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

CASnet	0.09 11	0.09 189	0.09 28	0.19 226	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 266	0.08 210	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 66	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 114	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

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

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

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

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

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

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

DLNR_Zeroshot_test	10.40 422	1.82 417	19.49 432	120.77 438	13.11 428	0.06 2	0.13 43	0.23 172	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 330	0.04 2	0.06 31	0.04 8	51.54 437	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 299	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HH	0.09 11	0.06 19	0.13 127	0.17 114	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 127	0.17 114	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

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

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

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

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

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 37	0.08 25	0.07 31	0.12 100	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

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

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

RAFT_CTSACE	0.12 134	0.09 189	0.10 44	0.22 304	0.08 47	0.12 104	0.24 320	0.18 96	0.16 87	0.20 240	0.27 246	0.13 111	0.07 31	0.13 132	0.09 19	0.05 2	0.06 188	0.08 162	0.07 160	0.04 1	0.04 7

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

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

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

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

GMOStereo	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

error version	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

test-v	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

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

test_1	0.08 2	0.06 19	0.09 28	0.17 114	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_3	0.10 50	0.09 189	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.04 1	0.04 7

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 282	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 160	0.04 1	0.04 7

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

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

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

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

cross-raft	0.10 50	0.09 189	0.09 28	0.19 226	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 52	0.12 88	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

test-1	0.10 50	0.07 69	0.16 220	0.19 226	0.08 47	0.11 82	0.24 320	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

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

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 230	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 108	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

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

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

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

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

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

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 60	0.10 57	0.09 66	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

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

MLCV	0.12 134	0.07 69	0.16 220	0.18 181	0.06 2	0.15 175	0.17 190	0.19 115	0.21 161	0.18 210	0.25 224	0.17 180	0.13 169	0.14 147	0.13 156	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

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

IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

StereoVision	0.13 156	0.12 270	0.09 28	0.24 328	0.10 215	0.15 175	0.21 292	0.21 139	0.20 148	0.12 82	0.24 195	0.10 57	0.10 87	0.16 196	0.10 49	0.09 234	0.11 318	0.12 308	0.12 322	0.06 101	0.05 51

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

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

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

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

LL-Strereo2	0.10 50	0.10 236	0.15 190	0.18 181	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 123	0.10 37	0.09 37	0.07 31	0.16 196	0.10 49	0.05 2	0.05 106	0.10 266	0.07 160	0.06 101	0.05 51

LL-Strereo	0.13 156	0.09 189	0.11 70	0.20 267	0.10 215	0.11 82	0.18 230	0.32 285	0.24 191	0.15 147	0.15 93	0.14 126	0.13 169	0.19 240	0.11 85	0.06 54	0.04 2	0.09 225	0.08 210	0.04 1	0.05 51

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

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

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

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

Selective-RAFT	0.11 79	0.10 236	0.11 70	0.21 291	0.08 47	0.16 198	0.13 43	0.20 122	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

CroCo-Stereo Lap2	0.09 11	0.09 189	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 188	0.07 98	0.05 31	0.05 40	0.05 51

TestStereo1	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 360	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

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

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

SA-5K	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 360	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

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

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

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

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

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

TransformOpticalFlow	0.10 50	0.08 140	0.13 127	0.18 181	0.07 18	0.09 35	0.15 115	0.19 115	0.15 69	0.12 82	0.17 119	0.11 73	0.11 108	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

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

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

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

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

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

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

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

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 306	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

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

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

TestStereo	0.13 156	0.14 303	0.11 70	0.23 323	0.08 47	0.15 175	0.21 292	0.20 122	0.23 181	0.14 123	0.24 195	0.16 161	0.12 137	0.16 196	0.14 184	0.05 2	0.06 188	0.08 162	0.06 86	0.09 245	0.05 51

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

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

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

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

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

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

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 139	0.23 181	0.11 58	0.12 60	0.14 126	0.11 108	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

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

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 103	0.16 101	0.14 126	0.11 108	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNet	0.13 156	0.10 236	0.18 262	0.19 226	0.08 47	0.13 129	0.18 230	0.20 122	0.26 223	0.15 147	0.23 187	0.15 150	0.13 169	0.14 147	0.14 184	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

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

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

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

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

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

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

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

MyStereo04	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.29 256	0.38 307	0.17 184	0.14 79	0.16 161	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

cc1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 215	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 215	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

DualNet	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

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

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

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

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

1111x	0.15 218	0.08 140	0.12 90	0.18 181	0.07 18	0.18 232	0.25 334	0.31 276	0.24 191	0.17 184	0.24 195	0.26 268	0.15 205	0.13 132	0.23 299	0.07 141	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

test croco	0.10 50	0.08 140	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.14 15	0.13 41	0.13 103	0.15 93	0.09 37	0.12 137	0.13 132	0.12 127	0.07 141	0.05 106	0.09 225	0.06 86	0.06 101	0.06 98

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

anonymousa	0.13 156	0.07 69	0.13 127	0.18 181	0.09 130	0.13 129	0.17 190	0.19 115	0.29 248	0.15 147	0.24 195	0.15 150	0.14 192	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 249	0.05 40	0.06 98

ProNet	0.09 11	0.07 69	0.10 44	0.17 114	0.08 47	0.10 56	0.15 115	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

RAFT+CT+SA	0.13 156	0.11 256	0.09 28	0.19 226	0.09 130	0.15 175	0.28 352	0.22 155	0.22 172	0.15 147	0.26 239	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 210	0.07 155	0.06 98

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 134	0.09 189	0.12 90	0.19 226	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.19 223	0.14 79	0.11 73	0.09 66	0.20 259	0.16 221	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

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

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

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

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

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

GwcNet-ADL	0.13 156	0.08 140	0.14 153	0.20 267	0.09 130	0.11 82	0.20 276	0.30 270	0.24 191	0.13 103	0.14 79	0.18 191	0.14 192	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 68	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 103	0.41 340	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

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

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

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

GMStereo	0.13 156	0.14 303	0.14 153	0.18 181	0.09 130	0.15 175	0.16 170	0.20 122	0.24 191	0.16 172	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 156	0.07 69	0.14 153	0.17 114	0.09 130	0.15 175	0.16 170	0.28 246	0.27 230	0.14 123	0.17 119	0.12 88	0.13 169	0.14 147	0.11 85	0.08 189	0.05 106	0.07 98	0.07 160	0.07 155	0.06 98

delet	0.17 255	0.08 140	0.17 245	0.19 226	0.11 253	0.20 264	0.21 292	0.30 270	0.37 302	0.17 184	0.26 239	0.19 199	0.19 268	0.19 240	0.21 280	0.08 189	0.08 267	0.09 225	0.11 304	0.06 101	0.06 98

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

UPFNet	0.16 236	0.08 140	0.12 90	0.20 267	0.12 282	0.20 264	0.23 311	0.28 246	0.26 223	0.17 184	0.24 195	0.22 232	0.19 268	0.19 240	0.21 280	0.09 234	0.07 245	0.08 162	0.09 249	0.08 197	0.06 98

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 189	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
ac_64	0.16 236	0.08 140	0.15 190	0.18 181	0.10 215	0.22 286	0.18 230	0.24 189	0.21 161	0.18 210	0.24 195	0.29 289	0.18 253	0.19 240	0.22 289	0.09 234	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

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

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

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

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 70	0.10 57	0.07 31	0.13 132	0.10 49	0.15 344	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 114	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 126	0.12 137	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 134	0.08 140	0.14 153	0.18 181	0.07 18	0.15 175	0.07 1	0.22 155	0.18 116	0.16 172	0.19 147	0.18 191	0.14 192	0.16 196	0.15 207	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

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

HSM-Net_RVC	0.14 185	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 232	0.29 248	0.19 223	0.21 172	0.29 289	0.14 192	0.17 218	0.13 156	0.06 54	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 218	0.10 236	0.17 245	0.17 114	0.08 47	0.18 232	0.09 3	0.28 246	0.25 210	0.19 223	0.24 195	0.24 250	0.17 244	0.17 218	0.14 184	0.08 189	0.06 188	0.09 225	0.10 281	0.07 155	0.06 98

AANet_RVC	0.16 236	0.10 236	0.10 44	0.18 181	0.09 130	0.18 232	0.19 261	0.26 214	0.31 261	0.22 261	0.35 303	0.21 215	0.21 280	0.22 286	0.16 221	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

HSM	0.15 218	0.08 140	0.14 153	0.16 68	0.09 130	0.16 198	0.14 69	0.28 246	0.25 210	0.19 223	0.23 187	0.37 335	0.16 225	0.20 259	0.15 207	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

LE_ROB	0.50 381	0.07 69	0.14 153	0.15 38	0.08 47	0.24 304	0.16 170	0.22 155	1.81 412	4.63 416	0.67 377	0.47 368	0.44 374	0.20 259	0.29 346	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

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

pmcnn	0.15 218	0.07 69	0.19 271	0.15 38	0.07 18	0.20 264	0.15 115	0.24 189	0.26 223	0.21 248	0.34 299	0.28 282	0.18 253	0.18 229	0.17 232	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

