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	0.10 140	0.15 90	0.05 1	0.07 34	0.11 56	0.09 13	0.04 2	0.06 14	0.05 7	0.06 24	0.04 1	0.08 19	0.09 66	0.06 127	0.04 24	0.05 34	0.03 1	0.05 122	0.05 149

MLG-Stereo_test1	0.06 1	0.05 27	0.08 40	0.17 248	0.05 1	0.06 11	0.11 56	0.08 6	0.03 1	0.05 2	0.04 1	0.06 24	0.05 13	0.09 40	0.09 66	0.05 35	0.04 24	0.05 34	0.03 1	0.04 22	0.04 50

FoundationStereo	0.06 1	0.04 1	0.08 40	0.12 5	0.05 1	0.09 98	0.13 125	0.06 1	0.09 30	0.05 2	0.05 7	0.06 24	0.04 1	0.06 1	0.07 1	0.06 127	0.04 24	0.05 34	0.03 1	0.05 122	0.04 50

BPD-Stereo	0.07 4	0.04 1	0.08 40	0.15 90	0.07 84	0.06 11	0.14 178	0.07 2	0.10 48	0.05 2	0.05 7	0.04 1	0.06 47	0.07 4	0.09 66	0.04 11	0.04 24	0.05 34	0.05 132	0.04 22	0.04 50

Pro-Stereo	0.07 4	0.05 27	0.08 40	0.15 90	0.07 84	0.08 60	0.12 77	0.07 2	0.07 10	0.06 14	0.06 15	0.05 3	0.05 13	0.09 40	0.08 17	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

MatchStereo	0.07 4	0.04 1	0.08 40	0.14 45	0.06 16	0.05 4	0.12 77	0.12 58	0.09 30	0.07 48	0.06 15	0.04 1	0.04 1	0.08 19	0.09 66	0.06 127	0.05 209	0.05 34	0.03 1	0.04 22	0.04 50

BridgeDepth_RVC	0.07 4	0.04 1	0.09 92	0.11 1	0.05 1	0.10 150	0.10 31	0.14 95	0.09 30	0.06 14	0.07 49	0.06 24	0.07 131	0.07 4	0.10 147	0.06 127	0.04 24	0.04 1	0.04 44	0.04 22	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 27	0.07 8	0.14 45	0.06 16	0.09 98	0.13 125	0.15 131	0.06 4	0.07 48	0.08 90	0.06 24	0.08 171	0.09 40	0.09 66	0.06 127	0.05 209	0.04 1	0.03 1	0.04 22	0.04 50

VIP-Stereo	0.07 4	0.07 174	0.07 8	0.15 90	0.06 16	0.12 238	0.10 31	0.11 37	0.11 75	0.06 14	0.07 49	0.06 24	0.05 13	0.10 83	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	0.07 174	0.08 40	0.18 330	0.06 16	0.07 34	0.11 56	0.09 13	0.06 4	0.04 1	0.07 49	0.10 192	0.09 201	0.08 19	0.08 17	0.04 11	0.03 1	0.04 1	0.04 44	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 27	0.09 92	0.13 14	0.06 16	0.12 238	0.12 77	0.11 37	0.10 48	0.07 48	0.08 90	0.06 24	0.06 47	0.09 40	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.04 50

MonStereo	0.07 4	0.06 81	0.05 1	0.15 90	0.05 1	0.08 60	0.10 31	0.15 131	0.15 184	0.05 2	0.06 15	0.05 3	0.06 47	0.07 4	0.09 66	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 27	0.07 8	0.16 172	0.06 16	0.07 34	0.11 56	0.10 22	0.08 17	0.06 14	0.06 15	0.07 82	0.07 131	0.09 40	0.09 66	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 81	0.05 1	0.15 90	0.05 1	0.08 60	0.10 31	0.15 131	0.15 184	0.05 2	0.06 15	0.05 3	0.06 47	0.07 4	0.09 66	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 92	0.13 14	0.06 16	0.05 4	0.09 18	0.11 37	0.07 10	0.06 14	0.06 15	0.05 3	0.06 47	0.09 40	0.09 66	0.06 127	0.04 24	0.04 1	0.03 1	0.05 122	0.05 149

Replicate-Monster	0.07 4	0.05 27	0.09 92	0.14 45	0.06 16	0.08 60	0.09 18	0.13 75	0.13 138	0.05 2	0.07 49	0.06 24	0.06 47	0.08 19	0.10 147	0.05 35	0.04 24	0.05 34	0.03 1	0.04 22	0.04 50

AdaDepth	0.07 4	0.06 81	0.07 8	0.18 330	0.06 16	0.11 196	0.12 77	0.09 13	0.07 10	0.06 14	0.05 7	0.07 82	0.06 47	0.09 40	0.10 147	0.04 11	0.05 209	0.05 34	0.04 44	0.04 22	0.04 50

asda	0.07 4	0.08 279	0.08 40	0.16 172	0.06 16	0.06 11	0.10 31	0.16 161	0.10 48	0.06 14	0.06 15	0.05 3	0.05 13	0.10 83	0.10 147	0.03 1	0.03 1	0.04 1	0.03 1	0.04 22	0.03 2

asd	0.07 4	0.08 279	0.07 8	0.16 172	0.07 84	0.08 60	0.08 7	0.11 37	0.08 17	0.07 48	0.07 49	0.06 24	0.06 47	0.10 83	0.09 66	0.03 1	0.03 1	0.04 1	0.04 44	0.04 22	0.03 2

qwe	0.07 4	0.08 279	0.07 8	0.15 90	0.06 16	0.07 34	0.10 31	0.18 231	0.11 75	0.07 48	0.07 49	0.06 24	0.06 47	0.10 83	0.09 66	0.03 1	0.03 1	0.04 1	0.04 44	0.04 22	0.03 2

2.25w	0.07 4	0.06 81	0.07 8	0.14 45	0.06 16	0.08 60	0.08 7	0.10 22	0.15 184	0.08 87	0.10 142	0.07 82	0.06 47	0.08 19	0.10 147	0.05 35	0.03 1	0.04 1	0.04 44	0.03 1	0.04 50

4.25_new	0.07 4	0.08 279	0.09 92	0.15 90	0.06 16	0.09 98	0.08 7	0.14 95	0.08 17	0.07 48	0.07 49	0.06 24	0.06 47	0.12 225	0.10 147	0.03 1	0.03 1	0.04 1	0.03 1	0.04 22	0.03 2

4.5w_new	0.07 4	0.08 279	0.09 92	0.15 90	0.06 16	0.09 98	0.08 7	0.14 95	0.08 17	0.07 48	0.07 49	0.06 24	0.06 47	0.12 225	0.10 147	0.03 1	0.03 1	0.04 1	0.03 1	0.04 22	0.03 2

4.5_new	0.07 4	0.09 355	0.08 40	0.15 90	0.07 84	0.06 11	0.10 31	0.14 95	0.11 75	0.06 14	0.08 90	0.06 24	0.06 47	0.08 19	0.10 147	0.03 1	0.03 1	0.04 1	0.04 44	0.04 22	0.03 2

4.5w-stereo	0.07 4	0.09 355	0.08 40	0.15 90	0.07 84	0.06 11	0.10 31	0.14 95	0.11 75	0.06 14	0.08 90	0.06 24	0.06 47	0.08 19	0.10 147	0.03 1	0.03 1	0.04 1	0.04 44	0.04 22	0.03 2

4.25w-stereo	0.07 4	0.08 279	0.09 92	0.15 90	0.06 16	0.09 98	0.08 7	0.14 95	0.08 17	0.07 48	0.07 49	0.06 24	0.06 47	0.12 225	0.10 147	0.03 1	0.03 1	0.04 1	0.03 1	0.04 22	0.03 2

4w-stereo	0.07 4	0.08 279	0.08 40	0.16 172	0.06 16	0.07 34	0.08 7	0.12 58	0.08 17	0.07 48	0.07 49	0.05 3	0.06 47	0.09 40	0.10 147	0.03 1	0.03 1	0.04 1	0.04 44	0.04 22	0.03 2

2.5w	0.07 4	0.07 174	0.07 8	0.16 172	0.06 16	0.08 60	0.12 77	0.10 22	0.10 48	0.07 48	0.06 15	0.09 159	0.06 47	0.08 19	0.09 66	0.04 11	0.03 1	0.04 1	0.04 44	0.03 1	0.03 2

2.75w_new	0.07 4	0.07 174	0.07 8	0.13 14	0.06 16	0.08 60	0.08 7	0.18 231	0.12 105	0.07 48	0.08 90	0.06 24	0.06 47	0.09 40	0.11 223	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 50

3.25w_new	0.07 4	0.06 81	0.07 8	0.15 90	0.06 16	0.10 150	0.07 3	0.12 58	0.11 75	0.08 87	0.06 15	0.07 82	0.06 47	0.11 135	0.09 66	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 81	0.07 8	0.15 90	0.06 16	0.10 150	0.07 3	0.12 58	0.11 75	0.08 87	0.06 15	0.07 82	0.06 47	0.11 135	0.09 66	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 4	0.07 174	0.08 40	0.16 172	0.07 84	0.07 34	0.09 18	0.16 161	0.09 30	0.07 48	0.06 15	0.05 3	0.06 47	0.09 40	0.10 147	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 4	0.07 174	0.07 8	0.15 90	0.07 84	0.09 98	0.06 1	0.13 75	0.11 75	0.07 48	0.07 49	0.06 24	0.07 131	0.10 83	0.09 66	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 81	0.07 8	0.16 172	0.06 16	0.07 34	0.10 31	0.14 95	0.14 164	0.07 48	0.08 90	0.05 3	0.06 47	0.09 40	0.09 66	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 50

monsterstereo	0.07 4	0.06 81	0.06 4	0.16 172	0.06 16	0.08 60	0.10 31	0.16 161	0.11 75	0.07 48	0.08 90	0.06 24	0.07 131	0.08 19	0.09 66	0.04 11	0.04 24	0.05 34	0.04 44	0.03 1	0.03 2

monsters	0.07 4	0.06 81	0.06 4	0.15 90	0.06 16	0.08 60	0.09 18	0.12 58	0.08 17	0.09 125	0.07 49	0.06 24	0.06 47	0.08 19	0.08 17	0.05 35	0.04 24	0.04 1	0.04 44	0.03 1	0.03 2

IGEV	0.07 4	0.04 1	0.08 40	0.13 14	0.06 16	0.09 98	0.12 77	0.14 95	0.10 48	0.06 14	0.09 112	0.07 82	0.05 13	0.09 40	0.09 66	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

111111	0.07 4	0.04 1	0.09 92	0.17 248	0.06 16	0.05 4	0.10 31	0.11 37	0.09 30	0.06 14	0.06 15	0.07 82	0.05 13	0.09 40	0.09 66	0.06 127	0.04 24	0.05 34	0.04 44	0.07 302	0.06 241

LG-Stereo_L2	0.07 4	0.05 27	0.10 140	0.14 45	0.06 16	0.07 34	0.12 77	0.09 13	0.09 30	0.06 14	0.04 1	0.05 3	0.05 13	0.08 19	0.08 17	0.05 35	0.04 24	0.05 34	0.03 1	0.04 22	0.03 2

LG-Stereo_L1	0.07 4	0.05 27	0.11 185	0.14 45	0.06 16	0.07 34	0.13 125	0.09 13	0.07 10	0.05 2	0.04 1	0.05 3	0.04 1	0.08 19	0.07 1	0.05 35	0.04 24	0.05 34	0.03 1	0.04 22	0.04 50

MLG-Stereo_test3	0.07 4	0.05 27	0.10 140	0.14 45	0.06 16	0.07 34	0.11 56	0.08 6	0.06 4	0.06 14	0.04 1	0.06 24	0.06 47	0.07 4	0.10 147	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.06 241

MLG-Stereo	0.07 4	0.05 27	0.08 40	0.17 248	0.05 1	0.07 34	0.11 56	0.08 6	0.04 2	0.05 2	0.04 1	0.06 24	0.05 13	0.10 83	0.09 66	0.05 35	0.04 24	0.05 34	0.03 1	0.04 22	0.04 50

LG-G_1	0.07 4	0.04 1	0.11 185	0.15 90	0.06 16	0.09 98	0.08 7	0.08 6	0.06 4	0.06 14	0.05 7	0.07 82	0.07 131	0.11 135	0.08 17	0.07 276	0.04 24	0.05 34	0.04 44	0.05 122	0.05 149

LG-G	0.07 4	0.04 1	0.11 185	0.15 90	0.06 16	0.09 98	0.08 7	0.08 6	0.06 4	0.06 14	0.05 7	0.07 82	0.07 131	0.11 135	0.08 17	0.07 276	0.04 24	0.05 34	0.04 44	0.05 122	0.05 149

LGtest1	0.07 4	0.04 1	0.10 140	0.15 90	0.06 16	0.07 34	0.09 18	0.08 6	0.06 4	0.05 2	0.04 1	0.06 24	0.06 47	0.10 83	0.09 66	0.07 276	0.04 24	0.05 34	0.04 44	0.06 230	0.06 241

LG-Stereo_Zeroshot	0.07 4	0.06 81	0.10 140	0.16 172	0.07 84	0.04 1	0.13 125	0.10 22	0.10 48	0.05 2	0.11 186	0.07 82	0.05 13	0.07 4	0.09 66	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

GREAT-IGEV	0.07 4	0.06 81	0.08 40	0.13 14	0.07 84	0.07 34	0.14 178	0.09 13	0.09 30	0.06 14	0.07 49	0.06 24	0.05 13	0.10 83	0.07 1	0.05 35	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
StereoAnything_RVC	0.07 4	0.15 508	0.17 420	0.11 1	0.05 1	0.05 4	0.11 56	0.08 6	0.08 17	0.06 14	0.06 15	0.05 3	0.05 13	0.09 40	0.08 17	0.08 345	0.04 24	0.05 34	0.03 1	0.05 122	0.04 50

AIO_rvc	0.07 4	0.06 81	0.08 40	0.15 90	0.06 16	0.08 60	0.14 178	0.09 13	0.08 17	0.07 48	0.08 90	0.07 82	0.04 1	0.10 83	0.08 17	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

AIO_test	0.07 4	0.05 27	0.07 8	0.15 90	0.07 84	0.06 11	0.14 178	0.10 22	0.10 48	0.07 48	0.07 49	0.06 24	0.05 13	0.08 19	0.10 147	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

MonSter	0.07 4	0.06 81	0.05 1	0.15 90	0.05 1	0.07 34	0.10 31	0.15 131	0.15 184	0.05 2	0.06 15	0.05 3	0.06 47	0.07 4	0.09 66	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 27	0.07 8	0.14 45	0.06 16	0.10 150	0.13 125	0.07 2	0.13 138	0.06 14	0.07 49	0.06 24	0.05 13	0.10 83	0.09 66	0.04 11	0.04 24	0.05 34	0.03 1	0.04 22	0.04 50

dual_stereo	0.07 4	0.04 1	0.08 40	0.15 90	0.05 1	0.05 4	0.13 125	0.12 58	0.08 17	0.07 48	0.06 15	0.05 3	0.05 13	0.07 4	0.09 66	0.06 127	0.04 24	0.05 34	0.03 1	0.04 22	0.04 50

IGEV-Stereo++	0.07 4	0.06 81	0.08 40	0.18 330	0.06 16	0.04 1	0.10 31	0.11 37	0.11 75	0.06 14	0.07 49	0.07 82	0.06 47	0.09 40	0.09 66	0.05 35	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

IGEV-Stereo+	0.07 4	0.04 1	0.08 40	0.15 90	0.06 16	0.04 1	0.09 18	0.10 22	0.09 30	0.06 14	0.06 15	0.06 24	0.06 47	0.06 1	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.06 230	0.06 241

Selective-IGEV	0.07 4	0.06 81	0.08 40	0.17 248	0.06 16	0.08 60	0.12 77	0.13 75	0.07 10	0.08 87	0.07 49	0.06 24	0.04 1	0.10 83	0.09 66	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

DispViT+	0.08 57	0.08 279	0.13 271	0.15 90	0.07 84	0.08 60	0.10 31	0.14 95	0.09 30	0.09 125	0.06 15	0.06 24	0.07 131	0.10 83	0.12 282	0.05 35	0.05 209	0.05 34	0.04 44	0.05 122	0.05 149

WQFJA1++	0.08 57	0.04 1	0.11 185	0.14 45	0.07 84	0.11 196	0.11 56	0.11 37	0.07 10	0.07 48	0.07 49	0.07 82	0.06 47	0.10 83	0.10 147	0.06 127	0.04 24	0.05 34	0.04 44	0.06 230	0.06 241

BStereo	0.08 57	0.06 81	0.16 390	0.15 90	0.08 151	0.07 34	0.09 18	0.15 131	0.16 214	0.06 14	0.07 49	0.07 82	0.05 13	0.09 40	0.11 223	0.04 11	0.05 209	0.05 34	0.07 310	0.04 22	0.04 50

MonSter++	0.08 57	0.04 1	0.10 140	0.13 14	0.06 16	0.09 98	0.12 77	0.13 75	0.08 17	0.06 14	0.07 49	0.06 24	0.08 171	0.10 83	0.11 223	0.06 127	0.05 209	0.04 1	0.03 1	0.04 22	0.04 50

HiDET	0.08 57	0.04 1	0.10 140	0.13 14	0.06 16	0.08 60	0.12 77	0.12 58	0.11 75	0.06 14	0.07 49	0.07 82	0.07 131	0.11 135	0.11 223	0.06 127	0.04 24	0.04 1	0.03 1	0.04 22	0.04 50

LCMNet	0.08 57	0.05 27	0.10 140	0.13 14	0.07 84	0.09 98	0.12 77	0.10 22	0.11 75	0.06 14	0.08 90	0.06 24	0.07 131	0.11 135	0.10 147	0.06 127	0.05 209	0.04 1	0.03 1	0.04 22	0.04 50

GEAStereo	0.08 57	0.05 27	0.08 40	0.13 14	0.08 151	0.08 60	0.14 178	0.10 22	0.09 30	0.08 87	0.10 142	0.06 24	0.05 13	0.11 135	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.05 149

GSStereo	0.08 57	0.05 27	0.08 40	0.13 14	0.08 151	0.08 60	0.14 178	0.11 37	0.12 105	0.08 87	0.10 142	0.05 3	0.05 13	0.11 135	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.05 149

gasm-f	0.08 57	0.05 27	0.07 8	0.13 14	0.08 151	0.08 60	0.14 178	0.10 22	0.09 30	0.08 87	0.10 142	0.06 24	0.05 13	0.10 83	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.06 230	0.05 149

DDF-Stereo	0.08 57	0.04 1	0.09 92	0.15 90	0.10 381	0.06 11	0.13 125	0.09 13	0.14 164	0.06 14	0.06 15	0.07 82	0.06 47	0.09 40	0.10 147	0.06 127	0.04 24	0.06 129	0.04 44	0.08 364	0.05 149

252Zero-FE	0.08 57	0.04 1	0.09 92	0.13 14	0.07 84	0.12 238	0.11 56	0.13 75	0.14 164	0.06 14	0.05 7	0.06 24	0.05 13	0.09 40	0.10 147	0.06 127	0.04 24	0.04 1	0.03 1	0.05 122	0.06 241

DA	0.08 57	0.07 174	0.07 8	0.19 390	0.08 151	0.09 98	0.12 77	0.13 75	0.12 105	0.08 87	0.10 142	0.10 192	0.08 171	0.09 40	0.10 147	0.05 35	0.04 24	0.06 129	0.04 44	0.05 122	0.03 2

zero-FE	0.08 57	0.04 1	0.09 92	0.15 90	0.10 381	0.05 4	0.14 178	0.09 13	0.14 164	0.07 48	0.06 15	0.07 82	0.06 47	0.09 40	0.10 147	0.06 127	0.04 24	0.06 129	0.04 44	0.08 364	0.05 149

GGEV	0.08 57	0.07 174	0.07 8	0.19 390	0.08 151	0.09 98	0.12 77	0.13 75	0.12 105	0.08 87	0.10 142	0.10 192	0.08 171	0.09 40	0.10 147	0.05 35	0.04 24	0.06 129	0.04 44	0.05 122	0.03 2

GASTEREO	0.08 57	0.05 27	0.09 92	0.19 390	0.07 84	0.07 34	0.12 77	0.14 95	0.11 75	0.10 162	0.09 112	0.07 82	0.04 1	0.12 225	0.08 17	0.06 127	0.05 209	0.05 34	0.04 44	0.04 22	0.05 149

MSCF	0.08 57	0.05 27	0.08 40	0.19 390	0.08 151	0.06 11	0.12 77	0.14 95	0.11 75	0.10 162	0.09 112	0.07 82	0.04 1	0.11 135	0.08 17	0.06 127	0.05 209	0.05 34	0.04 44	0.05 122	0.05 149

S2M2_XL	0.08 57	0.06 81	0.12 224	0.12 5	0.08 151	0.09 98	0.09 18	0.07 2	0.07 10	0.08 87	0.07 49	0.07 82	0.06 47	0.09 40	0.09 66	0.08 345	0.06 346	0.07 230	0.05 132	0.08 364	0.06 241
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 57	0.09 355	0.10 140	0.17 248	0.07 84	0.08 60	0.10 31	0.20 270	0.13 138	0.06 14	0.07 49	0.05 3	0.06 47	0.08 19	0.09 66	0.03 1	0.03 1	0.04 1	0.03 1	0.04 22	0.03 2

2w_stereo	0.08 57	0.08 279	0.09 92	0.16 172	0.06 16	0.08 60	0.10 31	0.20 270	0.15 184	0.08 87	0.07 49	0.06 24	0.06 47	0.06 1	0.09 66	0.04 11	0.03 1	0.04 1	0.04 44	0.03 1	0.03 2

LG-Stereo	0.08 57	0.07 174	0.10 140	0.18 330	0.07 84	0.10 150	0.17 359	0.11 37	0.08 17	0.05 2	0.07 49	0.05 3	0.07 131	0.09 40	0.09 66	0.04 11	0.05 209	0.07 230	0.07 310	0.04 22	0.04 50

