 262	0.12 280	0.23 294	0.18 227	0.32 281	0.37 299	0.26 297	0.33 289	0.18 190	0.23 292	0.25 308	0.26 322	0.07 140	0.06 186	0.09 225	0.09 248	0.08 194	0.09 242

TDLM	0.18 266	0.12 267	0.14 144	0.24 329	0.10 214	0.18 228	0.18 227	0.37 333	0.30 251	0.22 256	0.28 254	0.28 282	0.18 248	0.23 293	0.19 250	0.11 287	0.07 240	0.10 266	0.10 279	0.08 194	0.08 210

CFNet	0.15 212	0.11 252	0.17 224	0.17 108	0.08 45	0.19 243	0.10 5	0.29 254	0.26 217	0.19 218	0.24 192	0.24 251	0.18 248	0.18 222	0.15 200	0.08 189	0.06 186	0.09 225	0.10 279	0.08 194	0.07 147

NaN_ROB	0.23 313	0.20 345	0.25 303	0.25 335	0.13 300	0.31 342	0.27 344	0.34 305	0.41 320	0.31 331	0.31 273	0.32 315	0.23 292	0.31 337	0.22 282	0.11 287	0.17 361	0.10 266	0.11 302	0.08 194	0.09 242

iResNet_ROB	0.14 180	0.07 51	0.13 108	0.15 35	0.07 14	0.19 243	0.14 75	0.26 207	0.32 263	0.23 269	0.26 230	0.23 242	0.16 217	0.15 159	0.14 170	0.07 140	0.05 79	0.05 2	0.04 7	0.08 194	0.08 210

LE_ROB	0.50 383	0.07 51	0.14 144	0.15 35	0.08 45	0.26 318	0.17 189	0.23 165	1.71 413	4.68 418	0.67 378	0.46 366	0.47 375	0.21 269	0.30 347	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

DN-CSS_ROB	0.13 155	0.13 286	0.17 224	0.18 175	0.10 214	0.16 192	0.08 2	0.22 151	0.19 121	0.17 180	0.23 183	0.13 111	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.10 266	0.10 279	0.08 194	0.06 95

ttt	0.14 180	0.08 133	0.14 144	0.15 35	0.08 45	0.15 170	0.18 227	0.27 219	0.30 251	0.16 170	0.24 192	0.17 178	0.14 188	0.13 128	0.14 170	0.11 287	0.08 266	0.09 225	0.08 210	0.09 246	0.09 242

CFNet_ucs	0.15 212	0.09 180	0.17 224	0.16 60	0.11 252	0.14 150	0.14 75	0.30 264	0.34 278	0.16 170	0.24 192	0.23 242	0.14 188	0.18 222	0.15 200	0.09 231	0.06 186	0.08 158	0.07 158	0.09 246	0.09 242

iinet-f	0.17 253	0.07 51	0.46 357	0.14 11	0.10 214	0.21 270	0.14 75	0.27 219	0.23 179	0.22 256	0.25 218	0.21 215	0.16 217	0.18 222	0.22 282	0.09 231	0.07 240	0.07 98	0.06 81	0.09 246	0.10 264

CASS	0.14 180	0.12 267	0.12 85	0.23 321	0.09 121	0.15 170	0.17 189	0.19 110	0.20 139	0.17 180	0.18 137	0.15 148	0.15 206	0.15 159	0.14 170	0.09 231	0.06 186	0.10 266	0.08 210	0.09 246	0.07 147
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ToySt	0.17 253	0.11 252	0.19 271	0.17 108	0.11 252	0.16 192	0.26 340	0.24 182	0.33 268	0.19 218	0.24 192	0.26 269	0.24 299	0.19 241	0.21 269	0.07 140	0.08 266	0.09 225	0.10 279	0.09 246	0.08 210

AASNet	0.16 235	0.08 133	0.13 108	0.19 220	0.09 121	0.19 243	0.15 120	0.38 340	0.37 299	0.20 238	0.24 192	0.20 209	0.17 238	0.17 213	0.21 269	0.10 262	0.08 266	0.08 158	0.07 158	0.09 246	0.09 242

ADLNet2	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.20 260	0.16 169	0.32 281	0.39 309	0.17 180	0.20 157	0.20 209	0.19 262	0.21 269	0.23 292	0.08 189	0.07 240	0.07 98	0.07 158	0.09 246	0.07 147

GEStereo_RVC	0.17 253	0.12 267	0.16 205	0.22 304	0.11 252	0.19 243	0.18 227	0.32 281	0.49 346	0.20 238	0.25 218	0.17 178	0.13 159	0.21 269	0.16 217	0.10 262	0.06 186	0.08 158	0.07 158	0.09 246	0.08 210

TestStereo	0.14 180	0.15 307	0.11 62	0.23 321	0.08 45	0.15 170	0.21 289	0.20 121	0.23 179	0.14 122	0.25 218	0.16 162	0.13 159	0.16 184	0.14 170	0.06 50	0.06 186	0.08 158	0.06 81	0.09 246	0.05 42

HCRNet	0.16 235	0.23 356	0.12 85	0.35 376	0.11 252	0.15 170	0.17 189	0.26 207	0.22 170	0.19 218	0.24 192	0.21 215	0.14 188	0.15 159	0.13 146	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.07 147

Syn2CoEx	0.22 300	0.16 315	0.29 321	0.29 365	0.15 325	0.26 318	0.21 289	0.34 305	0.32 263	0.29 321	0.36 308	0.28 282	0.25 305	0.20 254	0.25 310	0.16 356	0.12 328	0.14 333	0.11 302	0.09 246	0.08 210

GwcNet	0.20 282	0.14 301	0.20 274	0.18 175	0.12 280	0.25 308	0.20 276	0.36 326	0.45 334	0.20 238	0.33 289	0.33 321	0.21 279	0.22 286	0.25 310	0.11 287	0.09 287	0.09 225	0.09 248	0.09 246	0.10 264

HGLStereo	0.17 253	0.09 180	0.19 271	0.17 108	0.12 280	0.18 228	0.18 227	0.31 277	0.33 268	0.22 256	0.33 289	0.24 251	0.18 248	0.20 254	0.21 269	0.10 262	0.09 287	0.07 98	0.07 158	0.09 246	0.10 264

CFNet-ft	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

DMCA	0.14 180	0.09 180	0.17 224	0.19 220	0.09 121	0.15 170	0.17 189	0.23 165	0.28 240	0.14 122	0.20 157	0.17 178	0.18 248	0.15 159	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.09 246	0.10 264

FADNet-RVC-Resample	0.17 253	0.12 267	0.32 333	0.22 304	0.12 280	0.19 243	0.14 75	0.25 199	0.24 189	0.24 280	0.27 245	0.20 209	0.15 206	0.17 213	0.16 217	0.07 140	0.08 266	0.12 309	0.10 279	0.09 246	0.11 285

STTStereo	0.18 266	0.13 286	0.28 313	0.20 262	0.11 252	0.16 192	0.21 289	0.29 254	0.23 179	0.22 256	0.30 270	0.29 289	0.18 248	0.20 254	0.20 258	0.12 310	0.11 320	0.11 292	0.14 336	0.09 246	0.08 210

PA-Net	0.24 323	0.18 337	0.34 337	0.28 358	0.22 367	0.22 283	0.39 384	0.29 254	0.39 309	0.22 256	0.33 289	0.25 260	0.26 312	0.21 269	0.25 310	0.10 262	0.23 380	0.15 340	0.22 367	0.09 246	0.13 313
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CFNet_RVC	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

CVANet_RVC	0.18 266	0.11 252	0.14 144	0.21 288	0.11 252	0.19 243	0.18 227	0.34 305	0.34 278	0.22 256	0.31 273	0.28 282	0.18 248	0.24 303	0.18 240	0.12 310	0.08 266	0.12 309	0.12 320	0.09 246	0.08 210