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

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

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

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

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

whm_eth	0.14 185	0.09 189	0.20 279	0.20 267	0.12 282	0.12 104	0.15 115	0.18 96	0.28 241	0.17 184	0.32 282	0.09 37	0.12 137	0.18 229	0.14 184	0.07 141	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156

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

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

PCWNet_CMD	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 296	0.14 123	0.20 158	0.21 215	0.12 137	0.17 218	0.13 156	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

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

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

GASNet	0.22 304	0.23 356	0.33 335	0.26 344	0.17 350	0.26 322	0.16 170	0.44 366	0.42 325	0.27 305	0.24 195	0.30 297	0.15 205	0.27 315	0.18 246	0.12 310	0.08 267	0.12 308	0.11 304	0.16 348	0.07 156

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

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

CASS	0.13 156	0.12 270	0.11 70	0.23 323	0.09 130	0.15 175	0.17 190	0.18 96	0.19 127	0.17 184	0.18 141	0.15 150	0.15 205	0.14 147	0.14 184	0.09 234	0.06 188	0.10 266	0.08 210	0.09 245	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 79	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 115	0.13 41	0.11 58	0.17 119	0.13 111	0.09 66	0.13 132	0.11 85	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

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

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

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

BUS	0.14 185	0.09 189	0.14 153	0.22 304	0.10 215	0.19 252	0.14 69	0.34 312	0.19 127	0.17 184	0.22 181	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

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

test_5	0.14 185	0.12 270	0.08 11	0.20 267	0.10 215	0.14 153	0.29 360	0.21 139	0.24 191	0.18 210	0.28 255	0.11 73	0.15 205	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 210	0.08 197	0.07 156

BSDual-CNN	0.15 218	0.09 189	0.14 153	0.22 304	0.10 215	0.14 153	0.15 115	0.34 312	0.19 127	0.17 184	0.22 181	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

hknet	0.15 218	0.11 256	0.13 127	0.22 304	0.11 253	0.14 153	0.15 115	0.34 312	0.25 210	0.17 184	0.22 181	0.22 232	0.18 253	0.17 218	0.12 127	0.07 141	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

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

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

dad	0.17 255	0.20 345	0.20 279	0.16 68	0.11 253	0.20 264	0.18 230	0.21 139	0.28 241	0.30 325	0.24 195	0.29 289	0.13 169	0.19 240	0.16 221	0.18 361	0.09 290	0.11 293	0.09 249	0.11 287	0.07 156

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

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

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

ADLNet2	0.16 236	0.09 189	0.13 127	0.16 68	0.09 130	0.20 264	0.16 170	0.31 276	0.39 310	0.16 172	0.20 158	0.20 209	0.18 253	0.21 275	0.22 289	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.07 156

Patchmatch Stereo++	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
NRIStereo	0.11 79	0.08 140	0.14 153	0.18 181	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 82	0.14 79	0.13 111	0.12 137	0.13 132	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 156

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

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

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

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

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

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

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

ICVP	0.15 218	0.09 189	0.12 90	0.22 304	0.09 130	0.17 217	0.21 292	0.25 202	0.23 181	0.18 210	0.30 270	0.26 268	0.18 253	0.17 218	0.14 184	0.09 234	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
CFNet_pseudo	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.13 129	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 156

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 82	0.17 119	0.14 126	0.10 87	0.12 100	0.11 85	0.07 141	0.06 188	0.06 31	0.05 31	0.08 197	0.07 156

sCroCo_RVC	0.12 134	0.09 189	0.23 298	0.24 328	0.11 253	0.19 252	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 88	0.07 31	0.14 147	0.11 85	0.08 189	0.08 267	0.08 162	0.08 210	0.05 40	0.07 156

HCRNet	0.16 236	0.24 359	0.12 90	0.35 375	0.11 253	0.15 175	0.17 190	0.26 214	0.22 172	0.19 223	0.24 195	0.21 215	0.14 192	0.15 165	0.13 156	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

xxxx	0.15 218	0.07 69	0.14 153	0.14 13	0.08 47	0.23 299	0.18 230	0.31 276	0.19 127	0.14 123	0.28 255	0.22 232	0.14 192	0.15 165	0.26 328	0.09 234	0.05 106	0.07 98	0.07 160	0.08 197	0.07 156

test_xeample	0.15 218	0.06 19	0.13 127	0.14 13	0.08 47	0.21 278	0.20 276	0.28 246	0.20 148	0.16 172	0.29 266	0.19 199	0.16 225	0.15 165	0.26 328	0.09 234	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

MMNet	0.17 255	0.09 189	0.16 220	0.20 267	0.11 253	0.27 329	0.20 276	0.25 202	0.41 319	0.22 261	0.30 270	0.21 215	0.20 276	0.17 218	0.20 261	0.06 54	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

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

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

PSMNet-RSSM	0.14 185	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 170	0.24 189	0.24 191	0.16 172	0.28 255	0.22 232	0.14 192	0.15 165	0.13 156	0.11 286	0.06 188	0.09 225	0.12 322	0.08 197	0.07 156

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

MSMDNet	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 296	0.14 123	0.21 172	0.21 215	0.12 137	0.17 218	0.14 184	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

CVANet_RVC	0.18 267	0.10 236	0.14 153	0.21 291	0.10 215	0.18 232	0.17 190	0.34 312	0.33 273	0.22 261	0.31 278	0.28 282	0.18 253	0.23 297	0.17 232	0.12 310	0.08 267	0.12 308	0.11 304	0.09 245	0.07 156

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

AdaStereo	0.15 218	0.11 256	0.15 190	0.18 181	0.09 130	0.20 264	0.11 11	0.32 285	0.28 241	0.20 240	0.23 187	0.20 209	0.13 169	0.19 240	0.14 184	0.12 310	0.05 106	0.10 266	0.07 160	0.09 245	0.07 156
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
StereoDRNet-Refined	0.17 255	0.12 270	0.15 190	0.20 267	0.09 130	0.18 232	0.18 230	0.26 214	0.23 181	0.26 299	0.40 330	0.22 232	0.17 244	0.21 275	0.20 261	0.08 189	0.05 106	0.09 225	0.10 281	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DRN-Test	0.19 277	0.11 256	0.20 279	0.22 304	0.10 215	0.22 286	0.22 301	0.39 347	0.37 302	0.24 281	0.32 282	0.26 268	0.21 280	0.22 286	0.24 309	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

StereoDRNet	0.18 267	0.11 256	0.17 245	0.22 304	0.11 253	0.21 278	0.22 301	0.37 336	0.33 273	0.24 281	0.28 255	0.30 297	0.19 268	0.20 259	0.20 261	0.09 234	0.08 267	0.11 293	0.09 249	0.09 245	0.07 156

DLCB_ROB	0.18 267	0.10 236	0.15 190	0.23 323	0.11 253	0.24 304	0.18 230	0.29 256	0.28 241	0.27 305	0.28 255	0.28 282	0.24 301	0.19 240	0.20 261	0.08 189	0.08 267	0.09 225	0.09 249	0.07 155	0.07 156

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

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

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

GMStereo_Zeroshot	0.16 236	0.13 291	0.24 301	0.20 267	0.10 215	0.17 217	0.13 43	0.29 256	0.25 210	0.23 273	0.32 282	0.25 260	0.11 108	0.19 240	0.14 184	0.09 234	0.06 188	0.11 293	0.06 86	0.12 301	0.08 216

ToySt	0.17 255	0.11 256	0.18 262	0.17 114	0.11 253	0.16 198	0.25 334	0.24 189	0.33 273	0.19 223	0.24 195	0.26 268	0.24 301	0.19 240	0.20 261	0.07 141	0.08 267	0.09 225	0.10 281	0.09 245	0.08 216

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

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

HBP-ISP	0.18 267	0.13 291	0.16 220	0.15 38	0.11 253	0.08 23	0.13 43	0.28 246	0.29 248	0.22 261	0.33 295	0.21 215	0.25 309	0.23 297	0.17 232	0.14 341	0.16 356	0.21 362	0.17 355	0.10 272	0.08 216

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

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

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

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

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

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

LMCR-Stereo	0.15 218	0.08 140	0.13 127	0.21 291	0.09 130	0.17 217	0.20 276	0.27 232	0.19 127	0.24 281	0.24 195	0.23 244	0.17 244	0.20 259	0.17 232	0.07 141	0.06 188	0.08 162	0.06 86	0.10 272	0.08 216

GEStereo_RVC	0.17 255	0.12 270	0.15 190	0.22 304	0.11 253	0.19 252	0.17 190	0.32 285	0.48 344	0.20 240	0.25 224	0.17 180	0.13 169	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.07 160	0.09 245	0.08 216

222	0.16 236	0.07 69	0.14 153	0.14 13	0.08 47	0.24 304	0.18 230	0.30 270	0.20 148	0.17 184	0.28 255	0.17 180	0.16 225	0.15 165	0.40 375	0.10 265	0.05 106	0.07 98	0.06 86	0.07 155	0.08 216