SGD-Stereo	0.08 57	0.05 27	0.10 140	0.14 45	0.05 1	0.12 238	0.12 77	0.11 37	0.12 105	0.07 48	0.09 112	0.09 159	0.09 201	0.08 19	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.03 2

HART	0.08 57	0.07 174	0.09 92	0.17 248	0.07 84	0.10 150	0.16 322	0.13 75	0.11 75	0.08 87	0.10 142	0.07 82	0.05 13	0.10 83	0.08 17	0.05 35	0.04 24	0.06 129	0.04 44	0.05 122	0.04 50

Reg-Stereo(zero)	0.08 57	0.05 27	0.08 40	0.16 172	0.06 16	0.12 238	0.11 56	0.15 131	0.10 48	0.12 234	0.09 112	0.10 192	0.08 171	0.11 135	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.05 149

SCV_C0	0.08 57	0.07 174	0.07 8	0.16 172	0.09 272	0.08 60	0.15 256	0.11 37	0.12 105	0.08 87	0.07 49	0.06 24	0.05 13	0.11 135	0.07 1	0.05 35	0.05 209	0.05 34	0.04 44	0.06 230	0.05 149

SCV	0.08 57	0.09 355	0.08 40	0.15 90	0.08 151	0.10 150	0.13 125	0.10 22	0.12 105	0.07 48	0.07 49	0.06 24	0.04 1	0.09 40	0.08 17	0.05 35	0.04 24	0.06 129	0.04 44	0.06 230	0.04 50

DEFOM-Stereo_RVC	0.08 57	0.06 81	0.09 92	0.22 496	0.06 16	0.08 60	0.12 77	0.10 22	0.10 48	0.07 48	0.07 49	0.06 24	0.05 13	0.11 135	0.09 66	0.06 127	0.04 24	0.05 34	0.03 1	0.06 230	0.04 50

HUF	0.08 57	0.05 27	0.08 40	0.14 45	0.06 16	0.09 98	0.13 125	0.13 75	0.13 138	0.07 48	0.07 49	0.08 129	0.06 47	0.10 83	0.09 66	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

castereo++	0.08 57	0.05 27	0.08 40	0.15 90	0.05 1	0.14 322	0.12 77	0.11 37	0.15 184	0.07 48	0.07 49	0.07 82	0.06 47	0.08 19	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

IGEV-RUCA	0.08 57	0.06 81	0.11 185	0.14 45	0.09 272	0.10 150	0.12 77	0.10 22	0.12 105	0.06 14	0.07 49	0.07 82	0.06 47	0.09 40	0.08 17	0.06 127	0.05 209	0.05 34	0.04 44	0.05 122	0.06 241

GIP-stereo	0.08 57	0.06 81	0.11 185	0.14 45	0.06 16	0.09 98	0.13 125	0.14 95	0.11 75	0.07 48	0.08 90	0.05 3	0.04 1	0.10 83	0.07 1	0.05 35	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

SMoEStereo_RVC	0.08 57	0.06 81	0.12 224	0.16 172	0.07 84	0.09 98	0.14 178	0.11 37	0.13 138	0.09 125	0.07 49	0.07 82	0.07 131	0.12 225	0.10 147	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

WCG-NET	0.08 57	0.05 27	0.09 92	0.15 90	0.06 16	0.11 196	0.14 178	0.13 75	0.13 138	0.06 14	0.09 112	0.07 82	0.06 47	0.13 275	0.08 17	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

Occ-G	0.08 57	0.05 27	0.06 4	0.14 45	0.07 84	0.08 60	0.14 178	0.13 75	0.15 184	0.07 48	0.11 186	0.07 82	0.05 13	0.09 40	0.10 147	0.06 127	0.05 209	0.05 34	0.04 44	0.05 122	0.05 149

U	0.08 57	0.07 174	0.09 92	0.19 390	0.10 381	0.10 150	0.13 125	0.12 58	0.17 241	0.07 48	0.07 49	0.06 24	0.05 13	0.07 4	0.08 17	0.06 127	0.04 24	0.06 129	0.04 44	0.06 230	0.05 149

AIO-Stereo	0.08 57	0.06 81	0.09 92	0.18 330	0.06 16	0.08 60	0.12 77	0.15 131	0.09 30	0.08 87	0.08 90	0.07 82	0.05 13	0.11 135	0.08 17	0.05 35	0.05 209	0.05 34	0.04 44	0.04 22	0.04 50

WCG-NET（raft）	0.08 57	0.05 27	0.10 140	0.15 90	0.06 16	0.11 196	0.13 125	0.15 131	0.12 105	0.08 87	0.07 49	0.06 24	0.06 47	0.13 275	0.08 17	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.04 50

RSM++	0.08 57	0.06 81	0.09 92	0.17 248	0.07 84	0.09 98	0.12 77	0.11 37	0.11 75	0.08 87	0.06 15	0.07 82	0.05 13	0.10 83	0.09 66	0.04 11	0.04 24	0.06 129	0.05 132	0.05 122	0.03 2

RSM	0.08 57	0.06 81	0.09 92	0.17 248	0.06 16	0.08 60	0.12 77	0.12 58	0.10 48	0.08 87	0.07 49	0.06 24	0.05 13	0.11 135	0.09 66	0.04 11	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

test_for_model	0.08 57	0.05 27	0.09 92	0.14 45	0.07 84	0.08 60	0.14 178	0.17 199	0.21 327	0.08 87	0.12 203	0.06 24	0.04 1	0.09 40	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.03 1	0.03 2

trnet	0.08 57	0.05 27	0.07 8	0.12 5	0.05 1	0.12 238	0.11 56	0.13 75	0.10 48	0.08 87	0.13 218	0.09 159	0.08 171	0.11 135	0.10 147	0.08 345	0.05 209	0.05 34	0.03 1	0.06 230	0.05 149

MoCha-V2	0.08 57	0.05 27	0.10 140	0.20 450	0.07 84	0.09 98	0.14 178	0.11 37	0.08 17	0.07 48	0.08 90	0.07 82	0.06 47	0.09 40	0.08 17	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.04 50

IGEV++	0.08 57	0.06 81	0.08 40	0.18 330	0.07 84	0.09 98	0.13 125	0.10 22	0.09 30	0.08 87	0.08 90	0.06 24	0.06 47	0.13 275	0.09 66	0.05 35	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

AEACV	0.08 57	0.05 27	0.08 40	0.14 45	0.13 486	0.14 322	0.13 125	0.14 95	0.09 30	0.07 48	0.09 112	0.07 82	0.08 171	0.10 83	0.09 66	0.06 127	0.04 24	0.06 129	0.05 132	0.05 122	0.04 50

LoS_RVC	0.08 57	0.05 27	0.07 8	0.15 90	0.07 84	0.08 60	0.15 256	0.11 37	0.10 48	0.08 87	0.09 112	0.06 24	0.09 201	0.10 83	0.09 66	0.05 35	0.04 24	0.05 34	0.03 1	0.04 22	0.03 2

CAS	0.08 57	0.04 1	0.07 8	0.17 248	0.08 151	0.10 150	0.13 125	0.12 58	0.09 30	0.09 125	0.10 142	0.08 129	0.06 47	0.09 40	0.08 17	0.08 345	0.04 24	0.05 34	0.03 1	0.05 122	0.04 50

CES	0.08 57	0.04 1	0.08 40	0.14 45	0.07 84	0.09 98	0.14 178	0.11 37	0.09 30	0.08 87	0.09 112	0.11 219	0.06 47	0.12 225	0.08 17	0.06 127	0.04 24	0.05 34	0.03 1	0.05 122	0.05 149

EGLCR-Stereo	0.08 57	0.05 27	0.08 40	0.14 45	0.06 16	0.10 150	0.12 77	0.11 37	0.16 214	0.06 14	0.05 7	0.07 82	0.05 13	0.10 83	0.11 223	0.06 127	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

MC-Stereo	0.08 57	0.06 81	0.09 92	0.17 248	0.06 16	0.10 150	0.14 178	0.12 58	0.10 48	0.09 125	0.12 203	0.09 159	0.06 47	0.11 135	0.10 147	0.06 127	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

test-3	0.08 57	0.06 81	0.09 92	0.17 248	0.07 84	0.07 34	0.14 178	0.12 58	0.15 184	0.09 125	0.08 90	0.07 82	0.08 171	0.11 135	0.10 147	0.05 35	0.04 24	0.07 230	0.05 132	0.04 22	0.04 50

test_1	0.08 57	0.06 81	0.09 92	0.17 248	0.07 84	0.07 34	0.14 178	0.12 58	0.15 184	0.09 125	0.08 90	0.07 82	0.08 171	0.11 135	0.10 147	0.05 35	0.04 24	0.07 230	0.05 132	0.04 22	0.04 50

CREStereo++_RVC	0.08 57	0.04 1	0.06 4	0.13 14	0.07 84	0.09 98	0.12 77	0.14 95	0.14 164	0.10 162	0.14 231	0.08 129	0.07 131	0.09 40	0.11 223	0.06 127	0.04 24	0.05 34	0.05 132	0.04 22	0.04 50
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
VMBase	0.09 108	0.05 27	0.10 140	0.13 14	0.07 84	0.10 150	0.10 31	0.16 161	0.13 138	0.10 162	0.15 249	0.10 192	0.09 201	0.11 135	0.10 147	0.07 276	0.05 209	0.05 34	0.04 44	0.05 122	0.06 241

gcap_with_dpt	0.09 108	0.06 81	0.09 92	0.16 172	0.08 151	0.12 238	0.14 178	0.16 161	0.16 214	0.08 87	0.14 231	0.10 192	0.06 47	0.11 135	0.10 147	0.06 127	0.05 209	0.05 34	0.04 44	0.05 122	0.04 50

Wave_Phase_stereo	0.09 108	0.06 81	0.16 390	0.15 90	0.08 151	0.11 196	0.09 18	0.18 231	0.16 214	0.06 14	0.07 49	0.07 82	0.05 13	0.09 40	0.11 223	0.04 11	0.05 209	0.05 34	0.07 310	0.04 22	0.04 50

NLSM3	0.09 108	0.06 81	0.08 40	0.19 390	0.08 151	0.11 196	0.16 322	0.18 231	0.16 214	0.06 14	0.08 90	0.07 82	0.08 171	0.09 40	0.11 223	0.04 11	0.04 24	0.06 129	0.07 310	0.03 1	0.03 2

FE-Mocha	0.09 108	0.06 81	0.14 307	0.16 172	0.09 272	0.10 150	0.15 256	0.18 231	0.16 214	0.10 162	0.09 112	0.07 82	0.07 131	0.09 40	0.09 66	0.06 127	0.04 24	0.06 129	0.06 216	0.05 122	0.05 149

IGEV-FE	0.09 108	0.05 27	0.12 224	0.13 14	0.08 151	0.12 238	0.13 125	0.17 199	0.11 75	0.10 162	0.06 15	0.09 159	0.06 47	0.11 135	0.09 66	0.06 127	0.04 24	0.06 129	0.06 216	0.05 122	0.05 149

water-stereo	0.09 108	0.06 81	0.08 40	0.16 172	0.07 84	0.09 98	0.13 125	0.15 131	0.13 138	0.11 194	0.12 203	0.08 129	0.09 201	0.07 4	0.08 17	0.06 127	0.05 209	0.05 34	0.05 132	0.04 22	0.04 50

depthmonostereo	0.09 108	0.06 81	0.09 92	0.15 90	0.06 16	0.10 150	0.13 125	0.14 95	0.14 164	0.10 162	0.10 142	0.09 159	0.11 269	0.08 19	0.09 66	0.06 127	0.05 209	0.06 129	0.04 44	0.04 22	0.03 2

DilatedVolume-Stereo	0.09 108	0.05 27	0.08 40	0.15 90	0.06 16	0.11 196	0.12 77	0.14 95	0.16 214	0.11 194	0.11 186	0.09 159	0.09 201	0.11 135	0.10 147	0.06 127	0.05 209	0.05 34	0.04 44	0.03 1	0.03 2

S2M2_L	0.09 108	0.08 279	0.11 185	0.13 14	0.10 381	0.08 60	0.06 1	0.10 22	0.10 48	0.10 162	0.09 112	0.10 192	0.09 201	0.11 135	0.11 223	0.13 523	0.07 418	0.08 321	0.09 427	0.10 458	0.08 388
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test2	0.09 108	0.06 81	0.09 92	0.19 390	0.08 151	0.12 238	0.18 407	0.15 131	0.14 164	0.07 48	0.10 142	0.07 82	0.06 47	0.12 225	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.03 2

castereo	0.09 108	0.06 81	0.11 185	0.15 90	0.06 16	0.11 196	0.15 256	0.14 95	0.18 271	0.08 87	0.10 142	0.11 219	0.08 171	0.09 40	0.10 147	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.03 2

fffft	0.09 108	0.06 81	0.12 224	0.16 172	0.07 84	0.09 98	0.17 359	0.12 58	0.11 75	0.08 87	0.07 49	0.09 159	0.06 47	0.11 135	0.12 282	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.05 149
1: 1. 1
tt45	0.09 108	0.06 81	0.11 185	0.15 90	0.07 84	0.11 196	0.16 322	0.13 75	0.11 75	0.09 125	0.06 15	0.08 129	0.06 47	0.13 275	0.10 147	0.06 127	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

999	0.09 108	0.05 27	0.13 271	0.15 90	0.08 151	0.10 150	0.14 178	0.15 131	0.11 75	0.10 162	0.08 90	0.08 129	0.08 171	0.16 361	0.10 147	0.06 127	0.04 24	0.06 129	0.05 132	0.04 22	0.05 149

mms	0.09 108	0.07 174	0.08 40	0.16 172	0.08 151	0.10 150	0.16 322	0.12 58	0.11 75	0.08 87	0.09 112	0.08 129	0.06 47	0.11 135	0.12 282	0.05 35	0.04 24	0.07 230	0.05 132	0.04 22	0.03 2

ours_stereo	0.09 108	0.07 174	0.09 92	0.17 248	0.08 151	0.11 196	0.16 322	0.11 37	0.12 105	0.08 87	0.10 142	0.08 129	0.06 47	0.12 225	0.12 282	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.03 2

fffy	0.09 108	0.08 279	0.09 92	0.16 172	0.07 84	0.13 289	0.17 359	0.13 75	0.12 105	0.08 87	0.09 112	0.08 129	0.09 201	0.13 275	0.11 223	0.05 35	0.05 209	0.07 230	0.05 132	0.04 22	0.05 149

PAM_32	0.09 108	0.05 27	0.17 420	0.15 90	0.08 151	0.10 150	0.15 256	0.14 95	0.15 184	0.09 125	0.08 90	0.09 159	0.07 131	0.14 304	0.08 17	0.06 127	0.05 209	0.06 129	0.06 216	0.05 122	0.06 241

UGAM-zero	0.09 108	0.05 27	0.15 356	0.15 90	0.08 151	0.09 98	0.13 125	0.19 259	0.15 184	0.11 194	0.15 249	0.07 82	0.07 131	0.09 40	0.09 66	0.06 127	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241

GCAP-BAT	0.09 108	0.07 174	0.14 307	0.15 90	0.08 151	0.10 150	0.13 125	0.14 95	0.10 48	0.11 194	0.10 142	0.08 129	0.07 131	0.12 225	0.10 147	0.06 127	0.05 209	0.06 129	0.04 44	0.04 22	0.04 50

Pointernet	0.09 108	0.04 1	0.09 92	0.16 172	0.08 151	0.13 289	0.10 31	0.15 131	0.17 241	0.09 125	0.07 49	0.06 24	0.06 47	0.11 135	0.09 66	0.08 345	0.04 24	0.05 34	0.03 1	0.06 230	0.05 149

IGEV-BASED-STEREO-	0.09 108	0.10 414	0.31 527	0.15 90	0.06 16	0.08 60	0.14 178	0.10 22	0.10 48	0.07 48	0.07 49	0.06 24	0.04 1	0.11 135	0.07 1	0.12 498	0.04 24	0.07 230	0.05 132	0.05 122	0.05 149

RAFT-Stereo-weight	0.09 108	0.06 81	0.10 140	0.16 172	0.07 84	0.09 98	0.14 178	0.19 259	0.16 214	0.11 194	0.10 142	0.08 129	0.06 47	0.10 83	0.11 223	0.06 127	0.04 24	0.06 129	0.04 44	0.04 22	0.04 50

gcap-zeroshot	0.09 108	0.05 27	0.10 140	0.16 172	0.07 84	0.13 289	0.13 125	0.11 37	0.12 105	0.13 264	0.12 203	0.09 159	0.08 171	0.09 40	0.09 66	0.06 127	0.05 209	0.06 129	0.05 132	0.04 22	0.04 50

GCAPDPT-zeroshot4090	0.09 108	0.05 27	0.11 185	0.13 14	0.07 84	0.11 196	0.14 178	0.14 95	0.16 214	0.07 48	0.10 142	0.08 129	0.06 47	0.13 275	0.08 17	0.07 276	0.05 209	0.05 34	0.05 132	0.04 22	0.04 50

MGS-Stereo	0.09 108	0.07 174	0.12 224	0.15 90	0.08 151	0.09 98	0.15 256	0.12 58	0.12 105	0.07 48	0.10 142	0.08 129	0.06 47	0.10 83	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.06 230	0.05 149

ff7	0.09 108	0.07 174	0.11 185	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.12 105	0.10 162	0.06 15	0.06 24	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

IGEVStereo-DCA	0.09 108	0.06 81	0.11 185	0.15 90	0.10 381	0.11 196	0.15 256	0.16 161	0.12 105	0.10 162	0.06 15	0.08 129	0.06 47	0.10 83	0.08 17	0.06 127	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241

ffff	0.09 108	0.07 174	0.11 185	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.12 105	0.10 162	0.06 15	0.06 24	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

rrr	0.09 108	0.06 81	0.12 224	0.15 90	0.10 381	0.11 196	0.16 322	0.16 161	0.15 184	0.10 162	0.06 15	0.08 129	0.06 47	0.10 83	0.08 17	0.06 127	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241

11t	0.09 108	0.07 174	0.11 185	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.12 105	0.10 162	0.06 15	0.06 24	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

MaDis-Stereo	0.09 108	0.09 355	0.08 40	0.17 248	0.09 272	0.13 289	0.10 31	0.16 161	0.16 214	0.09 125	0.11 186	0.06 24	0.06 47	0.09 40	0.13 323	0.07 276	0.06 346	0.07 230	0.05 132	0.05 122	0.04 50

IGEV_Zeroshot_test	0.09 108	0.05 27	0.12 224	0.13 14	0.08 151	0.12 238	0.13 125	0.17 199	0.11 75	0.10 162	0.06 15	0.09 159	0.06 47	0.11 135	0.09 66	0.06 127	0.04 24	0.06 129	0.06 216	0.05 122	0.05 149

MSKI-zero shot	0.09 108	0.05 27	0.09 92	0.15 90	0.07 84	0.10 150	0.13 125	0.14 95	0.13 138	0.09 125	0.09 112	0.09 159	0.06 47	0.12 225	0.10 147	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.04 50

UniTT-Stereo	0.09 108	0.07 174	0.08 40	0.18 330	0.08 151	0.13 289	0.11 56	0.12 58	0.11 75	0.10 162	0.12 203	0.05 3	0.07 131	0.09 40	0.09 66	0.07 276	0.05 209	0.05 34	0.05 132	0.05 122	0.05 149

MIM_Stereo	0.09 108	0.07 174	0.11 185	0.15 90	0.07 84	0.06 11	0.12 77	0.20 270	0.14 164	0.13 264	0.13 218	0.09 159	0.05 13	0.12 225	0.08 17	0.05 35	0.06 346	0.07 230	0.06 216	0.06 230	0.05 149

CASnet	0.09 108	0.09 355	0.09 92	0.19 390	0.06 16	0.07 34	0.11 56	0.18 231	0.14 164	0.11 194	0.10 142	0.09 159	0.07 131	0.10 83	0.10 147	0.06 127	0.04 24	0.10 451	0.08 381	0.05 122	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
testlalala	0.09 108	0.05 27	0.11 185	0.13 14	0.07 84	0.11 196	0.14 178	0.14 95	0.16 214	0.07 48	0.10 142	0.08 129	0.06 47	0.13 275	0.08 17	0.07 276	0.05 209	0.05 34	0.05 132	0.04 22	0.04 50

GCAPDPT-zeroshot	0.09 108	0.05 27	0.11 185	0.13 14	0.07 84	0.11 196	0.14 178	0.14 95	0.16 214	0.07 48	0.10 142	0.08 129	0.06 47	0.13 275	0.08 17	0.07 276	0.05 209	0.05 34	0.05 132	0.04 22	0.04 50

GCAP-Stereo	0.09 108	0.07 174	0.13 271	0.18 330	0.06 16	0.11 196	0.07 3	0.13 75	0.12 105	0.09 125	0.10 142	0.07 82	0.09 201	0.13 275	0.10 147	0.06 127	0.05 209	0.05 34	0.04 44	0.04 22	0.05 149

RAFT-Test	0.09 108	0.06 81	0.10 140	0.15 90	0.07 84	0.11 196	0.15 256	0.16 161	0.13 138	0.09 125	0.10 142	0.10 192	0.09 201	0.12 225	0.09 66	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.05 149

HH	0.09 108	0.06 81	0.13 271	0.17 248	0.08 151	0.10 150	0.16 322	0.14 95	0.10 48	0.08 87	0.09 112	0.08 129	0.07 131	0.10 83	0.09 66	0.06 127	0.04 24	0.06 129	0.05 132	0.05 122	0.04 50

HanStereo	0.09 108	0.06 81	0.13 271	0.17 248	0.08 151	0.10 150	0.16 322	0.14 95	0.10 48	0.08 87	0.09 112	0.08 129	0.07 131	0.10 83	0.09 66	0.06 127	0.04 24	0.06 129	0.05 132	0.05 122	0.04 50

4D-IteraStereo	0.09 108	0.07 174	0.10 140	0.18 330	0.07 84	0.09 98	0.15 256	0.17 199	0.15 184	0.10 162	0.11 186	0.10 192	0.07 131	0.11 135	0.09 66	0.05 35	0.03 1	0.08 321	0.07 310	0.06 230	0.05 149

anonymousdsp	0.09 108	0.07 174	0.11 185	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.12 105	0.09 125	0.06 15	0.06 24	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