AdaStereo	0.15 212	0.11 252	0.16 205	0.19 220	0.09 121	0.21 270	0.11 10	0.33 291	0.28 240	0.21 247	0.23 183	0.21 215	0.13 159	0.19 241	0.15 200	0.13 324	0.05 79	0.10 266	0.07 158	0.09 246	0.07 147
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	0.15 212	0.08 133	0.16 205	0.16 60	0.08 45	0.16 192	0.13 45	0.26 207	0.36 295	0.21 247	0.29 264	0.24 251	0.13 159	0.14 145	0.14 170	0.06 50	0.06 186	0.06 30	0.04 7	0.09 246	0.08 210

DRN-Test	0.20 282	0.11 252	0.21 280	0.22 304	0.10 214	0.22 283	0.22 299	0.40 348	0.38 305	0.24 280	0.33 289	0.26 269	0.22 286	0.22 286	0.25 310	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.08 210

StereoDRNet	0.19 275	0.11 252	0.18 250	0.22 304	0.11 252	0.22 283	0.22 299	0.37 333	0.34 278	0.24 280	0.28 254	0.30 296	0.19 262	0.20 254	0.21 269	0.10 262	0.08 266	0.11 292	0.09 248	0.09 246	0.07 147

DISCO	0.20 282	0.09 180	0.22 287	0.17 108	0.10 214	0.25 308	0.18 227	0.28 240	0.45 334	0.23 269	0.32 282	0.34 325	0.26 312	0.29 330	0.29 341	0.08 189	0.06 186	0.07 98	0.07 158	0.09 246	0.10 264

HBP-ISP	0.18 266	0.13 286	0.17 224	0.15 35	0.11 252	0.08 22	0.13 45	0.28 240	0.30 251	0.22 256	0.33 289	0.21 215	0.25 305	0.23 293	0.18 240	0.15 344	0.17 361	0.21 363	0.17 356	0.10 271	0.09 242

Wz-Net-LNSev-Ref	0.18 266	0.09 180	0.30 326	0.15 35	0.11 252	0.23 294	0.20 276	0.27 219	0.40 313	0.26 297	0.43 348	0.25 260	0.15 206	0.21 269	0.20 258	0.07 140	0.05 79	0.06 30	0.05 31	0.10 271	0.09 242

NINENet	0.16 235	0.10 234	0.16 205	0.17 108	0.11 252	0.20 260	0.14 75	0.41 353	0.37 299	0.18 208	0.21 173	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.10 266	0.07 158	0.10 271	0.09 242

AACVNet	0.16 235	0.08 133	0.15 170	0.15 35	0.10 214	0.18 228	0.15 120	0.24 182	0.25 205	0.27 304	0.27 245	0.28 282	0.18 248	0.19 241	0.17 228	0.09 231	0.07 240	0.09 225	0.07 158	0.10 271	0.09 242

LMCR-Stereo	0.15 212	0.08 133	0.14 144	0.21 288	0.09 121	0.18 228	0.19 262	0.28 240	0.19 121	0.24 280	0.24 192	0.23 242	0.17 238	0.20 254	0.17 228	0.07 140	0.06 186	0.08 158	0.06 81	0.10 271	0.09 242

aanetorigin	0.22 300	0.17 324	0.57 370	0.18 175	0.10 214	0.16 192	0.19 262	0.20 121	0.33 268	0.49 373	0.48 357	0.30 296	0.28 326	0.21 269	0.24 303	0.08 189	0.07 240	0.08 158	0.07 158	0.10 271	0.09 242

DMCA-RVC	0.17 253	0.10 234	0.16 205	0.24 329	0.11 252	0.19 243	0.18 227	0.26 207	0.24 189	0.21 247	0.27 245	0.25 260	0.27 317	0.18 222	0.21 269	0.12 310	0.08 266	0.13 322	0.10 279	0.10 271	0.08 210

Nwc_Net	0.23 313	0.17 324	0.22 287	0.25 335	0.15 325	0.25 308	0.27 344	0.38 340	0.39 309	0.22 256	0.41 338	0.30 296	0.29 329	0.28 322	0.25 310	0.11 287	0.10 308	0.17 350	0.20 362	0.10 271	0.11 285

ADCL	0.25 330	0.12 267	0.49 362	0.22 304	0.12 280	0.36 359	0.29 360	0.30 264	0.57 364	0.24 280	0.47 356	0.30 296	0.31 345	0.30 336	0.30 347	0.09 231	0.07 240	0.09 225	0.09 248	0.10 271	0.10 264

ADCP+	0.20 282	0.10 234	0.35 343	0.21 288	0.12 280	0.22 283	0.27 344	0.31 277	0.35 289	0.26 297	0.37 311	0.22 231	0.22 286	0.27 314	0.28 334	0.09 231	0.06 186	0.08 158	0.08 210	0.10 271	0.10 264

GANet	0.22 300	0.13 286	0.21 280	0.25 335	0.14 315	0.23 294	0.22 299	0.42 357	0.27 227	0.31 331	0.43 348	0.37 334	0.29 329	0.23 293	0.23 292	0.10 262	0.12 328	0.10 266	0.09 248	0.10 271	0.08 210

PS-NSSS	0.20 282	0.21 350	0.23 293	0.20 262	0.10 214	0.19 243	0.17 189	0.36 326	0.26 217	0.27 304	0.34 299	0.27 274	0.24 299	0.20 254	0.20 258	0.15 344	0.12 328	0.17 350	0.14 336	0.10 271	0.09 242

MDST_ROB	0.22 300	0.10 234	0.18 250	0.18 175	0.11 252	0.40 368	0.19 262	0.44 366	0.42 322	0.40 356	0.40 328	0.29 289	0.21 279	0.27 314	0.19 250	0.11 287	0.10 308	0.14 333	0.11 302	0.10 271	0.08 210

CBMV_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.11 252	0.16 192	0.12 23	0.27 219	0.29 246	0.27 304	0.31 273	0.27 274	0.24 299	0.24 303	0.16 217	0.15 344	0.18 363	0.22 367	0.20 362	0.10 271	0.12 303

PSMNet_ROB	0.22 300	0.12 267	0.15 170	0.27 352	0.15 325	0.25 308	0.36 379	0.43 362	0.37 299	0.27 304	0.33 289	0.32 315	0.23 292	0.21 269	0.27 327	0.12 310	0.08 266	0.13 322	0.11 302	0.10 271	0.09 242

CBMV	0.20 282	0.15 307	0.18 250	0.18 175	0.10 214	0.20 260	0.11 10	0.30 264	0.31 258	0.29 321	0.31 273	0.31 308	0.23 292	0.28 322	0.19 250	0.13 324	0.15 352	0.17 350	0.16 349	0.10 271	0.10 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-SNSev	0.26 341	0.17 324	0.46 357	0.25 335	0.14 315	0.26 318	0.24 318	0.38 340	0.57 364	0.30 326	0.56 367	0.39 345	0.26 312	0.24 303	0.32 356	0.10 262	0.09 287	0.10 266	0.11 302	0.11 287	0.11 285

dad	0.18 266	0.20 345	0.21 280	0.17 108	0.11 252	0.20 260	0.19 262	0.21 132	0.28 240	0.30 326	0.24 192	0.30 296	0.13 159	0.19 241	0.17 228	0.18 361	0.09 287	0.11 292	0.09 248	0.11 287	0.07 147

pcwnet_v2	0.19 275	0.11 252	0.26 309	0.18 175	0.14 315	0.18 228	0.15 120	0.37 333	0.46 342	0.19 218	0.24 192	0.21 215	0.19 262	0.21 269	0.20 258	0.13 324	0.10 308	0.10 266	0.10 279	0.11 287	0.13 313

EDNetEfficient	0.30 354	0.24 359	1.18 403	0.18 175	0.10 214	0.20 260	0.20 276	0.21 132	0.61 371	0.74 390	0.56 367	0.30 296	0.40 365	0.23 293	0.32 356	0.09 231	0.07 240	0.08 158	0.07 158	0.11 287	0.10 264

FAT-Stereo	0.21 292	0.13 286	0.22 287	0.21 288	0.12 280	0.18 228	0.18 227	0.35 320	0.40 313	0.28 316	0.37 311	0.33 321	0.33 350	0.21 269	0.20 258	0.09 231	0.11 320	0.10 266	0.09 248	0.11 287	0.14 326

