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

MLG-Stereo_test2	0.06 1	0.04 1	0.10 131	0.15 84	0.05 1	0.07 33	0.11 54	0.09 11	0.04 2	0.06 13	0.05 7	0.06 22	0.04 1	0.08 18	0.09 61	0.06 129	0.04 24	0.05 34	0.03 1	0.05 119	0.05 144

MLG-Stereo_test1	0.06 1	0.05 25	0.08 38	0.17 240	0.05 1	0.06 11	0.11 54	0.08 4	0.03 1	0.05 2	0.04 1	0.06 22	0.05 12	0.09 39	0.09 61	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

FoundationStereo	0.06 1	0.04 1	0.08 38	0.12 5	0.05 1	0.09 95	0.13 122	0.06 1	0.09 28	0.05 2	0.05 7	0.06 22	0.04 1	0.06 1	0.07 1	0.06 129	0.04 24	0.05 34	0.03 1	0.05 119	0.04 49

MatchStereo	0.07 4	0.04 1	0.08 38	0.14 41	0.06 16	0.05 4	0.12 74	0.12 55	0.09 28	0.07 46	0.06 14	0.04 1	0.04 1	0.08 18	0.09 61	0.06 129	0.05 209	0.05 34	0.03 1	0.04 21	0.04 49

BridgeDepth_RVC	0.07 4	0.04 1	0.09 86	0.11 1	0.05 1	0.10 147	0.10 31	0.14 94	0.09 28	0.06 13	0.07 46	0.06 22	0.07 125	0.07 4	0.10 140	0.06 129	0.04 24	0.04 1	0.04 46	0.04 21	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
CSFM-Stereo	0.07 4	0.05 25	0.07 8	0.14 41	0.06 16	0.09 95	0.13 122	0.15 126	0.06 4	0.07 46	0.08 88	0.06 22	0.08 165	0.09 39	0.09 61	0.06 129	0.05 209	0.04 1	0.03 1	0.04 21	0.04 49

VIP-Stereo	0.07 4	0.07 167	0.07 8	0.15 84	0.06 16	0.12 237	0.10 31	0.11 35	0.11 73	0.06 13	0.07 46	0.06 22	0.05 12	0.10 80	0.08 17	0.05 35	0.04 24	0.05 34	0.03 1	0.03 1	0.02 1

BridgeDepth	0.07 4	0.07 167	0.08 38	0.18 323	0.06 16	0.07 33	0.11 54	0.09 11	0.06 4	0.04 1	0.07 46	0.10 184	0.09 198	0.08 18	0.08 17	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
Zero-FE251	0.07 4	0.05 25	0.09 86	0.13 14	0.06 16	0.12 237	0.12 74	0.11 35	0.10 45	0.07 46	0.08 88	0.06 22	0.06 45	0.09 39	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

MonStereo	0.07 4	0.06 74	0.05 1	0.15 84	0.05 1	0.08 59	0.10 31	0.15 126	0.15 183	0.05 2	0.06 14	0.05 2	0.06 45	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Wavelet-MonSter	0.07 4	0.05 25	0.07 8	0.16 164	0.06 16	0.07 33	0.11 54	0.10 20	0.08 15	0.06 13	0.06 14	0.07 78	0.07 125	0.09 39	0.09 61	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 74	0.05 1	0.15 84	0.05 1	0.08 59	0.10 31	0.15 126	0.15 183	0.05 2	0.06 14	0.05 2	0.06 45	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 4	0.04 1	0.09 86	0.13 14	0.06 16	0.05 4	0.09 18	0.11 35	0.07 10	0.06 13	0.06 14	0.05 2	0.06 45	0.09 39	0.09 61	0.06 129	0.04 24	0.04 1	0.03 1	0.05 119	0.05 144

Replicate-Monster	0.07 4	0.05 25	0.09 86	0.14 41	0.06 16	0.08 59	0.09 18	0.13 73	0.13 138	0.05 2	0.07 46	0.06 22	0.06 45	0.08 18	0.10 140	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

AdaDepth	0.07 4	0.06 74	0.07 8	0.18 323	0.06 16	0.11 194	0.12 74	0.09 11	0.07 10	0.06 13	0.05 7	0.07 78	0.06 45	0.09 39	0.10 140	0.04 11	0.05 209	0.05 34	0.04 46	0.04 21	0.04 49

asda	0.07 4	0.08 268	0.08 38	0.16 164	0.06 16	0.06 11	0.10 31	0.16 156	0.10 45	0.06 13	0.06 14	0.05 2	0.05 12	0.10 80	0.10 140	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

asd	0.07 4	0.08 268	0.07 8	0.16 164	0.07 84	0.08 59	0.08 7	0.11 35	0.08 15	0.07 46	0.07 46	0.06 22	0.06 45	0.10 80	0.09 61	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

qwe	0.07 4	0.08 268	0.07 8	0.15 84	0.06 16	0.07 33	0.10 31	0.18 223	0.11 73	0.07 46	0.07 46	0.06 22	0.06 45	0.10 80	0.09 61	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.25w	0.07 4	0.06 74	0.07 8	0.14 41	0.06 16	0.08 59	0.08 7	0.10 20	0.15 183	0.08 83	0.10 142	0.07 78	0.06 45	0.08 18	0.10 140	0.05 35	0.03 1	0.04 1	0.04 46	0.03 1	0.04 49

4.25_new	0.07 4	0.08 268	0.09 86	0.15 84	0.06 16	0.09 95	0.08 7	0.14 94	0.08 15	0.07 46	0.07 46	0.06 22	0.06 45	0.12 222	0.10 140	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.5w_new	0.07 4	0.08 268	0.09 86	0.15 84	0.06 16	0.09 95	0.08 7	0.14 94	0.08 15	0.07 46	0.07 46	0.06 22	0.06 45	0.12 222	0.10 140	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.5_new	0.07 4	0.09 344	0.08 38	0.15 84	0.07 84	0.06 11	0.10 31	0.14 94	0.11 73	0.06 13	0.08 88	0.06 22	0.06 45	0.08 18	0.10 140	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

4.5w-stereo	0.07 4	0.09 344	0.08 38	0.15 84	0.07 84	0.06 11	0.10 31	0.14 94	0.11 73	0.06 13	0.08 88	0.06 22	0.06 45	0.08 18	0.10 140	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

4.25w-stereo	0.07 4	0.08 268	0.09 86	0.15 84	0.06 16	0.09 95	0.08 7	0.14 94	0.08 15	0.07 46	0.07 46	0.06 22	0.06 45	0.12 222	0.10 140	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4w-stereo	0.07 4	0.08 268	0.08 38	0.16 164	0.06 16	0.07 33	0.08 7	0.12 55	0.08 15	0.07 46	0.07 46	0.05 2	0.06 45	0.09 39	0.10 140	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.5w	0.07 4	0.07 167	0.07 8	0.16 164	0.06 16	0.08 59	0.12 74	0.10 20	0.10 45	0.07 46	0.06 14	0.09 150	0.06 45	0.08 18	0.09 61	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

2.75w_new	0.07 4	0.07 167	0.07 8	0.13 14	0.06 16	0.08 59	0.08 7	0.18 223	0.12 103	0.07 46	0.08 88	0.06 22	0.06 45	0.09 39	0.11 213	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 49

3.25w_new	0.07 4	0.06 74	0.07 8	0.15 84	0.06 16	0.10 147	0.07 3	0.12 55	0.11 73	0.08 83	0.06 14	0.07 78	0.06 45	0.11 130	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 4	0.06 74	0.07 8	0.15 84	0.06 16	0.10 147	0.07 3	0.12 55	0.11 73	0.08 83	0.06 14	0.07 78	0.06 45	0.11 130	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 4	0.07 167	0.08 38	0.16 164	0.07 84	0.07 33	0.09 18	0.16 156	0.09 28	0.07 46	0.06 14	0.05 2	0.06 45	0.09 39	0.10 140	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 4	0.07 167	0.07 8	0.15 84	0.07 84	0.09 95	0.06 1	0.13 73	0.11 73	0.07 46	0.07 46	0.06 22	0.07 125	0.10 80	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 74	0.07 8	0.16 164	0.06 16	0.07 33	0.10 31	0.14 94	0.14 163	0.07 46	0.08 88	0.05 2	0.06 45	0.09 39	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 49

monsterstereo	0.07 4	0.06 74	0.06 4	0.16 164	0.06 16	0.08 59	0.10 31	0.16 156	0.11 73	0.07 46	0.08 88	0.06 22	0.07 125	0.08 18	0.09 61	0.04 11	0.04 24	0.05 34	0.04 46	0.03 1	0.03 2

monsters	0.07 4	0.06 74	0.06 4	0.15 84	0.06 16	0.08 59	0.09 18	0.12 55	0.08 15	0.09 122	0.07 46	0.06 22	0.06 45	0.08 18	0.08 17	0.05 35	0.04 24	0.04 1	0.04 46	0.03 1	0.03 2

IGEV	0.07 4	0.04 1	0.08 38	0.13 14	0.06 16	0.09 95	0.12 74	0.14 94	0.10 45	0.06 13	0.09 111	0.07 78	0.05 12	0.09 39	0.09 61	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

111111	0.07 4	0.04 1	0.09 86	0.17 240	0.06 16	0.05 4	0.10 31	0.11 35	0.09 28	0.06 13	0.06 14	0.07 78	0.05 12	0.09 39	0.09 61	0.06 129	0.04 24	0.05 34	0.04 46	0.07 292	0.06 232

LG-Stereo_L2	0.07 4	0.05 25	0.10 131	0.14 41	0.06 16	0.07 33	0.12 74	0.09 11	0.09 28	0.06 13	0.04 1	0.05 2	0.05 12	0.08 18	0.08 17	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

LG-Stereo_L1	0.07 4	0.05 25	0.11 177	0.14 41	0.06 16	0.07 33	0.13 122	0.09 11	0.07 10	0.05 2	0.04 1	0.05 2	0.04 1	0.08 18	0.07 1	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

MLG-Stereo_test3	0.07 4	0.05 25	0.10 131	0.14 41	0.06 16	0.07 33	0.11 54	0.08 4	0.06 4	0.06 13	0.04 1	0.06 22	0.06 45	0.07 4	0.10 140	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.06 232

MLG-Stereo	0.07 4	0.05 25	0.08 38	0.17 240	0.05 1	0.07 33	0.11 54	0.08 4	0.04 2	0.05 2	0.04 1	0.06 22	0.05 12	0.10 80	0.09 61	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

LG-G_1	0.07 4	0.04 1	0.11 177	0.15 84	0.06 16	0.09 95	0.08 7	0.08 4	0.06 4	0.06 13	0.05 7	0.07 78	0.07 125	0.11 130	0.08 17	0.07 272	0.04 24	0.05 34	0.04 46	0.05 119	0.05 144

LG-G	0.07 4	0.04 1	0.11 177	0.15 84	0.06 16	0.09 95	0.08 7	0.08 4	0.06 4	0.06 13	0.05 7	0.07 78	0.07 125	0.11 130	0.08 17	0.07 272	0.04 24	0.05 34	0.04 46	0.05 119	0.05 144

LGtest1	0.07 4	0.04 1	0.10 131	0.15 84	0.06 16	0.07 33	0.09 18	0.08 4	0.06 4	0.05 2	0.04 1	0.06 22	0.06 45	0.10 80	0.09 61	0.07 272	0.04 24	0.05 34	0.04 46	0.06 222	0.06 232

LG-Stereo_Zeroshot	0.07 4	0.06 74	0.10 131	0.16 164	0.07 84	0.04 1	0.13 122	0.10 20	0.10 45	0.05 2	0.11 180	0.07 78	0.05 12	0.07 4	0.09 61	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

GREAT-IGEV	0.07 4	0.06 74	0.08 38	0.13 14	0.07 84	0.07 33	0.14 177	0.09 11	0.09 28	0.06 13	0.07 46	0.06 22	0.05 12	0.10 80	0.07 1	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

StereoAnything_RVC	0.07 4	0.15 500	0.17 411	0.11 1	0.05 1	0.05 4	0.11 54	0.08 4	0.08 15	0.06 13	0.06 14	0.05 2	0.05 12	0.09 39	0.08 17	0.08 336	0.04 24	0.05 34	0.03 1	0.05 119	0.04 49

AIO_rvc	0.07 4	0.06 74	0.08 38	0.15 84	0.06 16	0.08 59	0.14 177	0.09 11	0.08 15	0.07 46	0.08 88	0.07 78	0.04 1	0.10 80	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

AIO_test	0.07 4	0.05 25	0.07 8	0.15 84	0.07 84	0.06 11	0.14 177	0.10 20	0.10 45	0.07 46	0.07 46	0.06 22	0.05 12	0.08 18	0.10 140	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

MonSter	0.07 4	0.06 74	0.05 1	0.15 84	0.05 1	0.07 33	0.10 31	0.15 126	0.15 183	0.05 2	0.06 14	0.05 2	0.06 45	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DEFOM-Stereo	0.07 4	0.05 25	0.07 8	0.14 41	0.06 16	0.10 147	0.13 122	0.07 2	0.13 138	0.06 13	0.07 46	0.06 22	0.05 12	0.10 80	0.09 61	0.04 11	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

dual_stereo	0.07 4	0.04 1	0.08 38	0.15 84	0.05 1	0.05 4	0.13 122	0.12 55	0.08 15	0.07 46	0.06 14	0.05 2	0.05 12	0.07 4	0.09 61	0.06 129	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

IGEV-Stereo++	0.07 4	0.06 74	0.08 38	0.18 323	0.06 16	0.04 1	0.10 31	0.11 35	0.11 73	0.06 13	0.07 46	0.07 78	0.06 45	0.09 39	0.09 61	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

IGEV-Stereo+	0.07 4	0.04 1	0.08 38	0.15 84	0.06 16	0.04 1	0.09 18	0.10 20	0.09 28	0.06 13	0.06 14	0.06 22	0.06 45	0.06 1	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.06 222	0.06 232

Selective-IGEV	0.07 4	0.06 74	0.08 38	0.17 240	0.06 16	0.08 59	0.12 74	0.13 73	0.07 10	0.08 83	0.07 46	0.06 22	0.04 1	0.10 80	0.09 61	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

BStereo	0.08 55	0.06 74	0.16 381	0.15 84	0.08 144	0.07 33	0.09 18	0.15 126	0.16 212	0.06 13	0.07 46	0.07 78	0.05 12	0.09 39	0.11 213	0.04 11	0.05 209	0.05 34	0.07 303	0.04 21	0.04 49

MS-F	0.08 55	0.04 1	0.10 131	0.13 14	0.06 16	0.09 95	0.12 74	0.13 73	0.08 15	0.06 13	0.07 46	0.06 22	0.08 165	0.10 80	0.11 213	0.06 129	0.05 209	0.04 1	0.03 1	0.04 21	0.04 49

HiDET	0.08 55	0.04 1	0.10 131	0.13 14	0.06 16	0.08 59	0.12 74	0.12 55	0.11 73	0.06 13	0.07 46	0.07 78	0.07 125	0.11 130	0.11 213	0.06 129	0.04 24	0.04 1	0.03 1	0.04 21	0.04 49

LCMNet	0.08 55	0.05 25	0.10 131	0.13 14	0.07 84	0.09 95	0.12 74	0.10 20	0.11 73	0.06 13	0.08 88	0.06 22	0.07 125	0.11 130	0.10 140	0.06 129	0.05 209	0.04 1	0.03 1	0.04 21	0.04 49

GEAStereo	0.08 55	0.05 25	0.08 38	0.13 14	0.08 144	0.08 59	0.14 177	0.10 20	0.09 28	0.08 83	0.10 142	0.06 22	0.05 12	0.11 130	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.05 144

GSStereo	0.08 55	0.05 25	0.08 38	0.13 14	0.08 144	0.08 59	0.14 177	0.11 35	0.12 103	0.08 83	0.10 142	0.05 2	0.05 12	0.11 130	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.05 144

gasm-f	0.08 55	0.05 25	0.07 8	0.13 14	0.08 144	0.08 59	0.14 177	0.10 20	0.09 28	0.08 83	0.10 142	0.06 22	0.05 12	0.10 80	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

DDF-Stereo	0.08 55	0.04 1	0.09 86	0.15 84	0.10 370	0.06 11	0.13 122	0.09 11	0.14 163	0.06 13	0.06 14	0.07 78	0.06 45	0.09 39	0.10 140	0.06 129	0.04 24	0.06 125	0.04 46	0.08 355	0.05 144

252Zero-FE	0.08 55	0.04 1	0.09 86	0.13 14	0.07 84	0.12 237	0.11 54	0.13 73	0.14 163	0.06 13	0.05 7	0.06 22	0.05 12	0.09 39	0.10 140	0.06 129	0.04 24	0.04 1	0.03 1	0.05 119	0.06 232

DA	0.08 55	0.07 167	0.07 8	0.19 384	0.08 144	0.09 95	0.12 74	0.13 73	0.12 103	0.08 83	0.10 142	0.10 184	0.08 165	0.09 39	0.10 140	0.05 35	0.04 24	0.06 125	0.04 46	0.05 119	0.03 2

zero-FE	0.08 55	0.04 1	0.09 86	0.15 84	0.10 370	0.05 4	0.14 177	0.09 11	0.14 163	0.07 46	0.06 14	0.07 78	0.06 45	0.09 39	0.10 140	0.06 129	0.04 24	0.06 125	0.04 46	0.08 355	0.05 144

GGEV	0.08 55	0.07 167	0.07 8	0.19 384	0.08 144	0.09 95	0.12 74	0.13 73	0.12 103	0.08 83	0.10 142	0.10 184	0.08 165	0.09 39	0.10 140	0.05 35	0.04 24	0.06 125	0.04 46	0.05 119	0.03 2

GASTEREO	0.08 55	0.05 25	0.09 86	0.19 384	0.07 84	0.07 33	0.12 74	0.14 94	0.11 73	0.10 157	0.09 111	0.07 78	0.04 1	0.12 222	0.08 17	0.06 129	0.05 209	0.05 34	0.04 46	0.04 21	0.05 144

MSCF	0.08 55	0.05 25	0.08 38	0.19 384	0.08 144	0.06 11	0.12 74	0.14 94	0.11 73	0.10 157	0.09 111	0.07 78	0.04 1	0.11 130	0.08 17	0.06 129	0.05 209	0.05 34	0.04 46	0.05 119	0.05 144

S2M2_XL	0.08 55	0.06 74	0.12 213	0.12 5	0.08 144	0.09 95	0.09 18	0.07 2	0.07 10	0.08 83	0.07 46	0.07 78	0.06 45	0.09 39	0.09 61	0.08 336	0.06 341	0.07 227	0.05 131	0.08 355	0.06 232
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
3w_stereo	0.08 55	0.09 344	0.10 131	0.17 240	0.07 84	0.08 59	0.10 31	0.20 260	0.13 138	0.06 13	0.07 46	0.05 2	0.06 45	0.08 18	0.09 61	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

2w_stereo	0.08 55	0.08 268	0.09 86	0.16 164	0.06 16	0.08 59	0.10 31	0.20 260	0.15 183	0.08 83	0.07 46	0.06 22	0.06 45	0.06 1	0.09 61	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

LG-Stereo	0.08 55	0.07 167	0.10 131	0.18 323	0.07 84	0.10 147	0.17 355	0.11 35	0.08 15	0.05 2	0.07 46	0.05 2	0.07 125	0.09 39	0.09 61	0.04 11	0.05 209	0.07 227	0.07 303	0.04 21	0.04 49

SGD-Stereo	0.08 55	0.05 25	0.10 131	0.14 41	0.05 1	0.12 237	0.12 74	0.11 35	0.12 103	0.07 46	0.09 111	0.09 150	0.09 198	0.08 18	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.03 2

HART	0.08 55	0.07 167	0.09 86	0.17 240	0.07 84	0.10 147	0.16 317	0.13 73	0.11 73	0.08 83	0.10 142	0.07 78	0.05 12	0.10 80	0.08 17	0.05 35	0.04 24	0.06 125	0.04 46	0.05 119	0.04 49

Reg-Stereo(zero)	0.08 55	0.05 25	0.08 38	0.16 164	0.06 16	0.12 237	0.11 54	0.15 126	0.10 45	0.12 228	0.09 111	0.10 184	0.08 165	0.11 130	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

SCV_C0	0.08 55	0.07 167	0.07 8	0.16 164	0.09 267	0.08 59	0.15 249	0.11 35	0.12 103	0.08 83	0.07 46	0.06 22	0.05 12	0.11 130	0.07 1	0.05 35	0.05 209	0.05 34	0.04 46	0.06 222	0.05 144

SCV	0.08 55	0.09 344	0.08 38	0.15 84	0.08 144	0.10 147	0.13 122	0.10 20	0.12 103	0.07 46	0.07 46	0.06 22	0.04 1	0.09 39	0.08 17	0.05 35	0.04 24	0.06 125	0.04 46	0.06 222	0.04 49

DEFOM-Stereo_RVC	0.08 55	0.06 74	0.09 86	0.22 488	0.06 16	0.08 59	0.12 74	0.10 20	0.10 45	0.07 46	0.07 46	0.06 22	0.05 12	0.11 130	0.09 61	0.06 129	0.04 24	0.05 34	0.03 1	0.06 222	0.04 49

HUF	0.08 55	0.05 25	0.08 38	0.14 41	0.06 16	0.09 95	0.13 122	0.13 73	0.13 138	0.07 46	0.07 46	0.08 125	0.06 45	0.10 80	0.09 61	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

castereo++	0.08 55	0.05 25	0.08 38	0.15 84	0.05 1	0.14 313	0.12 74	0.11 35	0.15 183	0.07 46	0.07 46	0.07 78	0.06 45	0.08 18	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

IGEV-RUCA	0.08 55	0.06 74	0.11 177	0.14 41	0.09 267	0.10 147	0.12 74	0.10 20	0.12 103	0.06 13	0.07 46	0.07 78	0.06 45	0.09 39	0.08 17	0.06 129	0.05 209	0.05 34	0.04 46	0.05 119	0.06 232

GIP-stereo	0.08 55	0.06 74	0.11 177	0.14 41	0.06 16	0.09 95	0.13 122	0.14 94	0.11 73	0.07 46	0.08 88	0.05 2	0.04 1	0.10 80	0.07 1	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

SMoEStereo_RVC	0.08 55	0.06 74	0.12 213	0.16 164	0.07 84	0.09 95	0.14 177	0.11 35	0.13 138	0.09 122	0.07 46	0.07 78	0.07 125	0.12 222	0.10 140	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

WCG-NET	0.08 55	0.05 25	0.09 86	0.15 84	0.06 16	0.11 194	0.14 177	0.13 73	0.13 138	0.06 13	0.09 111	0.07 78	0.06 45	0.13 268	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

Occ-G	0.08 55	0.05 25	0.06 4	0.14 41	0.07 84	0.08 59	0.14 177	0.13 73	0.15 183	0.07 46	0.11 180	0.07 78	0.05 12	0.09 39	0.10 140	0.06 129	0.05 209	0.05 34	0.04 46	0.05 119	0.05 144

U	0.08 55	0.07 167	0.09 86	0.19 384	0.10 370	0.10 147	0.13 122	0.12 55	0.17 235	0.07 46	0.07 46	0.06 22	0.05 12	0.07 4	0.08 17	0.06 129	0.04 24	0.06 125	0.04 46	0.06 222	0.05 144

AIO-Stereo	0.08 55	0.06 74	0.09 86	0.18 323	0.06 16	0.08 59	0.12 74	0.15 126	0.09 28	0.08 83	0.08 88	0.07 78	0.05 12	0.11 130	0.08 17	0.05 35	0.05 209	0.05 34	0.04 46	0.04 21	0.04 49

WCG-NET（raft）	0.08 55	0.05 25	0.10 131	0.15 84	0.06 16	0.11 194	0.13 122	0.15 126	0.12 103	0.08 83	0.07 46	0.06 22	0.06 45	0.13 268	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

RSM++	0.08 55	0.06 74	0.09 86	0.17 240	0.07 84	0.09 95	0.12 74	0.11 35	0.11 73	0.08 83	0.06 14	0.07 78	0.05 12	0.10 80	0.09 61	0.04 11	0.04 24	0.06 125	0.05 131	0.05 119	0.03 2