RAFT + AFF	0.13 156	0.07 69	0.20 279	0.20 267	0.10 215	0.14 153	0.24 320	0.26 214	0.20 148	0.11 58	0.10 37	0.12 88	0.10 87	0.15 165	0.12 127	0.07 141	0.06 188	0.09 225	0.08 210	0.06 101	0.08 216

Syn2CoEx	0.21 295	0.16 316	0.27 314	0.29 365	0.14 316	0.26 322	0.20 276	0.33 302	0.31 261	0.28 316	0.36 306	0.27 275	0.25 309	0.19 240	0.24 309	0.16 355	0.12 327	0.14 332	0.11 304	0.09 245	0.08 216

psm_up	0.18 267	0.10 236	0.18 262	0.20 267	0.11 253	0.17 217	0.19 261	0.37 336	0.34 284	0.21 248	0.28 255	0.29 289	0.24 301	0.20 259	0.22 289	0.09 234	0.10 308	0.11 293	0.11 304	0.08 197	0.08 216

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

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

DMCA-RVC	0.17 255	0.10 236	0.15 190	0.24 328	0.11 253	0.18 232	0.18 230	0.25 202	0.24 191	0.21 248	0.26 239	0.25 260	0.27 320	0.18 229	0.20 261	0.12 310	0.08 267	0.13 322	0.10 281	0.10 272	0.08 216

STTStereo	0.18 267	0.12 270	0.27 314	0.20 267	0.11 253	0.16 198	0.21 292	0.29 256	0.23 181	0.21 248	0.30 270	0.29 289	0.18 253	0.20 259	0.19 255	0.12 310	0.11 318	0.11 293	0.14 335	0.09 245	0.08 216

ADCRef	0.19 277	0.12 270	0.41 354	0.20 267	0.12 282	0.22 286	0.18 230	0.32 285	0.36 296	0.26 299	0.32 282	0.17 180	0.23 295	0.24 305	0.24 309	0.07 141	0.06 188	0.09 225	0.09 249	0.08 197	0.08 216

GANet	0.21 295	0.12 270	0.21 284	0.24 328	0.13 299	0.22 286	0.22 301	0.41 356	0.26 223	0.31 331	0.42 345	0.37 335	0.28 328	0.23 297	0.22 289	0.10 265	0.12 327	0.10 266	0.09 249	0.10 272	0.08 216

TDLM	0.17 255	0.12 270	0.13 127	0.24 328	0.10 215	0.18 232	0.18 230	0.36 331	0.30 255	0.21 248	0.28 255	0.28 282	0.18 253	0.23 297	0.18 246	0.11 286	0.07 245	0.10 266	0.10 281	0.08 197	0.08 216

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

NLCA_NET_v2_RVC	0.17 255	0.10 236	0.22 289	0.20 267	0.10 215	0.15 175	0.18 230	0.31 276	0.25 210	0.21 248	0.30 270	0.25 260	0.17 244	0.21 275	0.20 261	0.09 234	0.06 188	0.08 162	0.08 210	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 286	0.21 351	0.23 298	0.20 267	0.10 215	0.19 252	0.17 190	0.36 331	0.25 210	0.27 305	0.33 295	0.27 275	0.24 301	0.20 259	0.20 261	0.15 344	0.12 327	0.17 349	0.14 335	0.10 272	0.08 216

iResNetv2_ROB	0.14 185	0.08 140	0.15 190	0.16 68	0.08 47	0.16 198	0.12 21	0.25 202	0.35 291	0.21 248	0.29 266	0.24 250	0.13 169	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 245	0.08 216

MDST_ROB	0.22 304	0.10 236	0.17 245	0.18 181	0.11 253	0.37 363	0.19 261	0.43 364	0.41 319	0.39 353	0.39 325	0.29 289	0.21 280	0.26 312	0.18 246	0.11 286	0.10 308	0.14 332	0.11 304	0.10 272	0.08 216

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

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

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

Wz-Net-LNSev-Ref	0.18 267	0.09 189	0.29 325	0.15 38	0.10 215	0.22 286	0.20 276	0.26 214	0.39 310	0.25 294	0.42 345	0.24 250	0.15 205	0.20 259	0.19 255	0.07 141	0.05 106	0.06 31	0.05 31	0.10 272	0.09 249

NINENet	0.16 236	0.10 236	0.15 190	0.17 114	0.11 253	0.19 252	0.14 69	0.40 351	0.36 296	0.18 210	0.21 172	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.08 267	0.10 266	0.07 160	0.10 272	0.09 249

AASNet	0.16 236	0.08 140	0.12 90	0.19 226	0.09 130	0.18 232	0.15 115	0.37 336	0.37 302	0.19 223	0.23 187	0.20 209	0.16 225	0.17 218	0.20 261	0.10 265	0.08 267	0.08 162	0.07 160	0.09 245	0.09 249

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

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

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

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

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

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

aanetorigin	0.22 304	0.17 327	0.56 371	0.17 114	0.10 215	0.15 175	0.19 261	0.20 122	0.33 273	0.49 371	0.48 355	0.29 289	0.27 320	0.20 259	0.23 299	0.08 189	0.07 245	0.08 162	0.07 160	0.10 272	0.09 249

EDNetEfficient	0.29 352	0.24 359	1.13 401	0.18 181	0.10 215	0.19 252	0.20 276	0.20 122	0.60 372	0.74 390	0.56 370	0.31 307	0.39 362	0.22 286	0.30 350	0.09 234	0.07 245	0.08 162	0.07 160	0.11 287	0.09 249

NVstereo2D	0.19 277	0.10 236	0.15 190	0.17 114	0.15 327	0.28 335	0.23 311	0.44 366	0.42 325	0.15 147	0.27 246	0.25 260	0.19 268	0.22 286	0.17 232	0.09 234	0.06 188	0.10 266	0.08 210	0.15 341	0.09 249

DISCO	0.19 277	0.09 189	0.22 289	0.17 114	0.10 215	0.25 314	0.18 230	0.27 232	0.44 334	0.22 261	0.31 278	0.33 319	0.26 312	0.28 326	0.28 343	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.09 249

NaN_ROB	0.22 304	0.19 340	0.24 301	0.25 339	0.13 299	0.29 338	0.26 340	0.33 302	0.41 319	0.31 331	0.31 278	0.32 316	0.23 295	0.30 336	0.21 280	0.11 286	0.17 361	0.10 266	0.10 281	0.08 197	0.09 249

FBW_ROB	0.24 327	0.17 327	0.22 289	0.26 344	0.14 316	0.25 314	0.22 301	0.41 356	0.41 319	0.41 360	0.41 340	0.42 353	0.27 320	0.31 337	0.23 299	0.09 234	0.14 347	0.14 332	0.12 322	0.11 287	0.09 249

PWCDC_ROB	0.20 286	0.13 291	0.22 289	0.24 328	0.11 253	0.19 252	0.15 115	0.33 302	0.54 360	0.29 322	0.50 360	0.21 215	0.15 205	0.27 315	0.20 261	0.11 286	0.09 290	0.10 266	0.08 210	0.11 287	0.09 249

PSMNet_ROB	0.21 295	0.11 256	0.15 190	0.27 355	0.15 327	0.24 304	0.35 377	0.43 364	0.37 302	0.27 305	0.32 282	0.32 316	0.22 289	0.21 275	0.26 328	0.12 310	0.08 267	0.13 322	0.11 304	0.09 245	0.09 249

iinet-f	0.16 236	0.06 19	0.45 357	0.14 13	0.10 215	0.21 278	0.14 69	0.27 232	0.23 181	0.21 248	0.24 195	0.21 215	0.15 205	0.18 229	0.21 280	0.09 234	0.07 245	0.07 98	0.06 86	0.09 245	0.10 268

Wz-Net-MNSev	0.22 304	0.13 291	0.31 330	0.20 267	0.14 316	0.36 362	0.24 320	0.33 302	0.44 334	0.28 316	0.40 330	0.38 339	0.19 268	0.24 305	0.25 318	0.09 234	0.07 245	0.09 225	0.09 249	0.12 301	0.10 268

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

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

sAnonymous2	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

CroCo_RVC	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

Anonymous	0.14 185	0.10 236	0.24 301	0.22 304	0.13 299	0.18 232	0.22 301	0.20 122	0.19 127	0.14 123	0.12 60	0.11 73	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.08 162	0.08 210	0.12 301	0.10 268

EDNetEfficientorigin	7.91 418	0.31 375	153.02 437	0.19 226	0.09 130	0.21 278	0.16 170	0.22 155	0.59 369	0.72 386	0.67 377	0.42 353	0.50 379	0.24 305	0.39 373	0.08 189	0.07 245	0.08 162	0.07 160	0.12 301	0.10 268