LoS	0.09 108	0.05 27	0.11 185	0.13 14	0.07 84	0.14 322	0.11 56	0.15 131	0.15 184	0.09 125	0.09 112	0.12 237	0.09 201	0.15 326	0.10 147	0.07 276	0.05 209	0.05 34	0.03 1	0.05 122	0.05 149
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 108	0.07 174	0.10 140	0.17 248	0.08 151	0.10 150	0.15 256	0.15 131	0.12 105	0.09 125	0.06 15	0.07 82	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.06 241

RCA-Stereo	0.09 108	0.06 81	0.09 92	0.16 172	0.06 16	0.09 98	0.13 125	0.18 231	0.14 164	0.09 125	0.10 142	0.08 129	0.07 131	0.12 225	0.11 223	0.06 127	0.04 24	0.06 129	0.05 132	0.05 122	0.04 50

CroCo-Stereo Lap2	0.09 108	0.09 355	0.08 40	0.22 496	0.09 272	0.09 98	0.19 446	0.16 161	0.12 105	0.09 125	0.10 142	0.05 3	0.05 13	0.08 19	0.08 17	0.06 127	0.06 346	0.07 230	0.05 132	0.05 122	0.05 149

ccc-4	0.09 108	0.07 174	0.11 185	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.12 105	0.10 162	0.06 15	0.06 24	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

IGEV-Stereo	0.09 108	0.07 174	0.11 185	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.12 105	0.09 125	0.06 15	0.06 24	0.06 47	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 108	0.05 27	0.13 271	0.14 45	0.08 151	0.12 238	0.15 256	0.18 231	0.10 48	0.11 194	0.08 90	0.08 129	0.05 13	0.10 83	0.09 66	0.06 127	0.04 24	0.06 129	0.05 132	0.06 230	0.05 149

TRStereo	0.09 108	0.05 27	0.12 224	0.15 90	0.12 463	0.10 150	0.13 125	0.18 231	0.18 271	0.09 125	0.09 112	0.09 159	0.06 47	0.10 83	0.08 17	0.07 276	0.05 209	0.07 230	0.07 310	0.04 22	0.04 50

AnonymousM	0.09 108	0.05 27	0.10 140	0.14 45	0.06 16	0.09 98	0.13 125	0.19 259	0.14 164	0.13 264	0.11 186	0.09 159	0.08 171	0.13 275	0.10 147	0.08 345	0.05 209	0.08 321	0.05 132	0.05 122	0.05 149

CroCo-Stereo	0.09 108	0.08 279	0.08 40	0.22 496	0.09 272	0.09 98	0.19 446	0.15 131	0.12 105	0.07 48	0.07 49	0.08 129	0.06 47	0.08 19	0.07 1	0.07 276	0.05 209	0.06 129	0.04 44	0.05 122	0.04 50
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	0.09 108	0.06 81	0.07 8	0.15 90	0.05 1	0.16 377	0.18 407	0.15 131	0.15 184	0.10 162	0.11 186	0.11 219	0.11 269	0.10 83	0.12 282	0.05 35	0.04 24	0.05 34	0.04 44	0.04 22	0.04 50

TANstereo	0.09 108	0.04 1	0.08 40	0.13 14	0.06 16	0.11 196	0.14 178	0.15 131	0.19 288	0.11 194	0.15 249	0.10 192	0.06 47	0.12 225	0.09 66	0.07 276	0.05 209	0.05 34	0.04 44	0.06 230	0.05 149

XX-TBD	0.09 108	0.06 81	0.07 8	0.14 45	0.07 84	0.12 238	0.16 322	0.14 95	0.13 138	0.11 194	0.12 203	0.09 159	0.08 171	0.10 83	0.10 147	0.06 127	0.04 24	0.05 34	0.03 1	0.06 230	0.05 149

raftrobust	0.09 108	0.06 81	0.10 140	0.17 248	0.08 151	0.09 98	0.10 31	0.18 231	0.16 214	0.10 162	0.09 112	0.12 237	0.07 131	0.12 225	0.10 147	0.08 345	0.05 209	0.06 129	0.05 132	0.05 122	0.05 149

XX-Stereo	0.09 108	0.05 27	0.08 40	0.17 248	0.09 272	0.15 348	0.12 77	0.20 270	0.10 48	0.10 162	0.14 231	0.07 82	0.06 47	0.12 225	0.08 17	0.06 127	0.05 209	0.06 129	0.06 216	0.04 22	0.04 50

test_xeample3	0.09 108	0.06 81	0.12 224	0.16 172	0.09 272	0.11 196	0.15 256	0.16 161	0.13 138	0.10 162	0.06 15	0.08 129	0.06 47	0.10 83	0.09 66	0.05 35	0.04 24	0.06 129	0.05 132	0.05 122	0.06 241

RAFT-Stereo + iAFF	0.09 108	0.06 81	0.10 140	0.17 248	0.06 16	0.10 150	0.16 322	0.17 199	0.14 164	0.09 125	0.10 142	0.08 129	0.09 201	0.11 135	0.09 66	0.05 35	0.04 24	0.06 129	0.06 216	0.04 22	0.03 2

AFF-stereo	0.09 108	0.06 81	0.10 140	0.17 248	0.07 84	0.10 150	0.16 322	0.17 199	0.09 30	0.10 162	0.12 203	0.09 159	0.09 201	0.12 225	0.09 66	0.05 35	0.04 24	0.07 230	0.07 310	0.04 22	0.03 2

EAI-Stereo	0.09 108	0.07 174	0.11 185	0.15 90	0.06 16	0.10 150	0.15 256	0.16 161	0.09 30	0.08 87	0.09 112	0.08 129	0.07 131	0.09 40	0.11 223	0.05 35	0.04 24	0.05 34	0.05 132	0.05 122	0.04 50

CFNet-RSSM	0.09 108	0.07 174	0.09 92	0.16 172	0.07 84	0.09 98	0.15 256	0.16 161	0.17 241	0.08 87	0.12 203	0.10 192	0.09 201	0.11 135	0.09 66	0.06 127	0.04 24	0.06 129	0.04 44	0.04 22	0.04 50

Gwc-CoAtRS	0.09 108	0.06 81	0.10 140	0.16 172	0.07 84	0.10 150	0.14 178	0.17 199	0.17 241	0.08 87	0.10 142	0.12 237	0.09 201	0.12 225	0.09 66	0.06 127	0.04 24	0.06 129	0.04 44	0.04 22	0.04 50

CREStereo	0.09 108	0.04 1	0.08 40	0.11 1	0.06 16	0.13 289	0.14 178	0.14 95	0.10 48	0.08 87	0.13 218	0.09 159	0.08 171	0.11 135	0.10 147	0.08 345	0.04 24	0.05 34	0.03 1	0.06 230	0.06 241
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	0.09 108	0.05 27	0.09 92	0.12 5	0.06 16	0.12 238	0.14 178	0.15 131	0.11 75	0.09 125	0.13 218	0.10 192	0.07 131	0.13 275	0.10 147	0.15 541	0.04 24	0.05 34	0.03 1	0.07 302	0.06 241

Hybrid-DGEV-03	0.10 177	0.06 81	0.09 92	0.18 330	0.08 151	0.16 377	0.14 178	0.15 131	0.14 164	0.13 264	0.16 261	0.12 237	0.09 201	0.13 275	0.11 223	0.06 127	0.04 24	0.08 321	0.06 216	0.05 122	0.04 50

WQFJA1	0.10 177	0.07 174	0.08 40	0.20 450	0.09 272	0.12 238	0.17 359	0.17 199	0.17 241	0.09 125	0.10 142	0.08 129	0.10 239	0.12 225	0.11 223	0.06 127	0.07 418	0.07 230	0.06 216	0.06 230	0.05 149

WQFJX1	0.10 177	0.07 174	0.08 40	0.22 496	0.09 272	0.12 238	0.17 359	0.18 231	0.17 241	0.10 162	0.09 112	0.07 82	0.10 239	0.11 135	0.09 66	0.07 276	0.08 447	0.07 230	0.06 216	0.05 122	0.04 50

WQFJX	0.10 177	0.07 174	0.09 92	0.21 481	0.09 272	0.12 238	0.16 322	0.18 231	0.17 241	0.12 234	0.10 142	0.07 82	0.09 201	0.12 225	0.10 147	0.06 127	0.07 418	0.06 129	0.05 132	0.06 230	0.05 149

NLMM	0.10 177	0.07 174	0.08 40	0.20 450	0.09 272	0.12 238	0.17 359	0.17 199	0.17 241	0.09 125	0.10 142	0.08 129	0.10 239	0.12 225	0.11 223	0.06 127	0.07 418	0.07 230	0.06 216	0.06 230	0.05 149

NLSM1	0.10 177	0.07 174	0.07 8	0.19 390	0.08 151	0.13 289	0.16 322	0.21 293	0.15 184	0.11 194	0.10 142	0.06 24	0.10 239	0.10 83	0.11 223	0.07 276	0.08 447	0.08 321	0.07 310	0.05 122	0.05 149

MM-Stereo_test3	0.10 177	0.07 174	0.07 8	0.18 330	0.07 84	0.12 238	0.19 446	0.24 360	0.19 288	0.06 14	0.10 142	0.08 129	0.06 47	0.11 135	0.08 17	0.06 127	0.06 346	0.07 230	0.05 132	0.05 122	0.04 50

MM-Stereo_test1	0.10 177	0.07 174	0.08 40	0.18 330	0.07 84	0.12 238	0.18 407	0.21 293	0.20 311	0.09 125	0.11 186	0.08 129	0.06 47	0.10 83	0.10 147	0.06 127	0.05 209	0.07 230	0.06 216	0.05 122	0.04 50

AIO-test2	0.10 177	0.08 279	0.10 140	0.23 520	0.08 151	0.11 196	0.10 31	0.23 337	0.23 353	0.08 87	0.09 112	0.08 129	0.05 13	0.10 83	0.08 17	0.06 127	0.05 209	0.08 321	0.09 427	0.05 122	0.05 149

AIO-test1	0.10 177	0.07 174	0.10 140	0.23 520	0.07 84	0.09 98	0.13 125	0.21 293	0.14 164	0.11 194	0.12 203	0.09 159	0.07 131	0.11 135	0.09 66	0.06 127	0.05 209	0.09 404	0.10 467	0.03 1	0.06 241

tg	0.10 177	0.06 81	0.10 140	0.18 330	0.08 151	0.11 196	0.16 322	0.20 270	0.12 105	0.08 87	0.11 186	0.11 219	0.07 131	0.11 135	0.10 147	0.05 35	0.04 24	0.08 321	0.08 381	0.04 22	0.04 50

PAM	0.10 177	0.05 27	0.16 390	0.15 90	0.08 151	0.09 98	0.16 322	0.15 131	0.16 214	0.12 234	0.09 112	0.09 159	0.07 131	0.13 275	0.08 17	0.06 127	0.05 209	0.06 129	0.06 216	0.05 122	0.06 241

model_zeroshot	0.10 177	0.04 1	0.11 185	0.15 90	0.09 272	0.12 238	0.14 178	0.20 270	0.13 138	0.11 194	0.10 142	0.12 237	0.07 131	0.12 225	0.10 147	0.07 276	0.06 346	0.06 129	0.05 132	0.06 230	0.06 241

RAStereo	0.10 177	0.09 355	0.08 40	0.20 450	0.08 151	0.13 289	0.18 407	0.15 131	0.17 241	0.10 162	0.12 203	0.05 3	0.06 47	0.09 40	0.08 17	0.07 276	0.05 209	0.07 230	0.05 132	0.05 122	0.04 50

rvit_stereo_0080	0.10 177	0.08 279	0.14 307	0.15 90	0.09 272	0.07 34	0.15 256	0.16 161	0.16 214	0.11 194	0.10 142	0.14 283	0.08 171	0.12 225	0.10 147	0.09 404	0.07 418	0.07 230	0.06 216	0.07 302	0.05 149

H2IRNET	0.10 177	0.09 355	0.09 92	0.18 330	0.09 272	0.12 238	0.15 256	0.14 95	0.21 327	0.10 162	0.10 142	0.10 192	0.10 239	0.10 83	0.10 147	0.05 35	0.04 24	0.08 321	0.08 381	0.06 230	0.05 149

Former-RAFT_DAM_RVC	0.10 177	0.08 279	0.12 224	0.16 172	0.08 151	0.15 348	0.16 322	0.18 231	0.18 271	0.10 162	0.09 112	0.09 159	0.08 171	0.11 135	0.12 282	0.07 276	0.05 209	0.08 321	0.06 216	0.07 302	0.06 241

MyStereo07	0.10 177	0.07 174	0.10 140	0.17 248	0.09 272	0.14 322	0.18 407	0.15 131	0.15 184	0.09 125	0.06 15	0.06 24	0.07 131	0.12 225	0.09 66	0.06 127	0.05 209	0.08 321	0.07 310	0.06 230	0.06 241

MyStereo06	0.10 177	0.07 174	0.12 224	0.17 248	0.09 272	0.13 289	0.18 407	0.19 259	0.12 105	0.12 234	0.08 90	0.07 82	0.07 131	0.11 135	0.09 66	0.06 127	0.05 209	0.07 230	0.07 310	0.06 230	0.06 241

AE-Stereo	0.10 177	0.08 279	0.10 140	0.18 330	0.09 272	0.10 150	0.15 256	0.14 95	0.19 288	0.09 125	0.14 231	0.12 237	0.08 171	0.11 135	0.10 147	0.05 35	0.06 346	0.07 230	0.06 216	0.05 122	0.04 50

ACVNet-DCA	0.10 177	0.08 279	0.12 224	0.17 248	0.09 272	0.13 289	0.15 256	0.23 337	0.16 214	0.09 125	0.09 112	0.06 24	0.06 47	0.10 83	0.07 1	0.06 127	0.04 24	0.06 129	0.05 132	0.07 302	0.07 324

cc1	0.10 177	0.08 279	0.12 224	0.17 248	0.09 272	0.13 289	0.15 256	0.16 161	0.18 271	0.09 125	0.09 112	0.06 24	0.06 47	0.10 83	0.07 1	0.06 127	0.04 24	0.06 129	0.05 132	0.06 230	0.06 241

tt1	0.10 177	0.08 279	0.12 224	0.17 248	0.09 272	0.12 238	0.16 322	0.15 131	0.19 288	0.09 125	0.08 90	0.06 24	0.06 47	0.10 83	0.07 1	0.06 127	0.04 24	0.06 129	0.05 132	0.06 230	0.06 241

whm_eth	0.10 177	0.08 279	0.14 307	0.15 90	0.09 272	0.07 34	0.15 256	0.16 161	0.16 214	0.11 194	0.10 142	0.14 283	0.08 171	0.12 225	0.10 147	0.09 404	0.07 418	0.07 230	0.06 216	0.07 302	0.05 149

plain	0.10 177	0.08 279	0.10 140	0.19 390	0.09 272	0.10 150	0.15 256	0.14 95	0.13 138	0.13 264	0.15 249	0.09 159	0.12 300	0.13 275	0.12 282	0.07 276	0.05 209	0.09 404	0.06 216	0.06 230	0.06 241

Any-RAFT	0.10 177	0.05 27	0.09 92	0.14 45	0.07 84	0.13 289	0.14 178	0.21 293	0.15 184	0.11 194	0.12 203	0.12 237	0.09 201	0.12 225	0.09 66	0.07 276	0.04 24	0.05 34	0.04 44	0.06 230	0.05 149

LL-Strereo2	0.10 177	0.10 414	0.15 356	0.18 330	0.08 151	0.15 348	0.09 18	0.17 199	0.14 164	0.14 286	0.10 142	0.09 159	0.07 131	0.16 361	0.10 147	0.05 35	0.05 209	0.10 451	0.07 310	0.06 230	0.05 149

DCANet-4	0.10 177	0.06 81	0.12 224	0.16 172	0.06 16	0.09 98	0.17 359	0.18 231	0.19 288	0.13 264	0.16 261	0.09 159	0.14 363	0.11 135	0.12 282	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.05 149

fff	0.10 177	0.06 81	0.12 224	0.15 90	0.07 84	0.09 98	0.17 359	0.16 161	0.20 311	0.13 264	0.16 261	0.10 192	0.11 269	0.11 135	0.12 282	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.05 149

ADStereo(finetuned)	0.10 177	0.06 81	0.12 224	0.16 172	0.06 16	0.09 98	0.17 359	0.15 131	0.19 288	0.13 264	0.17 283	0.10 192	0.12 300	0.11 135	0.12 282	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

test_4	0.10 177	0.10 414	0.08 40	0.19 390	0.09 272	0.08 60	0.22 499	0.15 131	0.17 241	0.12 234	0.18 308	0.12 237	0.09 201	0.08 19	0.11 223	0.04 11	0.04 24	0.08 321	0.08 381	0.04 22	0.03 2

IPLG	0.10 177	0.07 174	0.15 356	0.17 248	0.08 151	0.11 196	0.14 178	0.20 270	0.15 184	0.12 234	0.17 283	0.07 82	0.07 131	0.14 304	0.13 323	0.06 127	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

test_3	0.10 177	0.09 355	0.10 140	0.20 450	0.08 151	0.13 289	0.26 546	0.14 95	0.21 327	0.10 162	0.10 142	0.09 159	0.09 201	0.08 19	0.11 223	0.05 35	0.04 24	0.08 321	0.07 310	0.04 22	0.04 50

STrans-v2	0.10 177	0.07 174	0.12 224	0.18 330	0.07 84	0.10 150	0.14 178	0.21 293	0.11 75	0.11 194	0.15 249	0.12 237	0.10 239	0.11 135	0.12 282	0.05 35	0.04 24	0.06 129	0.06 216	0.04 22	0.04 50

TransformOpticalFlow	0.10 177	0.08 279	0.13 271	0.18 330	0.07 84	0.09 98	0.15 256	0.19 259	0.15 184	0.12 234	0.17 283	0.11 219	0.11 269	0.11 135	0.10 147	0.05 35	0.04 24	0.06 129	0.06 216	0.05 122	0.05 149

SST-Stereo	0.10 177	0.07 174	0.15 356	0.18 330	0.09 272	0.06 11	0.12 77	0.17 199	0.11 75	0.15 313	0.17 283	0.13 263	0.12 300	0.10 83	0.11 223	0.06 127	0.04 24	0.09 404	0.06 216	0.06 230	0.05 149

cross-raft	0.10 177	0.09 355	0.09 92	0.19 390	0.07 84	0.11 196	0.25 537	0.13 75	0.15 184	0.08 87	0.11 186	0.12 237	0.10 239	0.09 40	0.11 223	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

test-1	0.10 177	0.07 174	0.16 390	0.19 390	0.08 151	0.11 196	0.24 522	0.14 95	0.18 271	0.09 125	0.07 49	0.09 159	0.08 171	0.07 4	0.09 66	0.06 127	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

iRaftStereo_RVC	0.10 177	0.07 174	0.09 92	0.17 248	0.09 272	0.11 196	0.17 359	0.18 231	0.12 105	0.09 125	0.12 203	0.10 192	0.07 131	0.11 135	0.10 147	0.05 35	0.04 24	0.08 321	0.08 381	0.04 22	0.04 50

RALCasStereoNet	0.10 177	0.06 81	0.09 92	0.16 172	0.08 151	0.12 238	0.14 178	0.17 199	0.11 75	0.12 234	0.17 283	0.14 283	0.10 239	0.12 225	0.11 223	0.07 276	0.06 346	0.06 129	0.05 132	0.08 364	0.07 324

DCANet	0.10 177	0.06 81	0.12 224	0.16 172	0.06 16	0.09 98	0.17 359	0.15 131	0.19 288	0.13 264	0.17 283	0.10 192	0.11 269	0.11 135	0.12 282	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

csc	0.10 177	0.06 81	0.12 224	0.15 90	0.07 84	0.09 98	0.17 359	0.16 161	0.20 311	0.13 264	0.16 261	0.10 192	0.11 269	0.11 135	0.12 282	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.05 149

cscssc	0.10 177	0.06 81	0.12 224	0.15 90	0.07 84	0.09 98	0.17 359	0.16 161	0.20 311	0.13 264	0.16 261	0.10 192	0.11 269	0.11 135	0.12 282	0.06 127	0.04 24	0.05 34	0.04 44	0.04 22	0.05 149

111	0.10 177	0.06 81	0.12 224	0.15 90	0.07 84	0.10 150	0.14 178	0.21 293	0.23 353	0.11 194	0.12 203	0.14 283	0.11 269	0.13 275	0.10 147	0.06 127	0.04 24	0.06 129	0.04 44	0.05 122	0.05 149

R-Stereo Train	0.10 177	0.06 81	0.10 140	0.17 248	0.08 151	0.11 196	0.14 178	0.23 337	0.11 75	0.12 234	0.19 317	0.11 219	0.08 171	0.09 40	0.11 223	0.07 276	0.05 209	0.06 129	0.05 132	0.05 122	0.05 149

RAFT-Stereo	0.10 177	0.06 81	0.10 140	0.17 248	0.08 151	0.11 196	0.14 178	0.23 337	0.11 75	0.12 234	0.19 317	0.11 219	0.08 171	0.09 40	0.11 223	0.07 276	0.05 209	0.06 129	0.05 132	0.05 122	0.05 149
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 177	0.06 81	0.12 224	0.14 45	0.06 16	0.11 196	0.10 31	0.18 231	0.18 271	0.13 264	0.16 261	0.14 283	0.11 269	0.15 326	0.13 323	0.06 127	0.04 24	0.04 1	0.04 44	0.06 230	0.05 149
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
Hybrid-DGEV-2	0.11 224	0.06 81	0.12 224	0.18 330	0.09 272	0.09 98	0.13 125	0.28 434	0.29 435	0.11 194	0.11 186	0.09 159	0.12 300	0.12 225	0.09 66	0.06 127	0.05 209	0.07 230	0.07 310	0.05 122	0.05 149

NLMM1	0.11 224	0.09 355	0.07 8	0.22 496	0.10 381	0.12 238	0.20 469	0.18 231	0.20 311	0.12 234	0.11 186	0.07 82	0.09 201	0.11 135	0.11 223	0.08 345	0.08 447	0.07 230	0.06 216	0.04 22	0.04 50