RSM	0.08 55	0.06 74	0.09 86	0.17 240	0.06 16	0.08 59	0.12 74	0.12 55	0.10 45	0.08 83	0.07 46	0.06 22	0.05 12	0.11 130	0.09 61	0.04 11	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

trnet	0.08 55	0.05 25	0.07 8	0.12 5	0.05 1	0.12 237	0.11 54	0.13 73	0.10 45	0.08 83	0.13 208	0.09 150	0.08 165	0.11 130	0.10 140	0.08 336	0.05 209	0.05 34	0.03 1	0.06 222	0.05 144

MoCha-V2	0.08 55	0.05 25	0.10 131	0.20 442	0.07 84	0.09 95	0.14 177	0.11 35	0.08 15	0.07 46	0.08 88	0.07 78	0.06 45	0.09 39	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

IGEV++	0.08 55	0.06 74	0.08 38	0.18 323	0.07 84	0.09 95	0.13 122	0.10 20	0.09 28	0.08 83	0.08 88	0.06 22	0.06 45	0.13 268	0.09 61	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

testlalala	0.08 55	0.07 167	0.17 411	0.16 164	0.08 144	0.09 95	0.12 74	0.15 126	0.10 45	0.07 46	0.09 111	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.04 46	0.04 21	0.04 49

AEACV	0.08 55	0.05 25	0.08 38	0.14 41	0.13 478	0.14 313	0.13 122	0.14 94	0.09 28	0.07 46	0.09 111	0.07 78	0.08 165	0.10 80	0.09 61	0.06 129	0.04 24	0.06 125	0.05 131	0.05 119	0.04 49

LoS_RVC	0.08 55	0.05 25	0.07 8	0.15 84	0.07 84	0.08 59	0.15 249	0.11 35	0.10 45	0.08 83	0.09 111	0.06 22	0.09 198	0.10 80	0.09 61	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

CAS	0.08 55	0.04 1	0.07 8	0.17 240	0.08 144	0.10 147	0.13 122	0.12 55	0.09 28	0.09 122	0.10 142	0.08 125	0.06 45	0.09 39	0.08 17	0.08 336	0.04 24	0.05 34	0.03 1	0.05 119	0.04 49

CES	0.08 55	0.04 1	0.08 38	0.14 41	0.07 84	0.09 95	0.14 177	0.11 35	0.09 28	0.08 83	0.09 111	0.11 210	0.06 45	0.12 222	0.08 17	0.06 129	0.04 24	0.05 34	0.03 1	0.05 119	0.05 144

EGLCR-Stereo	0.08 55	0.05 25	0.08 38	0.14 41	0.06 16	0.10 147	0.12 74	0.11 35	0.16 212	0.06 13	0.05 7	0.07 78	0.05 12	0.10 80	0.11 213	0.06 129	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

MC-Stereo	0.08 55	0.06 74	0.09 86	0.17 240	0.06 16	0.10 147	0.14 177	0.12 55	0.10 45	0.09 122	0.12 194	0.09 150	0.06 45	0.11 130	0.10 140	0.06 129	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

test-3	0.08 55	0.06 74	0.09 86	0.17 240	0.07 84	0.07 33	0.14 177	0.12 55	0.15 183	0.09 122	0.08 88	0.07 78	0.08 165	0.11 130	0.10 140	0.05 35	0.04 24	0.07 227	0.05 131	0.04 21	0.04 49

test_1	0.08 55	0.06 74	0.09 86	0.17 240	0.07 84	0.07 33	0.14 177	0.12 55	0.15 183	0.09 122	0.08 88	0.07 78	0.08 165	0.11 130	0.10 140	0.05 35	0.04 24	0.07 227	0.05 131	0.04 21	0.04 49

CREStereo++_RVC	0.08 55	0.04 1	0.06 4	0.13 14	0.07 84	0.09 95	0.12 74	0.14 94	0.14 163	0.10 157	0.14 222	0.08 125	0.07 125	0.09 39	0.11 213	0.06 129	0.04 24	0.05 34	0.05 131	0.04 21	0.04 49
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
Wave_Phase_stereo	0.09 104	0.06 74	0.16 381	0.15 84	0.08 144	0.11 194	0.09 18	0.18 223	0.16 212	0.06 13	0.07 46	0.07 78	0.05 12	0.09 39	0.11 213	0.04 11	0.05 209	0.05 34	0.07 303	0.04 21	0.04 49

NLMM	0.09 104	0.06 74	0.08 38	0.18 323	0.08 144	0.11 194	0.16 317	0.17 192	0.19 278	0.08 83	0.07 46	0.07 78	0.08 165	0.11 130	0.12 269	0.04 11	0.04 24	0.06 125	0.06 212	0.04 21	0.04 49

NLSM3	0.09 104	0.06 74	0.08 38	0.19 384	0.08 144	0.11 194	0.16 317	0.18 223	0.16 212	0.06 13	0.08 88	0.07 78	0.08 165	0.09 39	0.11 213	0.04 11	0.04 24	0.06 125	0.07 303	0.03 1	0.03 2

NLSM1	0.09 104	0.06 74	0.09 86	0.17 240	0.07 84	0.14 313	0.16 317	0.19 247	0.14 163	0.08 83	0.10 142	0.07 78	0.09 198	0.13 268	0.11 213	0.05 35	0.04 24	0.05 34	0.05 131	0.05 119	0.04 49

NLCSM	0.09 104	0.05 25	0.09 86	0.18 323	0.08 144	0.11 194	0.13 122	0.19 247	0.17 235	0.08 83	0.08 88	0.07 78	0.09 198	0.11 130	0.11 213	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

FE-Mocha	0.09 104	0.06 74	0.14 295	0.16 164	0.09 267	0.10 147	0.15 249	0.18 223	0.16 212	0.10 157	0.09 111	0.07 78	0.07 125	0.09 39	0.09 61	0.06 129	0.04 24	0.06 125	0.06 212	0.05 119	0.05 144

IGEV-FE	0.09 104	0.05 25	0.12 213	0.13 14	0.08 144	0.12 237	0.13 122	0.17 192	0.11 73	0.10 157	0.06 14	0.09 150	0.06 45	0.11 130	0.09 61	0.06 129	0.04 24	0.06 125	0.06 212	0.05 119	0.05 144

water-stereo	0.09 104	0.06 74	0.08 38	0.16 164	0.07 84	0.09 95	0.13 122	0.15 126	0.13 138	0.11 190	0.12 194	0.08 125	0.09 198	0.07 4	0.08 17	0.06 129	0.05 209	0.05 34	0.05 131	0.04 21	0.04 49

depthmonostereo	0.09 104	0.06 74	0.09 86	0.15 84	0.06 16	0.10 147	0.13 122	0.14 94	0.14 163	0.10 157	0.10 142	0.09 150	0.11 259	0.08 18	0.09 61	0.06 129	0.05 209	0.06 125	0.04 46	0.04 21	0.03 2

DilatedVolume-Stereo	0.09 104	0.05 25	0.08 38	0.15 84	0.06 16	0.11 194	0.12 74	0.14 94	0.16 212	0.11 190	0.11 180	0.09 150	0.09 198	0.11 130	0.10 140	0.06 129	0.05 209	0.05 34	0.04 46	0.03 1	0.03 2

S2M2_L	0.09 104	0.08 268	0.11 177	0.13 14	0.10 370	0.08 59	0.06 1	0.10 20	0.10 45	0.10 157	0.09 111	0.10 184	0.09 198	0.11 130	0.11 213	0.13 513	0.07 416	0.08 312	0.09 420	0.10 450	0.08 379
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test2	0.09 104	0.06 74	0.09 86	0.19 384	0.08 144	0.12 237	0.18 400	0.15 126	0.14 163	0.07 46	0.10 142	0.07 78	0.06 45	0.12 222	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.03 2

castereo	0.09 104	0.06 74	0.11 177	0.15 84	0.06 16	0.11 194	0.15 249	0.14 94	0.18 262	0.08 83	0.10 142	0.11 210	0.08 165	0.09 39	0.10 140	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

fffft	0.09 104	0.06 74	0.12 213	0.16 164	0.07 84	0.09 95	0.17 355	0.12 55	0.11 73	0.08 83	0.07 46	0.09 150	0.06 45	0.11 130	0.12 269	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.05 144
1: 1. 1
tt45	0.09 104	0.06 74	0.11 177	0.15 84	0.07 84	0.11 194	0.16 317	0.13 73	0.11 73	0.09 122	0.06 14	0.08 125	0.06 45	0.13 268	0.10 140	0.06 129	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

999	0.09 104	0.05 25	0.13 260	0.15 84	0.08 144	0.10 147	0.14 177	0.15 126	0.11 73	0.10 157	0.08 88	0.08 125	0.08 165	0.16 352	0.10 140	0.06 129	0.04 24	0.06 125	0.05 131	0.04 21	0.05 144

mms	0.09 104	0.07 167	0.08 38	0.16 164	0.08 144	0.10 147	0.16 317	0.12 55	0.11 73	0.08 83	0.09 111	0.08 125	0.06 45	0.11 130	0.12 269	0.05 35	0.04 24	0.07 227	0.05 131	0.04 21	0.03 2

ours_stereo	0.09 104	0.07 167	0.09 86	0.17 240	0.08 144	0.11 194	0.16 317	0.11 35	0.12 103	0.08 83	0.10 142	0.08 125	0.06 45	0.12 222	0.12 269	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.03 2

fffy	0.09 104	0.08 268	0.09 86	0.16 164	0.07 84	0.13 281	0.17 355	0.13 73	0.12 103	0.08 83	0.09 111	0.08 125	0.09 198	0.13 268	0.11 213	0.05 35	0.05 209	0.07 227	0.05 131	0.04 21	0.05 144

PAM_32	0.09 104	0.05 25	0.17 411	0.15 84	0.08 144	0.10 147	0.15 249	0.14 94	0.15 183	0.09 122	0.08 88	0.09 150	0.07 125	0.14 296	0.08 17	0.06 129	0.05 209	0.06 125	0.06 212	0.05 119	0.06 232

UGAM-zero	0.09 104	0.05 25	0.15 347	0.15 84	0.08 144	0.09 95	0.13 122	0.19 247	0.15 183	0.11 190	0.15 239	0.07 78	0.07 125	0.09 39	0.09 61	0.06 129	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232

GCAP-BAT	0.09 104	0.07 167	0.14 295	0.15 84	0.08 144	0.10 147	0.13 122	0.14 94	0.10 45	0.11 190	0.10 142	0.08 125	0.07 125	0.12 222	0.10 140	0.06 129	0.05 209	0.06 125	0.04 46	0.04 21	0.04 49

Pointernet	0.09 104	0.04 1	0.09 86	0.16 164	0.08 144	0.13 281	0.10 31	0.15 126	0.17 235	0.09 122	0.07 46	0.06 22	0.06 45	0.11 130	0.09 61	0.08 336	0.04 24	0.05 34	0.03 1	0.06 222	0.05 144

IGEV-BASED-STEREO-	0.09 104	0.10 405	0.31 518	0.15 84	0.06 16	0.08 59	0.14 177	0.10 20	0.10 45	0.07 46	0.07 46	0.06 22	0.04 1	0.11 130	0.07 1	0.12 490	0.04 24	0.07 227	0.05 131	0.05 119	0.05 144

RAFT-Stereo-weight	0.09 104	0.06 74	0.10 131	0.16 164	0.07 84	0.09 95	0.14 177	0.19 247	0.16 212	0.11 190	0.10 142	0.08 125	0.06 45	0.10 80	0.11 213	0.06 129	0.04 24	0.06 125	0.04 46	0.04 21	0.04 49

gcap-zeroshot	0.09 104	0.05 25	0.10 131	0.16 164	0.07 84	0.13 281	0.13 122	0.11 35	0.12 103	0.13 255	0.12 194	0.09 150	0.08 165	0.09 39	0.09 61	0.06 129	0.05 209	0.06 125	0.05 131	0.04 21	0.04 49

test_for_model	0.09 104	0.12 449	0.14 295	0.23 509	0.11 422	0.08 59	0.13 122	0.12 55	0.12 103	0.10 157	0.07 46	0.07 78	0.06 45	0.11 130	0.10 140	0.06 129	0.05 209	0.05 34	0.03 1	0.07 292	0.04 49

MGS-Stereo	0.09 104	0.07 167	0.12 213	0.15 84	0.08 144	0.09 95	0.15 249	0.12 55	0.12 103	0.07 46	0.10 142	0.08 125	0.06 45	0.10 80	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.06 222	0.05 144

ff7	0.09 104	0.07 167	0.11 177	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.12 103	0.10 157	0.06 14	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

IGEVStereo-DCA	0.09 104	0.06 74	0.11 177	0.15 84	0.10 370	0.11 194	0.15 249	0.16 156	0.12 103	0.10 157	0.06 14	0.08 125	0.06 45	0.10 80	0.08 17	0.06 129	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232

ffff	0.09 104	0.07 167	0.11 177	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.12 103	0.10 157	0.06 14	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

rrr	0.09 104	0.06 74	0.12 213	0.15 84	0.10 370	0.11 194	0.16 317	0.16 156	0.15 183	0.10 157	0.06 14	0.08 125	0.06 45	0.10 80	0.08 17	0.06 129	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232

11t	0.09 104	0.07 167	0.11 177	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.12 103	0.10 157	0.06 14	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

MaDis-Stereo	0.09 104	0.09 344	0.08 38	0.17 240	0.09 267	0.13 281	0.10 31	0.16 156	0.16 212	0.09 122	0.11 180	0.06 22	0.06 45	0.09 39	0.13 311	0.07 272	0.06 341	0.07 227	0.05 131	0.05 119	0.04 49

IGEV_Zeroshot_test	0.09 104	0.05 25	0.12 213	0.13 14	0.08 144	0.12 237	0.13 122	0.17 192	0.11 73	0.10 157	0.06 14	0.09 150	0.06 45	0.11 130	0.09 61	0.06 129	0.04 24	0.06 125	0.06 212	0.05 119	0.05 144

MSKI-zero shot	0.09 104	0.05 25	0.09 86	0.15 84	0.07 84	0.10 147	0.13 122	0.14 94	0.13 138	0.09 122	0.09 111	0.09 150	0.06 45	0.12 222	0.10 140	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

UniTT-Stereo	0.09 104	0.07 167	0.08 38	0.18 323	0.08 144	0.13 281	0.11 54	0.12 55	0.11 73	0.10 157	0.12 194	0.05 2	0.07 125	0.09 39	0.09 61	0.07 272	0.05 209	0.05 34	0.05 131	0.05 119	0.05 144

MIM_Stereo	0.09 104	0.07 167	0.11 177	0.15 84	0.07 84	0.06 11	0.12 74	0.20 260	0.14 163	0.13 255	0.13 208	0.09 150	0.05 12	0.12 222	0.08 17	0.05 35	0.06 341	0.07 227	0.06 212	0.06 222	0.05 144

CASnet	0.09 104	0.09 344	0.09 86	0.19 384	0.06 16	0.07 33	0.11 54	0.18 223	0.14 163	0.11 190	0.10 142	0.09 150	0.07 125	0.10 80	0.10 140	0.06 129	0.04 24	0.10 444	0.08 371	0.05 119	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 104	0.07 167	0.13 260	0.18 323	0.06 16	0.11 194	0.07 3	0.13 73	0.12 103	0.09 122	0.10 142	0.07 78	0.09 198	0.13 268	0.10 140	0.06 129	0.05 209	0.05 34	0.04 46	0.04 21	0.05 144

RAFT-Test	0.09 104	0.06 74	0.10 131	0.15 84	0.07 84	0.11 194	0.15 249	0.16 156	0.13 138	0.09 122	0.10 142	0.10 184	0.09 198	0.12 222	0.09 61	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

HH	0.09 104	0.06 74	0.13 260	0.17 240	0.08 144	0.10 147	0.16 317	0.14 94	0.10 45	0.08 83	0.09 111	0.08 125	0.07 125	0.10 80	0.09 61	0.06 129	0.04 24	0.06 125	0.05 131	0.05 119	0.04 49

HanStereo	0.09 104	0.06 74	0.13 260	0.17 240	0.08 144	0.10 147	0.16 317	0.14 94	0.10 45	0.08 83	0.09 111	0.08 125	0.07 125	0.10 80	0.09 61	0.06 129	0.04 24	0.06 125	0.05 131	0.05 119	0.04 49

4D-IteraStereo	0.09 104	0.07 167	0.10 131	0.18 323	0.07 84	0.09 95	0.15 249	0.17 192	0.15 183	0.10 157	0.11 180	0.10 184	0.07 125	0.11 130	0.09 61	0.05 35	0.03 1	0.08 312	0.07 303	0.06 222	0.05 144

anonymousdsp	0.09 104	0.07 167	0.11 177	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.12 103	0.09 122	0.06 14	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

LoS	0.09 104	0.05 25	0.11 177	0.13 14	0.07 84	0.14 313	0.11 54	0.15 126	0.15 183	0.09 122	0.09 111	0.12 229	0.09 198	0.15 318	0.10 140	0.07 272	0.05 209	0.05 34	0.03 1	0.05 119	0.05 144
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 104	0.07 167	0.10 131	0.17 240	0.08 144	0.10 147	0.15 249	0.15 126	0.12 103	0.09 122	0.06 14	0.07 78	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.06 232

RCA-Stereo	0.09 104	0.06 74	0.09 86	0.16 164	0.06 16	0.09 95	0.13 122	0.18 223	0.14 163	0.09 122	0.10 142	0.08 125	0.07 125	0.12 222	0.11 213	0.06 129	0.04 24	0.06 125	0.05 131	0.05 119	0.04 49

CroCo-Stereo Lap2	0.09 104	0.09 344	0.08 38	0.22 488	0.09 267	0.09 95	0.19 440	0.16 156	0.12 103	0.09 122	0.10 142	0.05 2	0.05 12	0.08 18	0.08 17	0.06 129	0.06 341	0.07 227	0.05 131	0.05 119	0.05 144

ccc-4	0.09 104	0.07 167	0.11 177	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.12 103	0.10 157	0.06 14	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

IGEV-Stereo	0.09 104	0.07 167	0.11 177	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.12 103	0.09 122	0.06 14	0.06 22	0.06 45	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 104	0.05 25	0.13 260	0.14 41	0.08 144	0.12 237	0.15 249	0.18 223	0.10 45	0.11 190	0.08 88	0.08 125	0.05 12	0.10 80	0.09 61	0.06 129	0.04 24	0.06 125	0.05 131	0.06 222	0.05 144

TRStereo	0.09 104	0.05 25	0.12 213	0.15 84	0.12 455	0.10 147	0.13 122	0.18 223	0.18 262	0.09 122	0.09 111	0.09 150	0.06 45	0.10 80	0.08 17	0.07 272	0.05 209	0.07 227	0.07 303	0.04 21	0.04 49

AnonymousM	0.09 104	0.05 25	0.10 131	0.14 41	0.06 16	0.09 95	0.13 122	0.19 247	0.14 163	0.13 255	0.11 180	0.09 150	0.08 165	0.13 268	0.10 140	0.08 336	0.05 209	0.08 312	0.05 131	0.05 119	0.05 144

CroCo-Stereo	0.09 104	0.08 268	0.08 38	0.22 488	0.09 267	0.09 95	0.19 440	0.15 126	0.12 103	0.07 46	0.07 46	0.08 125	0.06 45	0.08 18	0.07 1	0.07 272	0.05 209	0.06 125	0.04 46	0.05 119	0.04 49
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
s12784h	0.09 104	0.06 74	0.07 8	0.15 84	0.05 1	0.16 370	0.18 400	0.15 126	0.15 183	0.10 157	0.11 180	0.11 210	0.11 259	0.10 80	0.12 269	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

TANstereo	0.09 104	0.04 1	0.08 38	0.13 14	0.06 16	0.11 194	0.14 177	0.15 126	0.19 278	0.11 190	0.15 239	0.10 184	0.06 45	0.12 222	0.09 61	0.07 272	0.05 209	0.05 34	0.04 46	0.06 222	0.05 144

XX-TBD	0.09 104	0.06 74	0.07 8	0.14 41	0.07 84	0.12 237	0.16 317	0.14 94	0.13 138	0.11 190	0.12 194	0.09 150	0.08 165	0.10 80	0.10 140	0.06 129	0.04 24	0.05 34	0.03 1	0.06 222	0.05 144

raftrobust	0.09 104	0.06 74	0.10 131	0.17 240	0.08 144	0.09 95	0.10 31	0.18 223	0.16 212	0.10 157	0.09 111	0.12 229	0.07 125	0.12 222	0.10 140	0.08 336	0.05 209	0.06 125	0.05 131	0.05 119	0.05 144

XX-Stereo	0.09 104	0.05 25	0.08 38	0.17 240	0.09 267	0.15 340	0.12 74	0.20 260	0.10 45	0.10 157	0.14 222	0.07 78	0.06 45	0.12 222	0.08 17	0.06 129	0.05 209	0.06 125	0.06 212	0.04 21	0.04 49

test_xeample3	0.09 104	0.06 74	0.12 213	0.16 164	0.09 267	0.11 194	0.15 249	0.16 156	0.13 138	0.10 157	0.06 14	0.08 125	0.06 45	0.10 80	0.09 61	0.05 35	0.04 24	0.06 125	0.05 131	0.05 119	0.06 232

RAFT-Stereo + iAFF	0.09 104	0.06 74	0.10 131	0.17 240	0.06 16	0.10 147	0.16 317	0.17 192	0.14 163	0.09 122	0.10 142	0.08 125	0.09 198	0.11 130	0.09 61	0.05 35	0.04 24	0.06 125	0.06 212	0.04 21	0.03 2

AFF-stereo	0.09 104	0.06 74	0.10 131	0.17 240	0.07 84	0.10 147	0.16 317	0.17 192	0.09 28	0.10 157	0.12 194	0.09 150	0.09 198	0.12 222	0.09 61	0.05 35	0.04 24	0.07 227	0.07 303	0.04 21	0.03 2

EAI-Stereo	0.09 104	0.07 167	0.11 177	0.15 84	0.06 16	0.10 147	0.15 249	0.16 156	0.09 28	0.08 83	0.09 111	0.08 125	0.07 125	0.09 39	0.11 213	0.05 35	0.04 24	0.05 34	0.05 131	0.05 119	0.04 49

CFNet-RSSM	0.09 104	0.07 167	0.09 86	0.16 164	0.07 84	0.09 95	0.15 249	0.16 156	0.17 235	0.08 83	0.12 194	0.10 184	0.09 198	0.11 130	0.09 61	0.06 129	0.04 24	0.06 125	0.04 46	0.04 21	0.04 49

Gwc-CoAtRS	0.09 104	0.06 74	0.10 131	0.16 164	0.07 84	0.10 147	0.14 177	0.17 192	0.17 235	0.08 83	0.10 142	0.12 229	0.09 198	0.12 222	0.09 61	0.06 129	0.04 24	0.06 125	0.04 46	0.04 21	0.04 49

CREStereo	0.09 104	0.04 1	0.08 38	0.11 1	0.06 16	0.13 281	0.14 177	0.14 94	0.10 45	0.08 83	0.13 208	0.09 150	0.08 165	0.11 130	0.10 140	0.08 336	0.04 24	0.05 34	0.03 1	0.06 222	0.06 232
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 104	0.05 25	0.09 86	0.12 5	0.06 16	0.12 237	0.14 177	0.15 126	0.11 73	0.09 122	0.13 208	0.10 184	0.07 125	0.13 268	0.10 140	0.15 531	0.04 24	0.05 34	0.03 1	0.07 292	0.06 232

NLMM1	0.10 172	0.06 74	0.11 177	0.18 323	0.07 84	0.12 237	0.13 122	0.20 260	0.21 317	0.09 122	0.09 111	0.09 150	0.08 165	0.13 268	0.10 140	0.05 35	0.04 24	0.05 34	0.05 131	0.05 119	0.04 49

MM-Stereo_test3	0.10 172	0.07 167	0.07 8	0.18 323	0.07 84	0.12 237	0.19 440	0.24 350	0.19 278	0.06 13	0.10 142	0.08 125	0.06 45	0.11 130	0.08 17	0.06 129	0.06 341	0.07 227	0.05 131	0.05 119	0.04 49

MM-Stereo_test1	0.10 172	0.07 167	0.08 38	0.18 323	0.07 84	0.12 237	0.18 400	0.21 284	0.20 302	0.09 122	0.11 180	0.08 125	0.06 45	0.10 80	0.10 140	0.06 129	0.05 209	0.07 227	0.06 212	0.05 119	0.04 49