FADNet_RVC	0.17 253	0.14 301	0.41 352	0.20 262	0.11 252	0.13 121	0.13 45	0.27 219	0.22 170	0.21 247	0.23 183	0.20 209	0.18 248	0.15 159	0.17 228	0.08 189	0.08 266	0.12 309	0.09 248	0.11 287	0.10 264

AF-Net	0.23 313	0.17 324	0.17 224	0.27 352	0.13 300	0.26 318	0.24 318	0.33 291	0.51 351	0.25 293	0.33 289	0.39 345	0.27 317	0.28 322	0.26 322	0.11 287	0.10 308	0.16 347	0.12 320	0.11 287	0.11 285

UCFNet_RVC	0.15 212	0.08 133	0.13 108	0.11 1	0.10 214	0.20 260	0.10 5	0.24 182	0.23 179	0.17 180	0.21 173	0.24 251	0.15 206	0.18 222	0.15 200	0.12 310	0.07 240	0.11 292	0.13 330	0.11 287	0.10 264

DeepPruner_ROB	0.16 235	0.11 252	0.16 205	0.17 108	0.10 214	0.17 212	0.15 120	0.32 281	0.21 152	0.19 218	0.21 173	0.22 231	0.19 262	0.21 269	0.16 217	0.13 324	0.09 287	0.09 225	0.10 279	0.11 287	0.11 285

PWC_ROB	0.21 292	0.16 315	0.27 311	0.18 175	0.11 252	0.22 283	0.13 45	0.33 291	0.49 346	0.30 326	0.40 328	0.32 315	0.25 305	0.31 337	0.23 292	0.10 262	0.07 240	0.11 292	0.08 210	0.11 287	0.10 264

PWCDC_ROB	0.21 292	0.13 286	0.23 293	0.25 335	0.12 280	0.20 260	0.15 120	0.34 305	0.55 361	0.29 321	0.49 358	0.21 215	0.15 206	0.28 322	0.20 258	0.11 287	0.09 287	0.10 266	0.08 210	0.11 287	0.09 242

SGM_RVC	0.24 323	0.12 267	0.16 205	0.15 35	0.09 121	0.34 350	0.19 262	0.35 320	0.32 263	0.44 368	0.38 318	0.53 375	0.36 357	0.36 356	0.26 322	0.13 324	0.13 340	0.13 322	0.13 330	0.11 287	0.11 285
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.27 346	0.13 286	0.18 250	0.15 35	0.11 252	0.33 346	0.24 318	0.41 353	0.36 295	0.53 376	0.58 373	0.67 385	0.41 366	0.36 356	0.27 327	0.14 342	0.13 340	0.13 322	0.11 302	0.11 287	0.11 285
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
GMStereo_Zeroshot	0.16 235	0.13 286	0.25 303	0.20 262	0.10 214	0.17 212	0.13 45	0.30 264	0.25 205	0.23 269	0.32 282	0.25 260	0.11 102	0.19 241	0.14 170	0.09 231	0.06 186	0.11 292	0.06 81	0.12 300	0.08 210

Wz-Net-LNSev	0.22 300	0.16 315	0.41 352	0.22 304	0.13 300	0.25 308	0.24 318	0.33 291	0.44 331	0.30 326	0.42 345	0.32 315	0.19 262	0.23 293	0.27 327	0.10 262	0.09 287	0.08 158	0.08 210	0.12 300	0.11 285

Wz-Net-MNSev	0.23 313	0.13 286	0.33 334	0.20 262	0.15 325	0.36 359	0.25 334	0.34 305	0.45 334	0.29 321	0.41 338	0.39 345	0.19 262	0.25 308	0.27 327	0.09 231	0.07 240	0.09 225	0.09 248	0.12 300	0.10 264

SACVNet	0.19 275	0.12 267	0.15 170	0.17 108	0.13 300	0.22 283	0.18 227	0.31 277	0.31 258	0.24 280	0.31 273	0.30 296	0.23 292	0.23 293	0.17 228	0.11 287	0.08 266	0.10 266	0.10 279	0.12 300	0.14 326

Anonymous	0.14 180	0.10 234	0.24 299	0.23 321	0.13 300	0.18 228	0.23 310	0.20 121	0.19 121	0.14 122	0.12 60	0.11 70	0.13 159	0.17 213	0.13 146	0.08 189	0.07 240	0.08 158	0.08 210	0.12 300	0.10 264

APVNet	0.23 313	0.12 267	0.20 274	0.18 175	0.14 315	0.32 344	0.31 368	0.40 348	0.33 268	0.27 304	0.40 328	0.30 296	0.29 329	0.27 314	0.25 310	0.11 287	0.12 328	0.11 292	0.14 336	0.12 300	0.13 313

psmorigin	0.25 330	0.16 315	0.35 343	0.17 108	0.13 300	0.24 300	0.14 75	0.34 305	0.34 278	0.41 360	0.55 366	0.41 353	0.38 360	0.35 352	0.28 334	0.11 287	0.15 352	0.11 292	0.11 302	0.12 300	0.17 358

EDNetEfficientorigin	7.92 420	0.32 377	152.98 439	0.20 262	0.10 214	0.22 283	0.17 189	0.23 165	0.60 370	0.73 388	0.67 378	0.41 353	0.51 380	0.24 303	0.41 374	0.08 189	0.07 240	0.09 225	0.07 158	0.12 300	0.11 285

hitnet-ft	0.18 266	0.10 234	0.17 224	0.14 11	0.09 121	0.27 326	0.20 276	0.25 199	0.26 217	0.24 280	0.32 282	0.32 315	0.23 292	0.24 303	0.21 269	0.12 310	0.07 240	0.10 266	0.08 210	0.12 300	0.11 285

SuperB	0.20 282	0.10 234	0.57 370	0.16 60	0.09 121	0.19 243	0.18 227	0.25 199	0.51 351	0.27 304	0.39 325	0.17 178	0.22 286	0.22 286	0.21 269	0.08 189	0.06 186	0.06 30	0.06 81	0.12 300	0.11 285

edge stereo	0.23 313	0.14 301	0.21 280	0.21 288	0.13 300	0.24 300	0.16 169	0.32 281	0.42 322	0.32 338	0.40 328	0.39 345	0.35 354	0.25 308	0.25 310	0.13 324	0.11 320	0.14 333	0.11 302	0.12 300	0.14 326

DeepPrunerF	0.24 323	0.17 324	0.45 356	0.26 345	0.16 337	0.23 294	0.29 360	0.37 333	0.51 351	0.27 304	0.31 273	0.24 251	0.28 326	0.22 286	0.23 292	0.15 344	0.11 320	0.20 362	0.18 360	0.12 300	0.14 326

Anonymous Stereo	0.24 323	0.19 340	0.52 364	0.25 335	0.18 356	0.21 270	0.22 299	0.34 305	0.45 334	0.25 293	0.35 304	0.26 269	0.19 262	0.31 337	0.29 341	0.13 324	0.12 328	0.12 309	0.13 330	0.12 300	0.14 326

SGM-ForestM	0.33 361	0.12 267	0.17 224	0.16 60	0.11 252	0.42 370	0.20 276	0.43 362	0.53 360	0.53 376	0.57 371	1.41 407	0.44 374	0.42 374	0.29 341	0.14 342	0.16 357	0.16 347	0.16 349	0.12 300	0.13 313

FBW_ROB	0.25 330	0.17 324	0.23 293	0.27 352	0.14 315	0.26 318	0.22 299	0.42 357	0.43 329	0.42 362	0.41 338	0.43 358	0.27 317	0.32 341	0.24 303	0.09 231	0.15 352	0.15 340	0.12 320	0.12 300	0.10 264

FADNet-RVC	0.21 292	0.20 345	0.40 350	0.21 288	0.16 337	0.21 270	0.15 120	0.27 219	0.27 227	0.26 297	0.32 282	0.26 269	0.21 279	0.22 286	0.19 250	0.12 310	0.13 340	0.12 309	0.14 336	0.13 315	0.18 360