NLCSM	0.11 224	0.09 355	0.09 92	0.23 520	0.11 431	0.12 238	0.19 446	0.18 231	0.18 271	0.12 234	0.11 186	0.07 82	0.09 201	0.11 135	0.10 147	0.07 276	0.08 447	0.07 230	0.07 310	0.06 230	0.05 149

Select-FE	0.11 224	0.06 81	0.20 466	0.15 90	0.11 431	0.11 196	0.13 125	0.21 293	0.18 271	0.09 125	0.11 186	0.10 192	0.06 47	0.12 225	0.09 66	0.07 276	0.05 209	0.07 230	0.08 381	0.06 230	0.08 388

FlowAnything_test	0.11 224	0.08 279	0.14 307	0.15 90	0.09 272	0.07 34	0.14 178	0.20 270	0.11 75	0.09 125	0.09 112	0.12 237	0.12 300	0.13 275	0.11 223	0.09 404	0.06 346	0.09 404	0.09 427	0.06 230	0.09 432

xyz-stereo-finetune2	0.11 224	0.07 174	0.13 271	0.13 14	0.07 84	0.11 196	0.19 446	0.17 199	0.12 105	0.15 313	0.15 249	0.17 346	0.12 300	0.13 275	0.11 223	0.05 35	0.04 24	0.07 230	0.05 132	0.04 22	0.06 241

xyz-stereo-finetune	0.11 224	0.08 279	0.13 271	0.14 45	0.06 16	0.10 150	0.19 446	0.17 199	0.19 288	0.12 234	0.14 231	0.15 312	0.10 239	0.13 275	0.11 223	0.05 35	0.04 24	0.07 230	0.05 132	0.04 22	0.05 149

HI	0.11 224	0.06 81	0.11 185	0.13 14	0.09 272	0.09 98	0.14 178	0.21 293	0.10 48	0.19 402	0.17 283	0.14 283	0.09 201	0.16 361	0.08 17	0.05 35	0.04 24	0.07 230	0.08 381	0.07 302	0.06 241

CoSv	0.11 224	0.06 81	0.11 185	0.13 14	0.09 272	0.09 98	0.14 178	0.21 293	0.10 48	0.19 402	0.17 283	0.14 283	0.09 201	0.16 361	0.08 17	0.05 35	0.04 24	0.07 230	0.08 381	0.07 302	0.06 241

rvit_stereo_0081_aga	0.11 224	0.09 355	0.14 307	0.18 330	0.09 272	0.13 289	0.14 178	0.14 95	0.19 288	0.10 162	0.18 308	0.16 326	0.09 201	0.12 225	0.09 66	0.10 445	0.06 346	0.08 321	0.07 310	0.07 302	0.06 241

rvit_stereo_0081	0.11 224	0.08 279	0.15 356	0.16 172	0.09 272	0.10 150	0.14 178	0.14 95	0.24 369	0.11 194	0.13 218	0.13 263	0.09 201	0.11 135	0.12 282	0.10 445	0.07 418	0.08 321	0.07 310	0.07 302	0.05 149

rvit_stereo_0082	0.11 224	0.08 279	0.15 356	0.16 172	0.09 272	0.10 150	0.14 178	0.14 95	0.24 369	0.11 194	0.13 218	0.13 263	0.09 201	0.11 135	0.12 282	0.10 445	0.07 418	0.08 321	0.07 310	0.07 302	0.05 149

AIO-Stereo-zeroshot1	0.11 224	0.05 27	0.14 307	0.15 90	0.20 564	0.09 98	0.17 359	0.21 293	0.15 184	0.11 194	0.14 231	0.10 192	0.07 131	0.10 83	0.08 17	0.06 127	0.05 209	0.07 230	0.07 310	0.07 302	0.09 432

AIO-Stereo-zeroshot	0.11 224	0.05 27	0.11 185	0.15 90	0.13 486	0.13 289	0.16 322	0.23 337	0.17 241	0.10 162	0.12 203	0.10 192	0.07 131	0.11 135	0.09 66	0.06 127	0.05 209	0.06 129	0.06 216	0.07 302	0.08 388

CAS++	0.11 224	0.07 174	0.11 185	0.14 45	0.09 272	0.12 238	0.14 178	0.24 360	0.14 164	0.11 194	0.09 112	0.11 219	0.07 131	0.14 304	0.09 66	0.11 474	0.09 479	0.09 404	0.07 310	0.07 302	0.08 388
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 224	0.08 279	0.12 224	0.17 248	0.09 272	0.13 289	0.15 256	0.16 161	0.18 271	0.09 125	0.09 112	0.16 326	0.16 407	0.10 83	0.07 1	0.06 127	0.04 24	0.08 321	0.08 381	0.07 302	0.07 324

1test111	0.11 224	0.08 279	0.12 224	0.17 248	0.09 272	0.13 289	0.15 256	0.23 337	0.16 214	0.09 125	0.09 112	0.06 24	0.06 47	0.15 326	0.16 403	0.06 127	0.04 24	0.06 129	0.05 132	0.07 302	0.07 324

MIF-Stereo (partial)	0.11 224	0.06 81	0.10 140	0.19 390	0.10 381	0.10 150	0.11 56	0.17 199	0.18 271	0.14 286	0.16 261	0.09 159	0.11 269	0.12 225	0.12 282	0.08 345	0.05 209	0.08 321	0.07 310	0.06 230	0.07 324

EKT-Stereo	0.11 224	0.07 174	0.14 307	0.15 90	0.10 381	0.13 289	0.14 178	0.18 231	0.21 327	0.11 194	0.08 90	0.12 237	0.09 201	0.11 135	0.12 282	0.08 345	0.06 346	0.07 230	0.06 216	0.08 364	0.07 324

anonymousdsp2	0.11 224	0.07 174	0.10 140	0.16 172	0.09 272	0.13 289	0.14 178	0.18 231	0.22 342	0.13 264	0.14 231	0.12 237	0.09 201	0.14 304	0.11 223	0.05 35	0.04 24	0.05 34	0.04 44	0.06 230	0.05 149

DCRE	0.11 224	0.07 174	0.13 271	0.16 172	0.11 431	0.11 196	0.17 359	0.18 231	0.17 241	0.11 194	0.18 308	0.10 192	0.10 239	0.15 326	0.11 223	0.06 127	0.05 209	0.06 129	0.06 216	0.05 122	0.04 50

knoymous	0.11 224	0.05 27	0.12 224	0.13 14	0.07 84	0.15 348	0.14 178	0.19 259	0.13 138	0.11 194	0.17 283	0.13 263	0.09 201	0.13 275	0.11 223	0.08 345	0.05 209	0.06 129	0.05 132	0.08 364	0.07 324

riskmin	0.11 224	0.06 81	0.13 271	0.14 45	0.08 151	0.14 322	0.14 178	0.18 231	0.14 164	0.11 194	0.14 231	0.16 326	0.11 269	0.14 304	0.12 282	0.09 404	0.05 209	0.07 230	0.05 132	0.08 364	0.08 388

Selective-RAFT	0.11 224	0.10 414	0.11 185	0.21 481	0.08 151	0.16 377	0.13 125	0.20 270	0.22 342	0.10 162	0.10 142	0.11 219	0.10 239	0.15 326	0.11 223	0.05 35	0.05 209	0.06 129	0.05 132	0.06 230	0.05 149

DisPM	0.11 224	0.07 174	0.12 224	0.16 172	0.09 272	0.06 11	0.13 125	0.17 199	0.17 241	0.14 286	0.20 329	0.12 237	0.10 239	0.11 135	0.10 147	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.11 485

CIPLG	0.11 224	0.08 279	0.14 307	0.17 248	0.08 151	0.12 238	0.15 256	0.17 199	0.15 184	0.14 286	0.11 186	0.16 326	0.09 201	0.16 361	0.11 223	0.07 276	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241

GLC_STEREO	0.11 224	0.07 174	0.11 185	0.17 248	0.07 84	0.09 98	0.13 125	0.15 131	0.24 369	0.12 234	0.13 218	0.12 237	0.08 171	0.18 414	0.11 223	0.06 127	0.08 447	0.08 321	0.06 216	0.05 122	0.05 149

IPLGR_C	0.11 224	0.08 279	0.14 307	0.17 248	0.08 151	0.12 238	0.15 256	0.17 199	0.15 184	0.14 286	0.10 142	0.16 326	0.09 201	0.16 361	0.11 223	0.07 276	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241

MIPNet	0.11 224	0.08 279	0.14 307	0.17 248	0.09 272	0.12 238	0.14 178	0.20 270	0.24 369	0.11 194	0.10 142	0.09 159	0.07 131	0.13 275	0.12 282	0.06 127	0.04 24	0.06 129	0.05 132	0.04 22	0.04 50

IPLGR	0.11 224	0.09 355	0.16 390	0.18 330	0.08 151	0.12 238	0.17 359	0.21 293	0.24 369	0.11 194	0.12 203	0.11 219	0.08 171	0.12 225	0.12 282	0.06 127	0.05 209	0.06 129	0.06 216	0.04 22	0.04 50

GMOStereo	0.11 224	0.09 355	0.07 8	0.19 390	0.08 151	0.12 238	0.28 559	0.13 75	0.17 241	0.11 194	0.17 283	0.14 283	0.12 300	0.07 4	0.07 1	0.05 35	0.05 209	0.09 404	0.07 310	0.04 22	0.04 50

error version	0.11 224	0.09 355	0.07 8	0.19 390	0.08 151	0.12 238	0.28 559	0.13 75	0.17 241	0.11 194	0.17 283	0.14 283	0.12 300	0.07 4	0.07 1	0.05 35	0.05 209	0.09 404	0.07 310	0.04 22	0.04 50

test-v	0.11 224	0.09 355	0.07 8	0.19 390	0.08 151	0.12 238	0.28 559	0.13 75	0.17 241	0.11 194	0.17 283	0.14 283	0.12 300	0.07 4	0.07 1	0.05 35	0.05 209	0.09 404	0.07 310	0.04 22	0.04 50

ACRE	0.11 224	0.08 279	0.14 307	0.17 248	0.08 151	0.12 238	0.15 256	0.17 199	0.14 164	0.14 286	0.10 142	0.16 326	0.09 201	0.16 361	0.11 223	0.07 276	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241

PFNet+	0.11 224	0.06 81	0.13 271	0.16 172	0.09 272	0.05 4	0.12 77	0.17 199	0.21 327	0.16 341	0.19 317	0.14 283	0.10 239	0.11 135	0.11 223	0.08 345	0.05 209	0.09 404	0.08 381	0.06 230	0.11 485

LCNet	0.11 224	0.07 174	0.09 92	0.19 390	0.09 272	0.08 60	0.15 256	0.21 293	0.15 184	0.11 194	0.15 249	0.16 326	0.11 269	0.12 225	0.11 223	0.05 35	0.04 24	0.08 321	0.07 310	0.06 230	0.15 543

HHNet	0.11 224	0.06 81	0.16 390	0.15 90	0.14 506	0.07 34	0.13 125	0.20 270	0.17 241	0.14 286	0.25 411	0.11 219	0.08 171	0.13 275	0.10 147	0.05 35	0.04 24	0.08 321	0.06 216	0.05 122	0.09 432

Patchmatch Stereo++	0.11 224	0.09 355	0.16 390	0.18 330	0.08 151	0.06 11	0.11 56	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324
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	0.11 224	0.07 174	0.16 390	0.19 390	0.09 272	0.08 60	0.13 125	0.18 231	0.13 138	0.16 341	0.21 351	0.13 263	0.14 363	0.11 135	0.14 359	0.06 127	0.04 24	0.09 404	0.06 216	0.06 230	0.05 149

OMP-Stereo	0.11 224	0.06 81	0.14 307	0.18 330	0.08 151	0.09 98	0.12 77	0.21 293	0.21 327	0.13 264	0.14 231	0.11 219	0.12 300	0.11 135	0.13 323	0.06 127	0.04 24	0.07 230	0.06 216	0.05 122	0.04 50

IIG-Stereo	0.11 224	0.06 81	0.13 271	0.17 248	0.08 151	0.11 196	0.12 77	0.22 317	0.17 241	0.14 286	0.17 283	0.11 219	0.12 300	0.12 225	0.12 282	0.06 127	0.05 209	0.07 230	0.06 216	0.05 122	0.04 50

NF-Stereo	0.11 224	0.07 174	0.13 271	0.17 248	0.09 272	0.10 150	0.14 178	0.23 337	0.19 288	0.12 234	0.17 283	0.12 237	0.11 269	0.11 135	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.12 498

OCTAStereo	0.11 224	0.07 174	0.13 271	0.17 248	0.09 272	0.10 150	0.14 178	0.23 337	0.19 288	0.12 234	0.17 283	0.12 237	0.11 269	0.11 135	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.12 498

NRIStereo	0.11 224	0.08 279	0.14 307	0.18 330	0.08 151	0.10 150	0.14 178	0.16 161	0.15 184	0.12 234	0.14 231	0.13 263	0.12 300	0.13 275	0.10 147	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.07 324

PSM-adaLoss	0.11 224	0.09 355	0.16 390	0.18 330	0.08 151	0.06 11	0.12 77	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

PSM-AAD	0.11 224	0.07 174	0.10 140	0.19 390	0.09 272	0.10 150	0.15 256	0.20 270	0.13 138	0.12 234	0.14 231	0.18 359	0.11 269	0.11 135	0.10 147	0.05 35	0.05 209	0.09 404	0.08 381	0.06 230	0.14 536

ROB_FTStereo_v2	0.11 224	0.09 355	0.16 390	0.19 390	0.08 151	0.06 11	0.12 77	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

ROB_FTStereo	0.11 224	0.09 355	0.16 390	0.19 390	0.08 151	0.06 11	0.11 56	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

KYRaft	0.11 224	0.07 174	0.10 140	0.19 390	0.09 272	0.08 60	0.15 256	0.22 317	0.12 105	0.13 264	0.16 261	0.20 385	0.10 239	0.12 225	0.10 147	0.05 35	0.04 24	0.08 321	0.08 381	0.06 230	0.16 554

HUI-Stereo	0.11 224	0.09 355	0.16 390	0.18 330	0.08 151	0.06 11	0.12 77	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

ASMatch	0.11 224	0.06 81	0.13 271	0.16 172	0.10 381	0.07 34	0.14 178	0.17 199	0.17 241	0.12 234	0.16 261	0.16 326	0.10 239	0.13 275	0.10 147	0.05 35	0.04 24	0.06 129	0.05 132	0.04 22	0.08 388

RAFT_R40	0.11 224	0.07 174	0.14 307	0.18 330	0.09 272	0.06 11	0.13 125	0.17 199	0.16 214	0.14 286	0.18 308	0.15 312	0.12 300	0.10 83	0.11 223	0.06 127	0.04 24	0.09 404	0.06 216	0.06 230	0.05 149

GrayStereo	0.11 224	0.06 81	0.11 185	0.19 390	0.09 272	0.09 98	0.16 322	0.18 231	0.17 241	0.14 286	0.17 283	0.17 346	0.11 269	0.12 225	0.11 223	0.05 35	0.05 209	0.07 230	0.06 216	0.05 122	0.10 459

RE-Stereo	0.11 224	0.07 174	0.13 271	0.17 248	0.09 272	0.10 150	0.14 178	0.23 337	0.19 288	0.12 234	0.17 283	0.12 237	0.11 269	0.11 135	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.12 498

Pruner-Stereo	0.11 224	0.07 174	0.12 224	0.17 248	0.09 272	0.06 11	0.12 77	0.17 199	0.17 241	0.13 264	0.19 317	0.13 263	0.09 201	0.11 135	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.08 388

TVStereo	0.11 224	0.07 174	0.13 271	0.17 248	0.09 272	0.10 150	0.14 178	0.23 337	0.19 288	0.12 234	0.17 283	0.12 237	0.11 269	0.11 135	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.06 230	0.12 498

DeepStereo_RVC	0.11 224	0.08 279	0.16 390	0.18 330	0.08 151	0.08 60	0.12 77	0.17 199	0.12 105	0.13 264	0.14 231	0.12 237	0.12 300	0.12 225	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.07 302	0.08 388

iGMRVC	0.11 224	0.09 355	0.16 390	0.19 390	0.08 151	0.06 11	0.12 77	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

RAFT-RH_RVC	0.11 224	0.06 81	0.14 307	0.16 172	0.09 272	0.12 238	0.12 77	0.17 199	0.12 105	0.13 264	0.41 542	0.11 219	0.10 239	0.13 275	0.12 282	0.05 35	0.04 24	0.08 321	0.05 132	0.04 22	0.06 241

RAFT-345	0.11 224	0.07 174	0.15 356	0.16 172	0.08 151	0.08 60	0.12 77	0.15 131	0.10 48	0.11 194	0.36 505	0.09 159	0.09 201	0.11 135	0.12 282	0.05 35	0.05 209	0.07 230	0.06 216	0.04 22	0.05 149

iRAFT	0.11 224	0.09 355	0.16 390	0.18 330	0.08 151	0.06 11	0.11 56	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

CRE-IMP	0.11 224	0.09 355	0.16 390	0.19 390	0.08 151	0.10 150	0.12 77	0.18 231	0.10 48	0.14 286	0.13 218	0.13 263	0.12 300	0.12 225	0.11 223	0.07 276	0.04 24	0.08 321	0.06 216	0.08 364	0.08 388

test-2	0.11 224	0.09 355	0.07 8	0.19 390	0.08 151	0.12 238	0.28 559	0.13 75	0.17 241	0.11 194	0.17 283	0.14 283	0.12 300	0.07 4	0.07 1	0.05 35	0.05 209	0.09 404	0.07 310	0.04 22	0.04 50

GMM-Stereo	0.11 224	0.07 174	0.10 140	0.18 330	0.09 272	0.08 60	0.15 256	0.23 337	0.16 214	0.11 194	0.15 249	0.13 263	0.11 269	0.11 135	0.11 223	0.05 35	0.04 24	0.08 321	0.07 310	0.06 230	0.09 432

RAFT-IKP	0.11 224	0.09 355	0.16 390	0.19 390	0.08 151	0.06 11	0.12 77	0.16 161	0.13 138	0.15 313	0.16 261	0.14 283	0.12 300	0.11 135	0.10 147	0.06 127	0.04 24	0.08 321	0.06 216	0.08 364	0.07 324

Prome-Stereo	0.11 224	0.06 81	0.10 140	0.18 330	0.08 151	0.12 238	0.15 256	0.22 317	0.13 138	0.12 234	0.17 283	0.13 263	0.08 171	0.12 225	0.10 147	0.05 35	0.04 24	0.07 230	0.06 216	0.06 230	0.09 432

rafts_anoy	0.11 224	0.06 81	0.10 140	0.17 248	0.08 151	0.10 150	0.14 178	0.17 199	0.14 164	0.13 264	0.13 218	0.12 237	0.10 239	0.11 135	0.12 282	0.07 276	0.04 24	0.09 404	0.11 499	0.07 302	0.06 241

raft+_RVC	0.11 224	0.07 174	0.09 92	0.16 172	0.07 84	0.10 150	0.11 56	0.24 360	0.20 311	0.12 234	0.15 249	0.12 237	0.08 171	0.12 225	0.13 323	0.07 276	0.04 24	0.07 230	0.06 216	0.05 122	0.05 149

RALAANet	0.11 224	0.08 279	0.10 140	0.17 248	0.09 272	0.14 322	0.10 31	0.20 270	0.15 184	0.14 286	0.13 218	0.16 326	0.09 201	0.12 225	0.11 223	0.06 127	0.05 209	0.07 230	0.06 216	0.05 122	0.04 50

DIP-Stereo	0.11 224	0.07 174	0.14 307	0.17 248	0.09 272	0.13 289	0.09 18	0.16 161	0.16 214	0.11 194	0.16 261	0.14 283	0.12 300	0.15 326	0.13 323	0.06 127	0.05 209	0.06 129	0.05 132	0.05 122	0.06 241
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	0.12 294	0.08 279	0.17 420	0.16 172	0.09 272	0.11 196	0.15 256	0.14 95	0.26 404	0.11 194	0.14 231	0.13 263	0.10 239	0.12 225	0.12 282	0.10 445	0.08 447	0.09 404	0.07 310	0.07 302	0.05 149

rvit_stereo_ft	0.12 294	0.07 174	0.13 271	0.19 390	0.10 381	0.12 238	0.17 359	0.16 161	0.16 214	0.12 234	0.13 218	0.15 312	0.10 239	0.14 304	0.13 323	0.09 404	0.06 346	0.08 321	0.07 310	0.07 302	0.05 149

test_sample2	0.12 294	0.07 174	0.12 224	0.14 45	0.08 151	0.16 377	0.18 407	0.21 293	0.16 214	0.14 286	0.20 329	0.19 373	0.15 381	0.15 326	0.12 282	0.08 345	0.05 209	0.07 230	0.06 216	0.08 364	0.07 324

MyStereo8	0.12 294	0.07 174	0.15 356	0.15 90	0.09 272	0.18 418	0.14 178	0.19 259	0.22 342	0.12 234	0.18 308	0.11 219	0.10 239	0.16 361	0.18 436	0.07 276	0.05 209	0.07 230	0.05 132	0.08 364	0.09 432

CoDeX	0.12 294	0.07 174	0.12 224	0.17 248	0.08 151	0.12 238	0.15 256	0.23 337	0.27 414	0.13 264	0.17 283	0.16 326	0.11 269	0.14 304	0.11 223	0.07 276	0.05 209	0.07 230	0.06 216	0.06 230	0.05 149

11t1	0.12 294	0.06 81	0.13 271	0.14 45	0.08 151	0.17 399	0.15 256	0.18 231	0.15 184	0.15 313	0.15 249	0.16 326	0.16 407	0.15 326	0.13 323	0.08 345	0.05 209	0.06 129	0.05 132	0.08 364	0.07 324

ffm	0.12 294	0.09 355	0.14 307	0.16 172	0.08 151	0.17 399	0.17 359	0.15 131	0.19 288	0.15 313	0.25 411	0.19 373	0.13 339	0.10 83	0.07 1	0.06 127	0.04 24	0.09 404	0.08 381	0.06 230	0.06 241