GwcNet	0.20 286	0.13 291	0.19 271	0.18 181	0.12 282	0.24 304	0.19 261	0.35 325	0.43 330	0.20 240	0.32 282	0.33 319	0.20 276	0.22 286	0.24 309	0.11 286	0.09 290	0.09 225	0.09 249	0.09 245	0.10 268

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

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

FADNet-RVC-Resample	0.16 236	0.11 256	0.31 330	0.22 304	0.11 253	0.19 252	0.14 69	0.25 202	0.24 191	0.24 281	0.27 246	0.20 209	0.15 205	0.16 196	0.15 207	0.07 141	0.08 267	0.12 308	0.10 281	0.09 245	0.10 268

FADNet_RVC	0.16 236	0.14 303	0.40 352	0.20 267	0.11 253	0.13 129	0.13 43	0.26 214	0.22 172	0.21 248	0.23 187	0.20 209	0.17 244	0.14 147	0.16 221	0.08 189	0.08 267	0.12 308	0.09 249	0.11 287	0.10 268

SuperB	0.20 286	0.10 236	0.56 371	0.16 68	0.09 130	0.18 232	0.18 230	0.24 189	0.50 351	0.26 299	0.39 325	0.17 180	0.21 280	0.22 286	0.21 280	0.08 189	0.06 188	0.06 31	0.06 86	0.12 301	0.10 268

AF-Net	0.22 304	0.17 327	0.17 245	0.26 344	0.13 299	0.25 314	0.24 320	0.32 285	0.50 351	0.25 294	0.33 295	0.38 339	0.26 312	0.28 326	0.25 318	0.11 286	0.10 308	0.16 346	0.11 304	0.11 287	0.10 268

Nwc_Net	0.23 319	0.16 316	0.21 284	0.25 339	0.14 316	0.24 304	0.26 340	0.37 336	0.38 307	0.22 261	0.41 340	0.30 297	0.28 328	0.28 326	0.25 318	0.11 286	0.10 308	0.17 349	0.20 361	0.10 272	0.10 268

ADCL	0.24 327	0.11 256	0.47 361	0.22 304	0.12 282	0.34 353	0.29 360	0.29 256	0.56 363	0.24 281	0.46 352	0.30 297	0.30 340	0.29 333	0.29 346	0.08 189	0.07 245	0.09 225	0.09 249	0.10 272	0.10 268

ADCP+	0.20 286	0.10 236	0.33 335	0.20 267	0.12 282	0.22 286	0.26 340	0.31 276	0.34 284	0.26 299	0.37 312	0.22 232	0.22 289	0.27 315	0.27 335	0.09 234	0.06 188	0.08 162	0.08 210	0.09 245	0.10 268

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

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

PWC_ROB	0.21 295	0.16 316	0.26 308	0.18 181	0.11 253	0.22 286	0.13 43	0.32 285	0.49 349	0.30 325	0.40 330	0.32 316	0.24 301	0.31 337	0.22 289	0.10 265	0.07 245	0.11 293	0.08 210	0.11 287	0.10 268

CBMV	0.19 277	0.14 303	0.17 245	0.18 181	0.10 215	0.20 264	0.11 11	0.29 256	0.30 255	0.29 322	0.30 270	0.30 297	0.23 295	0.27 315	0.19 255	0.13 330	0.15 353	0.17 349	0.16 348	0.10 272	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	0.27 345	0.13 291	0.18 262	0.15 38	0.11 253	0.32 344	0.24 320	0.40 351	0.36 296	0.52 373	0.57 371	0.67 385	0.40 365	0.35 354	0.26 328	0.14 341	0.13 340	0.13 322	0.11 304	0.11 287	0.10 268
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
SDNR	0.19 277	0.08 140	0.19 271	0.16 68	0.12 282	0.77 398	0.14 69	0.25 202	0.32 267	0.19 223	0.24 195	0.19 199	0.13 169	0.19 240	0.15 207	0.16 355	0.18 363	0.14 332	0.11 304	0.08 197	0.11 291

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

Wz-Net-SNSev	0.25 336	0.17 327	0.44 356	0.25 339	0.14 316	0.26 322	0.23 311	0.38 343	0.56 363	0.30 325	0.55 365	0.39 347	0.26 312	0.23 297	0.30 350	0.10 265	0.09 290	0.09 225	0.10 281	0.11 287	0.11 291

Wz-Net-LNSev	0.22 304	0.16 316	0.38 348	0.21 291	0.13 299	0.25 314	0.23 311	0.32 285	0.43 330	0.30 325	0.41 340	0.31 307	0.18 253	0.22 286	0.25 318	0.10 265	0.09 290	0.08 162	0.08 210	0.12 301	0.11 291

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

Anonymous3	0.16 236	0.13 291	0.33 335	0.26 344	0.14 316	0.27 329	0.17 190	0.28 246	0.28 241	0.15 147	0.17 119	0.14 126	0.10 87	0.15 165	0.12 127	0.08 189	0.08 267	0.08 162	0.08 210	0.08 197	0.11 291

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

DANet	0.21 295	0.15 309	0.28 319	0.25 339	0.13 299	0.22 286	0.19 261	0.27 232	0.27 230	0.28 316	0.32 282	0.35 329	0.31 344	0.31 337	0.23 299	0.11 286	0.09 290	0.11 293	0.10 281	0.13 318	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CBMV_ROB	0.19 277	0.13 291	0.17 245	0.16 68	0.11 253	0.15 175	0.13 43	0.26 214	0.28 241	0.27 305	0.30 270	0.27 275	0.24 301	0.23 297	0.16 221	0.15 344	0.17 361	0.22 366	0.20 361	0.10 272	0.11 291

SANet	0.24 327	0.14 303	0.28 319	0.21 291	0.11 253	0.27 329	0.24 320	0.38 343	0.64 376	0.36 345	0.40 330	0.43 357	0.26 312	0.27 315	0.24 309	0.12 310	0.09 290	0.10 266	0.09 249	0.13 318	0.11 291

SGM_RVC	0.23 319	0.12 270	0.15 190	0.15 38	0.09 130	0.33 350	0.18 230	0.34 312	0.31 261	0.44 367	0.37 312	0.53 374	0.35 355	0.35 354	0.24 309	0.13 330	0.13 340	0.13 322	0.13 331	0.10 272	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
NF-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

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

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

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

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

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

APVNet	0.22 304	0.12 270	0.19 271	0.18 181	0.14 316	0.32 344	0.31 373	0.39 347	0.32 267	0.27 305	0.40 330	0.30 297	0.29 336	0.26 312	0.25 318	0.11 286	0.12 327	0.11 293	0.14 335	0.12 301	0.12 302

MaskLacGwcNet_RVC	0.22 304	0.21 351	0.24 301	0.26 344	0.11 253	0.23 299	0.14 69	0.39 347	0.24 191	0.32 337	0.36 306	0.30 297	0.21 280	0.19 240	0.21 280	0.17 359	0.14 347	0.21 362	0.16 348	0.12 301	0.12 302

ADCMid	0.25 336	0.15 309	0.40 352	0.20 267	0.14 316	0.25 314	0.26 340	0.34 312	0.38 307	0.36 345	0.44 350	0.34 325	0.40 365	0.35 354	0.33 361	0.10 265	0.09 290	0.11 293	0.11 304	0.13 318	0.12 302

STTRV1_RVC	0.25 336	0.26 365	0.39 350	0.19 226	0.26 376	0.30 341	0.24 320	0.34 312	0.35 291	0.36 345	0.34 299	0.31 307	0.31 344	0.28 326	0.25 318	0.17 359	0.10 308	0.16 346	0.14 335	0.17 355	0.12 302

SGM-ForestM	0.32 360	0.12 270	0.16 220	0.16 68	0.11 253	0.39 366	0.19 261	0.41 356	0.50 351	0.52 373	0.54 364	1.32 404	0.42 372	0.40 371	0.27 335	0.14 341	0.16 356	0.16 346	0.16 348	0.12 301	0.12 302

XPNet_ROB	0.22 304	0.11 256	0.19 271	0.22 304	0.13 299	0.22 286	0.19 261	0.34 312	0.40 316	0.30 325	0.39 325	0.39 347	0.26 312	0.26 312	0.28 343	0.15 344	0.10 308	0.10 266	0.10 281	0.13 318	0.12 302

LALA_ROB	0.25 336	0.16 316	0.22 289	0.26 344	0.17 350	0.27 329	0.27 347	0.42 361	0.37 302	0.33 341	0.38 317	0.51 371	0.26 312	0.28 326	0.27 335	0.16 355	0.09 290	0.12 308	0.11 304	0.13 318	0.12 302

SGM-Forest	0.20 286	0.14 303	0.18 262	0.19 226	0.13 299	0.20 264	0.22 301	0.33 302	0.30 255	0.24 281	0.29 266	0.28 282	0.19 268	0.23 297	0.17 232	0.15 344	0.16 356	0.15 340	0.14 335	0.12 301	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
coex-ft	3.30 412	0.34 378	59.09 436	0.18 181	0.13 299	0.26 322	0.22 301	0.27 232	0.72 384	1.90 413	0.70 381	0.44 359	0.45 375	0.29 333	0.41 378	0.09 234	0.09 290	0.12 308	0.09 249	0.14 330	0.13 316

pcwnet_v2	0.19 277	0.10 236	0.26 308	0.17 114	0.14 316	0.18 232	0.15 115	0.37 336	0.46 342	0.19 223	0.24 195	0.21 215	0.19 268	0.20 259	0.19 255	0.13 330	0.10 308	0.10 266	0.10 281	0.11 287	0.13 316