S-Stereo	0.21 292	0.12 267	0.25 303	0.21 288	0.13 300	0.21 270	0.19 262	0.33 291	0.45 334	0.23 269	0.36 308	0.28 282	0.29 329	0.20 254	0.23 292	0.09 231	0.12 328	0.10 266	0.10 279	0.13 315	0.14 326

MaskLacGwcNet_RVC	0.22 300	0.21 350	0.25 303	0.26 345	0.11 252	0.24 300	0.14 75	0.39 345	0.24 189	0.32 338	0.36 308	0.30 296	0.21 279	0.19 241	0.22 282	0.17 360	0.14 348	0.21 363	0.16 349	0.13 315	0.12 303

RP	0.22 300	0.13 286	0.22 287	0.23 321	0.12 280	0.21 270	0.20 276	0.26 207	0.45 334	0.22 256	0.38 318	0.37 334	0.25 305	0.28 322	0.25 310	0.11 287	0.12 328	0.13 322	0.12 320	0.13 315	0.14 326

NCC-stereo	0.25 330	0.15 307	0.31 329	0.26 345	0.17 347	0.21 270	0.31 368	0.41 353	0.40 313	0.24 280	0.38 318	0.33 321	0.29 329	0.37 360	0.28 334	0.13 324	0.11 320	0.15 340	0.22 367	0.13 315	0.13 313

Abc-Net	0.25 330	0.15 307	0.31 329	0.26 345	0.17 347	0.21 270	0.31 368	0.41 353	0.40 313	0.24 280	0.38 318	0.33 321	0.29 329	0.37 360	0.28 334	0.13 324	0.11 320	0.15 340	0.22 367	0.13 315	0.13 313
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 313	0.13 286	0.30 326	0.21 288	0.13 300	0.29 336	0.17 189	0.36 326	0.68 379	0.27 304	0.34 299	0.30 296	0.22 286	0.32 341	0.31 351	0.10 262	0.08 266	0.09 225	0.10 279	0.13 315	0.14 326

ADCMid	0.26 341	0.15 307	0.42 354	0.20 262	0.14 315	0.25 308	0.26 340	0.35 320	0.40 313	0.37 350	0.45 352	0.34 325	0.42 369	0.36 356	0.36 363	0.10 262	0.09 287	0.11 292	0.11 302	0.13 315	0.13 313

DANet	0.21 292	0.16 315	0.29 321	0.25 335	0.13 300	0.23 294	0.19 262	0.28 240	0.27 227	0.28 316	0.32 282	0.35 330	0.32 348	0.31 337	0.24 303	0.11 287	0.09 287	0.11 292	0.10 279	0.13 315	0.11 285
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NCCL2	0.24 323	0.15 307	0.18 250	0.34 374	0.18 356	0.24 300	0.24 318	0.34 305	0.29 246	0.31 331	0.38 318	0.38 340	0.29 329	0.23 293	0.25 310	0.15 344	0.12 328	0.18 358	0.21 364	0.13 315	0.13 313

SANet	0.25 330	0.14 301	0.29 321	0.21 288	0.11 252	0.29 336	0.25 334	0.40 348	0.65 378	0.36 345	0.40 328	0.42 355	0.27 317	0.27 314	0.25 310	0.12 310	0.09 287	0.10 266	0.09 248	0.13 315	0.12 303

NOSS_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.12 280	0.16 192	0.12 23	0.30 264	0.33 268	0.20 238	0.22 182	0.27 274	0.24 299	0.21 269	0.16 217	0.16 356	0.18 363	0.23 368	0.21 364	0.13 315	0.13 313

XPNet_ROB	0.22 300	0.12 267	0.20 274	0.22 304	0.13 300	0.22 283	0.19 262	0.35 320	0.40 313	0.30 326	0.40 328	0.38 340	0.27 317	0.26 312	0.29 341	0.15 344	0.10 308	0.10 266	0.10 279	0.13 315	0.12 303

LALA_ROB	0.25 330	0.16 315	0.23 293	0.27 352	0.17 347	0.27 326	0.27 344	0.42 357	0.38 305	0.33 342	0.39 325	0.51 372	0.26 312	0.29 330	0.28 334	0.16 356	0.09 287	0.13 322	0.12 320	0.13 315	0.13 313

SGM-Forest	0.20 282	0.14 301	0.18 250	0.20 262	0.13 300	0.21 270	0.22 299	0.33 291	0.31 258	0.24 280	0.29 264	0.28 282	0.20 275	0.23 293	0.18 240	0.15 344	0.16 357	0.15 340	0.14 336	0.13 315	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
coex-ft	3.24 414	0.35 380	57.83 438	0.18 175	0.13 300	0.27 326	0.23 310	0.28 240	0.72 384	1.89 415	0.70 382	0.43 358	0.47 375	0.29 330	0.43 377	0.09 231	0.09 287	0.12 309	0.09 248	0.14 330	0.14 326

WZ-Net	0.29 351	0.17 324	0.82 394	0.23 321	0.16 337	0.35 354	0.29 360	0.40 348	0.59 369	0.24 280	0.57 371	0.37 334	0.25 305	0.34 347	0.37 367	0.09 231	0.08 266	0.09 225	0.10 279	0.14 330	0.16 350

UDG	0.21 292	0.17 324	0.20 274	0.23 321	0.15 325	0.31 342	0.20 276	0.33 291	0.35 289	0.24 280	0.28 254	0.31 308	0.29 329	0.21 269	0.23 292	0.15 344	0.12 328	0.13 322	0.09 248	0.14 330	0.15 341

stereogan	0.22 300	0.11 252	0.21 280	0.20 262	0.12 280	0.32 344	0.19 262	0.36 326	0.45 334	0.23 269	0.39 325	0.35 330	0.27 317	0.33 344	0.23 292	0.10 262	0.12 328	0.10 266	0.10 279	0.14 330	0.14 326

AnyNet_C01	0.37 367	0.26 365	1.41 406	0.22 304	0.17 347	0.51 376	0.28 350	0.36 326	0.40 313	0.39 353	0.75 387	0.46 366	0.39 361	0.46 376	0.50 387	0.13 324	0.13 340	0.13 322	0.14 336	0.14 330	0.16 350

AnyNet_C32	0.26 341	0.16 315	0.39 348	0.20 262	0.17 347	0.26 318	0.31 368	0.32 281	0.45 334	0.31 331	0.50 360	0.30 296	0.34 351	0.41 373	0.36 363	0.12 310	0.12 328	0.12 309	0.14 336	0.14 330	0.15 341

ADCPNet	0.26 341	0.17 324	0.62 375	0.21 288	0.15 325	0.36 359	0.25 334	0.33 291	0.37 299	0.31 331	0.41 338	0.36 332	0.29 329	0.29 330	0.34 361	0.12 310	0.10 308	0.11 292	0.12 320	0.14 330	0.13 313

RYNet	0.23 313	0.12 267	0.22 287	0.19 220	0.17 347	0.47 373	0.26 340	0.39 345	0.49 346	0.24 280	0.29 264	0.34 325	0.24 299	0.20 254	0.31 351	0.10 262	0.06 186	0.09 225	0.09 248	0.14 330	0.15 341

CSAN	0.30 354	0.24 359	0.28 313	0.34 374	0.19 360	0.34 350	0.42 387	0.38 340	0.51 351	0.38 352	0.40 328	0.44 361	0.34 351	0.29 330	0.31 351	0.19 365	0.16 357	0.19 360	0.19 361	0.14 330	0.15 341

ETE_ROB	0.23 313	0.17 324	0.23 293	0.25 335	0.14 315	0.26 318	0.29 360	0.32 281	0.37 299	0.28 316	0.37 311	0.45 362	0.27 317	0.28 322	0.27 327	0.11 287	0.09 287	0.12 309	0.10 279	0.14 330	0.13 313