RAFT_CTSACE	0.12 294	0.09 355	0.10 140	0.22 496	0.08 151	0.12 238	0.24 522	0.18 231	0.16 214	0.20 425	0.27 437	0.13 263	0.07 131	0.13 275	0.09 66	0.05 35	0.06 346	0.08 321	0.07 310	0.04 22	0.04 50

Sa-1000	0.12 294	0.08 279	0.08 40	0.18 330	0.08 151	0.14 322	0.22 499	0.22 317	0.18 271	0.15 313	0.20 329	0.17 346	0.11 269	0.10 83	0.10 147	0.06 127	0.05 209	0.09 404	0.09 427	0.05 122	0.05 149

SA	0.12 294	0.09 355	0.08 40	0.18 330	0.08 151	0.12 238	0.24 522	0.23 337	0.18 271	0.17 356	0.27 437	0.14 283	0.11 269	0.11 135	0.11 223	0.05 35	0.05 209	0.09 404	0.08 381	0.05 122	0.04 50

iRaft-Stereo_5w	0.12 294	0.09 355	0.12 224	0.19 390	0.08 151	0.09 98	0.12 77	0.21 293	0.21 327	0.19 402	0.14 231	0.11 219	0.09 201	0.20 454	0.16 403	0.05 35	0.05 209	0.07 230	0.06 216	0.05 122	0.06 241

CrosDoStereo	0.12 294	0.06 81	0.12 224	0.14 45	0.08 151	0.12 238	0.15 256	0.17 199	0.22 342	0.19 402	0.24 383	0.15 312	0.11 269	0.11 135	0.12 282	0.06 127	0.04 24	0.07 230	0.07 310	0.05 122	0.05 149

PSM-softLoss	0.12 294	0.07 174	0.15 356	0.17 248	0.09 272	0.08 60	0.13 125	0.24 360	0.17 241	0.14 286	0.19 317	0.13 263	0.11 269	0.11 135	0.11 223	0.07 276	0.05 209	0.08 321	0.07 310	0.06 230	0.12 498

KMStereo	0.12 294	0.07 174	0.15 356	0.17 248	0.09 272	0.08 60	0.13 125	0.24 360	0.17 241	0.14 286	0.19 317	0.13 263	0.11 269	0.11 135	0.11 223	0.07 276	0.05 209	0.08 321	0.07 310	0.06 230	0.12 498

FTStereo	0.12 294	0.06 81	0.14 307	0.18 330	0.09 272	0.07 34	0.15 256	0.21 293	0.18 271	0.12 234	0.24 383	0.12 237	0.12 300	0.13 275	0.13 323	0.05 35	0.05 209	0.07 230	0.06 216	0.06 230	0.10 459

DeepStereo_LL	0.12 294	0.06 81	0.12 224	0.14 45	0.08 151	0.12 238	0.15 256	0.17 199	0.22 342	0.19 402	0.24 383	0.15 312	0.11 269	0.11 135	0.12 282	0.06 127	0.04 24	0.07 230	0.07 310	0.05 122	0.05 149

DEmStereo	0.12 294	0.06 81	0.14 307	0.14 45	0.10 381	0.16 377	0.15 256	0.16 161	0.24 369	0.17 356	0.24 383	0.13 263	0.14 363	0.12 225	0.13 323	0.05 35	0.04 24	0.07 230	0.06 216	0.05 122	0.05 149

THIR-Stereo	0.12 294	0.07 174	0.11 185	0.15 90	0.08 151	0.14 322	0.16 322	0.17 199	0.25 390	0.16 341	0.24 383	0.14 283	0.12 300	0.12 225	0.14 359	0.06 127	0.04 24	0.07 230	0.07 310	0.05 122	0.05 149

DRaft	0.12 294	0.06 81	0.11 185	0.14 45	0.09 272	0.14 322	0.17 359	0.21 293	0.30 445	0.17 356	0.28 451	0.10 192	0.15 381	0.10 83	0.12 282	0.05 35	0.04 24	0.07 230	0.06 216	0.05 122	0.05 149

PFNet	0.12 294	0.06 81	0.17 420	0.17 248	0.08 151	0.09 98	0.15 256	0.26 394	0.20 311	0.16 341	0.16 261	0.14 283	0.11 269	0.12 225	0.11 223	0.06 127	0.04 24	0.07 230	0.06 216	0.05 122	0.05 149

IRAFT_RVC	0.12 294	0.08 279	0.16 390	0.19 390	0.08 151	0.07 34	0.15 256	0.24 360	0.23 353	0.14 286	0.14 231	0.15 312	0.12 300	0.12 225	0.10 147	0.06 127	0.04 24	0.09 404	0.06 216	0.06 230	0.06 241

sCroCo_RVC	0.12 294	0.09 355	0.23 490	0.24 529	0.11 431	0.19 441	0.14 178	0.17 199	0.14 164	0.10 162	0.13 218	0.12 237	0.07 131	0.14 304	0.11 223	0.08 345	0.08 447	0.08 321	0.08 381	0.05 122	0.07 324

ARAFT	0.12 294	0.08 279	0.17 420	0.19 390	0.09 272	0.14 322	0.18 407	0.20 270	0.12 105	0.12 234	0.13 218	0.14 283	0.11 269	0.15 326	0.12 282	0.06 127	0.05 209	0.10 451	0.09 427	0.05 122	0.04 50

BEATNet_4x	0.12 294	0.08 279	0.14 307	0.18 330	0.07 84	0.15 348	0.07 3	0.22 317	0.18 271	0.16 341	0.19 317	0.18 359	0.14 363	0.16 361	0.15 387	0.07 276	0.05 209	0.05 34	0.05 132	0.06 230	0.06 241

MLCV	0.12 294	0.07 174	0.16 390	0.18 330	0.06 16	0.15 348	0.17 359	0.19 259	0.21 327	0.18 386	0.25 411	0.17 346	0.13 339	0.14 304	0.13 323	0.05 35	0.04 24	0.05 34	0.04 44	0.05 122	0.04 50

G2L-ROB	0.13 319	0.06 81	0.13 271	0.13 14	0.08 151	0.14 322	0.16 322	0.25 376	0.18 271	0.19 402	0.18 308	0.20 385	0.14 363	0.17 393	0.16 403	0.08 345	0.05 209	0.06 129	0.05 132	0.08 364	0.09 432

xyz-stereo	0.13 319	0.07 174	0.20 466	0.15 90	0.05 1	0.20 456	0.15 256	0.17 199	0.31 452	0.15 313	0.29 463	0.26 460	0.16 407	0.13 275	0.12 282	0.05 35	0.05 209	0.06 129	0.05 132	0.04 22	0.04 50

DFGA-Net	0.13 319	0.11 440	0.18 442	0.17 248	0.10 381	0.12 238	0.13 125	0.22 317	0.25 390	0.16 341	0.16 261	0.13 263	0.12 300	0.16 361	0.14 359	0.07 276	0.05 209	0.08 321	0.07 310	0.05 122	0.05 149

FACV-RUCA	0.13 319	0.11 440	0.12 224	0.19 390	0.12 463	0.15 348	0.15 256	0.22 317	0.20 311	0.15 313	0.16 261	0.14 283	0.16 407	0.14 304	0.13 323	0.07 276	0.05 209	0.08 321	0.06 216	0.10 458	0.08 388

UGAM	0.13 319	0.10 414	0.09 92	0.22 496	0.08 151	0.12 238	0.20 469	0.17 199	0.23 353	0.21 439	0.16 261	0.13 263	0.13 339	0.19 429	0.12 282	0.07 276	0.05 209	0.13 516	0.11 499	0.07 302	0.05 149

test_sample1	0.13 319	0.07 174	0.14 307	0.13 14	0.08 151	0.19 441	0.16 322	0.20 270	0.15 184	0.14 286	0.22 362	0.18 359	0.16 407	0.17 393	0.14 359	0.07 276	0.06 346	0.06 129	0.06 216	0.08 364	0.07 324

qqq1	0.13 319	0.07 174	0.17 420	0.14 45	0.08 151	0.16 377	0.17 359	0.26 394	0.27 414	0.19 402	0.20 329	0.18 359	0.15 381	0.15 326	0.11 223	0.08 345	0.05 209	0.05 34	0.05 132	0.06 230	0.06 241

fff1	0.13 319	0.07 174	0.17 420	0.14 45	0.08 151	0.16 377	0.17 359	0.26 394	0.27 414	0.19 402	0.20 329	0.18 359	0.15 381	0.15 326	0.11 223	0.08 345	0.05 209	0.05 34	0.05 132	0.06 230	0.06 241

MyStereo05	0.13 319	0.07 174	0.10 140	0.17 248	0.09 272	0.13 289	0.18 407	0.27 415	0.35 487	0.17 356	0.14 231	0.15 312	0.11 269	0.15 326	0.13 323	0.06 127	0.05 209	0.07 230	0.07 310	0.06 230	0.06 241

MyStereo04	0.13 319	0.07 174	0.10 140	0.17 248	0.09 272	0.14 322	0.18 407	0.29 447	0.38 505	0.17 356	0.14 231	0.16 326	0.10 239	0.15 326	0.13 323	0.06 127	0.05 209	0.08 321	0.07 310	0.06 230	0.06 241

ff1	0.13 319	0.09 355	0.14 307	0.16 172	0.08 151	0.17 399	0.17 359	0.15 131	0.19 288	0.15 313	0.25 411	0.19 373	0.13 339	0.14 304	0.20 455	0.06 127	0.04 24	0.09 404	0.08 381	0.06 230	0.06 241

StereoVision	0.13 319	0.12 458	0.09 92	0.24 529	0.10 381	0.15 348	0.21 489	0.21 293	0.20 311	0.12 234	0.24 383	0.10 192	0.10 239	0.16 361	0.10 147	0.09 404	0.11 511	0.12 501	0.12 519	0.06 230	0.05 149

LL-Strereo	0.13 319	0.09 355	0.11 185	0.20 450	0.10 381	0.11 196	0.18 407	0.32 482	0.24 369	0.15 313	0.15 249	0.14 283	0.13 339	0.19 429	0.11 223	0.06 127	0.04 24	0.09 404	0.08 381	0.04 22	0.05 149

CASS	0.13 319	0.12 458	0.11 185	0.23 520	0.09 272	0.15 348	0.17 359	0.18 231	0.19 288	0.17 356	0.18 308	0.15 312	0.15 381	0.14 304	0.14 359	0.09 404	0.06 346	0.10 451	0.08 381	0.09 427	0.07 324
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 319	0.07 174	0.13 271	0.18 330	0.09 272	0.13 289	0.17 359	0.19 259	0.29 435	0.15 313	0.24 383	0.15 312	0.14 363	0.14 304	0.14 359	0.07 276	0.05 209	0.07 230	0.09 427	0.05 122	0.06 241

TestStereo1	0.13 319	0.08 279	0.08 40	0.19 390	0.08 151	0.18 418	0.29 568	0.23 337	0.16 214	0.17 356	0.20 329	0.16 326	0.10 239	0.12 225	0.13 323	0.06 127	0.06 346	0.08 321	0.06 216	0.05 122	0.05 149

qqq	0.13 319	0.09 355	0.15 356	0.16 172	0.08 151	0.13 289	0.15 256	0.23 337	0.16 214	0.15 313	0.19 317	0.16 326	0.16 407	0.15 326	0.16 403	0.07 276	0.06 346	0.08 321	0.08 381	0.07 302	0.07 324

x	0.13 319	0.07 174	0.14 307	0.14 45	0.08 151	0.18 418	0.14 178	0.22 317	0.20 311	0.15 313	0.19 317	0.19 373	0.17 430	0.18 414	0.18 436	0.07 276	0.05 209	0.06 129	0.06 216	0.07 302	0.07 324

raft_robust	0.13 319	0.10 414	0.07 8	0.18 330	0.08 151	0.13 289	0.24 522	0.28 434	0.33 466	0.20 425	0.19 317	0.14 283	0.10 239	0.11 135	0.12 282	0.05 35	0.05 209	0.07 230	0.07 310	0.05 122	0.04 50

RAFT+CT+SA	0.13 319	0.11 440	0.09 92	0.19 390	0.09 272	0.15 348	0.28 559	0.22 317	0.22 342	0.15 313	0.26 428	0.10 192	0.10 239	0.11 135	0.12 282	0.05 35	0.04 24	0.07 230	0.08 381	0.07 302	0.06 241

SA-5K	0.13 319	0.08 279	0.08 40	0.19 390	0.08 151	0.18 418	0.29 568	0.23 337	0.16 214	0.17 356	0.20 329	0.16 326	0.10 239	0.12 225	0.13 323	0.06 127	0.06 346	0.08 321	0.06 216	0.05 122	0.05 149

GwcNet-ADL	0.13 319	0.08 279	0.14 307	0.20 450	0.09 272	0.11 196	0.20 469	0.30 461	0.24 369	0.13 264	0.14 231	0.18 359	0.14 363	0.13 275	0.14 359	0.07 276	0.05 209	0.06 129	0.05 132	0.07 302	0.06 241

GANet-ADL	0.13 319	0.07 174	0.15 356	0.17 248	0.10 381	0.18 418	0.15 256	0.30 461	0.20 311	0.13 264	0.18 308	0.19 373	0.12 300	0.16 361	0.13 323	0.08 345	0.06 346	0.06 129	0.05 132	0.07 302	0.08 388

RAFT	0.13 319	0.09 355	0.11 185	0.18 330	0.08 151	0.15 348	0.24 522	0.20 270	0.19 288	0.21 439	0.21 351	0.17 346	0.12 300	0.16 361	0.09 66	0.06 127	0.07 418	0.10 451	0.09 427	0.05 122	0.05 149

TestStereo	0.13 319	0.14 498	0.11 185	0.23 520	0.08 151	0.15 348	0.21 489	0.20 270	0.23 353	0.14 286	0.24 383	0.16 326	0.12 300	0.16 361	0.14 359	0.05 35	0.06 346	0.08 321	0.06 216	0.09 427	0.05 149

sAnonymous2	0.13 319	0.12 458	0.24 494	0.20 450	0.12 463	0.17 399	0.13 125	0.26 394	0.21 327	0.11 194	0.11 186	0.13 263	0.08 171	0.10 83	0.10 147	0.09 404	0.05 209	0.08 321	0.06 216	0.15 543	0.10 459

CroCo_RVC	0.13 319	0.12 458	0.24 494	0.20 450	0.12 463	0.17 399	0.13 125	0.26 394	0.21 327	0.11 194	0.11 186	0.13 263	0.08 171	0.10 83	0.10 147	0.09 404	0.05 209	0.08 321	0.06 216	0.15 543	0.10 459

RAFT + AFF	0.13 319	0.07 174	0.20 466	0.20 450	0.10 381	0.14 322	0.24 522	0.26 394	0.20 311	0.11 194	0.10 142	0.12 237	0.10 239	0.15 326	0.12 282	0.07 276	0.06 346	0.09 404	0.08 381	0.06 230	0.08 388

GMStereo	0.13 319	0.14 498	0.14 307	0.18 330	0.09 272	0.15 348	0.16 322	0.20 270	0.24 369	0.16 341	0.17 283	0.10 192	0.10 239	0.16 361	0.13 323	0.07 276	0.06 346	0.06 129	0.06 216	0.07 302	0.06 241
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 319	0.07 174	0.14 307	0.17 248	0.09 272	0.15 348	0.16 322	0.28 434	0.27 414	0.14 286	0.17 283	0.12 237	0.13 339	0.14 304	0.11 223	0.08 345	0.05 209	0.07 230	0.07 310	0.07 302	0.06 241

FENet	0.13 319	0.08 279	0.12 224	0.16 172	0.08 151	0.14 322	0.15 256	0.22 317	0.23 353	0.17 356	0.23 371	0.16 326	0.12 300	0.14 304	0.15 387	0.08 345	0.05 209	0.08 321	0.08 381	0.07 302	0.07 324

cf-r	0.13 319	0.07 174	0.12 224	0.16 172	0.08 151	0.14 322	0.19 446	0.20 270	0.25 390	0.17 356	0.25 411	0.21 394	0.16 407	0.14 304	0.14 359	0.10 445	0.05 209	0.06 129	0.08 381	0.06 230	0.06 241

iResNet	0.13 319	0.10 414	0.18 442	0.19 390	0.08 151	0.13 289	0.18 407	0.20 270	0.26 404	0.15 313	0.23 371	0.15 312	0.13 339	0.14 304	0.14 359	0.06 127	0.04 24	0.06 129	0.05 132	0.06 230	0.05 149

DN-CSS_ROB	0.13 319	0.13 486	0.16 390	0.18 330	0.10 381	0.16 377	0.08 7	0.22 317	0.18 271	0.17 356	0.22 362	0.13 263	0.13 339	0.12 225	0.13 323	0.05 35	0.05 209	0.10 451	0.10 467	0.08 364	0.06 241

G2L-Stereo_test	0.14 353	0.07 174	0.11 185	0.13 14	0.08 151	0.12 238	0.16 322	0.30 461	0.28 428	0.20 425	0.23 371	0.20 385	0.16 407	0.17 393	0.18 436	0.07 276	0.05 209	0.05 34	0.05 132	0.07 302	0.06 241

coex_refinement	0.14 353	0.07 174	0.12 224	0.17 248	0.10 381	0.15 348	0.15 256	0.26 394	0.29 435	0.18 386	0.20 329	0.22 412	0.17 430	0.16 361	0.18 436	0.08 345	0.05 209	0.06 129	0.06 216	0.09 427	0.08 388

G2L-Stereo	0.14 353	0.07 174	0.13 271	0.17 248	0.09 272	0.13 289	0.12 77	0.27 415	0.22 342	0.16 341	0.27 437	0.21 394	0.13 339	0.17 393	0.18 436	0.09 404	0.08 447	0.08 321	0.07 310	0.07 302	0.07 324

rvit_0105_6	0.14 353	0.09 355	0.18 442	0.17 248	0.10 381	0.10 150	0.16 322	0.19 259	0.26 404	0.12 234	0.18 308	0.17 346	0.12 300	0.18 414	0.12 282	0.15 541	0.11 511	0.12 501	0.10 467	0.09 427	0.06 241

rvit_0105_5	0.14 353	0.09 355	0.13 271	0.17 248	0.09 272	0.14 322	0.23 510	0.24 360	0.27 414	0.14 286	0.15 249	0.18 359	0.12 300	0.17 393	0.14 359	0.14 537	0.11 511	0.10 451	0.10 467	0.08 364	0.06 241

rvit_0105_4	0.14 353	0.09 355	0.17 420	0.17 248	0.10 381	0.12 238	0.19 446	0.23 337	0.27 414	0.14 286	0.20 329	0.17 346	0.13 339	0.17 393	0.13 323	0.15 541	0.11 511	0.11 482	0.10 467	0.09 427	0.06 241

DCVSM-stereo	0.14 353	0.09 355	0.16 390	0.16 172	0.10 381	0.15 348	0.09 18	0.19 259	0.23 353	0.20 425	0.23 371	0.26 460	0.15 381	0.18 414	0.14 359	0.09 404	0.07 418	0.09 404	0.08 381	0.10 458	0.12 498

test_sample6	0.14 353	0.08 279	0.13 271	0.16 172	0.08 151	0.17 399	0.19 446	0.25 376	0.17 241	0.17 356	0.27 437	0.19 373	0.14 363	0.15 326	0.13 323	0.08 345	0.05 209	0.08 321	0.07 310	0.08 364	0.08 388

test_sample5	0.14 353	0.08 279	0.14 307	0.16 172	0.08 151	0.18 418	0.18 407	0.25 376	0.17 241	0.17 356	0.27 437	0.18 359	0.14 363	0.16 361	0.13 323	0.08 345	0.05 209	0.08 321	0.07 310	0.08 364	0.08 388

test_sample4	0.14 353	0.08 279	0.14 307	0.15 90	0.08 151	0.19 441	0.18 407	0.26 394	0.17 241	0.16 341	0.25 411	0.18 359	0.14 363	0.16 361	0.13 323	0.08 345	0.06 346	0.08 321	0.06 216	0.08 364	0.08 388

test_sample3	0.14 353	0.08 279	0.15 356	0.14 45	0.09 272	0.19 441	0.17 359	0.26 394	0.18 271	0.16 341	0.22 362	0.19 373	0.15 381	0.17 393	0.13 323	0.08 345	0.06 346	0.07 230	0.06 216	0.09 427	0.08 388

DispNO	0.14 353	0.08 279	0.17 420	0.19 390	0.12 463	0.11 196	0.21 489	0.23 337	0.29 435	0.17 356	0.23 371	0.18 359	0.17 430	0.15 326	0.15 387	0.07 276	0.05 209	0.08 321	0.08 381	0.07 302	0.06 241

SMFormer	0.14 353	0.07 174	0.17 420	0.14 45	0.08 151	0.16 377	0.17 359	0.26 394	0.27 414	0.19 402	0.20 329	0.18 359	0.15 381	0.15 326	0.17 418	0.08 345	0.05 209	0.07 230	0.06 216	0.07 302	0.06 241

tta	0.14 353	0.07 174	0.17 420	0.14 45	0.08 151	0.16 377	0.17 359	0.26 394	0.27 414	0.19 402	0.20 329	0.18 359	0.15 381	0.15 326	0.17 418	0.08 345	0.05 209	0.07 230	0.06 216	0.06 230	0.06 241

mmm	0.14 353	0.08 279	0.17 420	0.17 248	0.09 272	0.17 399	0.18 407	0.21 293	0.15 184	0.15 313	0.23 371	0.21 394	0.16 407	0.16 361	0.17 418	0.08 345	0.05 209	0.08 321	0.07 310	0.07 302	0.07 324

DualNet	0.14 353	0.08 279	0.14 307	0.16 172	0.08 151	0.18 418	0.18 407	0.25 376	0.17 241	0.17 356	0.27 437	0.18 359	0.14 363	0.16 361	0.13 323	0.08 345	0.05 209	0.08 321	0.07 310	0.08 364	0.08 388

mmx	0.14 353	0.09 355	0.14 307	0.16 172	0.08 151	0.17 399	0.17 359	0.27 415	0.25 390	0.15 313	0.25 411	0.19 373	0.13 339	0.14 304	0.20 455	0.08 345	0.06 346	0.09 404	0.08 381	0.08 364	0.08 388

xxx	0.14 353	0.09 355	0.14 307	0.16 172	0.08 151	0.17 399	0.17 359	0.27 415	0.25 390	0.15 313	0.25 411	0.19 373	0.13 339	0.14 304	0.20 455	0.08 345	0.06 346	0.09 404	0.08 381	0.08 364	0.08 388