FINET	0.21 295	0.18 337	0.26 308	0.18 181	0.16 337	0.23 299	0.23 311	0.32 285	0.48 344	0.25 294	0.32 282	0.22 232	0.22 289	0.22 286	0.17 232	0.18 361	0.16 356	0.11 293	0.10 281	0.15 341	0.13 316

S-Stereo	0.20 286	0.12 270	0.25 307	0.21 291	0.13 299	0.20 264	0.18 230	0.32 285	0.43 330	0.23 273	0.36 306	0.28 282	0.30 340	0.19 240	0.22 289	0.09 234	0.12 327	0.10 266	0.10 281	0.13 318	0.13 316

G-Net	0.24 327	0.16 316	0.36 344	0.22 304	0.16 337	0.51 375	0.23 311	0.29 256	0.34 284	0.36 345	0.38 317	0.31 307	0.29 336	0.27 315	0.26 328	0.11 286	0.09 290	0.12 308	0.09 249	0.16 348	0.13 316

NCC-stereo	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 367	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316

stereogan	0.22 304	0.11 256	0.21 284	0.20 267	0.12 282	0.31 343	0.19 261	0.35 325	0.44 334	0.22 261	0.39 325	0.35 329	0.27 320	0.33 345	0.22 289	0.10 265	0.12 327	0.10 266	0.10 281	0.14 330	0.13 316

edge stereo	0.22 304	0.13 291	0.20 279	0.21 291	0.13 299	0.23 299	0.16 170	0.32 285	0.42 325	0.32 337	0.40 330	0.38 339	0.35 355	0.25 310	0.24 309	0.13 330	0.11 318	0.14 332	0.11 304	0.12 301	0.13 316

Abc-Net	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 367	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 319	0.12 270	0.28 319	0.21 291	0.13 299	0.28 335	0.16 170	0.35 325	0.66 379	0.27 305	0.33 295	0.30 297	0.21 280	0.31 337	0.29 346	0.10 265	0.08 267	0.09 225	0.10 281	0.13 318	0.13 316

DeepPrunerF	0.24 327	0.17 327	0.42 355	0.26 344	0.16 337	0.22 286	0.28 352	0.37 336	0.50 351	0.26 299	0.29 266	0.24 250	0.28 328	0.21 275	0.22 289	0.15 344	0.11 318	0.20 361	0.18 359	0.12 301	0.13 316

ADCPNet	0.25 336	0.16 316	0.61 375	0.21 291	0.15 327	0.35 361	0.25 334	0.32 285	0.35 291	0.30 325	0.40 330	0.36 331	0.28 328	0.28 326	0.32 358	0.12 310	0.10 308	0.11 293	0.12 322	0.14 330	0.13 316

PA-Net	0.23 319	0.18 337	0.33 335	0.28 358	0.22 366	0.21 278	0.38 382	0.29 256	0.39 310	0.22 261	0.32 282	0.25 260	0.26 312	0.20 259	0.25 318	0.09 234	0.23 379	0.15 340	0.22 366	0.09 245	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 319	0.15 309	0.17 245	0.34 373	0.18 357	0.24 304	0.23 311	0.34 312	0.28 241	0.31 331	0.38 317	0.38 339	0.28 328	0.23 297	0.24 309	0.15 344	0.12 327	0.18 357	0.21 363	0.13 318	0.13 316

NOSS_ROB	0.19 277	0.12 270	0.18 262	0.16 68	0.12 282	0.15 175	0.12 21	0.30 270	0.32 267	0.20 240	0.22 181	0.27 275	0.23 295	0.21 275	0.16 221	0.16 355	0.18 363	0.23 367	0.21 363	0.12 301	0.13 316

ETE_ROB	0.23 319	0.17 327	0.22 289	0.25 339	0.13 299	0.26 322	0.29 360	0.31 276	0.36 296	0.28 316	0.36 306	0.45 361	0.26 312	0.27 315	0.26 328	0.11 286	0.08 267	0.12 308	0.09 249	0.14 330	0.13 316

PDISCO_ROB	0.27 345	0.16 316	0.26 308	0.28 358	0.20 362	0.32 344	0.26 340	0.44 366	0.57 365	0.28 316	0.40 330	0.45 361	0.29 336	0.33 345	0.34 363	0.12 310	0.09 290	0.17 349	0.16 348	0.17 355	0.13 316

Wz-Net-TNSev	0.29 352	0.20 345	0.65 378	0.19 226	0.15 327	0.38 365	0.27 347	0.35 325	0.55 361	0.34 342	0.42 345	0.45 361	0.38 360	0.32 343	0.30 350	0.12 310	0.13 340	0.10 266	0.12 322	0.15 341	0.14 333

UDG	0.21 295	0.17 327	0.19 271	0.23 323	0.15 327	0.30 341	0.20 276	0.33 302	0.35 291	0.23 273	0.28 255	0.31 307	0.27 320	0.20 259	0.22 289	0.15 344	0.12 327	0.13 322	0.09 249	0.14 330	0.14 333

SACVNet	0.18 267	0.12 270	0.14 153	0.17 114	0.13 299	0.22 286	0.18 230	0.31 276	0.30 255	0.23 273	0.31 278	0.30 297	0.22 289	0.22 286	0.17 232	0.11 286	0.08 267	0.10 266	0.10 281	0.12 301	0.14 333

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.20 122	0.13 41	0.12 82	0.14 79	0.18 191	0.11 108	0.11 45	0.10 49	0.05 2	0.05 106	0.09 225	0.08 210	0.06 101	0.14 333

FAT-Stereo	0.20 286	0.12 270	0.22 289	0.21 291	0.12 282	0.17 217	0.18 230	0.34 312	0.39 310	0.27 305	0.37 312	0.34 325	0.32 348	0.21 275	0.20 261	0.09 234	0.11 318	0.10 266	0.09 249	0.11 287	0.14 333

RP	0.21 295	0.13 291	0.21 284	0.23 323	0.11 253	0.21 278	0.20 276	0.25 202	0.44 334	0.21 248	0.38 317	0.36 331	0.24 301	0.27 315	0.25 318	0.11 286	0.12 327	0.13 322	0.12 322	0.12 301	0.14 333

Anonymous Stereo	0.23 319	0.19 340	0.50 363	0.24 328	0.17 350	0.21 278	0.21 292	0.33 302	0.44 334	0.25 294	0.34 299	0.26 268	0.18 253	0.31 337	0.27 335	0.13 330	0.12 327	0.12 308	0.13 331	0.11 287	0.14 333

WCMA_ROB	0.24 327	0.11 256	0.22 289	0.17 114	0.14 316	0.32 344	0.15 115	0.32 285	0.32 267	0.38 351	0.53 362	0.40 350	0.34 353	0.34 348	0.25 318	0.11 286	0.12 327	0.12 308	0.10 281	0.14 330	0.14 333

SQANet	0.23 319	0.23 356	0.30 328	0.30 367	0.19 359	0.27 329	0.13 43	0.29 256	0.33 273	0.24 281	0.37 312	0.31 307	0.22 289	0.27 315	0.23 299	0.15 344	0.10 308	0.21 362	0.16 348	0.21 364	0.15 341

LCNet	0.11 79	0.07 69	0.09 28	0.19 226	0.09 130	0.08 23	0.15 115	0.21 139	0.15 69	0.11 58	0.15 93	0.16 161	0.11 108	0.12 100	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.15 341

MFN_U_SF_RVC	0.32 360	0.21 351	0.55 369	0.30 367	0.15 327	0.34 353	0.17 190	0.52 379	0.46 342	0.46 370	0.55 365	0.59 377	0.39 362	0.35 354	0.37 369	0.15 344	0.14 347	0.18 357	0.21 363	0.16 348	0.15 341

RTS	0.45 377	0.19 340	3.26 411	0.24 328	0.15 327	0.74 392	0.20 276	0.36 331	0.76 389	0.42 363	0.43 348	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

RTSA	0.45 377	0.19 340	3.26 411	0.24 328	0.15 327	0.74 392	0.20 276	0.36 331	0.76 389	0.42 363	0.43 348	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

AnyNet_C01	0.36 366	0.25 364	1.37 404	0.22 304	0.17 350	0.48 373	0.27 347	0.35 325	0.39 310	0.39 353	0.74 385	0.46 365	0.38 360	0.45 375	0.47 384	0.13 330	0.13 340	0.13 322	0.14 335	0.14 330	0.15 341