WCMA_ROB	0.24 323	0.11 252	0.24 299	0.17 108	0.14 315	0.34 350	0.16 169	0.33 291	0.33 268	0.39 353	0.54 365	0.40 351	0.35 354	0.35 352	0.26 322	0.12 310	0.12 328	0.12 309	0.11 302	0.14 330	0.14 326

Wz-Net-TNSev	0.29 351	0.20 345	0.69 386	0.19 220	0.15 325	0.38 365	0.27 344	0.36 326	0.56 363	0.35 343	0.42 345	0.45 362	0.39 361	0.33 344	0.31 351	0.13 324	0.13 340	0.10 266	0.12 320	0.15 341	0.15 341

sAnonymous2	0.13 155	0.12 267	0.25 303	0.20 262	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

CroCo_RVC	0.13 155	0.12 267	0.25 303	0.20 262	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

FINET	0.22 300	0.18 337	0.28 313	0.19 220	0.16 337	0.24 300	0.24 318	0.33 291	0.49 346	0.26 297	0.33 289	0.22 231	0.23 292	0.23 293	0.18 240	0.18 361	0.16 357	0.11 292	0.10 279	0.15 341	0.14 326

RGC	0.25 330	0.20 345	0.29 321	0.28 358	0.16 337	0.22 283	0.23 310	0.33 291	0.44 331	0.27 304	0.40 328	0.38 340	0.28 326	0.37 360	0.23 292	0.11 287	0.13 340	0.17 350	0.17 356	0.15 341	0.16 350

RTS	0.46 378	0.19 340	3.33 413	0.25 335	0.15 325	0.72 392	0.21 289	0.37 333	0.78 390	0.42 362	0.44 350	0.31 308	0.43 372	0.55 384	0.37 367	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 341

RTSA	0.46 378	0.19 340	3.33 413	0.25 335	0.15 325	0.72 392	0.21 289	0.37 333	0.78 390	0.42 362	0.44 350	0.31 308	0.43 372	0.55 384	0.37 367	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 341

NVstereo2D	0.19 275	0.11 252	0.16 205	0.17 108	0.16 337	0.28 334	0.23 310	0.44 366	0.42 322	0.15 143	0.28 254	0.25 260	0.19 262	0.23 293	0.18 240	0.09 231	0.06 186	0.10 266	0.08 210	0.15 341	0.10 264

GASNet	0.22 300	0.24 359	0.34 337	0.26 345	0.17 347	0.27 326	0.16 169	0.45 368	0.42 322	0.27 304	0.24 192	0.30 296	0.16 217	0.27 314	0.18 240	0.12 310	0.09 287	0.12 309	0.11 302	0.16 349	0.08 210

Anonymous_2	0.22 300	0.17 324	0.28 313	0.15 35	0.16 337	0.33 346	0.22 299	0.23 165	0.18 107	0.23 269	0.24 192	0.26 269	0.27 317	0.27 314	0.24 303	0.22 373	0.26 382	0.17 350	0.17 356	0.16 349	0.18 360

DDUNet	0.23 313	0.18 337	0.22 287	0.22 304	0.15 325	0.25 308	0.24 318	0.30 264	0.31 258	0.31 331	0.37 311	0.34 325	0.26 312	0.25 308	0.21 269	0.18 361	0.13 340	0.17 350	0.11 302	0.16 349	0.17 358

MFN_U_SF_RVC	0.33 361	0.22 354	0.58 373	0.31 369	0.15 325	0.36 359	0.17 189	0.54 381	0.46 342	0.47 372	0.56 367	0.58 378	0.39 361	0.36 356	0.38 370	0.15 344	0.15 352	0.18 358	0.21 364	0.16 349	0.16 350

G-Net	0.25 330	0.17 324	0.38 347	0.23 321	0.16 337	0.51 376	0.23 310	0.29 254	0.35 289	0.36 345	0.38 318	0.31 308	0.29 329	0.28 322	0.27 327	0.11 287	0.09 287	0.12 309	0.10 279	0.16 349	0.14 326

SHD	0.26 341	0.15 307	0.31 329	0.24 329	0.18 356	0.23 294	0.15 120	0.39 345	0.72 384	0.32 338	0.42 345	0.36 332	0.29 329	0.33 344	0.30 347	0.13 324	0.11 320	0.14 333	0.13 330	0.16 349	0.20 368

ADCS	0.30 354	0.19 340	0.48 361	0.21 288	0.18 356	0.29 336	0.24 318	0.42 357	0.64 376	0.40 356	0.50 360	0.40 351	0.37 358	0.40 368	0.43 377	0.13 324	0.13 340	0.13 322	0.14 336	0.16 349	0.16 350

FADNet	0.21 292	0.23 356	0.37 346	0.18 175	0.17 347	0.25 308	0.13 45	0.32 281	0.32 263	0.23 269	0.25 218	0.27 274	0.21 279	0.19 241	0.16 217	0.13 324	0.15 352	0.12 309	0.15 347	0.17 356	0.18 360

PDISCO_ROB	0.28 348	0.16 315	0.28 313	0.28 358	0.20 363	0.33 346	0.27 344	0.45 368	0.58 367	0.28 316	0.41 338	0.45 362	0.30 340	0.34 347	0.35 362	0.12 310	0.09 287	0.17 350	0.16 349	0.17 356	0.13 313

MFN_U_SF_DS_RVC	0.30 354	0.24 359	0.30 326	0.36 378	0.16 337	0.36 359	0.31 368	0.34 305	0.43 329	0.41 360	0.46 354	0.38 340	0.30 340	0.35 352	0.29 341	0.19 365	0.20 369	0.26 370	0.29 379	0.18 358	0.19 365

XQC	0.29 351	0.23 356	0.53 365	0.29 365	0.19 360	0.36 359	0.28 350	0.37 333	0.58 367	0.31 331	0.31 273	0.37 334	0.30 340	0.39 365	0.39 371	0.13 324	0.09 287	0.15 340	0.12 320	0.18 358	0.18 360

STTRV1_RVC	0.25 330	0.26 365	0.39 348	0.19 220	0.26 377	0.30 339	0.24 318	0.35 320	0.35 289	0.36 345	0.34 299	0.31 308	0.31 345	0.28 322	0.25 310	0.18 361	0.10 308	0.16 347	0.14 336	0.18 358	0.12 303

LSM	0.34 366	0.21 350	0.62 375	0.27 352	0.62 401	0.35 354	0.26 340	0.43 362	0.49 346	0.45 370	0.60 376	0.42 355	0.37 358	0.35 352	0.26 322	0.13 324	0.21 376	0.14 333	0.16 349	0.18 358	0.34 388

CC-Net-ROB	0.28 348	0.31 376	0.36 345	0.30 367	0.15 325	0.25 308	0.19 262	0.45 368	0.34 278	0.39 353	0.37 311	0.39 345	0.31 345	0.27 314	0.27 327	0.24 380	0.18 363	0.30 381	0.23 371	0.19 362	0.15 341

GANetREF_RVC	0.31 359	0.34 378	0.29 321	0.35 376	0.16 337	0.33 346	0.42 387	0.48 373	0.52 357	0.35 343	0.35 304	0.34 325	0.32 348	0.40 368	0.33 359	0.27 382	0.20 369	0.29 379	0.15 347	0.19 362	0.18 360
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
DPSNet	0.28 348	0.16 315	0.33 334	0.18 175	0.13 300	0.55 379	0.42 387	0.52 378	0.68 379	0.29 321	0.38 318	0.39 345	0.30 340	0.32 341	0.23 292	0.11 287	0.10 308	0.11 292	0.08 210	0.20 364	0.16 350

SQANet	0.24 323	0.24 359	0.31 329	0.31 369	0.19 360	0.27 326	0.13 45	0.30 264	0.33 268	0.25 293	0.37 311	0.31 308	0.22 286	0.27 314	0.23 292	0.15 344	0.10 308	0.21 363	0.16 349	0.22 365	0.16 350

BEATNet-Init1	0.54 385	0.28 368	0.68 385	0.31 369	0.21 365	0.85 400	0.31 368	0.57 383	0.69 382	0.89 397	1.00 399	2.17 415	0.66 391	0.58 388	0.44 380	0.19 365	0.18 363	0.23 368	0.22 367	0.22 365	0.21 369