AIO-test2	0.10 172	0.08 268	0.10 131	0.23 509	0.08 144	0.11 194	0.10 31	0.23 327	0.23 342	0.08 83	0.09 111	0.08 125	0.05 12	0.10 80	0.08 17	0.06 129	0.05 209	0.08 312	0.09 420	0.05 119	0.05 144

AIO-test1	0.10 172	0.07 167	0.10 131	0.23 509	0.07 84	0.09 95	0.13 122	0.21 284	0.14 163	0.11 190	0.12 194	0.09 150	0.07 125	0.11 130	0.09 61	0.06 129	0.05 209	0.09 396	0.10 459	0.03 1	0.06 232

tg	0.10 172	0.06 74	0.10 131	0.18 323	0.08 144	0.11 194	0.16 317	0.20 260	0.12 103	0.08 83	0.11 180	0.11 210	0.07 125	0.11 130	0.10 140	0.05 35	0.04 24	0.08 312	0.08 371	0.04 21	0.04 49

PAM	0.10 172	0.05 25	0.16 381	0.15 84	0.08 144	0.09 95	0.16 317	0.15 126	0.16 212	0.12 228	0.09 111	0.09 150	0.07 125	0.13 268	0.08 17	0.06 129	0.05 209	0.06 125	0.06 212	0.05 119	0.06 232

model_zeroshot	0.10 172	0.04 1	0.11 177	0.15 84	0.09 267	0.12 237	0.14 177	0.20 260	0.13 138	0.11 190	0.10 142	0.12 229	0.07 125	0.12 222	0.10 140	0.07 272	0.06 341	0.06 125	0.05 131	0.06 222	0.06 232

RAStereo	0.10 172	0.09 344	0.08 38	0.20 442	0.08 144	0.13 281	0.18 400	0.15 126	0.17 235	0.10 157	0.12 194	0.05 2	0.06 45	0.09 39	0.08 17	0.07 272	0.05 209	0.07 227	0.05 131	0.05 119	0.04 49

rvit_stereo_0080	0.10 172	0.08 268	0.14 295	0.15 84	0.09 267	0.07 33	0.15 249	0.16 156	0.16 212	0.11 190	0.10 142	0.14 274	0.08 165	0.12 222	0.10 140	0.09 395	0.07 416	0.07 227	0.06 212	0.07 292	0.05 144

testlalala2	0.10 172	0.06 74	0.11 177	0.20 442	0.10 370	0.10 147	0.12 74	0.17 192	0.12 103	0.12 228	0.13 208	0.09 150	0.07 125	0.11 130	0.13 311	0.06 129	0.05 209	0.05 34	0.04 46	0.05 119	0.05 144

H2IRNET	0.10 172	0.09 344	0.09 86	0.18 323	0.09 267	0.12 237	0.15 249	0.14 94	0.21 317	0.10 157	0.10 142	0.10 184	0.10 234	0.10 80	0.10 140	0.05 35	0.04 24	0.08 312	0.08 371	0.06 222	0.05 144

Former-RAFT_DAM_RVC	0.10 172	0.08 268	0.12 213	0.16 164	0.08 144	0.15 340	0.16 317	0.18 223	0.18 262	0.10 157	0.09 111	0.09 150	0.08 165	0.11 130	0.12 269	0.07 272	0.05 209	0.08 312	0.06 212	0.07 292	0.06 232

MyStereo07	0.10 172	0.07 167	0.10 131	0.17 240	0.09 267	0.14 313	0.18 400	0.15 126	0.15 183	0.09 122	0.06 14	0.06 22	0.07 125	0.12 222	0.09 61	0.06 129	0.05 209	0.08 312	0.07 303	0.06 222	0.06 232

MyStereo06	0.10 172	0.07 167	0.12 213	0.17 240	0.09 267	0.13 281	0.18 400	0.19 247	0.12 103	0.12 228	0.08 88	0.07 78	0.07 125	0.11 130	0.09 61	0.06 129	0.05 209	0.07 227	0.07 303	0.06 222	0.06 232

AE-Stereo	0.10 172	0.08 268	0.10 131	0.18 323	0.09 267	0.10 147	0.15 249	0.14 94	0.19 278	0.09 122	0.14 222	0.12 229	0.08 165	0.11 130	0.10 140	0.05 35	0.06 341	0.07 227	0.06 212	0.05 119	0.04 49

ACVNet-DCA	0.10 172	0.08 268	0.12 213	0.17 240	0.09 267	0.13 281	0.15 249	0.23 327	0.16 212	0.09 122	0.09 111	0.06 22	0.06 45	0.10 80	0.07 1	0.06 129	0.04 24	0.06 125	0.05 131	0.07 292	0.07 315

cc1	0.10 172	0.08 268	0.12 213	0.17 240	0.09 267	0.13 281	0.15 249	0.16 156	0.18 262	0.09 122	0.09 111	0.06 22	0.06 45	0.10 80	0.07 1	0.06 129	0.04 24	0.06 125	0.05 131	0.06 222	0.06 232

tt1	0.10 172	0.08 268	0.12 213	0.17 240	0.09 267	0.12 237	0.16 317	0.15 126	0.19 278	0.09 122	0.08 88	0.06 22	0.06 45	0.10 80	0.07 1	0.06 129	0.04 24	0.06 125	0.05 131	0.06 222	0.06 232

whm_eth	0.10 172	0.08 268	0.14 295	0.15 84	0.09 267	0.07 33	0.15 249	0.16 156	0.16 212	0.11 190	0.10 142	0.14 274	0.08 165	0.12 222	0.10 140	0.09 395	0.07 416	0.07 227	0.06 212	0.07 292	0.05 144

plain	0.10 172	0.08 268	0.10 131	0.19 384	0.09 267	0.10 147	0.15 249	0.14 94	0.13 138	0.13 255	0.15 239	0.09 150	0.12 292	0.13 268	0.12 269	0.07 272	0.05 209	0.09 396	0.06 212	0.06 222	0.06 232

testlalala_base	0.10 172	0.09 344	0.14 295	0.21 473	0.08 144	0.10 147	0.14 177	0.13 73	0.10 45	0.07 46	0.15 239	0.07 78	0.08 165	0.10 80	0.12 269	0.08 336	0.05 209	0.05 34	0.03 1	0.06 222	0.05 144

Any-RAFT	0.10 172	0.05 25	0.09 86	0.14 41	0.07 84	0.13 281	0.14 177	0.21 284	0.15 183	0.11 190	0.12 194	0.12 229	0.09 198	0.12 222	0.09 61	0.07 272	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

LL-Strereo2	0.10 172	0.10 405	0.15 347	0.18 323	0.08 144	0.15 340	0.09 18	0.17 192	0.14 163	0.14 277	0.10 142	0.09 150	0.07 125	0.16 352	0.10 140	0.05 35	0.05 209	0.10 444	0.07 303	0.06 222	0.05 144

DCANet-4	0.10 172	0.06 74	0.12 213	0.16 164	0.06 16	0.09 95	0.17 355	0.18 223	0.19 278	0.13 255	0.16 253	0.09 150	0.14 355	0.11 130	0.12 269	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

fff	0.10 172	0.06 74	0.12 213	0.15 84	0.07 84	0.09 95	0.17 355	0.16 156	0.20 302	0.13 255	0.16 253	0.10 184	0.11 259	0.11 130	0.12 269	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

ADStereo(finetuned)	0.10 172	0.06 74	0.12 213	0.16 164	0.06 16	0.09 95	0.17 355	0.15 126	0.19 278	0.13 255	0.17 275	0.10 184	0.12 292	0.11 130	0.12 269	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

test_4	0.10 172	0.10 405	0.08 38	0.19 384	0.09 267	0.08 59	0.22 488	0.15 126	0.17 235	0.12 228	0.18 300	0.12 229	0.09 198	0.08 18	0.11 213	0.04 11	0.04 24	0.08 312	0.08 371	0.04 21	0.03 2

IPLG	0.10 172	0.07 167	0.15 347	0.17 240	0.08 144	0.11 194	0.14 177	0.20 260	0.15 183	0.12 228	0.17 275	0.07 78	0.07 125	0.14 296	0.13 311	0.06 129	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

test_3	0.10 172	0.09 344	0.10 131	0.20 442	0.08 144	0.13 281	0.26 535	0.14 94	0.21 317	0.10 157	0.10 142	0.09 150	0.09 198	0.08 18	0.11 213	0.05 35	0.04 24	0.08 312	0.07 303	0.04 21	0.04 49

STrans-v2	0.10 172	0.07 167	0.12 213	0.18 323	0.07 84	0.10 147	0.14 177	0.21 284	0.11 73	0.11 190	0.15 239	0.12 229	0.10 234	0.11 130	0.12 269	0.05 35	0.04 24	0.06 125	0.06 212	0.04 21	0.04 49

TransformOpticalFlow	0.10 172	0.08 268	0.13 260	0.18 323	0.07 84	0.09 95	0.15 249	0.19 247	0.15 183	0.12 228	0.17 275	0.11 210	0.11 259	0.11 130	0.10 140	0.05 35	0.04 24	0.06 125	0.06 212	0.05 119	0.05 144

SST-Stereo	0.10 172	0.07 167	0.15 347	0.18 323	0.09 267	0.06 11	0.12 74	0.17 192	0.11 73	0.15 304	0.17 275	0.13 254	0.12 292	0.10 80	0.11 213	0.06 129	0.04 24	0.09 396	0.06 212	0.06 222	0.05 144

cross-raft	0.10 172	0.09 344	0.09 86	0.19 384	0.07 84	0.11 194	0.25 526	0.13 73	0.15 183	0.08 83	0.11 180	0.12 229	0.10 234	0.09 39	0.11 213	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

test-1	0.10 172	0.07 167	0.16 381	0.19 384	0.08 144	0.11 194	0.24 511	0.14 94	0.18 262	0.09 122	0.07 46	0.09 150	0.08 165	0.07 4	0.09 61	0.06 129	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

iRaftStereo_RVC	0.10 172	0.07 167	0.09 86	0.17 240	0.09 267	0.11 194	0.17 355	0.18 223	0.12 103	0.09 122	0.12 194	0.10 184	0.07 125	0.11 130	0.10 140	0.05 35	0.04 24	0.08 312	0.08 371	0.04 21	0.04 49

RALCasStereoNet	0.10 172	0.06 74	0.09 86	0.16 164	0.08 144	0.12 237	0.14 177	0.17 192	0.11 73	0.12 228	0.17 275	0.14 274	0.10 234	0.12 222	0.11 213	0.07 272	0.06 341	0.06 125	0.05 131	0.08 355	0.07 315

DCANet	0.10 172	0.06 74	0.12 213	0.16 164	0.06 16	0.09 95	0.17 355	0.15 126	0.19 278	0.13 255	0.17 275	0.10 184	0.11 259	0.11 130	0.12 269	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

csc	0.10 172	0.06 74	0.12 213	0.15 84	0.07 84	0.09 95	0.17 355	0.16 156	0.20 302	0.13 255	0.16 253	0.10 184	0.11 259	0.11 130	0.12 269	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

cscssc	0.10 172	0.06 74	0.12 213	0.15 84	0.07 84	0.09 95	0.17 355	0.16 156	0.20 302	0.13 255	0.16 253	0.10 184	0.11 259	0.11 130	0.12 269	0.06 129	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

111	0.10 172	0.06 74	0.12 213	0.15 84	0.07 84	0.10 147	0.14 177	0.21 284	0.23 342	0.11 190	0.12 194	0.14 274	0.11 259	0.13 268	0.10 140	0.06 129	0.04 24	0.06 125	0.04 46	0.05 119	0.05 144

R-Stereo Train	0.10 172	0.06 74	0.10 131	0.17 240	0.08 144	0.11 194	0.14 177	0.23 327	0.11 73	0.12 228	0.19 309	0.11 210	0.08 165	0.09 39	0.11 213	0.07 272	0.05 209	0.06 125	0.05 131	0.05 119	0.05 144

RAFT-Stereo	0.10 172	0.06 74	0.10 131	0.17 240	0.08 144	0.11 194	0.14 177	0.23 327	0.11 73	0.12 228	0.19 309	0.11 210	0.08 165	0.09 39	0.11 213	0.07 272	0.05 209	0.06 125	0.05 131	0.05 119	0.05 144
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 172	0.06 74	0.12 213	0.14 41	0.06 16	0.11 194	0.10 31	0.18 223	0.18 262	0.13 255	0.16 253	0.14 274	0.11 259	0.15 318	0.13 311	0.06 129	0.04 24	0.04 1	0.04 46	0.06 222	0.05 144
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
Select-FE	0.11 216	0.06 74	0.20 457	0.15 84	0.11 422	0.11 194	0.13 122	0.21 284	0.18 262	0.09 122	0.11 180	0.10 184	0.06 45	0.12 222	0.09 61	0.07 272	0.05 209	0.07 227	0.08 371	0.06 222	0.08 379

FlowAnything_test	0.11 216	0.08 268	0.14 295	0.15 84	0.09 267	0.07 33	0.14 177	0.20 260	0.11 73	0.09 122	0.09 111	0.12 229	0.12 292	0.13 268	0.11 213	0.09 395	0.06 341	0.09 396	0.09 420	0.06 222	0.09 424

xyz-stereo-finetune2	0.11 216	0.07 167	0.13 260	0.13 14	0.07 84	0.11 194	0.19 440	0.17 192	0.12 103	0.15 304	0.15 239	0.17 337	0.12 292	0.13 268	0.11 213	0.05 35	0.04 24	0.07 227	0.05 131	0.04 21	0.06 232

xyz-stereo-finetune	0.11 216	0.08 268	0.13 260	0.14 41	0.06 16	0.10 147	0.19 440	0.17 192	0.19 278	0.12 228	0.14 222	0.15 303	0.10 234	0.13 268	0.11 213	0.05 35	0.04 24	0.07 227	0.05 131	0.04 21	0.05 144

HI	0.11 216	0.06 74	0.11 177	0.13 14	0.09 267	0.09 95	0.14 177	0.21 284	0.10 45	0.19 394	0.17 275	0.14 274	0.09 198	0.16 352	0.08 17	0.05 35	0.04 24	0.07 227	0.08 371	0.07 292	0.06 232

CoSv	0.11 216	0.06 74	0.11 177	0.13 14	0.09 267	0.09 95	0.14 177	0.21 284	0.10 45	0.19 394	0.17 275	0.14 274	0.09 198	0.16 352	0.08 17	0.05 35	0.04 24	0.07 227	0.08 371	0.07 292	0.06 232

rvit_stereo_0081_aga	0.11 216	0.09 344	0.14 295	0.18 323	0.09 267	0.13 281	0.14 177	0.14 94	0.19 278	0.10 157	0.18 300	0.16 317	0.09 198	0.12 222	0.09 61	0.10 436	0.06 341	0.08 312	0.07 303	0.07 292	0.06 232

rvit_stereo_0081	0.11 216	0.08 268	0.15 347	0.16 164	0.09 267	0.10 147	0.14 177	0.14 94	0.24 358	0.11 190	0.13 208	0.13 254	0.09 198	0.11 130	0.12 269	0.10 436	0.07 416	0.08 312	0.07 303	0.07 292	0.05 144

rvit_stereo_0082	0.11 216	0.08 268	0.15 347	0.16 164	0.09 267	0.10 147	0.14 177	0.14 94	0.24 358	0.11 190	0.13 208	0.13 254	0.09 198	0.11 130	0.12 269	0.10 436	0.07 416	0.08 312	0.07 303	0.07 292	0.05 144

AIO-Stereo-zeroshot1	0.11 216	0.05 25	0.14 295	0.15 84	0.20 553	0.09 95	0.17 355	0.21 284	0.15 183	0.11 190	0.14 222	0.10 184	0.07 125	0.10 80	0.08 17	0.06 129	0.05 209	0.07 227	0.07 303	0.07 292	0.09 424

AIO-Stereo-zeroshot	0.11 216	0.05 25	0.11 177	0.15 84	0.13 478	0.13 281	0.16 317	0.23 327	0.17 235	0.10 157	0.12 194	0.10 184	0.07 125	0.11 130	0.09 61	0.06 129	0.05 209	0.06 125	0.06 212	0.07 292	0.08 379

CAS++	0.11 216	0.07 167	0.11 177	0.14 41	0.09 267	0.12 237	0.14 177	0.24 350	0.14 163	0.11 190	0.09 111	0.11 210	0.07 125	0.14 296	0.09 61	0.11 465	0.09 471	0.09 396	0.07 303	0.07 292	0.08 379
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 216	0.08 268	0.12 213	0.17 240	0.09 267	0.13 281	0.15 249	0.16 156	0.18 262	0.09 122	0.09 111	0.16 317	0.16 399	0.10 80	0.07 1	0.06 129	0.04 24	0.08 312	0.08 371	0.07 292	0.07 315

1test111	0.11 216	0.08 268	0.12 213	0.17 240	0.09 267	0.13 281	0.15 249	0.23 327	0.16 212	0.09 122	0.09 111	0.06 22	0.06 45	0.15 318	0.16 395	0.06 129	0.04 24	0.06 125	0.05 131	0.07 292	0.07 315

MIF-Stereo (partial)	0.11 216	0.06 74	0.10 131	0.19 384	0.10 370	0.10 147	0.11 54	0.17 192	0.18 262	0.14 277	0.16 253	0.09 150	0.11 259	0.12 222	0.12 269	0.08 336	0.05 209	0.08 312	0.07 303	0.06 222	0.07 315

EKT-Stereo	0.11 216	0.07 167	0.14 295	0.15 84	0.10 370	0.13 281	0.14 177	0.18 223	0.21 317	0.11 190	0.08 88	0.12 229	0.09 198	0.11 130	0.12 269	0.08 336	0.06 341	0.07 227	0.06 212	0.08 355	0.07 315

anonymousdsp2	0.11 216	0.07 167	0.10 131	0.16 164	0.09 267	0.13 281	0.14 177	0.18 223	0.22 332	0.13 255	0.14 222	0.12 229	0.09 198	0.14 296	0.11 213	0.05 35	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

DCRE	0.11 216	0.07 167	0.13 260	0.16 164	0.11 422	0.11 194	0.17 355	0.18 223	0.17 235	0.11 190	0.18 300	0.10 184	0.10 234	0.15 318	0.11 213	0.06 129	0.05 209	0.06 125	0.06 212	0.05 119	0.04 49

knoymous	0.11 216	0.05 25	0.12 213	0.13 14	0.07 84	0.15 340	0.14 177	0.19 247	0.13 138	0.11 190	0.17 275	0.13 254	0.09 198	0.13 268	0.11 213	0.08 336	0.05 209	0.06 125	0.05 131	0.08 355	0.07 315

riskmin	0.11 216	0.06 74	0.13 260	0.14 41	0.08 144	0.14 313	0.14 177	0.18 223	0.14 163	0.11 190	0.14 222	0.16 317	0.11 259	0.14 296	0.12 269	0.09 395	0.05 209	0.07 227	0.05 131	0.08 355	0.08 379

Selective-RAFT	0.11 216	0.10 405	0.11 177	0.21 473	0.08 144	0.16 370	0.13 122	0.20 260	0.22 332	0.10 157	0.10 142	0.11 210	0.10 234	0.15 318	0.11 213	0.05 35	0.05 209	0.06 125	0.05 131	0.06 222	0.05 144

DisPM	0.11 216	0.07 167	0.12 213	0.16 164	0.09 267	0.06 11	0.13 122	0.17 192	0.17 235	0.14 277	0.20 321	0.12 229	0.10 234	0.11 130	0.10 140	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.11 477

CIPLG	0.11 216	0.08 268	0.14 295	0.17 240	0.08 144	0.12 237	0.15 249	0.17 192	0.15 183	0.14 277	0.11 180	0.16 317	0.09 198	0.16 352	0.11 213	0.07 272	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232

GLC_STEREO	0.11 216	0.07 167	0.11 177	0.17 240	0.07 84	0.09 95	0.13 122	0.15 126	0.24 358	0.12 228	0.13 208	0.12 229	0.08 165	0.18 406	0.11 213	0.06 129	0.08 442	0.08 312	0.06 212	0.05 119	0.05 144

IPLGR_C	0.11 216	0.08 268	0.14 295	0.17 240	0.08 144	0.12 237	0.15 249	0.17 192	0.15 183	0.14 277	0.10 142	0.16 317	0.09 198	0.16 352	0.11 213	0.07 272	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232

MIPNet	0.11 216	0.08 268	0.14 295	0.17 240	0.09 267	0.12 237	0.14 177	0.20 260	0.24 358	0.11 190	0.10 142	0.09 150	0.07 125	0.13 268	0.12 269	0.06 129	0.04 24	0.06 125	0.05 131	0.04 21	0.04 49

IPLGR	0.11 216	0.09 344	0.16 381	0.18 323	0.08 144	0.12 237	0.17 355	0.21 284	0.24 358	0.11 190	0.12 194	0.11 210	0.08 165	0.12 222	0.12 269	0.06 129	0.05 209	0.06 125	0.06 212	0.04 21	0.04 49

GMOStereo	0.11 216	0.09 344	0.07 8	0.19 384	0.08 144	0.12 237	0.28 548	0.13 73	0.17 235	0.11 190	0.17 275	0.14 274	0.12 292	0.07 4	0.07 1	0.05 35	0.05 209	0.09 396	0.07 303	0.04 21	0.04 49

error version	0.11 216	0.09 344	0.07 8	0.19 384	0.08 144	0.12 237	0.28 548	0.13 73	0.17 235	0.11 190	0.17 275	0.14 274	0.12 292	0.07 4	0.07 1	0.05 35	0.05 209	0.09 396	0.07 303	0.04 21	0.04 49

test-v	0.11 216	0.09 344	0.07 8	0.19 384	0.08 144	0.12 237	0.28 548	0.13 73	0.17 235	0.11 190	0.17 275	0.14 274	0.12 292	0.07 4	0.07 1	0.05 35	0.05 209	0.09 396	0.07 303	0.04 21	0.04 49

ACRE	0.11 216	0.08 268	0.14 295	0.17 240	0.08 144	0.12 237	0.15 249	0.17 192	0.14 163	0.14 277	0.10 142	0.16 317	0.09 198	0.16 352	0.11 213	0.07 272	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232

PFNet+	0.11 216	0.06 74	0.13 260	0.16 164	0.09 267	0.05 4	0.12 74	0.17 192	0.21 317	0.16 332	0.19 309	0.14 274	0.10 234	0.11 130	0.11 213	0.08 336	0.05 209	0.09 396	0.08 371	0.06 222	0.11 477

LCNet	0.11 216	0.07 167	0.09 86	0.19 384	0.09 267	0.08 59	0.15 249	0.21 284	0.15 183	0.11 190	0.15 239	0.16 317	0.11 259	0.12 222	0.11 213	0.05 35	0.04 24	0.08 312	0.07 303	0.06 222	0.15 533

HHNet	0.11 216	0.06 74	0.16 381	0.15 84	0.14 498	0.07 33	0.13 122	0.20 260	0.17 235	0.14 277	0.25 402	0.11 210	0.08 165	0.13 268	0.10 140	0.05 35	0.04 24	0.08 312	0.06 212	0.05 119	0.09 424

Patchmatch Stereo++	0.11 216	0.09 344	0.16 381	0.18 323	0.08 144	0.06 11	0.11 54	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 216	0.07 167	0.16 381	0.19 384	0.09 267	0.08 59	0.13 122	0.18 223	0.13 138	0.16 332	0.21 342	0.13 254	0.14 355	0.11 130	0.14 350	0.06 129	0.04 24	0.09 396	0.06 212	0.06 222	0.05 144

OMP-Stereo	0.11 216	0.06 74	0.14 295	0.18 323	0.08 144	0.09 95	0.12 74	0.21 284	0.21 317	0.13 255	0.14 222	0.11 210	0.12 292	0.11 130	0.13 311	0.06 129	0.04 24	0.07 227	0.06 212	0.05 119	0.04 49

IIG-Stereo	0.11 216	0.06 74	0.13 260	0.17 240	0.08 144	0.11 194	0.12 74	0.22 307	0.17 235	0.14 277	0.17 275	0.11 210	0.12 292	0.12 222	0.12 269	0.06 129	0.05 209	0.07 227	0.06 212	0.05 119	0.04 49

NF-Stereo	0.11 216	0.07 167	0.13 260	0.17 240	0.09 267	0.10 147	0.14 177	0.23 327	0.19 278	0.12 228	0.17 275	0.12 229	0.11 259	0.11 130	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.12 490