PCWNet_CMD	0.14 353	0.08 279	0.15 356	0.17 248	0.09 272	0.14 322	0.14 178	0.29 447	0.36 491	0.14 286	0.20 329	0.21 394	0.12 300	0.17 393	0.13 323	0.07 276	0.05 209	0.07 230	0.07 310	0.07 302	0.07 324

CBFPSM	0.14 353	0.06 81	0.26 502	0.17 248	0.09 272	0.13 289	0.15 256	0.22 317	0.23 353	0.20 425	0.27 437	0.24 436	0.16 407	0.16 361	0.18 436	0.06 127	0.06 346	0.06 129	0.07 310	0.07 302	0.07 324

gwcnet-sp	0.14 353	0.07 174	0.12 224	0.18 330	0.09 272	0.16 377	0.17 359	0.24 360	0.24 369	0.18 386	0.24 383	0.15 312	0.16 407	0.15 326	0.15 387	0.08 345	0.06 346	0.07 230	0.08 381	0.08 364	0.07 324

scenet	0.14 353	0.07 174	0.12 224	0.18 330	0.09 272	0.16 377	0.17 359	0.24 360	0.24 369	0.18 386	0.24 383	0.15 312	0.16 407	0.15 326	0.15 387	0.08 345	0.06 346	0.07 230	0.08 381	0.08 364	0.07 324

ssnet	0.14 353	0.07 174	0.12 224	0.18 330	0.09 272	0.16 377	0.17 359	0.24 360	0.24 369	0.18 386	0.24 383	0.15 312	0.16 407	0.15 326	0.15 387	0.08 345	0.06 346	0.07 230	0.08 381	0.08 364	0.07 324

BUS	0.14 353	0.09 355	0.14 307	0.22 496	0.10 381	0.19 441	0.14 178	0.34 511	0.19 288	0.17 356	0.22 362	0.16 326	0.13 339	0.15 326	0.13 323	0.08 345	0.06 346	0.10 451	0.09 427	0.07 302	0.07 324

IER	0.14 353	0.07 174	0.13 271	0.17 248	0.09 272	0.14 322	0.16 322	0.25 376	0.26 404	0.18 386	0.25 411	0.17 346	0.20 472	0.16 361	0.14 359	0.08 345	0.05 209	0.07 230	0.06 216	0.08 364	0.07 324

test_5	0.14 353	0.12 458	0.08 40	0.20 450	0.10 381	0.14 322	0.29 568	0.21 293	0.24 369	0.18 386	0.28 451	0.11 219	0.15 381	0.12 225	0.13 323	0.06 127	0.05 209	0.07 230	0.08 381	0.08 364	0.07 324

psmg	0.14 353	0.09 355	0.14 307	0.17 248	0.10 381	0.15 348	0.17 359	0.29 447	0.19 288	0.17 356	0.21 351	0.25 450	0.16 407	0.15 326	0.14 359	0.08 345	0.06 346	0.08 321	0.08 381	0.07 302	0.06 241

UDGNet	0.14 353	0.13 486	0.16 390	0.17 248	0.10 381	0.12 238	0.16 322	0.21 293	0.27 414	0.20 425	0.20 329	0.16 326	0.13 339	0.16 361	0.13 323	0.10 445	0.06 346	0.09 404	0.07 310	0.06 230	0.07 324

CFNet_pseudo	0.14 353	0.08 279	0.15 356	0.16 172	0.09 272	0.13 289	0.14 178	0.27 415	0.34 478	0.14 286	0.21 351	0.22 412	0.13 339	0.18 414	0.14 359	0.07 276	0.05 209	0.08 321	0.06 216	0.07 302	0.07 324

GES	0.14 353	0.08 279	0.16 390	0.15 90	0.10 381	0.13 289	0.13 125	0.28 434	0.25 390	0.16 341	0.23 371	0.18 359	0.13 339	0.16 361	0.13 323	0.08 345	0.07 418	0.07 230	0.06 216	0.08 364	0.09 432

GANet-RSSM	0.14 353	0.07 174	0.13 271	0.13 14	0.08 151	0.14 322	0.17 359	0.22 317	0.21 327	0.17 356	0.24 383	0.23 430	0.15 381	0.16 361	0.15 387	0.10 445	0.06 346	0.07 230	0.08 381	0.08 364	0.07 324

PSMNet-RSSM	0.14 353	0.07 174	0.13 271	0.15 90	0.08 151	0.13 289	0.16 322	0.24 360	0.24 369	0.16 341	0.28 451	0.22 412	0.14 363	0.15 326	0.13 323	0.11 474	0.06 346	0.09 404	0.12 519	0.08 364	0.07 324

GwcNet-RSSM	0.14 353	0.07 174	0.12 224	0.15 90	0.08 151	0.15 348	0.20 469	0.21 293	0.27 414	0.18 386	0.27 437	0.22 412	0.16 407	0.14 304	0.15 387	0.10 445	0.05 209	0.07 230	0.09 427	0.07 302	0.07 324

CFNet-ft	0.14 353	0.07 174	0.15 356	0.12 5	0.09 272	0.16 377	0.18 407	0.22 317	0.24 369	0.17 356	0.26 428	0.24 436	0.14 363	0.16 361	0.14 359	0.11 474	0.06 346	0.08 321	0.09 427	0.09 427	0.08 388

DMCA	0.14 353	0.09 355	0.16 390	0.19 390	0.09 272	0.15 348	0.17 359	0.23 337	0.27 414	0.14 286	0.19 317	0.17 346	0.18 444	0.15 326	0.17 418	0.10 445	0.06 346	0.08 321	0.06 216	0.09 427	0.10 459

RASNet	0.14 353	0.07 174	0.14 307	0.16 172	0.08 151	0.18 418	0.14 178	0.29 447	0.20 311	0.17 356	0.25 411	0.21 394	0.18 444	0.20 454	0.19 449	0.07 276	0.06 346	0.06 129	0.08 381	0.06 230	0.06 241

MSMDNet	0.14 353	0.08 279	0.15 356	0.17 248	0.09 272	0.14 322	0.14 178	0.29 447	0.36 491	0.14 286	0.21 351	0.21 394	0.12 300	0.17 393	0.14 359	0.07 276	0.05 209	0.07 230	0.07 310	0.07 302	0.07 324

HSM-Net_RVC	0.14 353	0.08 279	0.11 185	0.15 90	0.08 151	0.15 348	0.15 256	0.27 415	0.29 435	0.19 402	0.21 351	0.29 486	0.14 363	0.17 393	0.13 323	0.06 127	0.06 346	0.06 129	0.06 216	0.07 302	0.06 241
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 353	0.07 174	0.15 356	0.12 5	0.09 272	0.16 377	0.18 407	0.22 317	0.24 369	0.17 356	0.26 428	0.24 436	0.14 363	0.16 361	0.14 359	0.11 474	0.06 346	0.08 321	0.09 427	0.09 427	0.08 388

ccs_rob	0.14 353	0.08 279	0.15 356	0.16 172	0.09 272	0.12 238	0.14 178	0.27 415	0.34 478	0.14 286	0.21 351	0.22 412	0.13 339	0.18 414	0.14 359	0.07 276	0.05 209	0.08 321	0.07 310	0.07 302	0.07 324

UCFNet_RVC	0.14 353	0.08 279	0.13 271	0.11 1	0.10 381	0.20 456	0.10 31	0.24 360	0.22 342	0.17 356	0.20 329	0.23 430	0.15 381	0.17 393	0.15 387	0.12 498	0.07 418	0.10 451	0.13 529	0.11 481	0.10 459

iResNetv2_ROB	0.14 353	0.08 279	0.15 356	0.16 172	0.08 151	0.16 377	0.12 77	0.25 376	0.35 487	0.21 439	0.29 463	0.24 436	0.13 339	0.14 304	0.14 359	0.06 127	0.05 209	0.06 129	0.04 44	0.09 427	0.08 388

iResNet_ROB	0.14 353	0.07 174	0.13 271	0.14 45	0.07 84	0.18 418	0.14 178	0.26 394	0.31 452	0.22 455	0.25 411	0.23 430	0.15 381	0.15 326	0.13 323	0.07 276	0.05 209	0.05 34	0.04 44	0.08 364	0.08 388

DDVS	0.15 396	0.10 414	0.21 475	0.16 172	0.12 463	0.15 348	0.14 178	0.25 376	0.19 288	0.18 386	0.29 463	0.27 468	0.12 300	0.19 429	0.15 387	0.09 404	0.06 346	0.09 404	0.07 310	0.11 481	0.11 485

rvit_0105_3	0.15 396	0.09 355	0.14 307	0.19 390	0.12 463	0.15 348	0.25 537	0.25 376	0.29 435	0.15 313	0.17 283	0.20 385	0.13 339	0.17 393	0.14 359	0.13 523	0.11 511	0.12 501	0.14 533	0.07 302	0.06 241

ACV-stereo	0.15 396	0.10 414	0.28 514	0.18 330	0.12 463	0.14 322	0.12 77	0.23 337	0.21 327	0.19 402	0.23 371	0.22 412	0.15 381	0.23 495	0.17 418	0.07 276	0.06 346	0.07 230	0.07 310	0.07 302	0.07 324

ITSA-stereo	0.15 396	0.10 414	0.14 307	0.19 390	0.08 151	0.12 238	0.14 178	0.30 461	0.49 551	0.17 356	0.19 317	0.22 412	0.15 381	0.17 393	0.16 403	0.10 445	0.06 346	0.08 321	0.08 381	0.08 364	0.08 388

test_sample7	0.15 396	0.10 414	0.16 390	0.14 45	0.11 431	0.16 377	0.16 322	0.27 415	0.23 353	0.20 425	0.20 329	0.24 436	0.19 460	0.16 361	0.16 403	0.12 498	0.06 346	0.10 451	0.09 427	0.10 458	0.10 459

1111x	0.15 396	0.08 279	0.12 224	0.18 330	0.07 84	0.18 418	0.25 537	0.31 471	0.24 369	0.17 356	0.24 383	0.26 460	0.15 381	0.13 275	0.23 496	0.07 276	0.07 418	0.08 321	0.09 427	0.07 302	0.06 241

CFNet_ucs	0.15 396	0.08 279	0.16 390	0.16 172	0.11 431	0.14 322	0.14 178	0.30 461	0.34 478	0.16 341	0.24 383	0.23 430	0.14 363	0.18 414	0.15 387	0.09 404	0.06 346	0.08 321	0.07 310	0.09 427	0.09 432

BSDual-CNN	0.15 396	0.09 355	0.14 307	0.22 496	0.10 381	0.14 322	0.15 256	0.34 511	0.19 288	0.17 356	0.22 362	0.25 450	0.16 407	0.15 326	0.14 359	0.08 345	0.06 346	0.10 451	0.09 427	0.07 302	0.07 324

hknet	0.15 396	0.11 440	0.13 271	0.22 496	0.11 431	0.14 322	0.15 256	0.34 511	0.25 390	0.17 356	0.22 362	0.22 412	0.18 444	0.17 393	0.12 282	0.07 276	0.06 346	0.10 451	0.09 427	0.07 302	0.07 324

dd	0.15 396	0.16 516	0.16 390	0.19 390	0.09 272	0.15 348	0.18 407	0.21 293	0.25 390	0.23 468	0.20 329	0.21 394	0.09 201	0.21 471	0.16 403	0.10 445	0.06 346	0.08 321	0.06 216	0.08 364	0.06 241

DAS	0.15 396	0.08 279	0.18 442	0.19 390	0.10 381	0.19 441	0.17 359	0.27 415	0.29 435	0.18 386	0.25 411	0.21 394	0.15 381	0.16 361	0.12 282	0.08 345	0.06 346	0.06 129	0.06 216	0.07 302	0.07 324

SepStereo	0.15 396	0.08 279	0.18 442	0.19 390	0.10 381	0.19 441	0.17 359	0.27 415	0.29 435	0.18 386	0.25 411	0.21 394	0.15 381	0.25 509	0.12 282	0.08 345	0.06 346	0.06 129	0.06 216	0.07 302	0.07 324

PSMNet-ADL	0.15 396	0.12 458	0.13 271	0.22 496	0.09 272	0.13 289	0.20 469	0.26 394	0.23 353	0.18 386	0.20 329	0.24 436	0.16 407	0.18 414	0.17 418	0.08 345	0.08 447	0.08 321	0.11 499	0.08 364	0.07 324

LMCR-Stereo	0.15 396	0.08 279	0.13 271	0.21 481	0.09 272	0.17 399	0.20 469	0.27 415	0.19 288	0.24 477	0.24 383	0.23 430	0.17 430	0.20 454	0.17 418	0.07 276	0.06 346	0.08 321	0.06 216	0.10 458	0.08 388

ICVP	0.15 396	0.09 355	0.12 224	0.22 496	0.09 272	0.17 399	0.21 489	0.25 376	0.23 353	0.18 386	0.30 470	0.26 460	0.18 444	0.17 393	0.14 359	0.09 404	0.07 418	0.08 321	0.07 310	0.07 302	0.07 324
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 396	0.07 174	0.14 307	0.14 45	0.08 151	0.23 497	0.18 407	0.31 471	0.19 288	0.14 286	0.28 451	0.22 412	0.14 363	0.15 326	0.26 530	0.09 404	0.05 209	0.07 230	0.07 310	0.08 364	0.07 324

test_xeample	0.15 396	0.06 81	0.13 271	0.14 45	0.08 151	0.21 473	0.20 469	0.28 434	0.20 311	0.16 341	0.29 463	0.19 373	0.16 407	0.15 326	0.26 530	0.09 404	0.05 209	0.07 230	0.07 310	0.07 302	0.07 324

ACVNet	0.15 396	0.09 355	0.15 356	0.13 14	0.12 463	0.14 322	0.20 469	0.22 317	0.33 466	0.17 356	0.26 428	0.21 394	0.16 407	0.17 393	0.21 475	0.07 276	0.06 346	0.06 129	0.06 216	0.08 364	0.06 241

acv_ft	0.15 396	0.09 355	0.15 356	0.19 390	0.10 381	0.16 377	0.17 359	0.25 376	0.33 466	0.19 402	0.26 428	0.21 394	0.17 430	0.17 393	0.18 436	0.07 276	0.06 346	0.06 129	0.06 216	0.08 364	0.06 241

CFNet	0.15 396	0.10 414	0.17 420	0.17 248	0.08 151	0.18 418	0.09 18	0.28 434	0.25 390	0.19 402	0.24 383	0.24 436	0.17 430	0.17 393	0.14 359	0.08 345	0.06 346	0.09 404	0.10 467	0.07 302	0.06 241

AdaStereo	0.15 396	0.11 440	0.15 356	0.18 330	0.09 272	0.20 456	0.11 56	0.32 482	0.28 428	0.20 425	0.23 371	0.20 385	0.13 339	0.19 429	0.14 359	0.12 498	0.05 209	0.10 451	0.07 310	0.09 427	0.07 324
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	0.15 396	0.08 279	0.14 307	0.16 172	0.09 272	0.16 377	0.14 178	0.28 434	0.25 390	0.19 402	0.23 371	0.37 540	0.16 407	0.20 454	0.15 387	0.07 276	0.05 209	0.07 230	0.06 216	0.07 302	0.06 241

pmcnn	0.15 396	0.07 174	0.19 454	0.15 90	0.07 84	0.20 456	0.15 256	0.24 360	0.26 404	0.21 439	0.34 498	0.28 478	0.18 444	0.18 414	0.17 418	0.07 276	0.05 209	0.05 34	0.04 44	0.07 302	0.06 241

DStereoRT	0.16 419	0.06 81	0.11 185	0.19 390	0.09 272	0.12 238	0.12 77	0.28 434	0.22 342	0.12 234	0.20 329	0.11 219	0.10 239	0.15 326	0.14 359	0.06 127	0.05 209	0.96 615	0.09 427	0.05 122	0.04 50

DualNet (step1)	0.16 419	0.12 458	0.20 466	0.12 5	0.14 506	0.17 399	0.13 125	0.27 415	0.23 353	0.20 425	0.20 329	0.24 436	0.19 460	0.16 361	0.16 403	0.15 541	0.06 346	0.14 528	0.14 533	0.14 527	0.12 498

GMStereo_Zeroshot	0.16 419	0.13 486	0.24 494	0.20 450	0.10 381	0.17 399	0.13 125	0.29 447	0.25 390	0.23 468	0.32 482	0.25 450	0.11 269	0.19 429	0.14 359	0.09 404	0.06 346	0.11 482	0.06 216	0.12 496	0.08 388

iinet-f	0.16 419	0.06 81	0.45 559	0.14 45	0.10 381	0.21 473	0.14 178	0.27 415	0.23 353	0.21 439	0.24 383	0.21 394	0.15 381	0.18 414	0.21 475	0.09 404	0.07 418	0.07 230	0.06 216	0.09 427	0.10 459

CRFU-Net	0.16 419	0.08 279	0.14 307	0.17 248	0.09 272	0.19 441	0.14 178	0.26 394	0.20 311	0.28 517	0.27 437	0.29 486	0.17 430	0.19 429	0.17 418	0.09 404	0.09 479	0.07 230	0.07 310	0.08 364	0.08 388

NINENet	0.16 419	0.10 414	0.15 356	0.17 248	0.11 431	0.19 441	0.14 178	0.40 555	0.36 491	0.18 386	0.21 351	0.16 326	0.13 339	0.15 326	0.13 323	0.08 345	0.08 447	0.10 451	0.07 310	0.10 458	0.09 432

CSP-Net	0.16 419	0.09 355	0.14 307	0.16 172	0.09 272	0.19 441	0.17 359	0.25 376	0.32 459	0.25 490	0.30 470	0.24 436	0.15 381	0.21 471	0.18 436	0.09 404	0.06 346	0.07 230	0.07 310	0.08 364	0.07 324

AASNet	0.16 419	0.08 279	0.12 224	0.19 390	0.09 272	0.18 418	0.15 256	0.37 539	0.37 498	0.19 402	0.23 371	0.20 385	0.16 407	0.17 393	0.20 455	0.10 445	0.08 447	0.08 321	0.07 310	0.09 427	0.09 432

AACVNet	0.16 419	0.08 279	0.14 307	0.15 90	0.10 381	0.18 418	0.15 256	0.23 337	0.24 369	0.27 502	0.27 437	0.28 478	0.17 430	0.19 429	0.16 403	0.09 404	0.07 418	0.09 404	0.07 310	0.10 458	0.09 432

ADLNet2	0.16 419	0.09 355	0.13 271	0.16 172	0.09 272	0.20 456	0.16 322	0.31 471	0.39 508	0.16 341	0.20 329	0.20 385	0.18 444	0.21 471	0.22 484	0.08 345	0.06 346	0.07 230	0.07 310	0.09 427	0.07 324

Anonymous3	0.16 419	0.13 486	0.33 534	0.26 545	0.14 506	0.27 533	0.17 359	0.28 434	0.28 428	0.15 313	0.17 283	0.14 283	0.10 239	0.15 326	0.12 282	0.08 345	0.08 447	0.08 321	0.08 381	0.08 364	0.11 485

ADLNet	0.16 419	0.08 279	0.15 356	0.16 172	0.10 381	0.16 377	0.17 359	0.32 482	0.27 414	0.22 455	0.27 437	0.24 436	0.16 407	0.18 414	0.21 475	0.10 445	0.06 346	0.10 451	0.10 467	0.08 364	0.09 432

HCRNet	0.16 419	0.24 562	0.12 224	0.35 578	0.11 431	0.15 348	0.17 359	0.26 394	0.22 342	0.19 402	0.24 383	0.21 394	0.14 363	0.15 326	0.13 323	0.11 474	0.07 418	0.11 482	0.10 467	0.09 427	0.07 324

222	0.16 419	0.07 174	0.14 307	0.14 45	0.08 151	0.24 502	0.18 407	0.30 461	0.20 311	0.17 356	0.28 451	0.17 346	0.16 407	0.15 326	0.40 583	0.10 445	0.05 209	0.07 230	0.06 216	0.07 302	0.08 388

UPFNet	0.16 419	0.08 279	0.12 224	0.20 450	0.12 463	0.20 456	0.23 510	0.28 434	0.26 404	0.17 356	0.24 383	0.22 412	0.19 460	0.19 429	0.21 475	0.09 404	0.07 418	0.08 321	0.09 427	0.08 364	0.06 241

ac_64	0.16 419	0.08 279	0.15 356	0.18 330	0.10 381	0.22 482	0.18 407	0.24 360	0.21 327	0.18 386	0.24 383	0.29 486	0.18 444	0.19 429	0.22 484	0.09 404	0.07 418	0.08 321	0.09 427	0.07 302	0.06 241

DSFCA	0.16 419	0.09 355	0.14 307	0.16 172	0.10 381	0.20 456	0.19 446	0.28 434	0.31 452	0.23 468	0.24 383	0.22 412	0.15 381	0.19 429	0.20 455	0.10 445	0.07 418	0.09 404	0.09 427	0.08 364	0.08 388

FADNet-RVC-Resample	0.16 419	0.11 440	0.31 527	0.22 496	0.11 431	0.19 441	0.14 178	0.25 376	0.24 369	0.24 477	0.27 437	0.20 385	0.15 381	0.16 361	0.15 387	0.07 276	0.08 447	0.12 501	0.10 467	0.09 427	0.10 459

FADNet_RVC	0.16 419	0.14 498	0.40 552	0.20 450	0.11 431	0.13 289	0.13 125	0.26 394	0.22 342	0.21 439	0.23 371	0.20 385	0.17 430	0.14 304	0.16 403	0.08 345	0.08 447	0.12 501	0.09 427	0.11 481	0.10 459

AANet_RVC	0.16 419	0.10 414	0.10 140	0.18 330	0.09 272	0.18 418	0.19 446	0.26 394	0.31 452	0.22 455	0.35 502	0.21 394	0.21 476	0.22 484	0.16 403	0.06 127	0.05 209	0.06 129	0.06 216	0.07 302	0.06 241