DGSMNet	0.25 330	0.19 340	0.34 337	0.21 288	0.24 370	0.24 300	0.21 289	0.36 326	0.42 322	0.25 293	0.32 282	0.38 340	0.21 279	0.29 330	0.24 303	0.13 324	0.11 320	0.14 333	0.16 349	0.23 367	0.23 374

ccnet	0.30 354	0.28 368	0.24 299	0.20 262	0.28 379	0.41 369	0.22 299	0.46 371	0.33 268	0.37 350	0.46 354	0.37 334	0.30 340	0.40 368	0.43 377	0.23 378	0.14 348	0.21 363	0.17 356	0.23 367	0.19 365

SAMSARA	0.41 371	0.28 368	0.34 337	0.55 391	0.39 385	0.85 400	1.25 415	0.49 374	0.52 357	0.36 345	0.35 304	0.56 377	0.39 361	0.39 365	0.41 374	0.15 344	0.20 369	0.15 340	0.14 336	0.23 367	0.21 369

PASM	0.33 361	0.25 364	0.51 363	0.28 358	0.27 378	0.30 339	0.31 368	0.35 320	0.51 351	0.36 345	0.40 328	0.47 369	0.35 354	0.34 347	0.36 363	0.23 378	0.26 382	0.26 370	0.28 378	0.23 367	0.21 369

DispFullNet	0.27 346	0.22 354	0.66 378	0.28 358	0.17 347	0.27 326	0.17 189	0.34 305	0.57 364	0.27 304	0.37 311	0.43 358	0.24 299	0.39 365	0.25 310	0.12 310	0.06 186	0.19 360	0.11 302	0.23 367	0.16 350

MSMD_ROB	0.31 359	0.26 365	0.26 309	0.24 329	0.21 365	0.34 350	0.25 334	0.34 305	0.39 309	0.40 356	0.69 381	0.45 362	0.41 366	0.34 347	0.28 334	0.20 369	0.20 369	0.26 370	0.25 373	0.23 367	0.22 372

FADE	0.46 378	0.34 378	1.12 402	0.33 373	0.25 376	0.35 354	0.29 360	0.64 391	1.07 398	0.43 367	0.41 338	0.42 355	0.53 381	0.72 394	0.54 392	0.30 383	0.21 376	0.41 387	0.38 387	0.23 367	0.22 372

MSC_U_SF_DS_RVC	0.44 375	0.39 383	0.56 368	0.40 380	0.20 363	0.66 387	0.33 377	0.54 381	0.72 384	0.71 386	0.72 384	0.62 380	0.55 382	0.52 380	0.47 384	0.20 369	0.19 368	0.29 379	0.30 381	0.24 374	0.19 365

PVD	0.40 370	0.21 350	0.40 350	0.32 372	0.23 368	0.30 339	0.45 391	0.53 380	0.97 397	0.55 378	0.80 391	0.54 376	0.60 388	0.53 382	0.40 373	0.19 365	0.14 348	0.17 350	0.14 336	0.24 374	0.32 386

FCDSN-DC	0.33 361	0.28 368	0.28 313	0.30 367	0.24 370	0.39 367	0.28 350	0.43 362	0.42 322	0.44 368	0.53 364	0.51 372	0.42 369	0.37 360	0.30 347	0.21 371	0.20 369	0.27 373	0.26 374	0.25 376	0.25 376
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 361	0.28 368	0.28 313	0.26 345	0.23 368	0.38 365	0.29 360	0.40 348	0.44 331	0.46 371	0.56 367	0.51 372	0.41 366	0.38 364	0.31 351	0.21 371	0.20 369	0.27 373	0.26 374	0.25 376	0.24 375

MANE	0.47 381	0.28 368	0.28 313	0.27 352	0.24 370	0.50 374	0.32 376	0.57 383	0.62 374	0.74 390	1.20 409	1.21 400	0.64 390	0.54 383	0.39 371	0.22 373	0.20 369	0.27 373	0.31 382	0.26 378	0.25 376

ELAS	0.42 373	0.29 374	0.34 337	0.28 358	0.24 370	0.63 384	0.37 380	0.52 378	0.52 357	0.72 387	0.82 392	0.68 387	0.56 384	0.52 380	0.45 383	0.22 373	0.21 376	0.27 373	0.26 374	0.26 378	0.26 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_RVC	0.42 373	0.29 374	0.33 334	0.28 358	0.24 370	0.56 380	0.38 382	0.50 375	0.61 371	0.74 390	0.76 388	0.67 385	0.56 384	0.55 384	0.42 376	0.22 373	0.21 376	0.27 373	0.26 374	0.27 380	0.26 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetBlue	0.73 395	0.46 386	1.21 404	0.52 390	0.47 390	2.16 415	0.67 403	0.78 394	0.72 384	0.70 385	0.79 390	1.21 400	0.84 399	1.06 411	1.04 411	0.40 389	0.28 384	0.33 382	0.33 384	0.30 381	0.34 388

otaku	0.39 368	0.38 382	0.53 365	0.44 384	0.28 379	0.57 381	0.24 318	0.42 357	0.62 374	0.40 356	0.50 360	0.46 366	0.34 351	0.40 368	0.33 359	0.30 383	0.30 386	0.39 385	0.33 384	0.30 381	0.29 382

NVStereoNet_ROB	0.47 381	0.37 381	0.47 360	0.42 383	0.29 382	0.35 354	0.35 378	0.50 375	0.61 371	0.73 388	0.94 396	0.70 389	0.68 392	0.48 377	0.62 395	0.22 373	0.33 387	0.34 383	0.34 386	0.30 381	0.31 385
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet-4b	0.39 368	0.53 388	0.56 368	0.45 385	0.24 370	0.46 372	0.18 227	0.50 375	0.64 376	0.42 362	0.45 352	0.60 379	0.27 317	0.34 347	0.24 303	0.33 386	0.14 348	0.48 389	0.42 389	0.31 384	0.27 381

ACVNet_1	0.45 377	0.51 387	0.61 374	0.45 385	0.28 379	0.50 374	0.28 350	0.58 388	0.71 383	0.63 381	0.59 375	0.74 390	0.50 378	0.50 378	0.36 363	0.26 381	0.25 381	0.39 385	0.29 379	0.32 385	0.25 376

Ntro	0.41 371	0.40 384	0.54 367	0.46 388	0.30 383	0.64 385	0.24 318	0.47 372	0.68 379	0.42 362	0.49 358	0.47 369	0.42 369	0.40 368	0.32 356	0.32 385	0.28 384	0.37 384	0.31 382	0.33 386	0.29 382

MADNet+	0.76 396	0.72 398	3.76 416	0.67 394	0.41 386	0.99 406	0.97 413	0.72 393	0.75 388	0.52 375	0.58 373	0.64 383	0.68 392	0.89 405	1.04 411	0.35 387	0.36 388	0.28 378	0.23 371	0.38 387	0.33 387

Consistency-Raft	0.44 375	0.40 384	0.46 357	0.37 379	0.43 388	0.42 370	0.41 385	0.57 383	0.55 361	0.32 338	0.73 385	0.32 315	0.50 378	0.42 374	0.49 386	0.39 388	0.36 388	0.45 388	0.52 398	0.42 388	0.30 384

ACVNet_2	0.67 392	0.68 397	0.70 389	0.64 393	0.41 386	0.75 395	0.50 392	0.98 404	1.38 408	0.90 398	1.09 403	1.04 395	0.74 395	0.55 384	0.48 385	0.43 390	0.40 390	0.53 393	0.45 390	0.48 389	0.36 390

anonymity	0.53 384	0.58 389	0.66 378	0.41 381	0.61 400	0.54 378	0.41 385	0.57 383	0.41 320	0.56 379	0.50 360	0.50 371	0.55 382	0.59 389	0.50 387	0.58 399	0.50 400	0.51 391	0.51 396	0.52 390	0.58 397