AnyNet_C32	0.26 343	0.16 316	0.36 344	0.20 267	0.16 337	0.25 314	0.30 367	0.32 285	0.44 334	0.31 331	0.49 356	0.30 297	0.33 349	0.40 371	0.33 361	0.12 310	0.12 327	0.12 308	0.14 335	0.14 330	0.15 341

RYNet	0.22 304	0.12 270	0.22 289	0.19 226	0.17 350	0.46 369	0.26 340	0.38 343	0.48 344	0.24 281	0.28 255	0.34 325	0.23 295	0.20 259	0.30 350	0.10 265	0.06 188	0.09 225	0.09 249	0.13 318	0.15 341

CC-Net-ROB	0.28 348	0.31 375	0.36 344	0.29 365	0.15 327	0.25 314	0.19 261	0.45 369	0.33 273	0.39 353	0.37 312	0.39 347	0.31 344	0.27 315	0.26 328	0.24 379	0.19 366	0.30 380	0.23 370	0.18 359	0.15 341

CSAN	0.29 352	0.24 359	0.27 314	0.34 373	0.19 359	0.33 350	0.42 386	0.37 336	0.50 351	0.38 351	0.40 330	0.44 359	0.33 349	0.28 326	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 330	0.15 341

DispFullNet	0.27 345	0.21 351	0.65 378	0.28 358	0.16 337	0.26 322	0.17 190	0.33 302	0.58 368	0.27 305	0.38 317	0.43 357	0.23 295	0.38 364	0.23 299	0.12 310	0.06 188	0.19 359	0.11 304	0.21 364	0.15 341

WZ-Net	0.28 348	0.17 327	0.78 392	0.22 304	0.16 337	0.34 353	0.29 360	0.39 347	0.57 365	0.24 281	0.55 365	0.37 335	0.24 301	0.33 345	0.35 364	0.09 234	0.08 267	0.09 225	0.10 281	0.14 330	0.16 352

DDUNet	0.22 304	0.17 327	0.21 284	0.22 304	0.15 327	0.25 314	0.24 320	0.29 256	0.30 255	0.31 331	0.36 306	0.33 319	0.25 309	0.24 305	0.20 261	0.18 361	0.13 340	0.17 349	0.11 304	0.16 348	0.16 352

KYRaft	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.08 23	0.15 115	0.22 155	0.12 25	0.13 103	0.16 101	0.20 209	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.06 101	0.16 352

psmorigin	0.25 336	0.15 309	0.34 343	0.17 114	0.13 299	0.23 299	0.14 69	0.34 312	0.33 273	0.41 360	0.55 365	0.41 352	0.37 359	0.34 348	0.27 335	0.11 286	0.15 353	0.11 293	0.11 304	0.12 301	0.16 352

RGC	0.25 336	0.20 345	0.29 325	0.28 358	0.16 337	0.22 286	0.23 311	0.32 285	0.44 334	0.27 305	0.40 330	0.38 339	0.27 320	0.36 359	0.22 289	0.11 286	0.13 340	0.17 349	0.17 355	0.14 330	0.16 352

ADCS	0.29 352	0.18 337	0.45 357	0.21 291	0.17 350	0.28 335	0.23 311	0.41 356	0.63 375	0.40 356	0.49 356	0.40 350	0.36 357	0.39 367	0.40 375	0.13 330	0.12 327	0.13 322	0.14 335	0.16 348	0.16 352

DPSNet	0.28 348	0.16 316	0.31 330	0.18 181	0.13 299	0.54 377	0.42 386	0.51 378	0.67 380	0.29 322	0.38 317	0.38 339	0.29 336	0.31 337	0.23 299	0.11 286	0.10 308	0.11 293	0.08 210	0.20 363	0.16 352

Anonymous_2	0.22 304	0.17 327	0.28 319	0.15 38	0.16 337	0.32 344	0.22 301	0.22 155	0.17 99	0.23 273	0.24 195	0.26 268	0.27 320	0.27 315	0.23 299	0.22 373	0.25 381	0.17 349	0.17 355	0.17 355	0.17 359

GANetREF_RVC	0.31 358	0.34 378	0.27 314	0.35 375	0.16 337	0.32 344	0.41 383	0.48 373	0.51 358	0.35 343	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
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
ccnet	0.29 352	0.28 370	0.23 298	0.20 267	0.28 378	0.41 368	0.21 292	0.45 369	0.33 273	0.36 345	0.46 352	0.36 331	0.30 340	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

MSC_U_SF_DS_RVC	0.43 374	0.39 382	0.54 367	0.40 379	0.20 362	0.64 384	0.32 375	0.53 381	0.72 384	0.71 384	0.72 382	0.61 379	0.54 380	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

FADNet-RVC	0.20 286	0.20 345	0.38 348	0.21 291	0.16 337	0.20 264	0.15 115	0.26 214	0.26 223	0.26 299	0.32 282	0.26 268	0.21 280	0.22 286	0.19 255	0.12 310	0.13 340	0.12 308	0.14 335	0.13 318	0.18 361

FADNet	0.21 295	0.22 355	0.36 344	0.18 181	0.17 350	0.24 304	0.13 43	0.31 276	0.31 261	0.23 273	0.25 224	0.27 275	0.21 280	0.19 240	0.15 207	0.13 330	0.15 353	0.12 308	0.15 346	0.16 348	0.18 361

XQC	0.28 348	0.23 356	0.51 364	0.28 358	0.19 359	0.34 353	0.27 347	0.36 331	0.57 365	0.31 331	0.30 270	0.37 335	0.30 340	0.38 364	0.38 371	0.13 330	0.09 290	0.15 340	0.12 322	0.17 355	0.18 361

MFN_U_SF_DS_RVC	0.30 357	0.24 359	0.29 325	0.36 377	0.16 337	0.34 353	0.30 367	0.32 285	0.42 325	0.40 356	0.46 352	0.38 339	0.31 344	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

SHD	0.26 343	0.15 309	0.30 328	0.24 328	0.18 357	0.22 286	0.15 115	0.38 343	0.71 383	0.32 337	0.41 340	0.36 331	0.28 328	0.32 343	0.29 346	0.12 310	0.11 318	0.14 332	0.13 331	0.16 348	0.20 367

SAMSARA	0.40 370	0.28 370	0.33 335	0.55 390	0.39 384	0.82 399	1.23 413	0.47 372	0.51 358	0.36 345	0.35 303	0.55 376	0.39 362	0.38 364	0.39 373	0.15 344	0.20 369	0.15 340	0.14 335	0.23 367	0.20 367

BEATNet-Init1	0.52 382	0.27 367	0.62 376	0.30 367	0.21 364	0.76 396	0.29 360	0.54 382	0.65 378	0.86 395	0.95 396	2.07 414	0.62 389	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

PASM	0.32 360	0.24 359	0.48 362	0.28 358	0.27 377	0.29 338	0.30 367	0.34 312	0.49 349	0.35 343	0.39 325	0.46 365	0.34 353	0.34 348	0.35 364	0.23 377	0.25 381	0.26 369	0.28 377	0.23 367	0.21 369

MSMD_ROB	0.31 358	0.26 365	0.26 308	0.24 328	0.21 364	0.34 353	0.25 334	0.34 312	0.39 310	0.40 356	0.69 379	0.45 361	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

DGSMNet	0.24 327	0.19 340	0.33 335	0.21 291	0.24 369	0.24 304	0.20 276	0.35 325	0.41 319	0.24 281	0.32 282	0.38 339	0.21 280	0.29 333	0.23 299	0.12 310	0.11 318	0.14 332	0.16 348	0.23 367	0.23 372

ACVNet_1	0.44 375	0.49 386	0.60 374	0.45 384	0.28 378	0.49 374	0.27 347	0.57 386	0.72 384	0.62 379	0.58 373	0.74 389	0.49 378	0.50 378	0.35 364	0.26 380	0.24 380	0.39 384	0.29 378	0.31 384	0.24 373

FCDSN-DC	0.33 363	0.28 370	0.28 319	0.30 367	0.24 369	0.39 366	0.28 352	0.42 361	0.42 325	0.43 366	0.53 362	0.51 371	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 373
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 377	0.27 367	0.27 314	0.27 355	0.24 369	0.47 371	0.31 373	0.55 383	0.59 369	0.72 386	1.13 405	1.15 398	0.61 387	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 375	0.24 373

FC-DCNN	0.33 363	0.27 367	0.28 319	0.26 344	0.23 368	0.37 363	0.28 352	0.40 351	0.43 330	0.45 368	0.55 365	0.51 371	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 373