DeepPruner_ROB	0.16 419	0.11 440	0.15 356	0.17 248	0.10 381	0.17 399	0.15 256	0.32 482	0.21 327	0.19 402	0.21 351	0.22 412	0.18 444	0.20 454	0.15 387	0.13 523	0.09 479	0.09 404	0.09 427	0.11 481	0.10 459

z-ln-s-r	0.17 440	0.10 414	0.40 552	0.19 390	0.08 151	0.17 399	0.18 407	0.22 317	0.33 466	0.18 386	0.40 531	0.22 412	0.17 430	0.20 454	0.23 496	0.07 276	0.05 209	0.07 230	0.07 310	0.07 302	0.05 149

rvit_stereo_0075_2	0.17 440	0.12 458	0.25 499	0.23 520	0.16 536	0.13 289	0.10 31	0.30 461	0.27 414	0.20 425	0.28 451	0.22 412	0.15 381	0.18 414	0.13 323	0.16 557	0.10 499	0.17 550	0.10 467	0.10 458	0.09 432

ToySt	0.17 440	0.11 440	0.18 442	0.17 248	0.11 431	0.16 377	0.25 537	0.24 360	0.33 466	0.19 402	0.24 383	0.26 460	0.24 499	0.19 429	0.20 455	0.07 276	0.08 447	0.09 404	0.10 467	0.09 427	0.08 388

ssnet_v2	0.17 440	0.10 414	0.17 420	0.17 248	0.11 431	0.21 473	0.21 489	0.33 502	0.25 390	0.22 455	0.22 362	0.27 468	0.18 444	0.22 484	0.20 455	0.11 474	0.09 479	0.09 404	0.09 427	0.08 364	0.08 388

dad	0.17 440	0.20 547	0.20 466	0.16 172	0.11 431	0.20 456	0.18 407	0.21 293	0.28 428	0.30 531	0.24 383	0.29 486	0.13 339	0.19 429	0.16 403	0.18 563	0.09 479	0.11 482	0.09 427	0.11 481	0.07 324

GEStereo_RVC	0.17 440	0.12 458	0.15 356	0.22 496	0.11 431	0.19 441	0.17 359	0.32 482	0.48 544	0.20 425	0.25 411	0.17 346	0.13 339	0.21 471	0.16 403	0.10 445	0.06 346	0.08 321	0.07 310	0.09 427	0.08 388

MMNet	0.17 440	0.09 355	0.16 390	0.20 450	0.11 431	0.27 533	0.20 469	0.25 376	0.41 517	0.22 455	0.30 470	0.21 394	0.20 472	0.17 393	0.20 455	0.06 127	0.06 346	0.07 230	0.07 310	0.08 364	0.07 324

delet	0.17 440	0.08 279	0.17 420	0.19 390	0.11 431	0.20 456	0.21 489	0.30 461	0.37 498	0.17 356	0.26 428	0.19 373	0.19 460	0.19 429	0.21 475	0.08 345	0.08 447	0.09 404	0.11 499	0.06 230	0.06 241

UNet	0.17 440	0.09 355	0.18 442	0.19 390	0.12 463	0.27 533	0.19 446	0.33 502	0.29 435	0.21 439	0.24 383	0.23 430	0.19 460	0.19 429	0.18 436	0.07 276	0.06 346	0.08 321	0.07 310	0.08 364	0.06 241

HGLStereo	0.17 440	0.08 279	0.19 454	0.17 248	0.12 463	0.18 418	0.18 407	0.31 471	0.32 459	0.21 439	0.32 482	0.25 450	0.18 444	0.19 429	0.20 455	0.09 404	0.09 479	0.07 230	0.07 310	0.09 427	0.10 459

DMCA-RVC	0.17 440	0.10 414	0.15 356	0.24 529	0.11 431	0.18 418	0.18 407	0.25 376	0.24 369	0.21 439	0.26 428	0.25 450	0.27 522	0.18 414	0.20 455	0.12 498	0.08 447	0.13 516	0.10 467	0.10 458	0.08 388

TDLM	0.17 440	0.12 458	0.13 271	0.24 529	0.10 381	0.18 418	0.18 407	0.36 533	0.30 445	0.21 439	0.28 451	0.28 478	0.18 444	0.23 495	0.18 436	0.11 474	0.07 418	0.10 451	0.10 467	0.08 364	0.08 388

NLCA_NET_v2_RVC	0.17 440	0.10 414	0.22 481	0.20 450	0.10 381	0.15 348	0.18 407	0.31 471	0.25 390	0.21 439	0.30 470	0.25 450	0.17 430	0.21 471	0.20 455	0.09 404	0.06 346	0.08 321	0.08 381	0.07 302	0.08 388
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	0.17 440	0.12 458	0.15 356	0.20 450	0.09 272	0.18 418	0.18 407	0.26 394	0.23 353	0.26 496	0.40 531	0.22 412	0.17 430	0.21 471	0.20 455	0.08 345	0.05 209	0.09 404	0.10 467	0.07 302	0.07 324
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 454	0.08 279	0.19 454	0.19 390	0.13 486	0.15 348	0.12 77	0.30 461	0.32 459	0.21 439	0.25 411	0.27 468	0.17 430	0.17 393	0.20 455	0.20 570	0.08 447	0.14 528	0.14 533	0.14 527	0.17 563

test_sample9	0.18 454	0.12 458	0.20 466	0.12 5	0.14 506	0.17 399	0.13 125	0.27 415	0.23 353	0.20 425	0.20 329	0.24 436	0.19 460	0.19 429	0.17 418	0.15 541	0.30 590	0.14 528	0.14 533	0.14 527	0.12 498

fast-acv-ft	0.18 454	0.11 440	0.19 454	0.19 390	0.12 463	0.24 502	0.21 489	0.25 376	0.34 478	0.22 455	0.34 498	0.27 468	0.20 472	0.21 471	0.23 496	0.09 404	0.09 479	0.08 321	0.10 467	0.08 364	0.07 324

HBP-ISP	0.18 454	0.13 486	0.16 390	0.15 90	0.11 431	0.08 60	0.13 125	0.28 434	0.29 435	0.22 455	0.33 494	0.21 394	0.25 508	0.23 495	0.17 418	0.14 537	0.16 559	0.21 564	0.17 560	0.10 458	0.08 388

Wz-Net-LNSev-Ref	0.18 454	0.09 355	0.29 522	0.15 90	0.10 381	0.22 482	0.20 469	0.26 394	0.39 508	0.25 490	0.42 548	0.24 436	0.15 381	0.20 454	0.19 449	0.07 276	0.05 209	0.06 129	0.05 132	0.10 458	0.09 432

SACVNet	0.18 454	0.12 458	0.14 307	0.17 248	0.13 486	0.22 482	0.18 407	0.31 471	0.30 445	0.23 468	0.31 478	0.30 496	0.22 485	0.22 484	0.17 418	0.11 474	0.08 447	0.10 451	0.10 467	0.12 496	0.14 536

psm_up	0.18 454	0.10 414	0.18 442	0.20 450	0.11 431	0.17 399	0.19 446	0.37 539	0.34 478	0.21 439	0.28 451	0.29 486	0.24 499	0.20 454	0.22 484	0.09 404	0.10 499	0.11 482	0.11 499	0.08 364	0.08 388

hitnet-ft	0.18 454	0.09 355	0.17 420	0.14 45	0.09 272	0.26 523	0.20 469	0.25 376	0.26 404	0.24 477	0.32 482	0.31 509	0.22 485	0.24 504	0.21 475	0.12 498	0.07 418	0.10 451	0.08 381	0.12 496	0.11 485

STTStereo	0.18 454	0.12 458	0.27 509	0.20 450	0.11 431	0.16 377	0.21 489	0.29 447	0.23 353	0.21 439	0.30 470	0.29 486	0.18 444	0.20 454	0.19 449	0.12 498	0.11 511	0.11 482	0.14 533	0.09 427	0.08 388

CVANet_RVC	0.18 454	0.10 414	0.14 307	0.21 481	0.10 381	0.18 418	0.17 359	0.34 511	0.33 466	0.22 455	0.31 478	0.28 478	0.18 444	0.23 495	0.17 418	0.12 498	0.08 447	0.12 501	0.11 499	0.09 427	0.07 324

StereoDRNet	0.18 454	0.11 440	0.17 420	0.22 496	0.11 431	0.21 473	0.22 499	0.37 539	0.33 466	0.24 477	0.28 451	0.30 496	0.19 460	0.20 454	0.20 455	0.09 404	0.08 447	0.11 482	0.09 427	0.09 427	0.07 324

DLCB_ROB	0.18 454	0.10 414	0.15 356	0.23 520	0.11 431	0.24 502	0.18 407	0.29 447	0.28 428	0.27 502	0.28 451	0.28 478	0.24 499	0.19 429	0.20 455	0.08 345	0.08 447	0.09 404	0.09 427	0.07 302	0.07 324

TCMNet	0.19 466	0.12 458	0.19 454	0.20 450	0.18 558	0.20 456	0.24 522	0.27 415	0.36 491	0.23 468	0.26 428	0.25 450	0.19 460	0.19 429	0.23 496	0.13 523	0.11 511	0.11 482	0.12 519	0.13 514	0.12 498

rvit_105_1	0.19 466	0.11 440	0.25 499	0.21 481	0.16 536	0.21 473	0.27 553	0.31 471	0.41 517	0.19 402	0.20 329	0.22 412	0.17 430	0.19 429	0.17 418	0.12 498	0.12 527	0.13 516	0.15 549	0.08 364	0.07 324

test_sample8	0.19 466	0.12 458	0.20 466	0.12 5	0.14 506	0.17 399	0.13 125	0.31 471	0.21 327	0.27 502	0.22 362	0.36 535	0.25 508	0.19 429	0.17 418	0.15 541	0.30 590	0.14 528	0.14 533	0.14 527	0.12 498

SDNR	0.19 466	0.08 279	0.19 454	0.16 172	0.12 463	0.77 605	0.14 178	0.25 376	0.32 459	0.19 402	0.24 383	0.19 373	0.13 339	0.19 429	0.15 387	0.16 557	0.18 566	0.14 528	0.11 499	0.08 364	0.11 485

pcwnet_v2	0.19 466	0.10 414	0.26 502	0.17 248	0.14 506	0.18 418	0.15 256	0.37 539	0.46 542	0.19 402	0.24 383	0.21 394	0.19 460	0.20 454	0.19 449	0.13 523	0.10 499	0.10 451	0.10 467	0.11 481	0.13 519

ADCRef	0.19 466	0.12 458	0.41 555	0.20 450	0.12 463	0.22 482	0.18 407	0.32 482	0.36 491	0.26 496	0.32 482	0.17 346	0.23 493	0.24 504	0.24 509	0.07 276	0.06 346	0.09 404	0.09 427	0.08 364	0.08 388

NVstereo2D	0.19 466	0.10 414	0.15 356	0.17 248	0.15 525	0.28 540	0.23 510	0.44 572	0.42 525	0.15 313	0.27 437	0.25 450	0.19 460	0.22 484	0.17 418	0.09 404	0.06 346	0.10 451	0.08 381	0.15 543	0.09 432

DRN-Test	0.19 466	0.11 440	0.20 466	0.22 496	0.10 381	0.22 482	0.22 499	0.39 551	0.37 498	0.24 477	0.32 482	0.26 460	0.21 476	0.22 484	0.24 509	0.11 474	0.07 418	0.11 482	0.10 467	0.09 427	0.07 324

DISCO	0.19 466	0.09 355	0.22 481	0.17 248	0.10 381	0.25 513	0.18 407	0.27 415	0.44 535	0.22 455	0.31 478	0.33 522	0.26 514	0.28 526	0.28 546	0.08 345	0.06 346	0.07 230	0.07 310	0.09 427	0.09 432

CBMV_ROB	0.19 466	0.13 486	0.17 420	0.16 172	0.11 431	0.15 348	0.13 125	0.26 394	0.28 428	0.27 502	0.30 470	0.27 468	0.24 499	0.23 495	0.16 403	0.15 541	0.17 564	0.22 568	0.20 566	0.10 458	0.11 485

NOSS_ROB	0.19 466	0.12 458	0.18 442	0.16 172	0.12 463	0.15 348	0.12 77	0.30 461	0.32 459	0.20 425	0.22 362	0.27 468	0.23 493	0.21 471	0.16 403	0.16 557	0.18 566	0.23 569	0.21 568	0.12 496	0.13 519

CBMV	0.19 466	0.14 498	0.17 420	0.18 330	0.10 381	0.20 456	0.11 56	0.29 447	0.30 445	0.29 526	0.30 470	0.30 496	0.23 493	0.27 514	0.19 449	0.13 523	0.15 556	0.17 550	0.16 553	0.10 458	0.10 459
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	0.20 478	0.14 498	0.37 547	0.22 496	0.12 463	0.20 456	0.21 489	0.28 434	0.37 498	0.25 490	0.37 511	0.27 468	0.22 485	0.21 471	0.23 496	0.08 345	0.08 447	0.09 404	0.09 427	0.10 458	0.09 432

YMNet	0.20 478	0.12 458	0.19 454	0.20 450	0.14 506	0.26 523	0.23 510	0.32 482	0.34 478	0.27 502	0.34 498	0.30 496	0.18 444	0.18 414	0.22 484	0.10 445	0.13 541	0.10 451	0.10 467	0.08 364	0.09 432

YMNet_1	0.20 478	0.12 458	0.19 454	0.20 450	0.14 506	0.26 523	0.23 510	0.32 482	0.34 478	0.27 502	0.34 498	0.30 496	0.18 444	0.18 414	0.22 484	0.10 445	0.13 541	0.10 451	0.10 467	0.08 364	0.09 432

GwcNet	0.20 478	0.13 486	0.19 454	0.18 330	0.12 463	0.24 502	0.19 446	0.35 526	0.43 530	0.20 425	0.32 482	0.33 522	0.20 472	0.22 484	0.24 509	0.11 474	0.09 479	0.09 404	0.09 427	0.09 427	0.10 459

FAT-Stereo	0.20 478	0.12 458	0.22 481	0.21 481	0.12 463	0.17 399	0.18 407	0.34 511	0.39 508	0.27 502	0.37 511	0.34 529	0.32 553	0.21 471	0.20 455	0.09 404	0.11 511	0.10 451	0.09 427	0.11 481	0.14 536

FADNet-RVC	0.20 478	0.20 547	0.38 549	0.21 481	0.16 536	0.20 456	0.15 256	0.26 394	0.26 404	0.26 496	0.32 482	0.26 460	0.21 476	0.22 484	0.19 449	0.12 498	0.13 541	0.12 501	0.14 533	0.13 514	0.18 566

S-Stereo	0.20 478	0.12 458	0.25 499	0.21 481	0.13 486	0.20 456	0.18 407	0.32 482	0.43 530	0.23 468	0.36 505	0.28 478	0.30 545	0.19 429	0.22 484	0.09 404	0.12 527	0.10 451	0.10 467	0.13 514	0.13 519

SuperB	0.20 478	0.10 414	0.56 575	0.16 172	0.09 272	0.18 418	0.18 407	0.24 360	0.50 554	0.26 496	0.39 525	0.17 346	0.21 476	0.22 484	0.21 475	0.08 345	0.06 346	0.06 129	0.06 216	0.12 496	0.10 459

ADCP+	0.20 478	0.10 414	0.33 534	0.20 450	0.12 463	0.22 482	0.26 546	0.31 471	0.34 478	0.26 496	0.37 511	0.22 412	0.22 485	0.27 514	0.27 538	0.09 404	0.06 346	0.08 321	0.08 381	0.09 427	0.10 459

PS-NSSS	0.20 478	0.21 553	0.23 490	0.20 450	0.10 381	0.19 441	0.17 359	0.36 533	0.25 390	0.27 502	0.33 494	0.27 468	0.24 499	0.20 454	0.20 455	0.15 541	0.12 527	0.17 550	0.14 533	0.10 458	0.08 388

PWCDC_ROB	0.20 478	0.13 486	0.22 481	0.24 529	0.11 431	0.19 441	0.15 256	0.33 502	0.54 563	0.29 526	0.50 564	0.21 394	0.15 381	0.27 514	0.20 455	0.11 474	0.09 479	0.10 451	0.08 381	0.11 481	0.09 432

SGM-Forest	0.20 478	0.14 498	0.18 442	0.19 390	0.13 486	0.20 456	0.22 499	0.33 502	0.30 445	0.24 477	0.29 463	0.28 478	0.19 460	0.23 495	0.17 418	0.15 541	0.16 559	0.15 540	0.14 533	0.12 496	0.12 498
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 490	0.17 527	0.19 454	0.23 520	0.15 525	0.30 547	0.20 469	0.33 502	0.35 487	0.23 468	0.28 451	0.31 509	0.27 522	0.20 454	0.22 484	0.15 541	0.12 527	0.13 516	0.09 427	0.14 527	0.14 536

FINET	0.21 490	0.18 538	0.26 502	0.18 330	0.16 536	0.23 497	0.23 510	0.32 482	0.48 544	0.25 490	0.32 482	0.22 412	0.22 485	0.22 484	0.17 418	0.18 563	0.16 559	0.11 482	0.10 467	0.15 543	0.13 519

Syn2CoEx	0.21 490	0.16 516	0.27 509	0.29 569	0.14 506	0.26 523	0.20 469	0.33 502	0.31 452	0.28 517	0.36 505	0.27 468	0.25 508	0.19 429	0.24 509	0.16 557	0.12 527	0.14 528	0.11 499	0.09 427	0.08 388

FADNet	0.21 490	0.22 557	0.36 543	0.18 330	0.17 551	0.24 502	0.13 125	0.31 471	0.31 452	0.23 468	0.25 411	0.27 468	0.21 476	0.19 429	0.15 387	0.13 523	0.15 556	0.12 501	0.15 549	0.16 551	0.18 566

RP	0.21 490	0.13 486	0.21 475	0.23 520	0.11 431	0.21 473	0.20 469	0.25 376	0.44 535	0.21 439	0.38 517	0.36 535	0.24 499	0.27 514	0.25 519	0.11 474	0.12 527	0.13 516	0.12 519	0.12 496	0.14 536

DANet	0.21 490	0.15 508	0.28 514	0.25 540	0.13 486	0.22 482	0.19 446	0.27 415	0.27 414	0.28 517	0.32 482	0.35 533	0.31 549	0.31 536	0.23 496	0.11 474	0.09 479	0.11 482	0.10 467	0.13 514	0.11 485
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 490	0.12 458	0.21 475	0.24 529	0.13 486	0.22 482	0.22 499	0.41 561	0.26 404	0.31 537	0.42 548	0.37 540	0.28 533	0.23 495	0.22 484	0.10 445	0.12 527	0.10 451	0.09 427	0.10 458	0.08 388

PWC_ROB	0.21 490	0.16 516	0.26 502	0.18 330	0.11 431	0.22 482	0.13 125	0.32 482	0.49 551	0.30 531	0.40 531	0.32 518	0.24 499	0.31 536	0.22 484	0.10 445	0.07 418	0.11 482	0.08 381	0.11 481	0.10 459

PSMNet_ROB	0.21 490	0.11 440	0.15 356	0.27 558	0.15 525	0.24 502	0.35 585	0.43 570	0.37 498	0.27 502	0.32 482	0.32 518	0.22 485	0.21 471	0.26 530	0.12 498	0.08 447	0.13 516	0.11 499	0.09 427	0.09 432

MSAF-DinoV2	0.22 499	0.11 440	0.23 490	0.17 248	0.10 381	0.27 533	0.16 322	0.37 539	0.55 564	0.21 439	0.27 437	0.47 573	0.27 522	0.35 555	0.39 580	0.09 404	0.06 346	0.07 230	0.09 427	0.12 496	0.10 459

GASNet	0.22 499	0.23 559	0.33 534	0.26 545	0.17 551	0.26 523	0.16 322	0.44 572	0.42 525	0.27 502	0.24 383	0.30 496	0.15 381	0.27 514	0.18 436	0.12 498	0.08 447	0.12 501	0.11 499	0.16 551	0.07 324

Anonymous_2	0.22 499	0.17 527	0.28 514	0.15 90	0.16 536	0.32 549	0.22 499	0.22 317	0.17 241	0.23 468	0.24 383	0.26 460	0.27 522	0.27 514	0.23 496	0.22 579	0.25 586	0.17 550	0.17 560	0.17 559	0.17 563

Wz-Net-LNSev	0.22 499	0.16 516	0.38 549	0.21 481	0.13 486	0.25 513	0.23 510	0.32 482	0.43 530	0.30 531	0.41 542	0.31 509	0.18 444	0.22 484	0.25 519	0.10 445	0.09 479	0.08 321	0.08 381	0.12 496	0.11 485

Wz-Net-MNSev	0.22 499	0.13 486	0.31 527	0.20 450	0.14 506	0.36 567	0.24 522	0.33 502	0.44 535	0.28 517	0.40 531	0.38 544	0.19 460	0.24 504	0.25 519	0.09 404	0.07 418	0.09 404	0.09 427	0.12 496	0.10 459

DDUNet	0.22 499	0.17 527	0.21 475	0.22 496	0.15 525	0.25 513	0.24 522	0.29 447	0.30 445	0.31 537	0.36 505	0.33 522	0.25 508	0.24 504	0.20 455	0.18 563	0.13 541	0.17 550	0.11 499	0.16 551	0.16 554

APVNet	0.22 499	0.12 458	0.19 454	0.18 330	0.14 506	0.32 549	0.31 581	0.39 551	0.32 459	0.27 502	0.40 531	0.30 496	0.29 541	0.26 511	0.25 519	0.11 474	0.12 527	0.11 482	0.14 533	0.12 496	0.12 498

aanetorigin	0.22 499	0.17 527	0.56 575	0.17 248	0.10 381	0.15 348	0.19 446	0.20 270	0.33 466	0.49 579	0.48 559	0.29 486	0.27 522	0.20 454	0.23 496	0.08 345	0.07 418	0.08 321	0.07 310	0.10 458	0.09 432