SGM+DAISY	0.57 387	0.58 389	0.67 382	0.41 381	0.55 394	0.68 389	0.51 393	0.57 383	0.46 342	0.67 382	0.70 382	0.69 388	0.57 386	0.64 391	0.58 393	0.59 400	0.49 397	0.50 390	0.50 395	0.52 390	0.59 400

RainbowNet	0.54 385	0.61 392	0.71 391	0.57 392	0.43 388	0.66 387	0.37 380	0.60 389	0.87 394	0.51 374	0.67 378	0.63 381	0.47 375	0.50 378	0.44 380	0.47 394	0.48 396	0.53 393	0.41 388	0.53 392	0.41 393

IMH-64-1	0.66 390	0.62 393	0.69 386	0.72 395	0.51 391	0.60 382	0.51 393	0.92 398	0.84 392	0.75 393	1.02 400	0.81 391	0.78 397	0.80 396	0.50 387	0.43 390	0.46 391	0.72 397	0.48 391	0.55 393	0.40 391

IMH-64	0.66 390	0.62 393	0.69 386	0.72 395	0.51 391	0.60 382	0.51 393	0.92 398	0.84 392	0.75 393	1.02 400	0.81 391	0.78 397	0.80 396	0.50 387	0.43 390	0.46 391	0.72 397	0.48 391	0.55 393	0.40 391

SPS-STEREO	0.58 388	0.59 391	0.66 378	0.45 385	0.55 394	0.65 386	0.44 390	0.63 390	0.51 351	0.69 384	0.65 377	0.66 384	0.58 387	0.62 390	0.62 395	0.62 402	0.47 395	0.51 391	0.49 393	0.55 393	0.58 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH	0.72 393	0.65 395	0.70 389	0.77 397	0.54 393	0.71 391	0.56 396	0.99 406	1.08 399	0.82 396	1.09 403	0.89 393	0.88 401	0.88 404	0.53 391	0.44 393	0.50 400	0.75 400	0.51 396	0.58 396	0.42 394

WAO-7	0.80 398	0.78 401	0.57 370	0.85 402	0.67 404	0.76 396	0.69 406	1.07 408	1.30 405	0.90 398	1.20 409	1.05 396	0.93 403	0.71 393	0.68 398	0.60 401	0.62 410	0.67 396	0.68 404	0.64 397	0.59 400

LVE	0.84 401	0.87 405	0.86 397	0.81 400	0.56 396	1.09 411	0.66 402	1.07 408	1.45 410	0.97 402	1.23 411	1.11 398	0.86 400	0.84 399	0.72 402	0.49 395	0.56 406	0.76 401	0.60 401	0.66 398	0.60 403

Dean	0.88 402	0.88 406	0.81 393	0.82 401	0.57 397	0.91 402	0.62 400	1.17 413	1.71 413	1.15 408	1.16 407	1.31 404	1.00 406	0.82 398	0.83 407	0.57 397	0.56 406	0.78 403	0.65 402	0.67 399	0.58 397

TorneroNet-64	0.76 396	0.73 399	0.77 392	0.78 399	0.58 399	0.94 405	0.58 397	0.85 397	1.26 403	0.67 382	0.88 394	1.41 407	0.76 396	0.87 402	0.68 398	0.49 395	0.46 391	0.73 399	0.59 399	0.68 400	0.54 396

MFMNet_re	0.65 389	0.66 396	0.66 378	0.51 389	0.69 405	0.70 390	0.58 397	0.65 392	0.75 388	0.61 380	0.73 385	0.63 381	0.68 392	0.65 392	0.60 394	0.66 403	0.58 409	0.63 395	0.59 399	0.68 400	0.69 407

WAO-6	0.82 399	0.81 402	0.63 377	0.87 404	0.63 402	0.79 397	0.60 399	0.98 404	1.52 412	0.91 400	0.97 398	1.08 397	1.04 407	0.72 394	0.70 401	0.72 404	0.49 397	0.91 407	0.71 405	0.70 402	0.59 400

WAO-8	0.92 403	0.83 403	0.67 382	0.94 407	0.70 406	0.92 403	0.68 404	1.08 410	1.80 415	1.06 406	1.42 413	1.29 402	1.08 409	0.86 400	0.80 404	0.74 406	0.54 403	0.86 405	0.75 406	0.71 403	0.63 404

Venus	0.92 403	0.83 403	0.67 382	0.94 407	0.70 406	0.92 403	0.68 404	1.08 410	1.80 415	1.06 406	1.42 413	1.29 402	1.08 409	0.86 400	0.80 404	0.74 406	0.54 403	0.86 405	0.75 406	0.71 403	0.63 404

PWCK	0.72 393	0.95 407	0.99 400	0.77 397	0.32 384	0.79 397	0.38 382	0.92 398	0.90 395	0.96 401	0.76 388	0.97 394	0.62 389	0.87 402	0.68 398	0.73 405	0.46 391	0.76 401	0.49 393	0.71 403	0.44 395

TorneroNet	0.83 400	0.75 400	0.83 396	0.85 402	0.63 402	1.03 409	0.65 401	0.96 402	1.14 401	0.80 395	1.10 405	1.36 405	0.88 401	0.95 407	0.82 406	0.57 397	0.49 397	0.79 404	0.66 403	0.74 406	0.64 406

SPstereo	13.84 429	0.95 407	1.53 409	1.24 413	0.90 412	29.09 432	47.98 432	26.78 439	29.57 438	22.38 437	22.47 436	23.18 437	24.63 437	24.46 437	15.07 429	0.91 411	0.71 412	1.85 418	1.62 418	0.74 406	0.79 411

UNDER WATER-64	0.97 405	0.96 409	1.48 408	0.88 405	0.57 397	1.24 414	0.90 411	0.78 394	0.96 396	1.05 404	0.85 393	1.56 412	1.26 413	0.97 409	0.99 409	0.88 410	0.57 408	1.04 410	0.88 410	0.81 408	0.75 408

UNDER WATER	0.99 407	1.00 410	1.47 407	1.00 409	0.71 408	1.18 413	0.86 409	0.81 396	1.09 400	1.02 403	0.90 395	1.53 411	1.26 413	1.06 411	1.02 410	0.79 408	0.54 403	1.02 409	0.88 410	0.83 409	0.75 408

DPSimNet_ROB	1.14 410	1.25 414	0.87 398	1.15 412	0.90 412	1.15 412	1.18 414	1.20 414	1.26 403	1.45 412	1.05 402	1.44 410	1.13 411	0.92 406	1.70 414	1.47 417	0.52 402	1.22 414	1.04 415	0.92 410	1.03 415

notaker	0.98 406	1.13 411	1.02 401	1.14 411	0.81 409	0.73 394	0.69 406	0.94 401	1.15 402	1.19 410	1.19 408	1.41 407	1.17 412	1.10 413	0.74 403	0.82 409	0.64 411	1.18 412	0.79 408	1.02 411	0.82 412

KSHMR	1.10 409	1.19 412	0.90 399	1.26 415	1.00 414	0.99 406	0.96 412	1.13 412	1.35 406	1.16 409	1.28 412	1.40 406	0.97 405	1.03 410	0.93 408	1.03 413	1.08 415	1.20 413	1.03 414	1.03 412	0.98 414

ktn	1.02 408	1.23 413	0.82 394	1.24 413	0.86 411	1.00 408	0.86 409	0.96 402	1.37 407	1.05 404	1.12 406	1.16 399	1.06 408	0.95 407	0.62 395	1.28 416	0.71 412	1.39 416	0.83 409	1.06 413	0.77 410

HanzoNet	1.31 411	1.29 415	1.22 405	1.13 410	0.85 410	1.05 410	0.84 408	1.06 407	1.47 411	1.66 413	1.63 415	2.48 417	1.78 415	1.63 415	1.69 413	1.27 415	0.80 414	1.32 415	1.02 413	1.07 414	0.90 413

JetRed	1.66 412	1.51 416	3.09 412	0.93 406	1.21 415	5.28 417	1.61 417	1.29 415	1.42 409	1.84 414	1.77 416	1.59 413	0.95 404	1.43 414	2.51 417	0.91 411	1.61 417	0.93 408	0.91 412	1.36 415	1.03 415