ELAS_RVC	0.41 372	0.29 373	0.33 335	0.28 358	0.24 369	0.54 377	0.36 378	0.49 375	0.59 369	0.72 386	0.74 385	0.65 383	0.54 380	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 372	0.29 373	0.33 335	0.27 355	0.24 369	0.60 382	0.36 378	0.50 377	0.50 351	0.71 384	0.79 389	0.67 385	0.54 380	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ACVNet-4b	0.39 367	0.53 387	0.55 369	0.45 384	0.24 369	0.47 371	0.18 230	0.49 375	0.64 376	0.42 363	0.45 351	0.60 378	0.27 320	0.34 348	0.24 309	0.33 385	0.14 347	0.48 388	0.42 388	0.30 381	0.26 379

otaku	0.39 367	0.37 381	0.52 365	0.44 383	0.28 378	0.58 379	0.24 320	0.41 356	0.62 374	0.40 356	0.49 356	0.46 365	0.33 349	0.40 371	0.32 358	0.30 382	0.30 385	0.39 384	0.33 383	0.29 380	0.28 380

Ntro	0.40 370	0.40 383	0.53 366	0.46 387	0.30 382	0.65 385	0.24 320	0.46 371	0.68 381	0.41 360	0.49 356	0.48 369	0.42 372	0.39 367	0.31 357	0.32 384	0.28 383	0.37 383	0.30 380	0.32 385	0.29 381

Consistency-Raft	0.44 375	0.40 383	0.45 357	0.37 378	0.43 387	0.46 369	0.41 383	0.57 386	0.55 361	0.32 337	0.73 383	0.33 319	0.48 377	0.42 374	0.49 386	0.39 387	0.35 387	0.45 387	0.51 395	0.42 387	0.29 381

NVStereoNet_ROB	0.46 380	0.36 380	0.46 360	0.41 381	0.28 378	0.34 353	0.34 376	0.48 373	0.60 372	0.72 386	0.93 394	0.70 388	0.66 390	0.47 376	0.60 393	0.22 373	0.33 386	0.34 382	0.34 385	0.30 381	0.30 383
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
PVD	0.39 367	0.20 345	0.39 350	0.31 371	0.22 366	0.29 338	0.43 388	0.52 379	0.96 396	0.55 376	0.79 389	0.53 374	0.59 386	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 335	0.24 374	0.31 384

MADNet+	0.75 394	0.71 397	3.70 414	0.66 393	0.41 385	0.98 404	0.97 411	0.69 391	0.73 387	0.52 373	0.57 371	0.64 381	0.68 392	0.86 401	1.01 409	0.34 386	0.36 388	0.28 377	0.23 370	0.36 386	0.31 384

LSM	0.33 363	0.20 345	0.58 373	0.26 344	0.60 399	0.34 353	0.25 334	0.42 361	0.48 344	0.45 368	0.58 373	0.42 353	0.36 357	0.35 354	0.25 318	0.12 310	0.20 369	0.14 332	0.16 348	0.19 362	0.33 386

JetBlue	0.71 391	0.45 385	1.14 402	0.51 388	0.47 389	2.02 413	0.64 400	0.75 392	0.70 382	0.69 383	0.77 388	1.22 400	0.83 397	1.03 409	1.01 409	0.40 388	0.28 383	0.33 381	0.33 383	0.30 381	0.34 387

ACVNet_2	0.66 390	0.66 395	0.68 386	0.63 392	0.41 385	0.71 390	0.49 390	0.96 401	1.39 405	0.89 396	1.09 401	1.04 394	0.73 393	0.54 385	0.47 384	0.43 391	0.40 389	0.53 393	0.44 389	0.47 388	0.35 388

IMH-64-1	0.65 388	0.61 391	0.68 386	0.71 394	0.51 390	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 390	0.78 395	0.79 394	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 389

IMH-64	0.65 388	0.61 391	0.68 386	0.71 394	0.51 390	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 390	0.78 395	0.79 394	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 389

RainbowNet	0.54 384	0.61 391	0.70 390	0.57 391	0.43 387	0.65 385	0.37 381	0.60 388	0.87 393	0.50 372	0.66 376	0.64 381	0.47 376	0.49 377	0.43 382	0.47 393	0.48 395	0.52 392	0.41 387	0.52 390	0.40 391

IMH	0.71 391	0.64 394	0.68 386	0.76 396	0.54 392	0.69 388	0.54 394	0.98 403	1.10 398	0.82 394	1.09 401	0.89 392	0.88 400	0.87 402	0.52 390	0.44 392	0.50 399	0.75 399	0.51 395	0.56 395	0.41 392

PWCK	0.71 391	0.94 407	0.95 399	0.76 396	0.31 383	0.74 392	0.36 378	0.90 396	0.90 394	0.96 399	0.75 387	0.95 393	0.61 387	0.87 402	0.66 396	0.72 403	0.46 390	0.75 399	0.49 392	0.69 402	0.44 393

TorneroNet-64	0.76 395	0.72 398	0.74 391	0.78 398	0.58 398	0.91 403	0.56 395	0.84 395	1.29 402	0.66 380	0.90 392	1.40 406	0.75 394	0.85 400	0.67 399	0.49 394	0.46 390	0.72 398	0.59 398	0.67 399	0.53 394

anonymity	0.53 383	0.58 389	0.65 378	0.41 381	0.61 400	0.53 376	0.41 383	0.56 384	0.41 319	0.55 376	0.50 360	0.49 370	0.55 383	0.58 388	0.50 389	0.58 398	0.50 399	0.51 390	0.51 395	0.51 389	0.57 395

WAO-7	0.79 396	0.78 400	0.54 367	0.85 402	0.67 403	0.74 392	0.68 404	1.05 406	1.32 403	0.90 397	1.20 408	1.04 394	0.92 401	0.69 392	0.66 396	0.60 400	0.62 409	0.67 395	0.68 403	0.64 396	0.58 396

WAO-6	0.81 397	0.80 401	0.62 376	0.86 403	0.63 401	0.76 396	0.58 397	0.98 403	1.54 410	0.90 397	0.96 397	1.07 396	1.03 405	0.70 393	0.66 396	0.72 403	0.49 397	0.90 406	0.71 404	0.68 400	0.58 396

Dean	0.87 400	0.86 405	0.79 394	0.81 400	0.56 395	0.90 400	0.63 398	1.15 411	1.73 411	1.15 406	1.15 406	1.31 403	0.99 404	0.81 396	0.81 405	0.57 397	0.56 406	0.77 402	0.64 401	0.66 398	0.58 396

SPS-STEREO	0.57 386	0.58 389	0.65 378	0.45 384	0.55 394	0.62 383	0.44 389	0.62 389	0.50 351	0.68 382	0.64 375	0.66 384	0.57 385	0.61 389	0.60 393	0.62 401	0.47 394	0.51 390	0.49 392	0.55 394	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 385	0.57 388	0.65 378	0.40 379	0.54 392	0.66 387	0.49 390	0.56 384	0.45 341	0.66 380	0.69 379	0.67 385	0.56 384	0.63 390	0.56 391	0.59 399	0.48 395	0.50 389	0.50 394	0.52 390	0.58 396

LVE	0.83 399	0.85 404	0.85 397	0.80 399	0.56 395	1.04 409	0.65 401	1.05 406	1.47 408	0.96 399	1.22 409	1.10 397	0.85 398	0.83 397	0.71 401	0.49 394	0.55 405	0.76 401	0.60 400	0.65 397	0.59 401

WAO-8	0.91 401	0.81 402	0.65 378	0.94 406	0.69 404	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 401	1.07 406	0.84 398	0.78 402	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 402

Venus	0.91 401	0.81 402	0.65 378	0.94 406	0.69 404	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 401	1.07 406	0.84 398	0.78 402	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 402

TorneroNet	0.82 398	0.74 399	0.81 396	0.84 401	0.63 401	0.99 405	0.63 398	0.96 401	1.16 399	0.80 393	1.11 403	1.36 405	0.86 399	0.93 405	0.80 404	0.56 396	0.49 397	0.78 403	0.66 402	0.73 405	0.63 404

MFMNet_re	0.64 387	0.66 395	0.65 378	0.51 388	0.69 404	0.69 388	0.57 396	0.64 390	0.73 387	0.60 378	0.73 383	0.62 380	0.67 391	0.65 391	0.60 393	0.66 402	0.58 408	0.63 394	0.59 398	0.68 400	0.69 405

UNDER WATER-64	0.95 403	0.94 407	1.43 406	0.87 404	0.56 395	1.18 412	0.87 408	0.77 393	0.94 395	1.04 402	0.85 391	1.58 411	1.21 411	0.94 406	0.96 407	0.87 409	0.57 407	1.03 409	0.88 410	0.78 407	0.73 406

UNDER WATER	0.97 404	0.97 409	1.42 405	0.99 408	0.70 407	1.12 411	0.84 407	0.80 394	1.08 397	1.01 401	0.90 392	1.55 410	1.22 412	1.03 409	1.00 408	0.78 407	0.53 402	1.02 408	0.87 409	0.80 408	0.74 407

ktn	1.01 406	1.21 412	0.80 395	1.23 413	0.86 410	1.01 407	0.87 408	0.94 400	1.39 405	1.04 402	1.12 404	1.15 398	1.07 406	0.94 406	0.59 392	1.28 415	0.71 412	1.38 415	0.83 408	1.02 412	0.75 408