OCTAStereo	0.11 216	0.07 167	0.13 260	0.17 240	0.09 267	0.10 147	0.14 177	0.23 327	0.19 278	0.12 228	0.17 275	0.12 229	0.11 259	0.11 130	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.12 490

NRIStereo	0.11 216	0.08 268	0.14 295	0.18 323	0.08 144	0.10 147	0.14 177	0.16 156	0.15 183	0.12 228	0.14 222	0.13 254	0.12 292	0.13 268	0.10 140	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.07 315

PSM-adaLoss	0.11 216	0.09 344	0.16 381	0.18 323	0.08 144	0.06 11	0.12 74	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

PSM-AAD	0.11 216	0.07 167	0.10 131	0.19 384	0.09 267	0.10 147	0.15 249	0.20 260	0.13 138	0.12 228	0.14 222	0.18 351	0.11 259	0.11 130	0.10 140	0.05 35	0.05 209	0.09 396	0.08 371	0.06 222	0.14 526

ROB_FTStereo_v2	0.11 216	0.09 344	0.16 381	0.19 384	0.08 144	0.06 11	0.12 74	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

ROB_FTStereo	0.11 216	0.09 344	0.16 381	0.19 384	0.08 144	0.06 11	0.11 54	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

KYRaft	0.11 216	0.07 167	0.10 131	0.19 384	0.09 267	0.08 59	0.15 249	0.22 307	0.12 103	0.13 255	0.16 253	0.20 377	0.10 234	0.12 222	0.10 140	0.05 35	0.04 24	0.08 312	0.08 371	0.06 222	0.16 544

HUI-Stereo	0.11 216	0.09 344	0.16 381	0.18 323	0.08 144	0.06 11	0.12 74	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

ASMatch	0.11 216	0.06 74	0.13 260	0.16 164	0.10 370	0.07 33	0.14 177	0.17 192	0.17 235	0.12 228	0.16 253	0.16 317	0.10 234	0.13 268	0.10 140	0.05 35	0.04 24	0.06 125	0.05 131	0.04 21	0.08 379

RAFT_R40	0.11 216	0.07 167	0.14 295	0.18 323	0.09 267	0.06 11	0.13 122	0.17 192	0.16 212	0.14 277	0.18 300	0.15 303	0.12 292	0.10 80	0.11 213	0.06 129	0.04 24	0.09 396	0.06 212	0.06 222	0.05 144

GrayStereo	0.11 216	0.06 74	0.11 177	0.19 384	0.09 267	0.09 95	0.16 317	0.18 223	0.17 235	0.14 277	0.17 275	0.17 337	0.11 259	0.12 222	0.11 213	0.05 35	0.05 209	0.07 227	0.06 212	0.05 119	0.10 451

RE-Stereo	0.11 216	0.07 167	0.13 260	0.17 240	0.09 267	0.10 147	0.14 177	0.23 327	0.19 278	0.12 228	0.17 275	0.12 229	0.11 259	0.11 130	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.12 490

Pruner-Stereo	0.11 216	0.07 167	0.12 213	0.17 240	0.09 267	0.06 11	0.12 74	0.17 192	0.17 235	0.13 255	0.19 309	0.13 254	0.09 198	0.11 130	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.08 379

TVStereo	0.11 216	0.07 167	0.13 260	0.17 240	0.09 267	0.10 147	0.14 177	0.23 327	0.19 278	0.12 228	0.17 275	0.12 229	0.11 259	0.11 130	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.06 222	0.12 490

DeepStereo_RVC	0.11 216	0.08 268	0.16 381	0.18 323	0.08 144	0.08 59	0.12 74	0.17 192	0.12 103	0.13 255	0.14 222	0.12 229	0.12 292	0.12 222	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.07 292	0.08 379

iGMRVC	0.11 216	0.09 344	0.16 381	0.19 384	0.08 144	0.06 11	0.12 74	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

RAFT-RH_RVC	0.11 216	0.06 74	0.14 295	0.16 164	0.09 267	0.12 237	0.12 74	0.17 192	0.12 103	0.13 255	0.41 532	0.11 210	0.10 234	0.13 268	0.12 269	0.05 35	0.04 24	0.08 312	0.05 131	0.04 21	0.06 232

RAFT-345	0.11 216	0.07 167	0.15 347	0.16 164	0.08 144	0.08 59	0.12 74	0.15 126	0.10 45	0.11 190	0.36 495	0.09 150	0.09 198	0.11 130	0.12 269	0.05 35	0.05 209	0.07 227	0.06 212	0.04 21	0.05 144

iRAFT	0.11 216	0.09 344	0.16 381	0.18 323	0.08 144	0.06 11	0.11 54	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

CRE-IMP	0.11 216	0.09 344	0.16 381	0.19 384	0.08 144	0.10 147	0.12 74	0.18 223	0.10 45	0.14 277	0.13 208	0.13 254	0.12 292	0.12 222	0.11 213	0.07 272	0.04 24	0.08 312	0.06 212	0.08 355	0.08 379

test-2	0.11 216	0.09 344	0.07 8	0.19 384	0.08 144	0.12 237	0.28 548	0.13 73	0.17 235	0.11 190	0.17 275	0.14 274	0.12 292	0.07 4	0.07 1	0.05 35	0.05 209	0.09 396	0.07 303	0.04 21	0.04 49

GMM-Stereo	0.11 216	0.07 167	0.10 131	0.18 323	0.09 267	0.08 59	0.15 249	0.23 327	0.16 212	0.11 190	0.15 239	0.13 254	0.11 259	0.11 130	0.11 213	0.05 35	0.04 24	0.08 312	0.07 303	0.06 222	0.09 424

RAFT-IKP	0.11 216	0.09 344	0.16 381	0.19 384	0.08 144	0.06 11	0.12 74	0.16 156	0.13 138	0.15 304	0.16 253	0.14 274	0.12 292	0.11 130	0.10 140	0.06 129	0.04 24	0.08 312	0.06 212	0.08 355	0.07 315

Prome-Stereo	0.11 216	0.06 74	0.10 131	0.18 323	0.08 144	0.12 237	0.15 249	0.22 307	0.13 138	0.12 228	0.17 275	0.13 254	0.08 165	0.12 222	0.10 140	0.05 35	0.04 24	0.07 227	0.06 212	0.06 222	0.09 424

rafts_anoy	0.11 216	0.06 74	0.10 131	0.17 240	0.08 144	0.10 147	0.14 177	0.17 192	0.14 163	0.13 255	0.13 208	0.12 229	0.10 234	0.11 130	0.12 269	0.07 272	0.04 24	0.09 396	0.11 491	0.07 292	0.06 232

raft+_RVC	0.11 216	0.07 167	0.09 86	0.16 164	0.07 84	0.10 147	0.11 54	0.24 350	0.20 302	0.12 228	0.15 239	0.12 229	0.08 165	0.12 222	0.13 311	0.07 272	0.04 24	0.07 227	0.06 212	0.05 119	0.05 144

RALAANet	0.11 216	0.08 268	0.10 131	0.17 240	0.09 267	0.14 313	0.10 31	0.20 260	0.15 183	0.14 277	0.13 208	0.16 317	0.09 198	0.12 222	0.11 213	0.06 129	0.05 209	0.07 227	0.06 212	0.05 119	0.04 49

DIP-Stereo	0.11 216	0.07 167	0.14 295	0.17 240	0.09 267	0.13 281	0.09 18	0.16 156	0.16 212	0.11 190	0.16 253	0.14 274	0.12 292	0.15 318	0.13 311	0.06 129	0.05 209	0.06 125	0.05 131	0.05 119	0.06 232
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_stereo_0083	0.12 283	0.08 268	0.17 411	0.16 164	0.09 267	0.11 194	0.15 249	0.14 94	0.26 393	0.11 190	0.14 222	0.13 254	0.10 234	0.12 222	0.12 269	0.10 436	0.08 442	0.09 396	0.07 303	0.07 292	0.05 144

rvit_stereo_ft	0.12 283	0.07 167	0.13 260	0.19 384	0.10 370	0.12 237	0.17 355	0.16 156	0.16 212	0.12 228	0.13 208	0.15 303	0.10 234	0.14 296	0.13 311	0.09 395	0.06 341	0.08 312	0.07 303	0.07 292	0.05 144

test_sample2	0.12 283	0.07 167	0.12 213	0.14 41	0.08 144	0.16 370	0.18 400	0.21 284	0.16 212	0.14 277	0.20 321	0.19 365	0.15 373	0.15 318	0.12 269	0.08 336	0.05 209	0.07 227	0.06 212	0.08 355	0.07 315

MyStereo8	0.12 283	0.07 167	0.15 347	0.15 84	0.09 267	0.18 410	0.14 177	0.19 247	0.22 332	0.12 228	0.18 300	0.11 210	0.10 234	0.16 352	0.18 428	0.07 272	0.05 209	0.07 227	0.05 131	0.08 355	0.09 424

CoDeX	0.12 283	0.07 167	0.12 213	0.17 240	0.08 144	0.12 237	0.15 249	0.23 327	0.27 403	0.13 255	0.17 275	0.16 317	0.11 259	0.14 296	0.11 213	0.07 272	0.05 209	0.07 227	0.06 212	0.06 222	0.05 144

11t1	0.12 283	0.06 74	0.13 260	0.14 41	0.08 144	0.17 391	0.15 249	0.18 223	0.15 183	0.15 304	0.15 239	0.16 317	0.16 399	0.15 318	0.13 311	0.08 336	0.05 209	0.06 125	0.05 131	0.08 355	0.07 315

ffm	0.12 283	0.09 344	0.14 295	0.16 164	0.08 144	0.17 391	0.17 355	0.15 126	0.19 278	0.15 304	0.25 402	0.19 365	0.13 330	0.10 80	0.07 1	0.06 129	0.04 24	0.09 396	0.08 371	0.06 222	0.06 232

RAFT_CTSACE	0.12 283	0.09 344	0.10 131	0.22 488	0.08 144	0.12 237	0.24 511	0.18 223	0.16 212	0.20 417	0.27 428	0.13 254	0.07 125	0.13 268	0.09 61	0.05 35	0.06 341	0.08 312	0.07 303	0.04 21	0.04 49

Sa-1000	0.12 283	0.08 268	0.08 38	0.18 323	0.08 144	0.14 313	0.22 488	0.22 307	0.18 262	0.15 304	0.20 321	0.17 337	0.11 259	0.10 80	0.10 140	0.06 129	0.05 209	0.09 396	0.09 420	0.05 119	0.05 144

SA	0.12 283	0.09 344	0.08 38	0.18 323	0.08 144	0.12 237	0.24 511	0.23 327	0.18 262	0.17 348	0.27 428	0.14 274	0.11 259	0.11 130	0.11 213	0.05 35	0.05 209	0.09 396	0.08 371	0.05 119	0.04 49

iRaft-Stereo_5w	0.12 283	0.09 344	0.12 213	0.19 384	0.08 144	0.09 95	0.12 74	0.21 284	0.21 317	0.19 394	0.14 222	0.11 210	0.09 198	0.20 446	0.16 395	0.05 35	0.05 209	0.07 227	0.06 212	0.05 119	0.06 232

CrosDoStereo	0.12 283	0.06 74	0.12 213	0.14 41	0.08 144	0.12 237	0.15 249	0.17 192	0.22 332	0.19 394	0.24 373	0.15 303	0.11 259	0.11 130	0.12 269	0.06 129	0.04 24	0.07 227	0.07 303	0.05 119	0.05 144

PSM-softLoss	0.12 283	0.07 167	0.15 347	0.17 240	0.09 267	0.08 59	0.13 122	0.24 350	0.17 235	0.14 277	0.19 309	0.13 254	0.11 259	0.11 130	0.11 213	0.07 272	0.05 209	0.08 312	0.07 303	0.06 222	0.12 490

KMStereo	0.12 283	0.07 167	0.15 347	0.17 240	0.09 267	0.08 59	0.13 122	0.24 350	0.17 235	0.14 277	0.19 309	0.13 254	0.11 259	0.11 130	0.11 213	0.07 272	0.05 209	0.08 312	0.07 303	0.06 222	0.12 490

FTStereo	0.12 283	0.06 74	0.14 295	0.18 323	0.09 267	0.07 33	0.15 249	0.21 284	0.18 262	0.12 228	0.24 373	0.12 229	0.12 292	0.13 268	0.13 311	0.05 35	0.05 209	0.07 227	0.06 212	0.06 222	0.10 451

DeepStereo_LL	0.12 283	0.06 74	0.12 213	0.14 41	0.08 144	0.12 237	0.15 249	0.17 192	0.22 332	0.19 394	0.24 373	0.15 303	0.11 259	0.11 130	0.12 269	0.06 129	0.04 24	0.07 227	0.07 303	0.05 119	0.05 144

DEmStereo	0.12 283	0.06 74	0.14 295	0.14 41	0.10 370	0.16 370	0.15 249	0.16 156	0.24 358	0.17 348	0.24 373	0.13 254	0.14 355	0.12 222	0.13 311	0.05 35	0.04 24	0.07 227	0.06 212	0.05 119	0.05 144

THIR-Stereo	0.12 283	0.07 167	0.11 177	0.15 84	0.08 144	0.14 313	0.16 317	0.17 192	0.25 379	0.16 332	0.24 373	0.14 274	0.12 292	0.12 222	0.14 350	0.06 129	0.04 24	0.07 227	0.07 303	0.05 119	0.05 144

DRaft	0.12 283	0.06 74	0.11 177	0.14 41	0.09 267	0.14 313	0.17 355	0.21 284	0.30 434	0.17 348	0.28 442	0.10 184	0.15 373	0.10 80	0.12 269	0.05 35	0.04 24	0.07 227	0.06 212	0.05 119	0.05 144

PFNet	0.12 283	0.06 74	0.17 411	0.17 240	0.08 144	0.09 95	0.15 249	0.26 384	0.20 302	0.16 332	0.16 253	0.14 274	0.11 259	0.12 222	0.11 213	0.06 129	0.04 24	0.07 227	0.06 212	0.05 119	0.05 144

IRAFT_RVC	0.12 283	0.08 268	0.16 381	0.19 384	0.08 144	0.07 33	0.15 249	0.24 350	0.23 342	0.14 277	0.14 222	0.15 303	0.12 292	0.12 222	0.10 140	0.06 129	0.04 24	0.09 396	0.06 212	0.06 222	0.06 232

sCroCo_RVC	0.12 283	0.09 344	0.23 481	0.24 518	0.11 422	0.19 433	0.14 177	0.17 192	0.14 163	0.10 157	0.13 208	0.12 229	0.07 125	0.14 296	0.11 213	0.08 336	0.08 442	0.08 312	0.08 371	0.05 119	0.07 315

ARAFT	0.12 283	0.08 268	0.17 411	0.19 384	0.09 267	0.14 313	0.18 400	0.20 260	0.12 103	0.12 228	0.13 208	0.14 274	0.11 259	0.15 318	0.12 269	0.06 129	0.05 209	0.10 444	0.09 420	0.05 119	0.04 49

BEATNet_4x	0.12 283	0.08 268	0.14 295	0.18 323	0.07 84	0.15 340	0.07 3	0.22 307	0.18 262	0.16 332	0.19 309	0.18 351	0.14 355	0.16 352	0.15 379	0.07 272	0.05 209	0.05 34	0.05 131	0.06 222	0.06 232

MLCV	0.12 283	0.07 167	0.16 381	0.18 323	0.06 16	0.15 340	0.17 355	0.19 247	0.21 317	0.18 378	0.25 402	0.17 337	0.13 330	0.14 296	0.13 311	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

WQFJA1	0.13 308	0.09 344	0.10 131	0.20 442	0.10 370	0.11 194	0.15 249	0.26 384	0.39 497	0.10 157	0.15 239	0.11 210	0.11 259	0.11 130	0.13 311	0.07 272	0.06 341	0.08 312	0.08 371	0.06 222	0.06 232

WQFJX1	0.13 308	0.09 344	0.10 131	0.20 442	0.10 370	0.11 194	0.15 249	0.26 384	0.39 497	0.10 157	0.15 239	0.11 210	0.11 259	0.11 130	0.13 311	0.07 272	0.06 341	0.08 312	0.08 371	0.06 222	0.06 232

G2L-ROB	0.13 308	0.06 74	0.13 260	0.13 14	0.08 144	0.14 313	0.16 317	0.25 366	0.18 262	0.19 394	0.18 300	0.20 377	0.14 355	0.17 384	0.16 395	0.08 336	0.05 209	0.06 125	0.05 131	0.08 355	0.09 424

xyz-stereo	0.13 308	0.07 167	0.20 457	0.15 84	0.05 1	0.20 448	0.15 249	0.17 192	0.31 441	0.15 304	0.29 454	0.26 452	0.16 399	0.13 268	0.12 269	0.05 35	0.05 209	0.06 125	0.05 131	0.04 21	0.04 49

DFGA-Net	0.13 308	0.11 431	0.18 434	0.17 240	0.10 370	0.12 237	0.13 122	0.22 307	0.25 379	0.16 332	0.16 253	0.13 254	0.12 292	0.16 352	0.14 350	0.07 272	0.05 209	0.08 312	0.07 303	0.05 119	0.05 144

FACV-RUCA	0.13 308	0.11 431	0.12 213	0.19 384	0.12 455	0.15 340	0.15 249	0.22 307	0.20 302	0.15 304	0.16 253	0.14 274	0.16 399	0.14 296	0.13 311	0.07 272	0.05 209	0.08 312	0.06 212	0.10 450	0.08 379

UGAM	0.13 308	0.10 405	0.09 86	0.22 488	0.08 144	0.12 237	0.20 461	0.17 192	0.23 342	0.21 431	0.16 253	0.13 254	0.13 330	0.19 421	0.12 269	0.07 272	0.05 209	0.13 509	0.11 491	0.07 292	0.05 144

test_sample1	0.13 308	0.07 167	0.14 295	0.13 14	0.08 144	0.19 433	0.16 317	0.20 260	0.15 183	0.14 277	0.22 352	0.18 351	0.16 399	0.17 384	0.14 350	0.07 272	0.06 341	0.06 125	0.06 212	0.08 355	0.07 315

qqq1	0.13 308	0.07 167	0.17 411	0.14 41	0.08 144	0.16 370	0.17 355	0.26 384	0.27 403	0.19 394	0.20 321	0.18 351	0.15 373	0.15 318	0.11 213	0.08 336	0.05 209	0.05 34	0.05 131	0.06 222	0.06 232

fff1	0.13 308	0.07 167	0.17 411	0.14 41	0.08 144	0.16 370	0.17 355	0.26 384	0.27 403	0.19 394	0.20 321	0.18 351	0.15 373	0.15 318	0.11 213	0.08 336	0.05 209	0.05 34	0.05 131	0.06 222	0.06 232

MyStereo05	0.13 308	0.07 167	0.10 131	0.17 240	0.09 267	0.13 281	0.18 400	0.27 407	0.35 476	0.17 348	0.14 222	0.15 303	0.11 259	0.15 318	0.13 311	0.06 129	0.05 209	0.07 227	0.07 303	0.06 222	0.06 232

MyStereo04	0.13 308	0.07 167	0.10 131	0.17 240	0.09 267	0.14 313	0.18 400	0.29 438	0.38 494	0.17 348	0.14 222	0.16 317	0.10 234	0.15 318	0.13 311	0.06 129	0.05 209	0.08 312	0.07 303	0.06 222	0.06 232

ff1	0.13 308	0.09 344	0.14 295	0.16 164	0.08 144	0.17 391	0.17 355	0.15 126	0.19 278	0.15 304	0.25 402	0.19 365	0.13 330	0.14 296	0.20 447	0.06 129	0.04 24	0.09 396	0.08 371	0.06 222	0.06 232

StereoVision	0.13 308	0.12 449	0.09 86	0.24 518	0.10 370	0.15 340	0.21 478	0.21 284	0.20 302	0.12 228	0.24 373	0.10 184	0.10 234	0.16 352	0.10 140	0.09 395	0.11 503	0.12 494	0.12 510	0.06 222	0.05 144

LL-Strereo	0.13 308	0.09 344	0.11 177	0.20 442	0.10 370	0.11 194	0.18 400	0.32 473	0.24 358	0.15 304	0.15 239	0.14 274	0.13 330	0.19 421	0.11 213	0.06 129	0.04 24	0.09 396	0.08 371	0.04 21	0.05 144

CASS	0.13 308	0.12 449	0.11 177	0.23 509	0.09 267	0.15 340	0.17 355	0.18 223	0.19 278	0.17 348	0.18 300	0.15 303	0.15 373	0.14 296	0.14 350	0.09 395	0.06 341	0.10 444	0.08 371	0.09 418	0.07 315
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 308	0.07 167	0.13 260	0.18 323	0.09 267	0.13 281	0.17 355	0.19 247	0.29 424	0.15 304	0.24 373	0.15 303	0.14 355	0.14 296	0.14 350	0.07 272	0.05 209	0.07 227	0.09 420	0.05 119	0.06 232

TestStereo1	0.13 308	0.08 268	0.08 38	0.19 384	0.08 144	0.18 410	0.29 557	0.23 327	0.16 212	0.17 348	0.20 321	0.16 317	0.10 234	0.12 222	0.13 311	0.06 129	0.06 341	0.08 312	0.06 212	0.05 119	0.05 144

qqq	0.13 308	0.09 344	0.15 347	0.16 164	0.08 144	0.13 281	0.15 249	0.23 327	0.16 212	0.15 304	0.19 309	0.16 317	0.16 399	0.15 318	0.16 395	0.07 272	0.06 341	0.08 312	0.08 371	0.07 292	0.07 315

x	0.13 308	0.07 167	0.14 295	0.14 41	0.08 144	0.18 410	0.14 177	0.22 307	0.20 302	0.15 304	0.19 309	0.19 365	0.17 422	0.18 406	0.18 428	0.07 272	0.05 209	0.06 125	0.06 212	0.07 292	0.07 315

raft_robust	0.13 308	0.10 405	0.07 8	0.18 323	0.08 144	0.13 281	0.24 511	0.28 427	0.33 455	0.20 417	0.19 309	0.14 274	0.10 234	0.11 130	0.12 269	0.05 35	0.05 209	0.07 227	0.07 303	0.05 119	0.04 49

RAFT+CT+SA	0.13 308	0.11 431	0.09 86	0.19 384	0.09 267	0.15 340	0.28 548	0.22 307	0.22 332	0.15 304	0.26 419	0.10 184	0.10 234	0.11 130	0.12 269	0.05 35	0.04 24	0.07 227	0.08 371	0.07 292	0.06 232

SA-5K	0.13 308	0.08 268	0.08 38	0.19 384	0.08 144	0.18 410	0.29 557	0.23 327	0.16 212	0.17 348	0.20 321	0.16 317	0.10 234	0.12 222	0.13 311	0.06 129	0.06 341	0.08 312	0.06 212	0.05 119	0.05 144

GwcNet-ADL	0.13 308	0.08 268	0.14 295	0.20 442	0.09 267	0.11 194	0.20 461	0.30 452	0.24 358	0.13 255	0.14 222	0.18 351	0.14 355	0.13 268	0.14 350	0.07 272	0.05 209	0.06 125	0.05 131	0.07 292	0.06 232

GANet-ADL	0.13 308	0.07 167	0.15 347	0.17 240	0.10 370	0.18 410	0.15 249	0.30 452	0.20 302	0.13 255	0.18 300	0.19 365	0.12 292	0.16 352	0.13 311	0.08 336	0.06 341	0.06 125	0.05 131	0.07 292	0.08 379

RAFT	0.13 308	0.09 344	0.11 177	0.18 323	0.08 144	0.15 340	0.24 511	0.20 260	0.19 278	0.21 431	0.21 342	0.17 337	0.12 292	0.16 352	0.09 61	0.06 129	0.07 416	0.10 444	0.09 420	0.05 119	0.05 144

TestStereo	0.13 308	0.14 490	0.11 177	0.23 509	0.08 144	0.15 340	0.21 478	0.20 260	0.23 342	0.14 277	0.24 373	0.16 317	0.12 292	0.16 352	0.14 350	0.05 35	0.06 341	0.08 312	0.06 212	0.09 418	0.05 144

sAnonymous2	0.13 308	0.12 449	0.24 485	0.20 442	0.12 455	0.17 391	0.13 122	0.26 384	0.21 317	0.11 190	0.11 180	0.13 254	0.08 165	0.10 80	0.10 140	0.09 395	0.05 209	0.08 312	0.06 212	0.15 534	0.10 451