ASD4	3.59 415	3.47 419	2.05 411	1.75 416	2.54 419	9.22 421	17.86 422	2.29 416	5.54 419	2.49 416	2.86 418	2.05 414	3.46 417	2.77 417	5.29 418	1.23 414	1.36 416	1.13 411	1.33 416	1.71 416	1.50 418

MADNet++	1.97 413	1.75 417	1.66 410	1.83 417	1.69 417	2.38 416	1.45 416	2.36 417	2.11 417	2.58 417	2.37 417	2.25 416	2.21 416	2.28 416	2.36 416	1.87 418	1.67 418	1.53 417	1.34 417	1.87 417	1.78 419

tt	4.65 416	0.07 51	3.54 415	2.01 418	1.55 416	10.25 422	16.66 421	8.90 425	5.03 418	1.33 411	0.96 397	4.71 418	4.74 418	3.33 418	5.86 420	6.06 425	10.30 429	1.87 419	2.09 420	2.61 418	1.19 417

xxxxx1	7.75 417	5.06 422	7.26 418	3.15 419	3.91 420	16.37 425	22.88 426	5.87 422	8.68 421	7.99 421	8.55 419	9.13 423	8.46 421	10.05 423	10.47 421	2.43 419	2.48 420	3.56 422	12.26 426	3.48 419	3.02 421

tt_ll	7.75 417	5.06 422	7.26 418	3.15 419	3.91 420	16.37 425	22.88 426	5.87 422	8.68 421	7.99 421	8.55 419	9.13 423	8.46 421	10.05 423	10.47 421	2.43 419	2.48 420	3.56 422	12.26 426	3.48 419	3.02 421

ff	7.75 417	5.06 422	7.26 418	3.15 419	3.91 420	16.37 425	22.88 426	5.87 422	8.68 421	7.99 421	8.55 419	9.13 423	8.46 421	10.05 423	10.47 421	2.43 419	2.48 420	3.56 422	12.26 426	3.48 419	3.02 421

DGTPSM_ROB	8.06 421	4.50 420	8.69 425	5.34 422	10.73 425	8.32 419	22.71 424	5.47 420	13.38 425	5.13 419	9.98 422	5.10 419	10.47 424	5.53 420	12.77 425	3.79 422	8.00 424	3.49 420	6.95 423	3.74 422	7.09 425

DPSMNet_ROB	8.06 421	4.50 420	8.69 425	5.36 424	10.74 426	8.32 419	22.71 424	5.47 420	13.38 425	5.13 419	9.98 422	5.10 419	10.47 424	5.53 420	12.77 425	3.80 423	8.00 424	3.49 420	6.95 423	3.75 423	7.09 425

DPSM_ROB	11.10 427	8.47 426	7.95 422	10.84 426	11.58 427	19.10 430	26.50 430	12.02 427	14.09 428	10.38 425	10.91 425	10.39 427	11.92 427	11.67 427	13.39 427	6.99 427	8.79 427	5.82 426	6.92 421	6.97 424	7.31 427

DPSM	11.10 427	8.47 426	7.95 422	10.84 426	11.58 427	19.10 430	26.50 430	12.02 427	14.09 428	10.38 425	10.91 425	10.39 427	11.92 427	11.67 427	13.39 427	6.99 427	8.79 427	5.82 426	6.92 421	6.97 424	7.31 427

PML	8.57 423	9.39 428	6.24 417	5.34 422	6.36 423	13.21 424	20.99 423	5.35 419	6.68 420	17.75 429	26.46 438	7.58 421	6.08 420	7.89 422	5.76 419	5.33 424	1.83 419	5.95 428	1.93 419	8.75 426	2.53 420

Anonymous_1	10.87 426	7.82 425	7.41 421	10.29 425	10.08 424	18.64 429	26.11 429	11.02 426	13.45 427	9.43 424	10.10 424	9.73 426	11.31 426	10.69 426	12.47 424	6.42 426	8.38 426	5.70 425	10.22 425	11.41 427	6.65 424

MyStereo03	22.37 433	17.11 430	16.16 429	21.87 431	23.27 432	38.30 433	53.36 434	24.10 433	28.51 434	20.93 434	21.96 433	20.94 431	24.00 431	23.43 433	27.22 435	14.07 430	17.72 434	11.70 429	13.96 431	14.00 428	14.72 430

MyStereo02	22.37 433	17.11 430	16.16 429	21.87 431	23.27 432	38.30 433	53.36 434	24.10 433	28.51 434	20.93 434	21.96 433	20.94 431	24.00 431	23.43 433	27.22 435	14.07 430	17.72 434	11.70 429	13.96 431	14.00 428	14.72 430

MyStereo	22.37 433	17.11 430	16.16 429	21.87 431	23.27 432	38.30 433	53.36 434	24.10 433	28.51 434	20.93 434	21.96 433	20.94 431	24.00 431	23.43 433	27.22 435	14.07 430	17.72 434	11.70 429	13.96 431	14.00 428	14.72 430

CasAABBNet	22.33 432	17.11 430	15.84 427	21.94 434	23.28 435	38.30 433	53.40 438	24.05 432	28.44 433	20.66 431	21.86 431	21.03 435	24.04 435	23.35 431	27.03 434	14.06 429	17.69 432	11.70 429	13.94 430	14.04 431	14.76 433

Selective-RAFT-Error	22.39 436	17.14 434	16.01 428	22.00 435	23.34 436	38.37 437	53.36 434	24.24 437	28.53 437	20.80 432	21.94 432	20.94 431	24.02 434	23.48 436	27.33 438	14.07 430	17.70 433	11.70 429	13.93 429	14.05 432	14.83 434

LSM0	22.80 437	17.22 435	19.17 432	22.12 436	28.90 438	38.38 438	53.27 433	24.21 436	28.36 432	20.84 433	21.11 430	21.63 436	24.25 436	23.42 432	26.98 433	14.08 434	17.39 431	11.72 434	13.98 434	14.22 433	14.66 429

LRCNet_RVC	10.76 425	13.97 429	7.97 424	19.07 429	2.04 418	0.35 354	0.31 368	5.29 418	0.48 345	13.02 427	17.65 428	8.69 422	5.73 419	4.78 419	2.22 415	23.53 436	2.69 423	27.60 437	25.75 437	17.60 434	16.54 435

HaxPig	15.73 430	18.55 436	19.19 433	16.92 428	15.89 430	7.80 418	7.57 418	13.37 429	10.80 424	15.40 428	14.87 427	15.95 429	14.81 429	15.67 429	15.97 430	18.96 435	16.72 430	19.47 435	18.10 435	19.45 435	19.06 436

MEDIAN_ROB	20.38 431	24.05 437	23.36 435	21.18 430	21.62 431	10.51 423	8.17 419	17.68 430	15.46 430	20.04 430	19.65 429	20.30 430	20.16 430	21.17 430	21.03 431	23.81 437	21.77 437	24.98 436	23.75 436	25.01 436	23.94 437

AVERAGE_ROB	24.89 438	29.12 438	27.98 436	24.83 437	24.59 437	17.82 428	11.61 420	21.45 431	19.91 431	25.04 438	24.38 437	25.06 438	25.31 438	24.69 438	22.86 432	29.74 438	27.09 438	28.97 438	27.94 438	30.07 437	29.35 438

DLNR_Zeroshot_test	10.48 424	2.27 418	19.78 434	120.28 439	13.29 429	0.06 2	0.13 45	0.24 182	0.10 6	0.08 4	0.10 36	0.09 37	0.07 28	0.10 15	0.09 16	0.13 324	0.04 2	0.06 30	0.04 7	52.68 438	0.04 4

test_example2	97.69 439	92.93 439	45.57 437	96.02 438	109.84 439	88.44 439	93.70 439	25.54 438	94.63 439	130.46 439	126.87 439	58.93 439	75.48 439	87.99 439	77.94 439	150.16 439	221.11 439	76.29 439	98.21 439	108.42 439	95.33 439

Low-res two-view benchmark