SPstereo	13.84 427	0.93 406	1.50 407	1.22 412	0.88 411	28.82 430	48.26 430	26.77 437	29.54 436	22.37 435	22.60 434	23.23 436	24.68 435	24.53 435	15.06 427	0.88 410	0.69 411	1.83 417	1.60 417	0.74 406	0.77 409

notaker	0.97 404	1.11 410	0.98 400	1.13 410	0.81 408	0.73 391	0.68 404	0.93 399	1.16 399	1.18 408	1.18 407	1.41 407	1.16 410	1.08 411	0.69 400	0.81 408	0.64 410	1.17 411	0.79 407	0.98 410	0.80 410

HanzoNet	1.29 409	1.26 414	1.19 403	1.12 409	0.85 409	1.02 408	0.83 406	1.03 405	1.48 409	1.64 411	1.61 413	2.50 416	1.72 413	1.61 413	1.61 412	1.26 414	0.80 413	1.31 414	1.01 412	1.02 412	0.86 411

KSHMR	1.09 407	1.17 411	0.88 398	1.25 414	1.00 413	0.99 405	0.96 410	1.13 410	1.37 404	1.16 407	1.29 410	1.41 407	0.96 403	1.01 408	0.92 406	1.03 412	1.08 414	1.20 412	1.03 413	1.01 411	0.97 412

JetRed	1.62 410	1.46 415	2.98 410	0.92 405	1.21 414	4.99 415	1.53 415	1.27 413	1.39 405	1.83 412	1.74 414	1.60 412	0.95 402	1.41 412	2.45 415	0.90 411	1.60 416	0.93 407	0.90 411	1.35 414	0.99 413

DPSimNet_ROB	1.11 408	1.23 413	0.78 392	1.13 410	0.88 411	1.10 410	1.13 412	1.16 412	1.23 401	1.43 410	1.02 398	1.41 407	1.10 409	0.90 404	1.60 411	1.46 416	0.51 401	1.21 413	1.03 413	0.90 409	1.01 414

tt	4.67 414	0.06 19	3.55 413	2.02 417	1.55 415	10.25 420	16.71 419	8.91 423	5.03 416	1.31 409	0.94 395	4.71 417	4.76 416	3.33 416	5.87 418	6.06 424	10.30 428	1.88 418	2.11 419	2.75 417	1.21 415

ASD4	3.54 413	3.38 418	2.05 409	1.72 415	2.51 418	9.03 419	17.71 420	2.25 414	5.51 417	2.46 414	2.81 416	2.03 413	3.36 415	2.73 415	5.06 416	1.22 413	1.34 415	1.13 410	1.33 415	1.68 415	1.49 416

MADNet++	1.95 411	1.75 416	1.59 408	1.82 416	1.69 416	2.33 414	1.40 414	2.35 415	2.09 415	2.57 415	2.36 415	2.24 415	2.17 414	2.28 414	2.34 414	1.87 417	1.66 417	1.54 416	1.34 416	1.92 416	1.77 417

PML	8.91 421	9.34 427	6.13 415	5.35 421	6.41 422	14.99 422	23.38 426	5.27 416	6.83 418	18.04 427	28.19 436	7.67 420	6.83 418	7.85 420	5.75 417	5.35 423	1.83 418	5.95 427	1.93 418	8.64 425	2.52 418

xxxxx1	7.79 415	5.02 421	7.31 417	3.12 418	3.85 419	16.35 423	22.88 421	5.86 420	8.69 419	7.97 419	8.54 417	9.12 422	8.27 419	10.18 421	10.92 419	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 419

tt_ll	7.79 415	5.02 421	7.31 417	3.12 418	3.85 419	16.35 423	22.88 421	5.86 420	8.69 419	7.97 419	8.54 417	9.12 422	8.27 419	10.18 421	10.92 419	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 419

ff	7.79 415	5.02 421	7.31 417	3.12 418	3.85 419	16.35 423	22.88 421	5.86 420	8.69 419	7.97 419	8.54 417	9.12 422	8.27 419	10.18 421	10.92 419	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 419

Anonymous_1	10.96 424	7.92 424	7.46 420	10.33 424	10.06 423	18.65 427	26.34 427	11.06 424	13.44 425	9.40 422	10.05 422	9.67 425	11.23 424	10.73 424	12.72 424	6.42 425	8.38 425	5.77 424	10.61 424	12.12 426	6.77 422

DPSMNet_ROB	8.06 419	4.48 419	8.63 423	5.37 423	10.74 425	8.32 417	22.98 425	5.46 417	13.36 424	5.12 417	9.92 420	5.08 418	10.40 422	5.53 419	12.58 422	3.80 422	8.00 423	3.50 419	7.02 422	3.83 421	7.14 423

DGTPSM_ROB	8.06 419	4.48 419	8.63 423	5.35 421	10.72 424	8.32 417	22.97 424	5.46 417	13.35 423	5.12 417	9.92 420	5.08 418	10.40 422	5.52 418	12.58 422	3.79 421	8.00 423	3.50 419	7.02 422	3.83 421	7.14 423

DPSM_ROB	11.15 425	8.58 425	8.00 421	10.88 425	11.58 426	19.10 428	26.71 428	12.05 425	14.07 426	10.36 423	10.84 423	10.33 426	11.86 425	11.70 425	13.54 425	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 425

DPSM	11.15 425	8.58 425	8.00 421	10.88 425	11.58 426	19.10 428	26.71 428	12.05 425	14.07 426	10.36 423	10.84 423	10.33 426	11.86 425	11.70 425	13.54 425	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 425

MyStereo03	22.45 431	17.33 430	16.21 427	21.95 430	23.27 431	38.32 431	53.79 432	24.21 431	28.46 432	20.87 432	21.85 431	20.80 430	23.87 429	23.46 430	27.40 433	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 427

MyStereo02	22.45 431	17.33 430	16.21 427	21.95 430	23.27 431	38.32 431	53.79 432	24.21 431	28.46 432	20.87 432	21.85 431	20.80 430	23.87 429	23.46 430	27.40 433	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 427

MyStereo	22.45 431	17.33 430	16.21 427	21.95 430	23.27 431	38.32 431	53.79 432	24.21 431	28.46 432	20.87 432	21.85 431	20.80 430	23.87 429	23.46 430	27.40 433	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 427

LSM0	22.87 435	17.28 429	18.96 430	22.19 435	29.04 437	38.42 436	53.71 431	24.28 434	28.31 430	20.78 431	21.00 428	21.43 435	24.16 434	23.50 433	27.39 432	14.09 433	17.38 430	11.84 433	14.04 433	14.73 432	14.89 427

CasAABBNet	22.42 430	17.33 430	16.01 425	22.01 433	23.28 434	38.32 431	53.80 435	24.14 430	28.41 431	20.60 429	21.77 429	20.89 434	23.91 433	23.43 429	27.36 431	14.07 428	17.69 431	11.83 432	14.01 429	14.67 430	14.95 431

Selective-RAFT-Error	22.47 434	17.37 434	16.09 426	22.06 434	23.34 435	38.39 435	53.83 436	24.29 435	28.47 435	20.74 430	21.83 430	20.81 433	23.90 432	23.54 434	27.53 436	14.08 429	17.69 431	11.82 428	14.00 428	14.69 431	15.00 432

LRCNet_RVC	10.62 423	13.42 428	7.30 416	18.92 428	2.07 417	0.33 350	0.30 367	5.59 419	0.48 344	13.03 425	17.94 426	8.87 421	5.65 417	4.79 417	1.89 413	23.51 435	2.73 422	27.55 436	25.71 436	16.07 433	16.33 433

HaxPig	15.71 428	18.52 435	19.18 431	16.89 427	15.89 429	7.73 416	7.60 416	13.31 427	10.82 422	15.42 426	14.91 425	15.98 428	14.92 427	15.58 427	15.98 428	18.95 434	16.73 429	19.46 434	18.08 434	19.26 434	19.05 434

MEDIAN_ROB	20.38 429	24.04 436	23.31 433	21.23 429	21.71 430	10.40 421	7.92 417	17.64 428	15.50 428	20.12 428	19.70 427	20.34 429	20.32 428	21.19 428	21.13 429	23.81 436	21.81 436	24.98 435	23.76 435	24.71 435	23.93 435

AVERAGE_ROB	24.90 436	29.20 437	28.14 434	24.89 436	24.64 436	17.75 426	11.12 418	21.45 429	19.93 429	25.12 436	24.46 435	25.12 437	25.46 436	24.69 436	22.83 430	29.76 437	27.13 437	28.97 437	27.95 437	29.91 436	29.47 436

test_example2	98.32 437	94.13 438	45.89 435	96.35 437	109.85 438	88.61 437	95.45 437	25.75 436	94.37 437	130.00 437	126.06 437	58.17 438	74.63 437	88.51 437	79.96 437	150.23 438	221.02 438	77.62 438	99.10 438	113.75 438	96.94 437

FADE		0.33 377		0.33 372	0.25 375							0.42 353				0.30 382	0.21 378	0.41 386	0.38 386	0.23 367

Low-res two-view benchmark