CroCo_RVC	0.13 308	0.12 449	0.24 485	0.20 442	0.12 455	0.17 391	0.13 122	0.26 384	0.21 317	0.11 190	0.11 180	0.13 254	0.08 165	0.10 80	0.10 140	0.09 395	0.05 209	0.08 312	0.06 212	0.15 534	0.10 451

RAFT + AFF	0.13 308	0.07 167	0.20 457	0.20 442	0.10 370	0.14 313	0.24 511	0.26 384	0.20 302	0.11 190	0.10 142	0.12 229	0.10 234	0.15 318	0.12 269	0.07 272	0.06 341	0.09 396	0.08 371	0.06 222	0.08 379

GMStereo	0.13 308	0.14 490	0.14 295	0.18 323	0.09 267	0.15 340	0.16 317	0.20 260	0.24 358	0.16 332	0.17 275	0.10 184	0.10 234	0.16 352	0.13 311	0.07 272	0.06 341	0.06 125	0.06 212	0.07 292	0.06 232
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 308	0.07 167	0.14 295	0.17 240	0.09 267	0.15 340	0.16 317	0.28 427	0.27 403	0.14 277	0.17 275	0.12 229	0.13 330	0.14 296	0.11 213	0.08 336	0.05 209	0.07 227	0.07 303	0.07 292	0.06 232

FENet	0.13 308	0.08 268	0.12 213	0.16 164	0.08 144	0.14 313	0.15 249	0.22 307	0.23 342	0.17 348	0.23 361	0.16 317	0.12 292	0.14 296	0.15 379	0.08 336	0.05 209	0.08 312	0.08 371	0.07 292	0.07 315

cf-r	0.13 308	0.07 167	0.12 213	0.16 164	0.08 144	0.14 313	0.19 440	0.20 260	0.25 379	0.17 348	0.25 402	0.21 386	0.16 399	0.14 296	0.14 350	0.10 436	0.05 209	0.06 125	0.08 371	0.06 222	0.06 232

iResNet	0.13 308	0.10 405	0.18 434	0.19 384	0.08 144	0.13 281	0.18 400	0.20 260	0.26 393	0.15 304	0.23 361	0.15 303	0.13 330	0.14 296	0.14 350	0.06 129	0.04 24	0.06 125	0.05 131	0.06 222	0.05 144

DN-CSS_ROB	0.13 308	0.13 478	0.16 381	0.18 323	0.10 370	0.16 370	0.08 7	0.22 307	0.18 262	0.17 348	0.22 352	0.13 254	0.13 330	0.12 222	0.13 311	0.05 35	0.05 209	0.10 444	0.10 459	0.08 355	0.06 232

WQFJX	0.14 344	0.09 344	0.12 213	0.25 529	0.11 422	0.11 194	0.16 317	0.38 537	0.43 520	0.13 255	0.16 253	0.10 184	0.09 198	0.17 384	0.14 350	0.06 129	0.06 341	0.08 312	0.06 212	0.04 21	0.05 144

G2L-Stereo_test	0.14 344	0.07 167	0.11 177	0.13 14	0.08 144	0.12 237	0.16 317	0.30 452	0.28 417	0.20 417	0.23 361	0.20 377	0.16 399	0.17 384	0.18 428	0.07 272	0.05 209	0.05 34	0.05 131	0.07 292	0.06 232

coex_refinement	0.14 344	0.07 167	0.12 213	0.17 240	0.10 370	0.15 340	0.15 249	0.26 384	0.29 424	0.18 378	0.20 321	0.22 404	0.17 422	0.16 352	0.18 428	0.08 336	0.05 209	0.06 125	0.06 212	0.09 418	0.08 379

G2L-Stereo	0.14 344	0.07 167	0.13 260	0.17 240	0.09 267	0.13 281	0.12 74	0.27 407	0.22 332	0.16 332	0.27 428	0.21 386	0.13 330	0.17 384	0.18 428	0.09 395	0.08 442	0.08 312	0.07 303	0.07 292	0.07 315

rvit_0105_6	0.14 344	0.09 344	0.18 434	0.17 240	0.10 370	0.10 147	0.16 317	0.19 247	0.26 393	0.12 228	0.18 300	0.17 337	0.12 292	0.18 406	0.12 269	0.15 531	0.11 503	0.12 494	0.10 459	0.09 418	0.06 232

rvit_0105_5	0.14 344	0.09 344	0.13 260	0.17 240	0.09 267	0.14 313	0.23 499	0.24 350	0.27 403	0.14 277	0.15 239	0.18 351	0.12 292	0.17 384	0.14 350	0.14 527	0.11 503	0.10 444	0.10 459	0.08 355	0.06 232

rvit_0105_4	0.14 344	0.09 344	0.17 411	0.17 240	0.10 370	0.12 237	0.19 440	0.23 327	0.27 403	0.14 277	0.20 321	0.17 337	0.13 330	0.17 384	0.13 311	0.15 531	0.11 503	0.11 475	0.10 459	0.09 418	0.06 232

DCVSM-stereo	0.14 344	0.09 344	0.16 381	0.16 164	0.10 370	0.15 340	0.09 18	0.19 247	0.23 342	0.20 417	0.23 361	0.26 452	0.15 373	0.18 406	0.14 350	0.09 395	0.07 416	0.09 396	0.08 371	0.10 450	0.12 490

test_sample6	0.14 344	0.08 268	0.13 260	0.16 164	0.08 144	0.17 391	0.19 440	0.25 366	0.17 235	0.17 348	0.27 428	0.19 365	0.14 355	0.15 318	0.13 311	0.08 336	0.05 209	0.08 312	0.07 303	0.08 355	0.08 379

test_sample5	0.14 344	0.08 268	0.14 295	0.16 164	0.08 144	0.18 410	0.18 400	0.25 366	0.17 235	0.17 348	0.27 428	0.18 351	0.14 355	0.16 352	0.13 311	0.08 336	0.05 209	0.08 312	0.07 303	0.08 355	0.08 379

test_sample4	0.14 344	0.08 268	0.14 295	0.15 84	0.08 144	0.19 433	0.18 400	0.26 384	0.17 235	0.16 332	0.25 402	0.18 351	0.14 355	0.16 352	0.13 311	0.08 336	0.06 341	0.08 312	0.06 212	0.08 355	0.08 379

test_sample3	0.14 344	0.08 268	0.15 347	0.14 41	0.09 267	0.19 433	0.17 355	0.26 384	0.18 262	0.16 332	0.22 352	0.19 365	0.15 373	0.17 384	0.13 311	0.08 336	0.06 341	0.07 227	0.06 212	0.09 418	0.08 379

DispNO	0.14 344	0.08 268	0.17 411	0.19 384	0.12 455	0.11 194	0.21 478	0.23 327	0.29 424	0.17 348	0.23 361	0.18 351	0.17 422	0.15 318	0.15 379	0.07 272	0.05 209	0.08 312	0.08 371	0.07 292	0.06 232

SMFormer	0.14 344	0.07 167	0.17 411	0.14 41	0.08 144	0.16 370	0.17 355	0.26 384	0.27 403	0.19 394	0.20 321	0.18 351	0.15 373	0.15 318	0.17 410	0.08 336	0.05 209	0.07 227	0.06 212	0.07 292	0.06 232

tta	0.14 344	0.07 167	0.17 411	0.14 41	0.08 144	0.16 370	0.17 355	0.26 384	0.27 403	0.19 394	0.20 321	0.18 351	0.15 373	0.15 318	0.17 410	0.08 336	0.05 209	0.07 227	0.06 212	0.06 222	0.06 232

mmm	0.14 344	0.08 268	0.17 411	0.17 240	0.09 267	0.17 391	0.18 400	0.21 284	0.15 183	0.15 304	0.23 361	0.21 386	0.16 399	0.16 352	0.17 410	0.08 336	0.05 209	0.08 312	0.07 303	0.07 292	0.07 315

DualNet	0.14 344	0.08 268	0.14 295	0.16 164	0.08 144	0.18 410	0.18 400	0.25 366	0.17 235	0.17 348	0.27 428	0.18 351	0.14 355	0.16 352	0.13 311	0.08 336	0.05 209	0.08 312	0.07 303	0.08 355	0.08 379

mmx	0.14 344	0.09 344	0.14 295	0.16 164	0.08 144	0.17 391	0.17 355	0.27 407	0.25 379	0.15 304	0.25 402	0.19 365	0.13 330	0.14 296	0.20 447	0.08 336	0.06 341	0.09 396	0.08 371	0.08 355	0.08 379

ttt	0.14 344	0.08 268	0.14 295	0.15 84	0.08 144	0.15 340	0.18 400	0.27 407	0.29 424	0.16 332	0.24 373	0.17 337	0.13 330	0.13 268	0.14 350	0.11 465	0.08 442	0.09 396	0.08 371	0.09 418	0.08 379

xxx	0.14 344	0.09 344	0.14 295	0.16 164	0.08 144	0.17 391	0.17 355	0.27 407	0.25 379	0.15 304	0.25 402	0.19 365	0.13 330	0.14 296	0.20 447	0.08 336	0.06 341	0.09 396	0.08 371	0.08 355	0.08 379

PCWNet_CMD	0.14 344	0.08 268	0.15 347	0.17 240	0.09 267	0.14 313	0.14 177	0.29 438	0.36 480	0.14 277	0.20 321	0.21 386	0.12 292	0.17 384	0.13 311	0.07 272	0.05 209	0.07 227	0.07 303	0.07 292	0.07 315

CBFPSM	0.14 344	0.06 74	0.26 493	0.17 240	0.09 267	0.13 281	0.15 249	0.22 307	0.23 342	0.20 417	0.27 428	0.24 428	0.16 399	0.16 352	0.18 428	0.06 129	0.06 341	0.06 125	0.07 303	0.07 292	0.07 315

gwcnet-sp	0.14 344	0.07 167	0.12 213	0.18 323	0.09 267	0.16 370	0.17 355	0.24 350	0.24 358	0.18 378	0.24 373	0.15 303	0.16 399	0.15 318	0.15 379	0.08 336	0.06 341	0.07 227	0.08 371	0.08 355	0.07 315

scenet	0.14 344	0.07 167	0.12 213	0.18 323	0.09 267	0.16 370	0.17 355	0.24 350	0.24 358	0.18 378	0.24 373	0.15 303	0.16 399	0.15 318	0.15 379	0.08 336	0.06 341	0.07 227	0.08 371	0.08 355	0.07 315

ssnet	0.14 344	0.07 167	0.12 213	0.18 323	0.09 267	0.16 370	0.17 355	0.24 350	0.24 358	0.18 378	0.24 373	0.15 303	0.16 399	0.15 318	0.15 379	0.08 336	0.06 341	0.07 227	0.08 371	0.08 355	0.07 315

BUS	0.14 344	0.09 344	0.14 295	0.22 488	0.10 370	0.19 433	0.14 177	0.34 501	0.19 278	0.17 348	0.22 352	0.16 317	0.13 330	0.15 318	0.13 311	0.08 336	0.06 341	0.10 444	0.09 420	0.07 292	0.07 315

IER	0.14 344	0.07 167	0.13 260	0.17 240	0.09 267	0.14 313	0.16 317	0.25 366	0.26 393	0.18 378	0.25 402	0.17 337	0.20 464	0.16 352	0.14 350	0.08 336	0.05 209	0.07 227	0.06 212	0.08 355	0.07 315

test_5	0.14 344	0.12 449	0.08 38	0.20 442	0.10 370	0.14 313	0.29 557	0.21 284	0.24 358	0.18 378	0.28 442	0.11 210	0.15 373	0.12 222	0.13 311	0.06 129	0.05 209	0.07 227	0.08 371	0.08 355	0.07 315

psmg	0.14 344	0.09 344	0.14 295	0.17 240	0.10 370	0.15 340	0.17 355	0.29 438	0.19 278	0.17 348	0.21 342	0.25 442	0.16 399	0.15 318	0.14 350	0.08 336	0.06 341	0.08 312	0.08 371	0.07 292	0.06 232

UDGNet	0.14 344	0.13 478	0.16 381	0.17 240	0.10 370	0.12 237	0.16 317	0.21 284	0.27 403	0.20 417	0.20 321	0.16 317	0.13 330	0.16 352	0.13 311	0.10 436	0.06 341	0.09 396	0.07 303	0.06 222	0.07 315

CFNet_pseudo	0.14 344	0.08 268	0.15 347	0.16 164	0.09 267	0.13 281	0.14 177	0.27 407	0.34 467	0.14 277	0.21 342	0.22 404	0.13 330	0.18 406	0.14 350	0.07 272	0.05 209	0.08 312	0.06 212	0.07 292	0.07 315

GES	0.14 344	0.08 268	0.16 381	0.15 84	0.10 370	0.13 281	0.13 122	0.28 427	0.25 379	0.16 332	0.23 361	0.18 351	0.13 330	0.16 352	0.13 311	0.08 336	0.07 416	0.07 227	0.06 212	0.08 355	0.09 424

GANet-RSSM	0.14 344	0.07 167	0.13 260	0.13 14	0.08 144	0.14 313	0.17 355	0.22 307	0.21 317	0.17 348	0.24 373	0.23 422	0.15 373	0.16 352	0.15 379	0.10 436	0.06 341	0.07 227	0.08 371	0.08 355	0.07 315

PSMNet-RSSM	0.14 344	0.07 167	0.13 260	0.15 84	0.08 144	0.13 281	0.16 317	0.24 350	0.24 358	0.16 332	0.28 442	0.22 404	0.14 355	0.15 318	0.13 311	0.11 465	0.06 341	0.09 396	0.12 510	0.08 355	0.07 315

GwcNet-RSSM	0.14 344	0.07 167	0.12 213	0.15 84	0.08 144	0.15 340	0.20 461	0.21 284	0.27 403	0.18 378	0.27 428	0.22 404	0.16 399	0.14 296	0.15 379	0.10 436	0.05 209	0.07 227	0.09 420	0.07 292	0.07 315

CFNet-ft	0.14 344	0.07 167	0.15 347	0.12 5	0.09 267	0.16 370	0.18 400	0.22 307	0.24 358	0.17 348	0.26 419	0.24 428	0.14 355	0.16 352	0.14 350	0.11 465	0.06 341	0.08 312	0.09 420	0.09 418	0.08 379

DMCA	0.14 344	0.09 344	0.16 381	0.19 384	0.09 267	0.15 340	0.17 355	0.23 327	0.27 403	0.14 277	0.19 309	0.17 337	0.18 436	0.15 318	0.17 410	0.10 436	0.06 341	0.08 312	0.06 212	0.09 418	0.10 451

RASNet	0.14 344	0.07 167	0.14 295	0.16 164	0.08 144	0.18 410	0.14 177	0.29 438	0.20 302	0.17 348	0.25 402	0.21 386	0.18 436	0.20 446	0.19 441	0.07 272	0.06 341	0.06 125	0.08 371	0.06 222	0.06 232

MSMDNet	0.14 344	0.08 268	0.15 347	0.17 240	0.09 267	0.14 313	0.14 177	0.29 438	0.36 480	0.14 277	0.21 342	0.21 386	0.12 292	0.17 384	0.14 350	0.07 272	0.05 209	0.07 227	0.07 303	0.07 292	0.07 315

HSM-Net_RVC	0.14 344	0.08 268	0.11 177	0.15 84	0.08 144	0.15 340	0.15 249	0.27 407	0.29 424	0.19 394	0.21 342	0.29 478	0.14 355	0.17 384	0.13 311	0.06 129	0.06 341	0.06 125	0.06 212	0.07 292	0.06 232
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 344	0.07 167	0.15 347	0.12 5	0.09 267	0.16 370	0.18 400	0.22 307	0.24 358	0.17 348	0.26 419	0.24 428	0.14 355	0.16 352	0.14 350	0.11 465	0.06 341	0.08 312	0.09 420	0.09 418	0.08 379

ccs_rob	0.14 344	0.08 268	0.15 347	0.16 164	0.09 267	0.12 237	0.14 177	0.27 407	0.34 467	0.14 277	0.21 342	0.22 404	0.13 330	0.18 406	0.14 350	0.07 272	0.05 209	0.08 312	0.07 303	0.07 292	0.07 315

UCFNet_RVC	0.14 344	0.08 268	0.13 260	0.11 1	0.10 370	0.20 448	0.10 31	0.24 350	0.22 332	0.17 348	0.20 321	0.23 422	0.15 373	0.17 384	0.15 379	0.12 490	0.07 416	0.10 444	0.13 520	0.11 473	0.10 451

iResNetv2_ROB	0.14 344	0.08 268	0.15 347	0.16 164	0.08 144	0.16 370	0.12 74	0.25 366	0.35 476	0.21 431	0.29 454	0.24 428	0.13 330	0.14 296	0.14 350	0.06 129	0.05 209	0.06 125	0.04 46	0.09 418	0.08 379

iResNet_ROB	0.14 344	0.07 167	0.13 260	0.14 41	0.07 84	0.18 410	0.14 177	0.26 384	0.31 441	0.22 447	0.25 402	0.23 422	0.15 373	0.15 318	0.13 311	0.07 272	0.05 209	0.05 34	0.04 46	0.08 355	0.08 379

DDVS	0.15 389	0.10 405	0.21 466	0.16 164	0.12 455	0.15 340	0.14 177	0.25 366	0.19 278	0.18 378	0.29 454	0.27 460	0.12 292	0.19 421	0.15 379	0.09 395	0.06 341	0.09 396	0.07 303	0.11 473	0.11 477

rvit_0105_3	0.15 389	0.09 344	0.14 295	0.19 384	0.12 455	0.15 340	0.25 526	0.25 366	0.29 424	0.15 304	0.17 275	0.20 377	0.13 330	0.17 384	0.14 350	0.13 513	0.11 503	0.12 494	0.14 523	0.07 292	0.06 232

ACV-stereo	0.15 389	0.10 405	0.28 505	0.18 323	0.12 455	0.14 313	0.12 74	0.23 327	0.21 317	0.19 394	0.23 361	0.22 404	0.15 373	0.23 487	0.17 410	0.07 272	0.06 341	0.07 227	0.07 303	0.07 292	0.07 315

ITSA-stereo	0.15 389	0.10 405	0.14 295	0.19 384	0.08 144	0.12 237	0.14 177	0.30 452	0.49 541	0.17 348	0.19 309	0.22 404	0.15 373	0.17 384	0.16 395	0.10 436	0.06 341	0.08 312	0.08 371	0.08 355	0.08 379

test_sample7	0.15 389	0.10 405	0.16 381	0.14 41	0.11 422	0.16 370	0.16 317	0.27 407	0.23 342	0.20 417	0.20 321	0.24 428	0.19 452	0.16 352	0.16 395	0.12 490	0.06 341	0.10 444	0.09 420	0.10 450	0.10 451

1111x	0.15 389	0.08 268	0.12 213	0.18 323	0.07 84	0.18 410	0.25 526	0.31 462	0.24 358	0.17 348	0.24 373	0.26 452	0.15 373	0.13 268	0.23 488	0.07 272	0.07 416	0.08 312	0.09 420	0.07 292	0.06 232

CFNet_ucs	0.15 389	0.08 268	0.16 381	0.16 164	0.11 422	0.14 313	0.14 177	0.30 452	0.34 467	0.16 332	0.24 373	0.23 422	0.14 355	0.18 406	0.15 379	0.09 395	0.06 341	0.08 312	0.07 303	0.09 418	0.09 424

BSDual-CNN	0.15 389	0.09 344	0.14 295	0.22 488	0.10 370	0.14 313	0.15 249	0.34 501	0.19 278	0.17 348	0.22 352	0.25 442	0.16 399	0.15 318	0.14 350	0.08 336	0.06 341	0.10 444	0.09 420	0.07 292	0.07 315

hknet	0.15 389	0.11 431	0.13 260	0.22 488	0.11 422	0.14 313	0.15 249	0.34 501	0.25 379	0.17 348	0.22 352	0.22 404	0.18 436	0.17 384	0.12 269	0.07 272	0.06 341	0.10 444	0.09 420	0.07 292	0.07 315

dd	0.15 389	0.16 508	0.16 381	0.19 384	0.09 267	0.15 340	0.18 400	0.21 284	0.25 379	0.23 459	0.20 321	0.21 386	0.09 198	0.21 463	0.16 395	0.10 436	0.06 341	0.08 312	0.06 212	0.08 355	0.06 232

DAS	0.15 389	0.08 268	0.18 434	0.19 384	0.10 370	0.19 433	0.17 355	0.27 407	0.29 424	0.18 378	0.25 402	0.21 386	0.15 373	0.16 352	0.12 269	0.08 336	0.06 341	0.06 125	0.06 212	0.07 292	0.07 315

SepStereo	0.15 389	0.08 268	0.18 434	0.19 384	0.10 370	0.19 433	0.17 355	0.27 407	0.29 424	0.18 378	0.25 402	0.21 386	0.15 373	0.25 501	0.12 269	0.08 336	0.06 341	0.06 125	0.06 212	0.07 292	0.07 315

PSMNet-ADL	0.15 389	0.12 449	0.13 260	0.22 488	0.09 267	0.13 281	0.20 461	0.26 384	0.23 342	0.18 378	0.20 321	0.24 428	0.16 399	0.18 406	0.17 410	0.08 336	0.08 442	0.08 312	0.11 491	0.08 355	0.07 315

LMCR-Stereo	0.15 389	0.08 268	0.13 260	0.21 473	0.09 267	0.17 391	0.20 461	0.27 407	0.19 278	0.24 468	0.24 373	0.23 422	0.17 422	0.20 446	0.17 410	0.07 272	0.06 341	0.08 312	0.06 212	0.10 450	0.08 379

ICVP	0.15 389	0.09 344	0.12 213	0.22 488	0.09 267	0.17 391	0.21 478	0.25 366	0.23 342	0.18 378	0.30 460	0.26 452	0.18 436	0.17 384	0.14 350	0.09 395	0.07 416	0.08 312	0.07 303	0.07 292	0.07 315
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 389	0.07 167	0.14 295	0.14 41	0.08 144	0.23 486	0.18 400	0.31 462	0.19 278	0.14 277	0.28 442	0.22 404	0.14 355	0.15 318	0.26 522	0.09 395	0.05 209	0.07 227	0.07 303	0.08 355	0.07 315

test_xeample	0.15 389	0.06 74	0.13 260	0.14 41	0.08 144	0.21 465	0.20 461	0.28 427	0.20 302	0.16 332	0.29 454	0.19 365	0.16 399	0.15 318	0.26 522	0.09 395	0.05 209	0.07 227	0.07 303	0.07 292	0.07 315

ACVNet	0.15 389	0.09 344	0.15 347	0.13 14	0.12 455	0.14 313	0.20 461	0.22 307	0.33 455	0.17 348	0.26 419	0.21 386	0.16 399	0.17 384	0.21 467	0.07 272	0.06 341	0.06 125	0.06 212	0.08 355	0.06 232

acv_ft	0.15 389	0.09 344	0.15 347	0.19 384	0.10 370	0.16 370	0.17 355	0.25 366	0.33 455	0.19 394	0.26 419	0.21 386	0.17 422	0.17 384	0.18 428	0.07 272	0.06 341	0.06 125	0.06 212	0.08 355	0.06 232

CFNet	0.15 389	0.10 405	0.17 411	0.17 240	0.08 144	0.18 410	0.09 18	0.28 427	0.25 379	0.19 394	0.24 373	0.24 428	0.17 422	0.17 384	0.14 350	0.08 336	0.06 341	0.09 396	0.10 459	0.07 292	0.06 232

AdaStereo	0.15 389	0.11 431	0.15 347	0.18 323	0.09 267	0.20 448	0.11 54	0.32 473	0.28 417	0.20 417	0.23 361	0.20 377	0.13 330	0.19 421	0.14 350	0.12 490	0.05 209	0.10 444	0.07 303	0.09 418	0.07 315
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.
HSM	0.15 389	0.08 268	0.14 295	0.16 164	0.09 267	0.16 370	0.14 177	0.28 427	0.25 379	0.19 394	0.23 361	0.37 529	0.16 399	0.20 446	0.15 379	0.07 272	0.05 209	0.07 227	0.06 212	0.07 292	0.06 232

pmcnn	0.15 389	0.07 167	0.19 445	0.15 84	0.07 84	0.20 448	0.15 249	0.24 350	0.26 393	0.21 431	0.34 488	0.28 470	0.18 436	0.18 406	0.17 410	0.07 272	0.05 209	0.05 34	0.04 46	0.07 292	0.06 232

DualNet (step1)	0.16 412	0.12 449	0.20 457	0.12 5	0.14 498	0.17 391	0.13 122	0.27 407	0.23 342	0.20 417	0.20 321	0.24 428	0.19 452	0.16 352	0.16 395	0.15 531	0.06 341	0.14 521	0.14 523	0.14 519	0.12 490

GMStereo_Zeroshot	0.16 412	0.13 478	0.24 485	0.20 442	0.10 370	0.17 391	0.13 122	0.29 438	0.25 379	0.23 459	0.32 472	0.25 442	0.11 259	0.19 421	0.14 350	0.09 395	0.06 341	0.11 475	0.06 212	0.12 488	0.08 379

iinet-f	0.16 412	0.06 74	0.45 548	0.14 41	0.10 370	0.21 465	0.14 177	0.27 407	0.23 342	0.21 431	0.24 373	0.21 386	0.15 373	0.18 406	0.21 467	0.09 395	0.07 416	0.07 227	0.06 212	0.09 418	0.10 451

CRFU-Net	0.16 412	0.08 268	0.14 295	0.17 240	0.09 267	0.19 433	0.14 177	0.26 384	0.20 302	0.28 508	0.27 428	0.29 478	0.17 422	0.19 421	0.17 410	0.09 395	0.09 471	0.07 227	0.07 303	0.08 355	0.08 379

NINENet	0.16 412	0.10 405	0.15 347	0.17 240	0.11 422	0.19 433	0.14 177	0.40 546	0.36 480	0.18 378	0.21 342	0.16 317	0.13 330	0.15 318	0.13 311	0.08 336	0.08 442	0.10 444	0.07 303	0.10 450	0.09 424

CSP-Net	0.16 412	0.09 344	0.14 295	0.16 164	0.09 267	0.19 433	0.17 355	0.25 366	0.32 448	0.25 481	0.30 460	0.24 428	0.15 373	0.21 463	0.18 428	0.09 395	0.06 341	0.07 227	0.07 303	0.08 355	0.07 315

AASNet	0.16 412	0.08 268	0.12 213	0.19 384	0.09 267	0.18 410	0.15 249	0.37 529	0.37 487	0.19 394	0.23 361	0.20 377	0.16 399	0.17 384	0.20 447	0.10 436	0.08 442	0.08 312	0.07 303	0.09 418	0.09 424

AACVNet	0.16 412	0.08 268	0.14 295	0.15 84	0.10 370	0.18 410	0.15 249	0.23 327	0.24 358	0.27 493	0.27 428	0.28 470	0.17 422	0.19 421	0.16 395	0.09 395	0.07 416	0.09 396	0.07 303	0.10 450	0.09 424

ADLNet2	0.16 412	0.09 344	0.13 260	0.16 164	0.09 267	0.20 448	0.16 317	0.31 462	0.39 497	0.16 332	0.20 321	0.20 377	0.18 436	0.21 463	0.22 476	0.08 336	0.06 341	0.07 227	0.07 303	0.09 418	0.07 315

Anonymous3	0.16 412	0.13 478	0.33 524	0.26 535	0.14 498	0.27 522	0.17 355	0.28 427	0.28 417	0.15 304	0.17 275	0.14 274	0.10 234	0.15 318	0.12 269	0.08 336	0.08 442	0.08 312	0.08 371	0.08 355	0.11 477

ADLNet	0.16 412	0.08 268	0.15 347	0.16 164	0.10 370	0.16 370	0.17 355	0.32 473	0.27 403	0.22 447	0.27 428	0.24 428	0.16 399	0.18 406	0.21 467	0.10 436	0.06 341	0.10 444	0.10 459	0.08 355	0.09 424

HCRNet	0.16 412	0.24 551	0.12 213	0.35 567	0.11 422	0.15 340	0.17 355	0.26 384	0.22 332	0.19 394	0.24 373	0.21 386	0.14 355	0.15 318	0.13 311	0.11 465	0.07 416	0.11 475	0.10 459	0.09 418	0.07 315

222	0.16 412	0.07 167	0.14 295	0.14 41	0.08 144	0.24 491	0.18 400	0.30 452	0.20 302	0.17 348	0.28 442	0.17 337	0.16 399	0.15 318	0.40 572	0.10 436	0.05 209	0.07 227	0.06 212	0.07 292	0.08 379

UPFNet	0.16 412	0.08 268	0.12 213	0.20 442	0.12 455	0.20 448	0.23 499	0.28 427	0.26 393	0.17 348	0.24 373	0.22 404	0.19 452	0.19 421	0.21 467	0.09 395	0.07 416	0.08 312	0.09 420	0.08 355	0.06 232

ac_64	0.16 412	0.08 268	0.15 347	0.18 323	0.10 370	0.22 473	0.18 400	0.24 350	0.21 317	0.18 378	0.24 373	0.29 478	0.18 436	0.19 421	0.22 476	0.09 395	0.07 416	0.08 312	0.09 420	0.07 292	0.06 232

DSFCA	0.16 412	0.09 344	0.14 295	0.16 164	0.10 370	0.20 448	0.19 440	0.28 427	0.31 441	0.23 459	0.24 373	0.22 404	0.15 373	0.19 421	0.20 447	0.10 436	0.07 416	0.09 396	0.09 420	0.08 355	0.08 379

FADNet-RVC-Resample	0.16 412	0.11 431	0.31 518	0.22 488	0.11 422	0.19 433	0.14 177	0.25 366	0.24 358	0.24 468	0.27 428	0.20 377	0.15 373	0.16 352	0.15 379	0.07 272	0.08 442	0.12 494	0.10 459	0.09 418	0.10 451

FADNet_RVC	0.16 412	0.14 490	0.40 541	0.20 442	0.11 422	0.13 281	0.13 122	0.26 384	0.22 332	0.21 431	0.23 361	0.20 377	0.17 422	0.14 296	0.16 395	0.08 336	0.08 442	0.12 494	0.09 420	0.11 473	0.10 451

AANet_RVC	0.16 412	0.10 405	0.10 131	0.18 323	0.09 267	0.18 410	0.19 440	0.26 384	0.31 441	0.22 447	0.35 492	0.21 386	0.21 468	0.22 476	0.16 395	0.06 129	0.05 209	0.06 125	0.06 212	0.07 292	0.06 232

DeepPruner_ROB	0.16 412	0.11 431	0.15 347	0.17 240	0.10 370	0.17 391	0.15 249	0.32 473	0.21 317	0.19 394	0.21 342	0.22 404	0.18 436	0.20 446	0.15 379	0.13 513	0.09 471	0.09 396	0.09 420	0.11 473	0.10 451

z-ln-s-r	0.17 432	0.10 405	0.40 541	0.19 384	0.08 144	0.17 391	0.18 400	0.22 307	0.33 455	0.18 378	0.40 521	0.22 404	0.17 422	0.20 446	0.23 488	0.07 272	0.05 209	0.07 227	0.07 303	0.07 292	0.05 144

rvit_stereo_0075_2	0.17 432	0.12 449	0.25 490	0.23 509	0.16 526	0.13 281	0.10 31	0.30 452	0.27 403	0.20 417	0.28 442	0.22 404	0.15 373	0.18 406	0.13 311	0.16 547	0.10 491	0.17 541	0.10 459	0.10 450	0.09 424

ToySt	0.17 432	0.11 431	0.18 434	0.17 240	0.11 422	0.16 370	0.25 526	0.24 350	0.33 455	0.19 394	0.24 373	0.26 452	0.24 491	0.19 421	0.20 447	0.07 272	0.08 442	0.09 396	0.10 459	0.09 418	0.08 379

ssnet_v2	0.17 432	0.10 405	0.17 411	0.17 240	0.11 422	0.21 465	0.21 478	0.33 492	0.25 379	0.22 447	0.22 352	0.27 460	0.18 436	0.22 476	0.20 447	0.11 465	0.09 471	0.09 396	0.09 420	0.08 355	0.08 379

dad	0.17 432	0.20 537	0.20 457	0.16 164	0.11 422	0.20 448	0.18 400	0.21 284	0.28 417	0.30 520	0.24 373	0.29 478	0.13 330	0.19 421	0.16 395	0.18 553	0.09 471	0.11 475	0.09 420	0.11 473	0.07 315

GEStereo_RVC	0.17 432	0.12 449	0.15 347	0.22 488	0.11 422	0.19 433	0.17 355	0.32 473	0.48 535	0.20 417	0.25 402	0.17 337	0.13 330	0.21 463	0.16 395	0.10 436	0.06 341	0.08 312	0.07 303	0.09 418	0.08 379

MMNet	0.17 432	0.09 344	0.16 381	0.20 442	0.11 422	0.27 522	0.20 461	0.25 366	0.41 508	0.22 447	0.30 460	0.21 386	0.20 464	0.17 384	0.20 447	0.06 129	0.06 341	0.07 227	0.07 303	0.08 355	0.07 315

delet	0.17 432	0.08 268	0.17 411	0.19 384	0.11 422	0.20 448	0.21 478	0.30 452	0.37 487	0.17 348	0.26 419	0.19 365	0.19 452	0.19 421	0.21 467	0.08 336	0.08 442	0.09 396	0.11 491	0.06 222	0.06 232

UNet	0.17 432	0.09 344	0.18 434	0.19 384	0.12 455	0.27 522	0.19 440	0.33 492	0.29 424	0.21 431	0.24 373	0.23 422	0.19 452	0.19 421	0.18 428	0.07 272	0.06 341	0.08 312	0.07 303	0.08 355	0.06 232

HGLStereo	0.17 432	0.08 268	0.19 445	0.17 240	0.12 455	0.18 410	0.18 400	0.31 462	0.32 448	0.21 431	0.32 472	0.25 442	0.18 436	0.19 421	0.20 447	0.09 395	0.09 471	0.07 227	0.07 303	0.09 418	0.10 451

DMCA-RVC	0.17 432	0.10 405	0.15 347	0.24 518	0.11 422	0.18 410	0.18 400	0.25 366	0.24 358	0.21 431	0.26 419	0.25 442	0.27 514	0.18 406	0.20 447	0.12 490	0.08 442	0.13 509	0.10 459	0.10 450	0.08 379

TDLM	0.17 432	0.12 449	0.13 260	0.24 518	0.10 370	0.18 410	0.18 400	0.36 523	0.30 434	0.21 431	0.28 442	0.28 470	0.18 436	0.23 487	0.18 428	0.11 465	0.07 416	0.10 444	0.10 459	0.08 355	0.08 379

NLCA_NET_v2_RVC	0.17 432	0.10 405	0.22 472	0.20 442	0.10 370	0.15 340	0.18 400	0.31 462	0.25 379	0.21 431	0.30 460	0.25 442	0.17 422	0.21 463	0.20 447	0.09 395	0.06 341	0.08 312	0.08 371	0.07 292	0.08 379
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 432	0.12 449	0.15 347	0.20 442	0.09 267	0.18 410	0.18 400	0.26 384	0.23 342	0.26 487	0.40 521	0.22 404	0.17 422	0.21 463	0.20 447	0.08 336	0.05 209	0.09 396	0.10 459	0.07 292	0.07 315
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 446	0.08 268	0.19 445	0.19 384	0.13 478	0.15 340	0.12 74	0.30 452	0.32 448	0.21 431	0.25 402	0.27 460	0.17 422	0.17 384	0.20 447	0.20 560	0.08 442	0.14 521	0.14 523	0.14 519	0.17 552

test_sample9	0.18 446	0.12 449	0.20 457	0.12 5	0.14 498	0.17 391	0.13 122	0.27 407	0.23 342	0.20 417	0.20 321	0.24 428	0.19 452	0.19 421	0.17 410	0.15 531	0.30 579	0.14 521	0.14 523	0.14 519	0.12 490

fast-acv-ft	0.18 446	0.11 431	0.19 445	0.19 384	0.12 455	0.24 491	0.21 478	0.25 366	0.34 467	0.22 447	0.34 488	0.27 460	0.20 464	0.21 463	0.23 488	0.09 395	0.09 471	0.08 312	0.10 459	0.08 355	0.07 315

HBP-ISP	0.18 446	0.13 478	0.16 381	0.15 84	0.11 422	0.08 59	0.13 122	0.28 427	0.29 424	0.22 447	0.33 484	0.21 386	0.25 500	0.23 487	0.17 410	0.14 527	0.16 548	0.21 555	0.17 549	0.10 450	0.08 379

Wz-Net-LNSev-Ref	0.18 446	0.09 344	0.29 513	0.15 84	0.10 370	0.22 473	0.20 461	0.26 384	0.39 497	0.25 481	0.42 538	0.24 428	0.15 373	0.20 446	0.19 441	0.07 272	0.05 209	0.06 125	0.05 131	0.10 450	0.09 424

SACVNet	0.18 446	0.12 449	0.14 295	0.17 240	0.13 478	0.22 473	0.18 400	0.31 462	0.30 434	0.23 459	0.31 468	0.30 487	0.22 477	0.22 476	0.17 410	0.11 465	0.08 442	0.10 444	0.10 459	0.12 488	0.14 526

psm_up	0.18 446	0.10 405	0.18 434	0.20 442	0.11 422	0.17 391	0.19 440	0.37 529	0.34 467	0.21 431	0.28 442	0.29 478	0.24 491	0.20 446	0.22 476	0.09 395	0.10 491	0.11 475	0.11 491	0.08 355	0.08 379

hitnet-ft	0.18 446	0.09 344	0.17 411	0.14 41	0.09 267	0.26 512	0.20 461	0.25 366	0.26 393	0.24 468	0.32 472	0.31 500	0.22 477	0.24 496	0.21 467	0.12 490	0.07 416	0.10 444	0.08 371	0.12 488	0.11 477

STTStereo	0.18 446	0.12 449	0.27 500	0.20 442	0.11 422	0.16 370	0.21 478	0.29 438	0.23 342	0.21 431	0.30 460	0.29 478	0.18 436	0.20 446	0.19 441	0.12 490	0.11 503	0.11 475	0.14 523	0.09 418	0.08 379

CVANet_RVC	0.18 446	0.10 405	0.14 295	0.21 473	0.10 370	0.18 410	0.17 355	0.34 501	0.33 455	0.22 447	0.31 468	0.28 470	0.18 436	0.23 487	0.17 410	0.12 490	0.08 442	0.12 494	0.11 491	0.09 418	0.07 315

StereoDRNet	0.18 446	0.11 431	0.17 411	0.22 488	0.11 422	0.21 465	0.22 488	0.37 529	0.33 455	0.24 468	0.28 442	0.30 487	0.19 452	0.20 446	0.20 447	0.09 395	0.08 442	0.11 475	0.09 420	0.09 418	0.07 315

DLCB_ROB	0.18 446	0.10 405	0.15 347	0.23 509	0.11 422	0.24 491	0.18 400	0.29 438	0.28 417	0.27 493	0.28 442	0.28 470	0.24 491	0.19 421	0.20 447	0.08 336	0.08 442	0.09 396	0.09 420	0.07 292	0.07 315

TCMNet	0.19 458	0.12 449	0.19 445	0.20 442	0.18 547	0.20 448	0.24 511	0.27 407	0.36 480	0.23 459	0.26 419	0.25 442	0.19 452	0.19 421	0.23 488	0.13 513	0.11 503	0.11 475	0.12 510	0.13 506	0.12 490

rvit_105_1	0.19 458	0.11 431	0.25 490	0.21 473	0.16 526	0.21 465	0.27 542	0.31 462	0.41 508	0.19 394	0.20 321	0.22 404	0.17 422	0.19 421	0.17 410	0.12 490	0.12 517	0.13 509	0.15 538	0.08 355	0.07 315

test_sample8	0.19 458	0.12 449	0.20 457	0.12 5	0.14 498	0.17 391	0.13 122	0.31 462	0.21 317	0.27 493	0.22 352	0.36 524	0.25 500	0.19 421	0.17 410	0.15 531	0.30 579	0.14 521	0.14 523	0.14 519	0.12 490

SDNR	0.19 458	0.08 268	0.19 445	0.16 164	0.12 455	0.77 594	0.14 177	0.25 366	0.32 448	0.19 394	0.24 373	0.19 365	0.13 330	0.19 421	0.15 379	0.16 547	0.18 555	0.14 521	0.11 491	0.08 355	0.11 477

pcwnet_v2	0.19 458	0.10 405	0.26 493	0.17 240	0.14 498	0.18 410	0.15 249	0.37 529	0.46 533	0.19 394	0.24 373	0.21 386	0.19 452	0.20 446	0.19 441	0.13 513	0.10 491	0.10 444	0.10 459	0.11 473	0.13 509

ADCRef	0.19 458	0.12 449	0.41 544	0.20 442	0.12 455	0.22 473	0.18 400	0.32 473	0.36 480	0.26 487	0.32 472	0.17 337	0.23 485	0.24 496	0.24 501	0.07 272	0.06 341	0.09 396	0.09 420	0.08 355	0.08 379

NVstereo2D	0.19 458	0.10 405	0.15 347	0.17 240	0.15 516	0.28 529	0.23 499	0.44 563	0.42 515	0.15 304	0.27 428	0.25 442	0.19 452	0.22 476	0.17 410	0.09 395	0.06 341	0.10 444	0.08 371	0.15 534	0.09 424

DRN-Test	0.19 458	0.11 431	0.20 457	0.22 488	0.10 370	0.22 473	0.22 488	0.39 542	0.37 487	0.24 468	0.32 472	0.26 452	0.21 468	0.22 476	0.24 501	0.11 465	0.07 416	0.11 475	0.10 459	0.09 418	0.07 315

DISCO	0.19 458	0.09 344	0.22 472	0.17 240	0.10 370	0.25 502	0.18 400	0.27 407	0.44 526	0.22 447	0.31 468	0.33 512	0.26 506	0.28 518	0.28 537	0.08 336	0.06 341	0.07 227	0.07 303	0.09 418	0.09 424

CBMV_ROB	0.19 458	0.13 478	0.17 411	0.16 164	0.11 422	0.15 340	0.13 122	0.26 384	0.28 417	0.27 493	0.30 460	0.27 460	0.24 491	0.23 487	0.16 395	0.15 531	0.17 553	0.22 559	0.20 555	0.10 450	0.11 477

NOSS_ROB	0.19 458	0.12 449	0.18 434	0.16 164	0.12 455	0.15 340	0.12 74	0.30 452	0.32 448	0.20 417	0.22 352	0.27 460	0.23 485	0.21 463	0.16 395	0.16 547	0.18 555	0.23 560	0.21 557	0.12 488	0.13 509

CBMV	0.19 458	0.14 490	0.17 411	0.18 323	0.10 370	0.20 448	0.11 54	0.29 438	0.30 434	0.29 516	0.30 460	0.30 487	0.23 485	0.27 506	0.19 441	0.13 513	0.15 545	0.17 541	0.16 542	0.10 450	0.10 451
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 470	0.14 490	0.37 537	0.22 488	0.12 455	0.20 448	0.21 478	0.28 427	0.37 487	0.25 481	0.37 501	0.27 460	0.22 477	0.21 463	0.23 488	0.08 336	0.08 442	0.09 396	0.09 420	0.10 450	0.09 424

YMNet	0.20 470	0.12 449	0.19 445	0.20 442	0.14 498	0.26 512	0.23 499	0.32 473	0.34 467	0.27 493	0.34 488	0.30 487	0.18 436	0.18 406	0.22 476	0.10 436	0.13 530	0.10 444	0.10 459	0.08 355	0.09 424

YMNet_1	0.20 470	0.12 449	0.19 445	0.20 442	0.14 498	0.26 512	0.23 499	0.32 473	0.34 467	0.27 493	0.34 488	0.30 487	0.18 436	0.18 406	0.22 476	0.10 436	0.13 530	0.10 444	0.10 459	0.08 355	0.09 424

GwcNet	0.20 470	0.13 478	0.19 445	0.18 323	0.12 455	0.24 491	0.19 440	0.35 516	0.43 520	0.20 417	0.32 472	0.33 512	0.20 464	0.22 476	0.24 501	0.11 465	0.09 471	0.09 396	0.09 420	0.09 418	0.10 451

FAT-Stereo	0.20 470	0.12 449	0.22 472	0.21 473	0.12 455	0.17 391	0.18 400	0.34 501	0.39 497	0.27 493	0.37 501	0.34 518	0.32 544	0.21 463	0.20 447	0.09 395	0.11 503	0.10 444	0.09 420	0.11 473	0.14 526

FADNet-RVC	0.20 470	0.20 537	0.38 538	0.21 473	0.16 526	0.20 448	0.15 249	0.26 384	0.26 393	0.26 487	0.32 472	0.26 452	0.21 468	0.22 476	0.19 441	0.12 490	0.13 530	0.12 494	0.14 523	0.13 506	0.18 555

S-Stereo	0.20 470	0.12 449	0.25 490	0.21 473	0.13 478	0.20 448	0.18 400	0.32 473	0.43 520	0.23 459	0.36 495	0.28 470	0.30 536	0.19 421	0.22 476	0.09 395	0.12 517	0.10 444	0.10 459	0.13 506	0.13 509

SuperB	0.20 470	0.10 405	0.56 564	0.16 164	0.09 267	0.18 410	0.18 400	0.24 350	0.50 544	0.26 487	0.39 515	0.17 337	0.21 468	0.22 476	0.21 467	0.08 336	0.06 341	0.06 125	0.06 212	0.12 488	0.10 451

ADCP+	0.20 470	0.10 405	0.33 524	0.20 442	0.12 455	0.22 473	0.26 535	0.31 462	0.34 467	0.26 487	0.37 501	0.22 404	0.22 477	0.27 506	0.27 530	0.09 395	0.06 341	0.08 312	0.08 371	0.09 418	0.10 451

PS-NSSS	0.20 470	0.21 543	0.23 481	0.20 442	0.10 370	0.19 433	0.17 355	0.36 523	0.25 379	0.27 493	0.33 484	0.27 460	0.24 491	0.20 446	0.20 447	0.15 531	0.12 517	0.17 541	0.14 523	0.10 450	0.08 379

PWCDC_ROB	0.20 470	0.13 478	0.22 472	0.24 518	0.11 422	0.19 433	0.15 249	0.33 492	0.54 553	0.29 516	0.50 553	0.21 386	0.15 373	0.27 506	0.20 447	0.11 465	0.09 471	0.10 444	0.08 371	0.11 473	0.09 424

SGM-Forest	0.20 470	0.14 490	0.18 434	0.19 384	0.13 478	0.20 448	0.22 488	0.33 492	0.30 434	0.24 468	0.29 454	0.28 470	0.19 452	0.23 487	0.17 410	0.15 531	0.16 548	0.15 533	0.14 523	0.12 488	0.12 490
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 482	0.17 519	0.19 445	0.23 509	0.15 516	0.30 536	0.20 461	0.33 492	0.35 476	0.23 459	0.28 442	0.31 500	0.27 514	0.20 446	0.22 476	0.15 531	0.12 517	0.13 509	0.09 420	0.14 519	0.14 526

FINET	0.21 482	0.18 530	0.26 493	0.18 323	0.16 526	0.23 486	0.23 499	0.32 473	0.48 535	0.25 481	0.32 472	0.22 404	0.22 477	0.22 476	0.17 410	0.18 553	0.16 548	0.11 475	0.10 459	0.15 534	0.13 509

Syn2CoEx	0.21 482	0.16 508	0.27 500	0.29 558	0.14 498	0.26 512	0.20 461	0.33 492	0.31 441	0.28 508	0.36 495	0.27 460	0.25 500	0.19 421	0.24 501	0.16 547	0.12 517	0.14 521	0.11 491	0.09 418	0.08 379

FADNet	0.21 482	0.22 547	0.36 533	0.18 323	0.17 541	0.24 491	0.13 122	0.31 462	0.31 441	0.23 459	0.25 402	0.27 460	0.21 468	0.19 421	0.15 379	0.13 513	0.15 545	0.12 494	0.15 538	0.16 541	0.18 555

RP	0.21 482	0.13 478	0.21 466	0.23 509	0.11 422	0.21 465	0.20 461	0.25 366	0.44 526	0.21 431	0.38 507	0.36 524	0.24 491	0.27 506	0.25 511	0.11 465	0.12 517	0.13 509	0.12 510	0.12 488	0.14 526

DANet	0.21 482	0.15 500	0.28 505	0.25 529	0.13 478	0.22 473	0.19 440	0.27 407	0.27 403	0.28 508	0.32 472	0.35 522	0.31 540	0.31 528	0.23 488	0.11 465	0.09 471	0.11 475	0.10 459	0.13 506	0.11 477
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 482	0.12 449	0.21 466	0.24 518	0.13 478	0.22 473	0.22 488	0.41 552	0.26 393	0.31 526	0.42 538	0.37 529	0.28 524	0.23 487	0.22 476	0.10 436	0.12 517	0.10 444	0.09 420	0.10 450	0.08 379

PWC_ROB	0.21 482	0.16 508	0.26 493	0.18 323	0.11 422	0.22 473	0.13 122	0.32 473	0.49 541	0.30 520	0.40 521	0.32 509	0.24 491	0.31 528	0.22 476	0.10 436	0.07 416	0.11 475	0.08 371	0.11 473	0.10 451

PSMNet_ROB	0.21 482	0.11 431	0.15 347	0.27 547	0.15 516	0.24 491	0.35 574	0.43 561	0.37 487	0.27 493	0.32 472	0.32 509	0.22 477	0.21 463	0.26 522	0.12 490	0.08 442	0.13 509	0.11 491	0.09 418	0.09 424

MSAF-DinoV2	0.22 491	0.11 431	0.23 481	0.17 240	0.10 370	0.27 522	0.16 317	0.37 529	0.55 554	0.21 431	0.27 428	0.47 562	0.27 514	0.35 547	0.39 569	0.09 395	0.06 341	0.07 227	0.09 420	0.12 488	0.10 451

GASNet	0.22 491	0.23 548	0.33 524	0.26 535	0.17 541	0.26 512	0.16 317	0.44 563	0.42 515	0.27 493	0.24 373	0.30 487	0.15 373	0.27 506	0.18 428	0.12 490	0.08 442	0.12 494	0.11 491	0.16 541	0.07 315

Anonymous_2	0.22 491	0.17 519	0.28 505	0.15 84	0.16 526	0.32 538	0.22 488	0.22 307	0.17 235	0.23 459	0.24 373	0.26 452	0.27 514	0.27 506	0.23 488	0.22 569	0.25 575	0.17 541	0.17 549	0.17 548	0.17 552

Wz-Net-LNSev	0.22 491	0.16 508	0.38 538	0.21 473	0.13 478	0.25 502	0.23 499	0.32 473	0.43 520	0.30 520	0.41 532	0.31 500	0.18 436	0.22 476	0.25 511	0.10 436	0.09 471	0.08 312	0.08 371	0.12 488	0.11 477

Wz-Net-MNSev	0.22 491	0.13 478	0.31 518	0.20 442	0.14 498	0.36 556	0.24 511	0.33 492	0.44 526	0.28 508	0.40 521	0.38 533	0.19 452	0.24 496	0.25 511	0.09 395	0.07 416	0.09 396	0.09 420	0.12 488	0.10 451

DDUNet	0.22 491	0.17 519	0.21 466	0.22 488	0.15 516	0.25 502	0.24 511	0.29 438	0.30 434	0.31 526	0.36 495	0.33 512	0.25 500	0.24 496	0.20 447	0.18 553	0.13 530	0.17 541	0.11 491	0.16 541	0.16 544

APVNet	0.22 491	0.12 449	0.19 445	0.18 323	0.14 498	0.32 538	0.31 570	0.39 542	0.32 448	0.27 493	0.40 521	0.30 487	0.29 532	0.26 503	0.25 511	0.11 465	0.12 517	0.11 475	0.14 523	0.12 488	0.12 490

aanetorigin	0.22 491	0.17 519	0.56 564	0.17 240	0.10 370	0.15 340	0.19 440	0.20 260	0.33 455	0.49 568	0.48 548	0.29 478	0.27 514	0.20 446	0.23 488	0.08 336	0.07 416	0.08 312	0.07 303	0.10 450	0.09 424

MaskLacGwcNet_RVC	0.22 491	0.21 543	0.24 485	0.26 535	0.11 422	0.23 486	0.14 177	0.39 542	0.24 358	0.32 532	0.36 495	0.30 487	0.21 468	0.19 421	0.21 467	0.17 552	0.14 539	0.21 555	0.16 542	0.12 488	0.12 490

AF-Net	0.22 491	0.17 519	0.17 411	0.26 535	0.13 478	0.25 502	0.24 511	0.32 473	0.50 544	0.25 481	0.33 484	0.38 533	0.26 506	0.28 518	0.25 511	0.11 465	0.10 491	0.16 539	0.11 491	0.11 473	0.10 451

stereogan	0.22 491	0.11 431	0.21 466	0.20 442	0.12 455	0.31 537	0.19 440	0.35 516	0.44 526	0.22 447	0.39 515	0.35 522	0.27 514	0.33 538	0.22 476	0.10 436	0.12 517	0.10 444	0.10 459	0.14 519	0.13 509

edge stereo	0.22 491	0.13 478	0.20 457	0.21 473	0.13 478	0.23 486	0.16 317	0.32 473	0.42 515	0.32 532	0.40 521	0.38 533	0.35 551	0.25 501	0.24 501	0.13 513	0.11 503	0.14 521	0.11 491	0.12 488	0.13 509

RYNet	0.22 491	0.12 449	0.22 472	0.19 384	0.17 541	0.46 565	0.26 535	0.38 537	0.48 535	0.24 468	0.28 442	0.34 518	0.23 485	0.20 446	0.30 545	0.10 436	0.06 341	0.09 396	0.09 420	0.13 506	0.15 533

NaN_ROB	0.22 491	0.19 533	0.24 485	0.25 529	0.13 478	0.29 533	0.26 535	0.33 492	0.41 508	0.31 526	0.31 468	0.32 509	0.23 485	0.30 527	0.21 467	0.11 465	0.17 553	0.10 444	0.10 459	0.08 355	0.09 424

MDST_ROB	0.22 491	0.10 405	0.17 411	0.18 323	0.11 422	0.37 557	0.19 440	0.43 561	0.41 508	0.39 549	0.39 515	0.29 478	0.21 468	0.26 503	0.18 428	0.11 465	0.10 491	0.14 521	0.11 491	0.10 450	0.08 379

XPNet_ROB	0.22 491	0.11 431	0.19 445	0.22 488	0.13 478	0.22 473	0.19 440	0.34 501	0.40 505	0.30 520	0.39 515	0.39 541	0.26 506	0.26 503	0.28 537	0.15 531	0.10 491	0.10 444	0.10 459	0.13 506	0.12 490

SQANet	0.23 507	0.23 548	0.30 516	0.30 560	0.19 550	0.27 522	0.13 122	0.29 438	0.33 455	0.24 468	0.37 501	0.31 500	0.22 477	0.27 506	0.23 488	0.15 531	0.10 491	0.21 555	0.16 542	0.21 556	0.15 533

Nwc_Net	0.23 507	0.16 508	0.21 466	0.25 529	0.14 498	0.24 491	0.26 535	0.37 529	0.38 494	0.22 447	0.41 532	0.30 487	0.28 524	0.28 518	0.25 511	0.11 465	0.10 491	0.17 541	0.20 555	0.10 450	0.10 451

RTSC	0.23 507	0.12 449	0.28 505	0.21 473	0.13 478	0.28 529	0.16 317	0.35 516	0.66 577	0.27 493	0.33 484	0.30 487	0.21 468	0.31 528	0.29 540	0.10 436	0.08 442	0.09 396	0.10 459	0.13 506	0.13 509

PA-Net	0.23 507	0.18 530	0.33 524	0.28 550	0.22 559	0.21 465	0.38 579	0.29 438	0.39 497	0.22 447	0.32 472	0.25 442	0.26 506	0.20 446	0.25 511	0.09 395	0.23 573	0.15 533	0.22 560	0.09 418	0.13 509
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 507	0.15 500	0.17 411	0.34 565	0.18 547	0.24 491	0.23 499	0.34 501	0.28 417	0.31 526	0.38 507	0.38 533	0.28 524	0.23 487	0.24 501	0.15 531	0.12 517	0.18 550	0.21 557	0.13 506	0.13 509

ETE_ROB	0.23 507	0.17 519	0.22 472	0.25 529	0.13 478	0.26 512	0.29 557	0.31 462	0.36 480	0.28 508	0.36 495	0.45 555	0.26 506	0.27 506	0.26 522	0.11 465	0.08 442	0.12 494	0.09 420	0.14 519	0.13 509

SGM_RVC	0.23 507	0.12 449	0.15 347	0.15 84	0.09 267	0.33 544	0.18 400	0.34 501	0.31 441	0.44 563	0.37 501	0.53 570	0.35 551	0.35 547	0.24 501	0.13 513	0.13 530	0.13 509	0.13 520	0.10 450	0.11 477
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
z-mn7	0.24 514	0.14 490	0.45 548	0.19 384	0.13 478	0.28 529	0.25 526	0.34 501	0.62 569	0.27 493	0.56 564	0.29 478	0.24 491	0.32 535	0.25 511	0.08 336	0.08 442	0.08 312	0.08 371	0.10 450	0.10 451

w-ln-seven	0.24 514	0.14 490	0.55 561	0.19 384	0.14 498	0.26 512	0.22 488	0.35 516	0.60 566	0.29 516	0.39 515	0.30 487	0.22 477	0.21 463	0.26 522	0.09 395	0.09 471	0.11 475	0.10 459	0.11 473	0.10 451

DGSMNet	0.24 514	0.19 533	0.33 524	0.21 473	0.24 564	0.24 491	0.20 461	0.35 516	0.41 508	0.24 468	0.32 472	0.38 533	0.21 468	0.29 524	0.23 488	0.12 490	0.11 503	0.14 521	0.16 542	0.23 560	0.23 566

G-Net	0.24 514	0.16 508	0.36 533	0.22 488	0.16 526	0.51 571	0.23 499	0.29 438	0.34 467	0.36 542	0.38 507	0.31 500	0.29 532	0.27 506	0.26 522	0.11 465	0.09 471	0.12 494	0.09 420	0.16 541	0.13 509

NCC-stereo	0.24 514	0.15 500	0.31 518	0.26 535	0.16 526	0.20 448	0.30 564	0.40 546	0.40 505	0.24 468	0.38 507	0.33 512	0.28 524	0.36 553	0.27 530	0.12 490	0.11 503	0.15 533	0.22 560	0.13 506	0.13 509

Abc-Net	0.24 514	0.15 500	0.31 518	0.26 535	0.16 526	0.20 448	0.30 564	0.40 546	0.40 505	0.24 468	0.38 507	0.33 512	0.28 524	0.36 553	0.27 530	0.12 490	0.11 503	0.15 533	0.22 560	0.13 506	0.13 509
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 514	0.11 431	0.47 553	0.22 488	0.12 455	0.34 547	0.29 557	0.29 438	0.56 557	0.24 468	0.46 545	0.30 487	0.30 536	0.29 524	0.29 540	0.08 336	0.07 416	0.09 396	0.09 420	0.10 450	0.10 451

DeepPrunerF	0.24 514	0.17 519	0.42 546	0.26 535	0.16 526	0.22 473	0.28 548	0.37 529	0.50 544	0.26 487	0.29 454	0.24 428	0.28 524	0.21 463	0.22 476	0.15 531	0.11 503	0.20 554	0.18 553	0.12 488	0.13 509

FBW_ROB	0.24 514	0.17 519	0.22 472	0.26 535	0.14 498	0.25 502	0.22 488	0.41 552	0.41 508	0.41 556	0.41 532	0.42 548	0.27 514	0.31 528	0.23 488	0.09 395	0.14 539	0.14 521	0.12 510	0.11 473	0.09 424

SANet	0.24 514	0.14 490	0.28 505	0.21 473	0.11 422	0.27 522	0.24 511	0.38 537	0.64 573	0.36 542	0.40 521	0.43 551	0.26 506	0.27 506	0.24 501	0.12 490	0.09 471	0.10 444	0.09 420	0.13 506	0.11 477

WCMA_ROB	0.24 514	0.11 431	0.22 472	0.17 240	0.14 498	0.32 538	0.15 249	0.32 473	0.32 448	0.38 547	0.53 555	0.40 545	0.34 549	0.34 541	0.25 511	0.11 465	0.12 517	0.12 494	0.10 459	0.14 519	0.14 526

zh-sn7	0.25 525	0.17 519	0.50 555	0.24 518	0.13 478	0.25 502	0.24 511	0.34 501	0.48 535	0.28 508	0.54 557	0.28 470	0.31 540	0.36 553	0.32 553	0.10 436	0.10 491	0.11 475	0.10 459	0.12 488	0.12 490

zh-mn7	0.25 525	0.14 490	0.56 564	0.19 384	0.14 498	0.24 491	0.22 488	0.34 501	0.62 569	0.35 539	0.65 572	0.31 500	0.25 500	0.31 528	0.25 511	0.09 395	0.08 442	0.09 396	0.09 420	0.09 418	0.11 477

Wz-Net-SNSev	0.25 525	0.17 519	0.44 547	0.25 529	0.14 498	0.26 512	0.23 499	0.38 537	0.56 557	0.30 520	0.55 559	0.39 541	0.26 506	0.23 487	0.30 545	0.10 436	0.09 471	0.09 396	0.10 459	0.11 473	0.11 477

psmorigin	0.25 525	0.15 500	0.34 532	0.17 240	0.13 478	0.23 486	0.14 177	0.34 501	0.33 455	0.41 556	0.55 559	0.41 547	0.37 555	0.34 541	0.27 530	0.11 465	0.15 545	0.11 475	0.11 491	0.12 488	0.16 544

RGC	0.25 525	0.20 537	0.29 513	0.28 550	0.16 526	0.22 473	0.23 499	0.32 473	0.44 526	0.27 493	0.40 521	0.38 533	0.27 514	0.36 553	0.22 476	0.11 465	0.13 530	0.17 541	0.17 549	0.14 519	0.16 544

ADCMid	0.25 525	0.15 500	0.40 541	0.20 442	0.14 498	0.25 502	0.26 535	0.34 501	0.38 494	0.36 542	0.44 543	0.34 518	0.40 561	0.35 547	0.33 557	0.10 436	0.09 471	0.11 475	0.11 491	0.13 506	0.12 490

ADCPNet	0.25 525	0.16 508	0.61 570	0.21 473	0.15 516	0.35 555	0.25 526	0.32 473	0.35 476	0.30 520	0.40 521	0.36 524	0.28 524	0.28 518	0.32 553	0.12 490	0.10 491	0.11 475	0.12 510	0.14 519	0.13 509

LALA_ROB	0.25 525	0.16 508	0.22 472	0.26 535	0.17 541	0.27 522	0.27 542	0.42 557	0.37 487	0.33 536	0.38 507	0.51 566	0.26 506	0.28 518	0.27 530	0.16 547	0.09 471	0.12 494	0.11 491	0.13 506	0.12 490

SHD	0.26 533	0.15 500	0.30 516	0.24 518	0.18 547	0.22 473	0.15 249	0.38 537	0.71 581	0.32 532	0.41 532	0.36 524	0.28 524	0.32 535	0.29 540	0.12 490	0.11 503	0.14 521	0.13 520	0.16 541	0.20 561

AnyNet_C32	0.26 533	0.16 508	0.36 533	0.20 442	0.16 526	0.25 502	0.30 564	0.32 473	0.44 526	0.31 526	0.49 549	0.30 487	0.33 545	0.40 568	0.33 557	0.12 490	0.12 517	0.12 494	0.14 523	0.14 519	0.15 533

PSMNet-RUCA	0.27 535	0.33 570	0.41 544	0.36 569	0.32 577	0.18 410	0.19 440	0.42 557	0.30 434	0.33 536	0.41 532	0.39 541	0.25 500	0.31 528	0.20 447	0.18 553	0.10 491	0.25 562	0.15 538	0.21 556	0.16 544

PDISCO_ROB	0.27 535	0.16 508	0.26 493	0.28 550	0.20 553	0.32 538	0.26 535	0.44 563	0.57 559	0.28 508	0.40 521	0.45 555	0.29 532	0.33 538	0.34 559	0.12 490	0.09 471	0.17 541	0.16 542	0.17 548	0.13 509

DispFullNet	0.27 535	0.21 543	0.65 573	0.28 550	0.16 526	0.26 512	0.17 355	0.33 492	0.58 562	0.27 493	0.38 507	0.43 551	0.23 485	0.38 560	0.23 488	0.12 490	0.06 341	0.19 552	0.11 491	0.21 556	0.15 533

MeshStereo	0.27 535	0.13 478	0.18 434	0.15 84	0.11 422	0.32 538	0.24 511	0.40 546	0.36 480	0.52 570	0.57 567	0.67 581	0.40 561	0.35 547	0.26 522	0.14 527	0.13 530	0.13 509	0.11 491	0.11 473	0.10 451
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
WZ-Net	0.28 539	0.17 519	0.78 589	0.22 488	0.16 526	0.34 547	0.29 557	0.39 542	0.57 559	0.24 468	0.55 559	0.37 529	0.24 491	0.33 538	0.35 560	0.09 395	0.08 442	0.09 396	0.10 459	0.14 519	0.16 544

XQC	0.28 539	0.23 548	0.51 556	0.28 550	0.19 550	0.34 547	0.27 542	0.36 523	0.57 559	0.31 526	0.30 460	0.37 529	0.30 536	0.38 560	0.38 567	0.13 513	0.09 471	0.15 533	0.12 510	0.17 548	0.18 555

CC-Net-ROB	0.28 539	0.31 568	0.36 533	0.29 558	0.15 516	0.25 502	0.19 440	0.45 566	0.33 455	0.39 549	0.37 501	0.39 541	0.31 540	0.27 506	0.26 522	0.24 575	0.19 558	0.30 576	0.23 564	0.18 551	0.15 533

DPSNet	0.28 539	0.16 508	0.31 518	0.18 323	0.13 478	0.54 573	0.42 583	0.51 576	0.67 578	0.29 516	0.38 507	0.38 533	0.29 532	0.31 528	0.23 488	0.11 465	0.10 491	0.11 475	0.08 371	0.20 555	0.16 544

MultiAttention	0.29 543	0.08 268	0.14 295	0.19 384	0.12 455	1.45 609	1.33 611	0.36 523	0.37 487	0.19 394	0.21 342	0.24 428	0.11 259	0.38 560	0.18 428	0.06 129	0.05 209	0.08 312	0.08 371	0.10 450	0.09 424

Wz-Net-TNSev	0.29 543	0.20 537	0.65 573	0.19 384	0.15 516	0.38 560	0.27 542	0.35 516	0.55 554	0.34 538	0.42 538	0.45 555	0.38 556	0.32 535	0.30 545	0.12 490	0.13 530	0.10 444	0.12 510	0.15 534	0.14 526

ccnet	0.29 543	0.28 563	0.23 481	0.20 442	0.28 571	0.41 564	0.21 478	0.45 566	0.33 455	0.36 542	0.46 545	0.36 524	0.30 536	0.39 564	0.42 576	0.23 573	0.14 539	0.21 555	0.17 549	0.23 560	0.18 555

EDNetEfficient	0.29 543	0.24 551	1.13 598	0.18 323	0.10 370	0.19 433	0.20 461	0.20 260	0.60 566	0.74 588	0.56 564	0.31 500	0.39 558	0.22 476	0.30 545	0.09 395	0.07 416	0.08 312	0.07 303	0.11 473	0.09 424

ADCS	0.29 543	0.18 530	0.45 548	0.21 473	0.17 541	0.28 529	0.23 499	0.41 552	0.63 572	0.40 552	0.49 549	0.40 545	0.36 553	0.39 564	0.40 572	0.13 513	0.12 517	0.13 509	0.14 523	0.16 541	0.16 544

CSAN	0.29 543	0.24 551	0.27 500	0.34 565	0.19 550	0.33 544	0.42 583	0.37 529	0.50 544	0.38 547	0.40 521	0.44 553	0.33 545	0.28 518	0.30 545	0.20 560	0.16 548	0.19 552	0.19 554	0.14 519	0.15 533

MFN_U_SF_DS_RVC	0.30 549	0.24 551	0.29 513	0.36 569	0.16 526	0.34 547	0.30 564	0.32 473	0.42 515	0.40 552	0.46 545	0.38 533	0.31 540	0.34 541	0.28 537	0.19 558	0.20 561	0.26 563	0.29 574	0.18 551	0.19 560

GANetREF_RVC	0.31 550	0.34 571	0.27 500	0.35 567	0.16 526	0.32 538	0.41 580	0.48 570	0.51 551	0.35 539	0.35 492	0.34 518	0.33 545	0.39 564	0.32 553	0.27 577	0.20 561	0.29 574	0.15 538	0.18 551	0.17 552
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
MSMD_ROB	0.31 550	0.26 557	0.26 493	0.24 518	0.21 557	0.34 547	0.25 526	0.34 501	0.39 497	0.40 552	0.69 576	0.45 555	0.40 561	0.34 541	0.27 530	0.20 560	0.19 558	0.26 563	0.25 566	0.23 560	0.22 565

MFN_U_SF_RVC	0.32 552	0.21 543	0.55 561	0.30 560	0.15 516	0.34 547	0.17 355	0.52 577	0.46 533	0.46 567	0.55 559	0.59 573	0.39 558	0.35 547	0.37 565	0.15 531	0.14 539	0.18 550	0.21 557	0.16 541	0.15 533

PASM	0.32 552	0.24 551	0.48 554	0.28 550	0.27 570	0.29 533	0.30 564	0.34 501	0.49 541	0.35 539	0.39 515	0.46 559	0.34 549	0.34 541	0.35 560	0.23 573	0.25 575	0.26 563	0.28 573	0.23 560	0.21 563

SGM-ForestM	0.32 552	0.12 449	0.16 381	0.16 164	0.11 422	0.39 561	0.19 440	0.41 552	0.50 544	0.52 570	0.54 557	1.32 601	0.42 569	0.40 568	0.27 530	0.14 527	0.16 548	0.16 539	0.16 542	0.12 488	0.12 490

FC-DCNN v2	0.33 555	0.27 559	0.28 505	0.26 535	0.23 562	0.37 557	0.28 548	0.40 546	0.43 520	0.45 564	0.56 564	0.51 566	0.40 561	0.37 558	0.29 540	0.21 564	0.20 561	0.27 566	0.26 567	0.25 567	0.24 567

FCDSN-DC	0.33 555	0.28 563	0.28 505	0.30 560	0.24 564	0.39 561	0.28 548	0.42 557	0.42 515	0.43 562	0.53 555	0.51 566	0.41 566	0.36 553	0.30 545	0.21 564	0.20 561	0.27 566	0.26 567	0.25 567	0.24 567
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 555	0.27 559	0.28 505	0.26 535	0.23 562	0.37 557	0.28 548	0.40 546	0.43 520	0.45 564	0.55 559	0.51 566	0.40 561	0.37 558	0.30 545	0.21 564	0.20 561	0.27 566	0.26 567	0.25 567	0.24 567

LSM	0.33 555	0.20 537	0.58 567	0.26 535	0.60 594	0.34 547	0.25 526	0.42 557	0.48 535	0.45 564	0.58 569	0.42 548	0.36 553	0.35 547	0.25 511	0.12 490	0.20 561	0.14 521	0.16 542	0.19 554	0.33 581

AnyNet_C01	0.36 559	0.25 556	1.37 601	0.22 488	0.17 541	0.48 569	0.27 542	0.35 516	0.39 497	0.39 549	0.74 582	0.46 559	0.38 556	0.45 572	0.47 581	0.13 513	0.13 530	0.13 509	0.14 523	0.14 519	0.15 533

GCST	0.37 560	0.42 578	0.26 493	1.02 602	0.39 578	0.18 410	0.08 7	0.20 260	0.17 235	0.28 508	0.25 402	0.15 303	0.12 292	0.16 352	0.14 350	0.64 598	0.43 587	0.75 595	0.65 598	0.63 591	0.46 590

otaku	0.39 561	0.37 574	0.52 557	0.44 576	0.28 571	0.58 575	0.24 511	0.41 552	0.62 569	0.40 552	0.49 549	0.46 559	0.33 545	0.40 568	0.32 553	0.30 578	0.30 579	0.39 580	0.33 579	0.29 574	0.28 575

ACVNet-4b	0.39 561	0.53 581	0.55 561	0.45 577	0.24 564	0.47 567	0.18 400	0.49 572	0.64 573	0.42 559	0.45 544	0.60 574	0.27 514	0.34 541	0.24 501	0.33 580	0.14 539	0.48 583	0.42 584	0.30 575	0.26 574

PVD	0.39 561	0.20 537	0.39 540	0.31 564	0.22 559	0.29 533	0.43 585	0.52 577	0.96 595	0.55 574	0.79 586	0.53 570	0.59 585	0.52 579	0.38 567	0.19 558	0.14 539	0.17 541	0.14 523	0.24 566	0.31 579

Ntro	0.40 564	0.40 576	0.53 558	0.46 580	0.30 575	0.65 581	0.24 511	0.46 568	0.68 579	0.41 556	0.49 549	0.48 564	0.42 569	0.39 564	0.31 552	0.32 579	0.28 577	0.37 579	0.30 576	0.32 579	0.29 576

SAMSARA	0.40 564	0.28 563	0.33 524	0.55 583	0.39 578	0.82 595	1.23 610	0.47 569	0.51 551	0.36 542	0.35 492	0.55 572	0.39 558	0.38 560	0.39 569	0.15 531	0.20 561	0.15 533	0.14 523	0.23 560	0.20 561

ELAS_RVC	0.41 566	0.29 566	0.33 524	0.28 550	0.24 564	0.54 573	0.36 575	0.49 572	0.59 563	0.72 584	0.74 582	0.65 579	0.54 578	0.54 583	0.40 572	0.22 569	0.20 561	0.27 566	0.26 567	0.26 572	0.25 572
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 566	0.29 566	0.33 524	0.27 547	0.24 564	0.60 578	0.36 575	0.50 575	0.50 544	0.71 582	0.79 586	0.67 581	0.54 578	0.51 577	0.42 576	0.22 569	0.20 561	0.27 566	0.26 567	0.26 572	0.25 572
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 568	0.39 575	0.54 559	0.40 572	0.20 553	0.64 580	0.32 572	0.53 579	0.72 582	0.71 582	0.72 579	0.61 575	0.54 578	0.51 577	0.46 580	0.20 560	0.19 558	0.29 574	0.30 576	0.23 560	0.18 555

ACVNet_1	0.44 569	0.49 580	0.60 569	0.45 577	0.28 571	0.49 570	0.27 542	0.57 584	0.72 582	0.62 577	0.58 569	0.74 585	0.49 575	0.50 575	0.35 560	0.26 576	0.24 574	0.39 580	0.29 574	0.31 578	0.24 567

Consistency-Raft	0.44 569	0.40 576	0.45 548	0.37 571	0.43 582	0.46 565	0.41 580	0.57 584	0.55 554	0.32 532	0.73 580	0.33 512	0.48 574	0.42 571	0.49 583	0.39 582	0.35 584	0.45 582	0.51 591	0.42 582	0.29 576

RTS	0.45 571	0.19 533	3.26 607	0.24 518	0.15 516	0.74 588	0.20 461	0.36 523	0.76 588	0.42 559	0.43 541	0.31 500	0.41 566	0.53 581	0.35 560	0.10 436	0.08 442	0.13 509	0.12 510	0.15 534	0.15 533

RTSA	0.45 571	0.19 533	3.26 607	0.24 518	0.15 516	0.74 588	0.20 461	0.36 523	0.76 588	0.42 559	0.43 541	0.31 500	0.41 566	0.53 581	0.35 560	0.10 436	0.08 442	0.13 509	0.12 510	0.15 534	0.15 533

MANE	0.45 571	0.27 559	0.27 500	0.27 547	0.24 564	0.47 567	0.31 570	0.55 581	0.59 563	0.72 584	1.13 603	1.15 595	0.61 586	0.52 579	0.37 565	0.21 564	0.20 561	0.27 566	0.31 578	0.25 567	0.24 567

NVStereoNet_ROB	0.46 574	0.36 573	0.46 552	0.41 574	0.28 571	0.34 547	0.34 573	0.48 570	0.60 566	0.72 584	0.93 592	0.70 584	0.66 589	0.47 573	0.60 591	0.22 569	0.33 583	0.34 578	0.34 581	0.30 575	0.30 578
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MonStereo1	0.47 575	0.26 557	0.58 567	0.28 550	0.20 553	0.39 561	0.18 400	0.49 572	0.64 573	0.52 570	0.87 589	1.01 590	0.57 583	0.50 575	0.56 588	0.53 591	0.31 582	0.54 589	0.40 582	0.33 580	0.34 582

LE_ROB	0.50 576	0.07 167	0.14 295	0.15 84	0.08 144	0.24 491	0.16 317	0.22 307	1.81 611	4.63 614	0.67 574	0.47 562	0.44 571	0.20 446	0.29 540	0.07 272	0.06 341	0.06 125	0.06 212	0.08 355	0.06 232

BEATNet-Init1	0.52 577	0.27 559	0.62 571	0.30 560	0.21 557	0.76 592	0.29 557	0.54 580	0.65 576	0.86 593	0.95 594	2.07 610	0.62 588	0.56 585	0.42 576	0.18 553	0.18 555	0.23 560	0.22 560	0.22 559	0.21 563

anonymity	0.53 578	0.58 583	0.65 573	0.41 574	0.61 595	0.53 572	0.41 580	0.56 582	0.41 508	0.55 574	0.50 553	0.49 565	0.55 581	0.58 586	0.50 586	0.58 594	0.50 597	0.51 585	0.51 591	0.51 584	0.57 592

RainbowNet	0.54 579	0.61 585	0.70 587	0.57 584	0.43 582	0.65 581	0.37 578	0.60 586	0.87 592	0.50 569	0.66 573	0.64 577	0.47 573	0.49 574	0.43 579	0.47 588	0.48 593	0.52 587	0.41 583	0.52 585	0.40 587

SGM+DAISY	0.56 580	0.57 582	0.65 573	0.40 572	0.54 587	0.66 583	0.49 587	0.56 582	0.45 532	0.66 578	0.69 576	0.67 581	0.56 582	0.63 588	0.56 588	0.59 595	0.48 593	0.50 584	0.50 590	0.52 585	0.58 593

SPS-STEREO	0.57 581	0.58 583	0.65 573	0.45 577	0.55 589	0.62 579	0.44 586	0.62 587	0.50 544	0.68 580	0.64 571	0.66 580	0.57 583	0.61 587	0.60 591	0.62 597	0.47 592	0.51 585	0.49 588	0.55 589	0.58 593
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 582	0.66 589	0.65 573	0.51 581	0.69 599	0.69 584	0.57 593	0.64 588	0.73 586	0.60 576	0.73 580	0.62 576	0.67 590	0.65 589	0.60 591	0.66 599	0.58 606	0.63 590	0.59 594	0.68 596	0.69 602

IMH-64-1	0.65 583	0.61 585	0.68 581	0.71 587	0.51 585	0.59 576	0.49 587	0.91 595	0.85 590	0.74 588	1.02 596	0.81 586	0.78 594	0.79 592	0.49 583	0.42 584	0.46 588	0.71 592	0.47 586	0.52 585	0.39 585

IMH-64	0.65 583	0.61 585	0.68 581	0.71 587	0.51 585	0.59 576	0.49 587	0.91 595	0.85 590	0.74 588	1.02 596	0.81 586	0.78 594	0.79 592	0.49 583	0.42 584	0.46 588	0.71 592	0.47 586	0.52 585	0.39 585

ACVNet_2	0.66 585	0.66 589	0.68 581	0.63 585	0.41 580	0.71 586	0.49 587	0.96 599	1.39 604	0.89 594	1.09 599	1.04 591	0.73 592	0.54 583	0.47 581	0.43 586	0.40 586	0.53 588	0.44 585	0.47 583	0.35 584

JetBlue	0.71 586	0.45 579	1.14 599	0.51 581	0.47 584	2.02 610	0.64 597	0.75 590	0.70 580	0.69 581	0.77 585	1.22 597	0.83 596	1.03 607	1.01 607	0.40 583	0.28 577	0.33 577	0.33 579	0.30 575	0.34 582

IMH	0.71 586	0.64 588	0.68 581	0.76 589	0.54 587	0.69 584	0.54 591	0.98 601	1.10 597	0.82 592	1.09 599	0.89 588	0.88 599	0.87 600	0.52 587	0.44 587	0.50 597	0.75 595	0.51 591	0.56 590	0.41 588

PWCK	0.71 586	0.94 600	0.95 596	0.76 589	0.31 576	0.74 588	0.36 575	0.90 594	0.90 593	0.96 597	0.75 584	0.95 589	0.61 586	0.87 600	0.66 594	0.72 600	0.46 588	0.75 595	0.49 588	0.69 598	0.44 589

MADNet+	0.75 589	0.71 591	3.70 610	0.66 586	0.41 580	0.98 600	0.97 608	0.69 589	0.73 586	0.52 570	0.57 567	0.64 577	0.68 591	0.86 599	1.01 607	0.34 581	0.36 585	0.28 573	0.23 564	0.36 581	0.31 579

TorneroNet-64	0.76 590	0.72 592	0.74 588	0.78 591	0.58 593	0.91 599	0.56 592	0.84 593	1.29 601	0.66 578	0.90 590	1.40 603	0.75 593	0.85 598	0.67 597	0.49 589	0.46 588	0.72 594	0.59 594	0.67 595	0.53 591

WAO-7	0.79 591	0.78 594	0.54 559	0.85 595	0.67 598	0.74 588	0.68 601	1.05 604	1.32 602	0.90 595	1.20 606	1.04 591	0.92 600	0.69 590	0.66 594	0.60 596	0.62 607	0.67 591	0.68 600	0.64 592	0.58 593

WAO-6	0.81 592	0.80 595	0.62 571	0.86 596	0.63 596	0.76 592	0.58 594	0.98 601	1.54 609	0.90 595	0.96 595	1.07 593	1.03 604	0.70 591	0.66 594	0.72 600	0.49 595	0.90 603	0.71 601	0.68 596	0.58 593

TorneroNet	0.82 593	0.74 593	0.81 593	0.84 594	0.63 596	0.99 601	0.63 595	0.96 599	1.16 598	0.80 591	1.11 601	1.36 602	0.86 598	0.93 603	0.80 602	0.56 592	0.49 595	0.78 600	0.66 599	0.73 601	0.63 601

LVE	0.83 594	0.85 598	0.85 594	0.80 592	0.56 590	1.04 605	0.65 598	1.05 604	1.47 607	0.96 597	1.22 607	1.10 594	0.85 597	0.83 595	0.71 599	0.49 589	0.55 603	0.76 598	0.60 596	0.65 593	0.59 598

Dean	0.87 595	0.86 599	0.79 591	0.81 593	0.56 590	0.90 596	0.63 595	1.15 610	1.73 610	1.15 605	1.15 604	1.31 600	0.99 603	0.81 594	0.81 603	0.57 593	0.56 604	0.77 599	0.64 597	0.66 594	0.58 593

WAO-8	0.91 596	0.81 596	0.65 573	0.94 599	0.69 599	0.90 596	0.67 599	1.07 607	1.83 612	1.06 602	1.45 609	1.30 598	1.07 605	0.84 596	0.78 600	0.74 602	0.53 600	0.86 601	0.75 602	0.69 598	0.62 599

Venus	0.91 596	0.81 596	0.65 573	0.94 599	0.69 599	0.90 596	0.67 599	1.07 607	1.83 612	1.06 602	1.45 609	1.30 598	1.07 605	0.84 596	0.78 600	0.74 602	0.53 600	0.86 601	0.75 602	0.69 598	0.62 599

UNDER WATER-64	0.95 598	0.94 600	1.43 603	0.87 597	0.56 590	1.18 608	0.87 605	0.77 591	0.94 594	1.04 600	0.85 588	1.58 608	1.21 610	0.94 604	0.96 605	0.87 606	0.57 605	1.03 606	0.88 607	0.78 602	0.73 603

UNDER WATER	0.97 599	0.97 602	1.42 602	0.99 601	0.70 602	1.12 607	0.84 604	0.80 592	1.08 596	1.01 599	0.90 590	1.55 607	1.22 611	1.03 607	1.00 606	0.78 604	0.53 600	1.02 605	0.87 606	0.80 603	0.74 604

notaker	0.97 599	1.11 603	0.98 597	1.13 604	0.81 603	0.73 587	0.68 601	0.93 597	1.16 598	1.18 607	1.18 605	1.41 604	1.16 609	1.08 609	0.69 598	0.81 605	0.64 608	1.17 607	0.79 604	0.98 605	0.80 606

ktn	1.01 601	1.21 605	0.80 592	1.23 606	0.86 605	1.01 603	0.87 605	0.94 598	1.39 604	1.04 600	1.12 602	1.15 595	1.07 605	0.94 604	0.59 590	1.28 611	0.71 609	1.38 611	0.83 605	1.02 607	0.75 605

KSHMR	1.09 602	1.17 604	0.88 595	1.25 607	1.00 607	0.99 601	0.96 607	1.13 609	1.37 603	1.16 606	1.29 608	1.41 604	0.96 602	1.01 606	0.92 604	1.03 609	1.08 611	1.20 608	1.03 610	1.01 606	0.97 608

DPSimNet_ROB	1.11 603	1.23 606	0.78 589	1.13 604	0.88 606	1.10 606	1.13 609	1.16 611	1.23 600	1.43 609	1.02 596	1.41 604	1.10 608	0.90 602	1.60 609	1.46 612	0.51 599	1.21 609	1.03 610	0.90 604	1.01 610

HanzoNet	1.29 604	1.26 607	1.19 600	1.12 603	0.85 604	1.02 604	0.83 603	1.03 603	1.48 608	1.64 610	1.61 611	2.50 612	1.72 612	1.61 611	1.61 610	1.26 610	0.80 610	1.31 610	1.01 609	1.02 607	0.86 607

JetRed	1.62 605	1.46 608	2.98 605	0.92 598	1.21 608	4.99 613	1.53 613	1.27 612	1.39 604	1.83 611	1.74 612	1.60 609	0.95 601	1.41 610	2.45 614	0.90 608	1.60 612	0.93 604	0.90 608	1.35 609	0.99 609

MADNet++	1.95 606	1.75 609	1.59 604	1.82 608	1.69 610	2.33 611	1.40 612	2.35 613	2.09 614	2.57 613	2.36 614	2.24 611	2.17 613	2.28 612	2.34 612	1.87 613	1.66 613	1.54 612	1.34 612	1.92 610	1.77 612

coex-ft	3.30 607	0.34 571	59.09 634	0.18 323	0.13 478	0.26 512	0.22 488	0.27 407	0.72 582	1.90 612	0.70 578	0.44 553	0.45 572	0.29 524	0.41 575	0.09 395	0.09 471	0.12 494	0.09 420	0.14 519	0.13 509

TCMNet-wrong-test	3.67 608	5.48 621	3.89 611	12.18 620	11.75 622	4.65 612	3.88 614	1.06 606	0.72 582	1.09 604	2.15 613	6.30 617	0.53 577	3.43 614	2.36 613	0.89 607	0.20 561	1.87 614	1.69 613	5.57 618	3.62 618

tt	4.67 609	0.06 74	3.55 609	2.02 609	1.55 609	10.25 617	16.71 618	8.91 622	5.03 615	1.31 608	0.94 593	4.71 613	4.76 614	3.33 613	5.87 616	6.06 621	10.30 625	1.88 615	2.11 615	2.75 612	1.21 611

USTest	6.22 610	2.73 612	3.00 606	6.57 616	7.29 616	14.37 619	21.57 619	7.00 621	9.56 620	5.34 617	6.10 615	5.72 616	7.64 617	6.41 618	6.96 617	1.97 614	3.42 619	1.64 613	2.15 616	2.66 611	2.36 613

xxxxx1	7.79 611	5.02 618	7.31 614	3.12 610	3.85 612	16.35 621	22.88 620	5.86 618	8.69 617	7.97 618	8.54 616	9.12 620	8.27 618	10.18 620	10.92 618	2.42 615	2.45 615	3.56 618	12.37 622	3.77 613	3.06 615

tt_ll	7.79 611	5.02 618	7.31 614	3.12 610	3.85 612	16.35 621	22.88 620	5.86 618	8.69 617	7.97 618	8.54 616	9.12 620	8.27 618	10.18 620	10.92 618	2.42 615	2.45 615	3.56 618	12.37 622	3.77 613	3.06 615

ff	7.79 611	5.02 618	7.31 614	3.12 610	3.85 612	16.35 621	22.88 620	5.86 618	8.69 617	7.97 618	8.54 616	9.12 620	8.27 618	10.18 620	10.92 618	2.42 615	2.45 615	3.56 618	12.37 622	3.77 613	3.06 615

EDNetEfficientorigin	7.91 614	0.31 568	153.02 635	0.19 384	0.09 267	0.21 465	0.16 317	0.22 307	0.59 563	0.72 584	0.67 574	0.42 548	0.50 576	0.24 496	0.39 569	0.08 336	0.07 416	0.08 312	0.07 303	0.12 488	0.10 451

DPSMNet_ROB	8.06 615	4.48 614	8.63 620	5.37 615	10.74 619	8.32 615	22.98 624	5.46 615	13.36 623	5.12 615	9.92 619	5.08 614	10.40 621	5.53 617	12.58 621	3.80 619	8.00 620	3.50 616	7.02 619	3.83 616	7.14 620

DGTPSM_ROB	8.06 615	4.48 614	8.63 620	5.35 613	10.72 618	8.32 615	22.97 623	5.46 615	13.35 622	5.12 615	9.92 619	5.08 614	10.40 621	5.52 616	12.58 621	3.79 618	8.00 620	3.50 616	7.02 619	3.83 616	7.14 620

PML	8.91 617	9.34 625	6.13 612	5.35 613	6.41 615	14.99 620	23.38 625	5.27 614	6.83 616	18.04 628	28.19 636	7.67 618	6.83 616	7.85 619	5.75 615	5.35 620	1.83 614	5.95 624	1.93 614	8.64 621	2.52 614

DLNR_Zeroshot_test	10.40 618	1.82 610	19.49 629	120.77 635	13.11 624	0.06 11	0.13 122	0.23 327	0.10 45	0.07 46	0.10 142	0.09 150	0.06 45	0.10 80	0.09 61	0.13 513	0.04 24	0.06 125	0.04 46	51.54 635	0.04 49

DLNR-FE	10.43 619	1.83 611	19.53 630	120.75 634	13.06 623	0.06 11	0.13 122	0.23 327	0.10 45	0.07 46	0.10 142	0.09 150	0.06 45	0.10 80	0.09 61	0.13 513	0.04 24	0.06 125	0.04 46	52.01 636	0.04 49

LRCNet_RVC	10.62 620	13.42 626	7.30 613	18.92 624	2.07 611	0.33 544	0.30 564	5.59 617	0.48 535	13.03 624	17.94 625	8.87 619	5.65 615	4.79 615	1.89 611	23.51 632	2.73 618	27.55 635	25.71 635	16.07 629	16.33 630

Anonymous_1	10.96 621	7.92 622	7.46 617	10.33 617	10.06 617	18.65 625	26.34 626	11.06 625	13.44 624	9.40 621	10.05 621	9.67 623	11.23 623	10.73 623	12.72 623	6.42 622	8.38 622	5.77 621	10.61 621	12.12 622	6.77 619

DPSM_ROB	11.15 622	8.58 623	8.00 618	10.88 618	11.58 620	19.10 626	26.71 627	12.05 626	14.07 627	10.36 622	10.84 622	10.33 624	11.86 624	11.70 624	13.54 624	6.99 623	8.79 623	5.89 622	6.95 617	7.29 619	7.42 622

DPSM	11.15 622	8.58 623	8.00 618	10.88 618	11.58 620	19.10 626	26.71 627	12.05 626	14.07 627	10.36 622	10.84 622	10.33 624	11.86 624	11.70 624	13.54 624	6.99 623	8.79 623	5.89 622	6.95 617	7.29 619	7.42 622

HaxPig	15.71 624	18.52 633	19.18 628	16.89 623	15.89 625	7.73 614	7.60 615	13.31 628	10.82 621	15.42 625	14.91 624	15.98 626	14.92 626	15.58 626	15.98 626	18.95 631	16.73 626	19.46 631	18.08 631	19.26 630	19.05 633

RSGM-EC	20.36 625	4.73 616	0.68 581	16.76 621	16.92 626	21.28 628	27.18 629	10.46 623	14.04 625	18.00 626	21.31 628	22.24 634	21.82 628	22.57 628	17.63 627	62.81 635	33.79 635	20.14 632	18.10 632	20.18 631	16.45 631

acva	20.36 625	4.73 616	0.68 581	16.76 621	16.92 626	21.28 628	27.18 629	10.46 623	14.04 625	18.00 626	21.31 628	22.24 634	21.82 628	22.57 628	17.63 627	62.81 635	33.79 635	20.14 632	18.10 632	20.18 631	16.45 631

MEDIAN_ROB	20.38 627	24.04 634	23.31 631	21.23 625	21.71 628	10.40 618	7.92 616	17.64 629	15.50 629	20.12 629	19.70 626	20.34 627	20.32 627	21.19 627	21.13 629	23.81 633	21.81 633	24.98 634	23.76 634	24.71 633	23.93 634

CasAABBNet	22.42 628	17.33 628	16.01 624	22.01 626	23.28 630	38.32 630	53.80 633	24.14 633	28.41 634	20.60 630	21.77 632	20.89 632	23.91 632	23.43 632	27.36 632	14.07 626	17.69 628	11.83 627	14.01 626	14.67 624	14.95 626

RAFT-FEzeroshot	22.43 629	17.33 628	15.98 622	22.02 627	23.31 631	38.34 631	53.82 634	24.05 631	28.39 632	20.61 631	21.76 630	20.88 630	23.92 633	23.41 630	27.42 634	14.07 626	17.69 628	11.83 627	14.02 627	14.69 625	14.97 627

RAFT-FE	22.43 629	17.33 628	15.98 622	22.02 627	23.31 631	38.34 631	53.82 634	24.05 631	28.39 632	20.61 631	21.76 630	20.88 630	23.92 633	23.41 630	27.42 634	14.07 626	17.69 628	11.83 627	14.02 627	14.69 625	14.97 627

FlowAnything	22.44 631	17.35 631	16.14 626	22.07 630	23.23 629	38.39 633	53.77 632	24.25 634	28.44 635	20.96 635	21.82 633	20.70 628	23.84 630	23.49 633	27.14 631	14.04 625	17.79 632	11.75 625	14.15 630	14.65 623	14.89 624

Selective-RAFT-Error	22.47 632	17.37 632	16.09 625	22.06 629	23.34 633	38.39 633	53.83 636	24.29 636	28.47 636	20.74 633	21.83 634	20.81 629	23.90 631	23.54 635	27.53 636	14.08 629	17.69 628	11.82 626	14.00 625	14.69 625	15.00 629

LSM0	22.87 633	17.28 627	18.96 627	22.19 631	29.04 635	38.42 635	53.71 631	24.28 635	28.31 631	20.78 634	21.00 627	21.43 633	24.16 635	23.50 634	27.39 633	14.09 630	17.38 627	11.84 630	14.04 629	14.73 628	14.89 624

AVERAGE_ROB	24.90 634	29.20 635	28.14 632	24.89 632	24.64 634	17.75 624	11.12 617	21.45 630	19.93 630	25.12 636	24.46 635	25.12 636	25.46 636	24.69 636	22.83 630	29.76 634	27.13 634	28.97 636	27.95 636	29.91 634	29.47 635

test_example2	98.32 635	94.13 636	45.89 633	96.35 633	109.85 636	88.61 636	95.45 637	25.75 637	94.37 637	130.00 638	126.06 637	58.17 637	74.63 637	88.51 637	79.96 637	150.23 637	221.02 637	77.62 637	99.10 637	113.75 637	96.94 636

GS-Stereo							0.14 177	0.11 35	0.12 103	0.08 83	0.10 142	0.05 2	0.05 12	0.11 130	0.08 17	0.06 129	0.04 24	0.05 34	0.04 46	0.05 119	0.05 144

FSD					0.22 559	0.25 502	0.25 526	0.27 407	0.26 393	0.25 481	0.26 419	0.25 442	0.27 514	0.27 506	0.24 501	0.21 564	0.20 561	0.27 566	0.26 567	0.25 567

ccccc		285.66 637		368.85 636	370.60 637	123.16 637		115.05 638		126.68 637		122.83 638		252.94 638		384.56 638	353.86 638	254.69 638	223.00 638	425.87 638

ASD4		3.38 613

Low-res two-view benchmark