MaskLacGwcNet_RVC	0.22 499	0.21 553	0.24 494	0.26 545	0.11 431	0.23 497	0.14 178	0.39 551	0.24 369	0.32 543	0.36 505	0.30 496	0.21 476	0.19 429	0.21 475	0.17 562	0.14 550	0.21 564	0.16 553	0.12 496	0.12 498

AF-Net	0.22 499	0.17 527	0.17 420	0.26 545	0.13 486	0.25 513	0.24 522	0.32 482	0.50 554	0.25 490	0.33 494	0.38 544	0.26 514	0.28 526	0.25 519	0.11 474	0.10 499	0.16 547	0.11 499	0.11 481	0.10 459

stereogan	0.22 499	0.11 440	0.21 475	0.20 450	0.12 463	0.31 548	0.19 446	0.35 526	0.44 535	0.22 455	0.39 525	0.35 533	0.27 522	0.33 546	0.22 484	0.10 445	0.12 527	0.10 451	0.10 467	0.14 527	0.13 519

edge stereo	0.22 499	0.13 486	0.20 466	0.21 481	0.13 486	0.23 497	0.16 322	0.32 482	0.42 525	0.32 543	0.40 531	0.38 544	0.35 562	0.25 509	0.24 509	0.13 523	0.11 511	0.14 528	0.11 499	0.12 496	0.13 519

RYNet	0.22 499	0.12 458	0.22 481	0.19 390	0.17 551	0.46 576	0.26 546	0.38 547	0.48 544	0.24 477	0.28 451	0.34 529	0.23 493	0.20 454	0.30 556	0.10 445	0.06 346	0.09 404	0.09 427	0.13 514	0.15 543

NaN_ROB	0.22 499	0.19 542	0.24 494	0.25 540	0.13 486	0.29 544	0.26 546	0.33 502	0.41 517	0.31 537	0.31 478	0.32 518	0.23 493	0.30 535	0.21 475	0.11 474	0.17 564	0.10 451	0.10 467	0.08 364	0.09 432

MDST_ROB	0.22 499	0.10 414	0.17 420	0.18 330	0.11 431	0.37 568	0.19 446	0.43 570	0.41 517	0.39 560	0.39 525	0.29 486	0.21 476	0.26 511	0.18 436	0.11 474	0.10 499	0.14 528	0.11 499	0.10 458	0.08 388

XPNet_ROB	0.22 499	0.11 440	0.19 454	0.22 496	0.13 486	0.22 482	0.19 446	0.34 511	0.40 514	0.30 531	0.39 525	0.39 552	0.26 514	0.26 511	0.28 546	0.15 541	0.10 499	0.10 451	0.10 467	0.13 514	0.12 498

SQANet	0.23 515	0.23 559	0.30 525	0.30 571	0.19 561	0.27 533	0.13 125	0.29 447	0.33 466	0.24 477	0.37 511	0.31 509	0.22 485	0.27 514	0.23 496	0.15 541	0.10 499	0.21 564	0.16 553	0.21 567	0.15 543

Nwc_Net	0.23 515	0.16 516	0.21 475	0.25 540	0.14 506	0.24 502	0.26 546	0.37 539	0.38 505	0.22 455	0.41 542	0.30 496	0.28 533	0.28 526	0.25 519	0.11 474	0.10 499	0.17 550	0.20 566	0.10 458	0.10 459

RTSC	0.23 515	0.12 458	0.28 514	0.21 481	0.13 486	0.28 540	0.16 322	0.35 526	0.66 588	0.27 502	0.33 494	0.30 496	0.21 476	0.31 536	0.29 550	0.10 445	0.08 447	0.09 404	0.10 467	0.13 514	0.13 519

PA-Net	0.23 515	0.18 538	0.33 534	0.28 561	0.22 570	0.21 473	0.38 590	0.29 447	0.39 508	0.22 455	0.32 482	0.25 450	0.26 514	0.20 454	0.25 519	0.09 404	0.23 584	0.15 540	0.22 571	0.09 427	0.13 519
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 515	0.15 508	0.17 420	0.34 576	0.18 558	0.24 502	0.23 510	0.34 511	0.28 428	0.31 537	0.38 517	0.38 544	0.28 533	0.23 495	0.24 509	0.15 541	0.12 527	0.18 559	0.21 568	0.13 514	0.13 519

ETE_ROB	0.23 515	0.17 527	0.22 481	0.25 540	0.13 486	0.26 523	0.29 568	0.31 471	0.36 491	0.28 517	0.36 505	0.45 566	0.26 514	0.27 514	0.26 530	0.11 474	0.08 447	0.12 501	0.09 427	0.14 527	0.13 519

SGM_RVC	0.23 515	0.12 458	0.15 356	0.15 90	0.09 272	0.33 555	0.18 407	0.34 511	0.31 452	0.44 574	0.37 511	0.53 581	0.35 562	0.35 555	0.24 509	0.13 523	0.13 541	0.13 516	0.13 529	0.10 458	0.11 485
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DStereoO	0.24 522	0.18 538	0.18 442	0.20 450	0.14 506	0.21 473	0.19 446	0.32 482	0.41 517	0.29 526	0.21 351	0.32 518	0.27 522	0.41 580	0.27 538	0.46 598	0.12 527	0.31 586	0.11 499	0.15 543	0.12 498

z-mn7	0.24 522	0.14 498	0.45 559	0.19 390	0.13 486	0.28 540	0.25 537	0.34 511	0.62 580	0.27 502	0.56 575	0.29 486	0.24 499	0.32 543	0.25 519	0.08 345	0.08 447	0.08 321	0.08 381	0.10 458	0.10 459

w-ln-seven	0.24 522	0.14 498	0.55 572	0.19 390	0.14 506	0.26 523	0.22 499	0.35 526	0.60 577	0.29 526	0.39 525	0.30 496	0.22 485	0.21 471	0.26 530	0.09 404	0.09 479	0.11 482	0.10 467	0.11 481	0.10 459

DGSMNet	0.24 522	0.19 542	0.33 534	0.21 481	0.24 575	0.24 502	0.20 469	0.35 526	0.41 517	0.24 477	0.32 482	0.38 544	0.21 476	0.29 532	0.23 496	0.12 498	0.11 511	0.14 528	0.16 553	0.23 571	0.23 577

G-Net	0.24 522	0.16 516	0.36 543	0.22 496	0.16 536	0.51 582	0.23 510	0.29 447	0.34 478	0.36 553	0.38 517	0.31 509	0.29 541	0.27 514	0.26 530	0.11 474	0.09 479	0.12 501	0.09 427	0.16 551	0.13 519

NCC-stereo	0.24 522	0.15 508	0.31 527	0.26 545	0.16 536	0.20 456	0.30 575	0.40 555	0.40 514	0.24 477	0.38 517	0.33 522	0.28 533	0.36 561	0.27 538	0.12 498	0.11 511	0.15 540	0.22 571	0.13 514	0.13 519

Abc-Net	0.24 522	0.15 508	0.31 527	0.26 545	0.16 536	0.20 456	0.30 575	0.40 555	0.40 514	0.24 477	0.38 517	0.33 522	0.28 533	0.36 561	0.27 538	0.12 498	0.11 511	0.15 540	0.22 571	0.13 514	0.13 519
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 522	0.11 440	0.47 564	0.22 496	0.12 463	0.34 558	0.29 568	0.29 447	0.56 567	0.24 477	0.46 556	0.30 496	0.30 545	0.29 532	0.29 550	0.08 345	0.07 418	0.09 404	0.09 427	0.10 458	0.10 459

DeepPrunerF	0.24 522	0.17 527	0.42 557	0.26 545	0.16 536	0.22 482	0.28 559	0.37 539	0.50 554	0.26 496	0.29 463	0.24 436	0.28 533	0.21 471	0.22 484	0.15 541	0.11 511	0.20 563	0.18 564	0.12 496	0.13 519

FBW_ROB	0.24 522	0.17 527	0.22 481	0.26 545	0.14 506	0.25 513	0.22 499	0.41 561	0.41 517	0.41 567	0.41 542	0.42 559	0.27 522	0.31 536	0.23 496	0.09 404	0.14 550	0.14 528	0.12 519	0.11 481	0.09 432

SANet	0.24 522	0.14 498	0.28 514	0.21 481	0.11 431	0.27 533	0.24 522	0.38 547	0.64 584	0.36 553	0.40 531	0.43 562	0.26 514	0.27 514	0.24 509	0.12 498	0.09 479	0.10 451	0.09 427	0.13 514	0.11 485

WCMA_ROB	0.24 522	0.11 440	0.22 481	0.17 248	0.14 506	0.32 549	0.15 256	0.32 482	0.32 459	0.38 558	0.53 566	0.40 556	0.34 559	0.34 549	0.25 519	0.11 474	0.12 527	0.12 501	0.10 467	0.14 527	0.14 536

DStereoSA	0.25 534	0.19 542	0.37 547	0.26 545	0.17 551	0.22 482	0.20 469	0.49 581	0.59 573	0.22 455	0.29 463	0.29 486	0.33 554	0.39 572	0.28 546	0.12 498	0.11 511	0.16 547	0.14 533	0.14 527	0.12 498

zh-sn7	0.25 534	0.17 527	0.50 566	0.24 529	0.13 486	0.25 513	0.24 522	0.34 511	0.48 544	0.28 517	0.54 568	0.28 478	0.31 549	0.36 561	0.32 564	0.10 445	0.10 499	0.11 482	0.10 467	0.12 496	0.12 498

zh-mn7	0.25 534	0.14 498	0.56 575	0.19 390	0.14 506	0.24 502	0.22 499	0.34 511	0.62 580	0.35 550	0.65 583	0.31 509	0.25 508	0.31 536	0.25 519	0.09 404	0.08 447	0.09 404	0.09 427	0.09 427	0.11 485

Wz-Net-SNSev	0.25 534	0.17 527	0.44 558	0.25 540	0.14 506	0.26 523	0.23 510	0.38 547	0.56 567	0.30 531	0.55 570	0.39 552	0.26 514	0.23 495	0.30 556	0.10 445	0.09 479	0.09 404	0.10 467	0.11 481	0.11 485

psmorigin	0.25 534	0.15 508	0.34 542	0.17 248	0.13 486	0.23 497	0.14 178	0.34 511	0.33 466	0.41 567	0.55 570	0.41 558	0.37 566	0.34 549	0.27 538	0.11 474	0.15 556	0.11 482	0.11 499	0.12 496	0.16 554

RGC	0.25 534	0.20 547	0.29 522	0.28 561	0.16 536	0.22 482	0.23 510	0.32 482	0.44 535	0.27 502	0.40 531	0.38 544	0.27 522	0.36 561	0.22 484	0.11 474	0.13 541	0.17 550	0.17 560	0.14 527	0.16 554

ADCMid	0.25 534	0.15 508	0.40 552	0.20 450	0.14 506	0.25 513	0.26 546	0.34 511	0.38 505	0.36 553	0.44 553	0.34 529	0.40 572	0.35 555	0.33 568	0.10 445	0.09 479	0.11 482	0.11 499	0.13 514	0.12 498

ADCPNet	0.25 534	0.16 516	0.61 581	0.21 481	0.15 525	0.35 566	0.25 537	0.32 482	0.35 487	0.30 531	0.40 531	0.36 535	0.28 533	0.28 526	0.32 564	0.12 498	0.10 499	0.11 482	0.12 519	0.14 527	0.13 519

LALA_ROB	0.25 534	0.16 516	0.22 481	0.26 545	0.17 551	0.27 533	0.27 553	0.42 566	0.37 498	0.33 547	0.38 517	0.51 577	0.26 514	0.28 526	0.27 538	0.16 557	0.09 479	0.12 501	0.11 499	0.13 514	0.12 498

SHD	0.26 543	0.15 508	0.30 525	0.24 529	0.18 558	0.22 482	0.15 256	0.38 547	0.71 592	0.32 543	0.41 542	0.36 535	0.28 533	0.32 543	0.29 550	0.12 498	0.11 511	0.14 528	0.13 529	0.16 551	0.20 572

AnyNet_C32	0.26 543	0.16 516	0.36 543	0.20 450	0.16 536	0.25 513	0.30 575	0.32 482	0.44 535	0.31 537	0.49 560	0.30 496	0.33 554	0.40 577	0.33 568	0.12 498	0.12 527	0.12 501	0.14 533	0.14 527	0.15 543

DStereoFS	0.27 545	0.22 557	0.31 527	0.22 496	0.15 525	0.22 482	0.20 469	0.50 585	0.48 544	0.28 517	0.44 553	0.33 522	0.34 559	0.52 589	0.29 550	0.12 498	0.11 511	0.15 540	0.13 529	0.16 551	0.16 554

PSMNet-RUCA	0.27 545	0.33 581	0.41 555	0.36 580	0.32 588	0.18 418	0.19 446	0.42 566	0.30 445	0.33 547	0.41 542	0.39 552	0.25 508	0.31 536	0.20 455	0.18 563	0.10 499	0.25 571	0.15 549	0.21 567	0.16 554

PDISCO_ROB	0.27 545	0.16 516	0.26 502	0.28 561	0.20 564	0.32 549	0.26 546	0.44 572	0.57 569	0.28 517	0.40 531	0.45 566	0.29 541	0.33 546	0.34 570	0.12 498	0.09 479	0.17 550	0.16 553	0.17 559	0.13 519

DispFullNet	0.27 545	0.21 553	0.65 584	0.28 561	0.16 536	0.26 523	0.17 359	0.33 502	0.58 572	0.27 502	0.38 517	0.43 562	0.23 493	0.38 568	0.23 496	0.12 498	0.06 346	0.19 561	0.11 499	0.21 567	0.15 543

MeshStereo	0.27 545	0.13 486	0.18 442	0.15 90	0.11 431	0.32 549	0.24 522	0.40 555	0.36 491	0.52 581	0.57 578	0.67 592	0.40 572	0.35 555	0.26 530	0.14 537	0.13 541	0.13 516	0.11 499	0.11 481	0.10 459
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	0.28 550	0.17 527	0.78 600	0.22 496	0.16 536	0.34 558	0.29 568	0.39 551	0.57 569	0.24 477	0.55 570	0.37 540	0.24 499	0.33 546	0.35 571	0.09 404	0.08 447	0.09 404	0.10 467	0.14 527	0.16 554

XQC	0.28 550	0.23 559	0.51 567	0.28 561	0.19 561	0.34 558	0.27 553	0.36 533	0.57 569	0.31 537	0.30 470	0.37 540	0.30 545	0.38 568	0.38 578	0.13 523	0.09 479	0.15 540	0.12 519	0.17 559	0.18 566

CC-Net-ROB	0.28 550	0.31 579	0.36 543	0.29 569	0.15 525	0.25 513	0.19 446	0.45 575	0.33 466	0.39 560	0.37 511	0.39 552	0.31 549	0.27 514	0.26 530	0.24 585	0.19 569	0.30 585	0.23 575	0.18 562	0.15 543

DPSNet	0.28 550	0.16 516	0.31 527	0.18 330	0.13 486	0.54 584	0.42 594	0.51 587	0.67 589	0.29 526	0.38 517	0.38 544	0.29 541	0.31 536	0.23 496	0.11 474	0.10 499	0.11 482	0.08 381	0.20 566	0.16 554

MultiAttention	0.29 554	0.08 279	0.14 307	0.19 390	0.12 463	1.45 620	1.33 622	0.36 533	0.37 498	0.19 402	0.21 351	0.24 436	0.11 269	0.38 568	0.18 436	0.06 127	0.05 209	0.08 321	0.08 381	0.10 458	0.09 432

Wz-Net-TNSev	0.29 554	0.20 547	0.65 584	0.19 390	0.15 525	0.38 571	0.27 553	0.35 526	0.55 564	0.34 549	0.42 548	0.45 566	0.38 567	0.32 543	0.30 556	0.12 498	0.13 541	0.10 451	0.12 519	0.15 543	0.14 536

ccnet	0.29 554	0.28 574	0.23 490	0.20 450	0.28 582	0.41 575	0.21 489	0.45 575	0.33 466	0.36 553	0.46 556	0.36 535	0.30 545	0.39 572	0.42 587	0.23 583	0.14 550	0.21 564	0.17 560	0.23 571	0.18 566

EDNetEfficient	0.29 554	0.24 562	1.13 609	0.18 330	0.10 381	0.19 441	0.20 469	0.20 270	0.60 577	0.74 599	0.56 575	0.31 509	0.39 569	0.22 484	0.30 556	0.09 404	0.07 418	0.08 321	0.07 310	0.11 481	0.09 432

ADCS	0.29 554	0.18 538	0.45 559	0.21 481	0.17 551	0.28 540	0.23 510	0.41 561	0.63 583	0.40 563	0.49 560	0.40 556	0.36 564	0.39 572	0.40 583	0.13 523	0.12 527	0.13 516	0.14 533	0.16 551	0.16 554

CSAN	0.29 554	0.24 562	0.27 509	0.34 576	0.19 561	0.33 555	0.42 594	0.37 539	0.50 554	0.38 558	0.40 531	0.44 564	0.33 554	0.28 526	0.30 556	0.20 570	0.16 559	0.19 561	0.19 565	0.14 527	0.15 543

MFN_U_SF_DS_RVC	0.30 560	0.24 562	0.29 522	0.36 580	0.16 536	0.34 558	0.30 575	0.32 482	0.42 525	0.40 563	0.46 556	0.38 544	0.31 549	0.34 549	0.28 546	0.19 568	0.20 572	0.26 572	0.29 585	0.18 562	0.19 571

GANetREF_RVC	0.31 561	0.34 582	0.27 509	0.35 578	0.16 536	0.32 549	0.41 591	0.48 579	0.51 561	0.35 550	0.35 502	0.34 529	0.33 554	0.39 572	0.32 564	0.27 587	0.20 572	0.29 583	0.15 549	0.18 562	0.17 563
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	0.31 561	0.26 568	0.26 502	0.24 529	0.21 568	0.34 558	0.25 537	0.34 511	0.39 508	0.40 563	0.69 587	0.45 566	0.40 572	0.34 549	0.27 538	0.20 570	0.19 569	0.26 572	0.25 577	0.23 571	0.22 576

MFN_U_SF_RVC	0.32 563	0.21 553	0.55 572	0.30 571	0.15 525	0.34 558	0.17 359	0.52 588	0.46 542	0.46 578	0.55 570	0.59 584	0.39 569	0.35 555	0.37 576	0.15 541	0.14 550	0.18 559	0.21 568	0.16 551	0.15 543

PASM	0.32 563	0.24 562	0.48 565	0.28 561	0.27 581	0.29 544	0.30 575	0.34 511	0.49 551	0.35 550	0.39 525	0.46 570	0.34 559	0.34 549	0.35 571	0.23 583	0.25 586	0.26 572	0.28 584	0.23 571	0.21 574

SGM-ForestM	0.32 563	0.12 458	0.16 390	0.16 172	0.11 431	0.39 572	0.19 446	0.41 561	0.50 554	0.52 581	0.54 568	1.32 612	0.42 580	0.40 577	0.27 538	0.14 537	0.16 559	0.16 547	0.16 553	0.12 496	0.12 498

FC-DCNN v2	0.33 566	0.27 570	0.28 514	0.26 545	0.23 573	0.37 568	0.28 559	0.40 555	0.43 530	0.45 575	0.56 575	0.51 577	0.40 572	0.37 566	0.29 550	0.21 574	0.20 572	0.27 575	0.26 578	0.25 578	0.24 578

FCDSN-DC	0.33 566	0.28 574	0.28 514	0.30 571	0.24 575	0.39 572	0.28 559	0.42 566	0.42 525	0.43 573	0.53 566	0.51 577	0.41 577	0.36 561	0.30 556	0.21 574	0.20 572	0.27 575	0.26 578	0.25 578	0.24 578
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 566	0.27 570	0.28 514	0.26 545	0.23 573	0.37 568	0.28 559	0.40 555	0.43 530	0.45 575	0.55 570	0.51 577	0.40 572	0.37 566	0.30 556	0.21 574	0.20 572	0.27 575	0.26 578	0.25 578	0.24 578

LSM	0.33 566	0.20 547	0.58 578	0.26 545	0.60 605	0.34 558	0.25 537	0.42 566	0.48 544	0.45 575	0.58 580	0.42 559	0.36 564	0.35 555	0.25 519	0.12 498	0.20 572	0.14 528	0.16 553	0.19 565	0.33 592

AnyNet_C01	0.36 570	0.25 567	1.37 612	0.22 496	0.17 551	0.48 580	0.27 553	0.35 526	0.39 508	0.39 560	0.74 593	0.46 570	0.38 567	0.45 582	0.47 592	0.13 523	0.13 541	0.13 516	0.14 533	0.14 527	0.15 543

GCST	0.37 571	0.42 589	0.26 502	1.02 613	0.39 589	0.18 418	0.08 7	0.20 270	0.17 241	0.28 517	0.25 411	0.15 312	0.12 300	0.16 361	0.14 359	0.64 609	0.43 598	0.75 605	0.65 609	0.63 602	0.46 601

otaku	0.39 572	0.37 585	0.52 568	0.44 587	0.28 582	0.58 586	0.24 522	0.41 561	0.62 580	0.40 563	0.49 560	0.46 570	0.33 554	0.40 577	0.32 564	0.30 588	0.30 590	0.39 590	0.33 590	0.29 585	0.28 586

ACVNet-4b	0.39 572	0.53 592	0.55 572	0.45 588	0.24 575	0.47 578	0.18 407	0.49 581	0.64 584	0.42 570	0.45 555	0.60 585	0.27 522	0.34 549	0.24 509	0.33 590	0.14 550	0.48 593	0.42 595	0.30 586	0.26 585

PVD	0.39 572	0.20 547	0.39 551	0.31 575	0.22 570	0.29 544	0.43 596	0.52 588	0.96 606	0.55 585	0.79 597	0.53 581	0.59 596	0.52 589	0.38 578	0.19 568	0.14 550	0.17 550	0.14 533	0.24 577	0.31 590

Ntro	0.40 575	0.40 587	0.53 569	0.46 591	0.30 586	0.65 592	0.24 522	0.46 577	0.68 590	0.41 567	0.49 560	0.48 575	0.42 580	0.39 572	0.31 563	0.32 589	0.28 588	0.37 589	0.30 587	0.32 590	0.29 587

SAMSARA	0.40 575	0.28 574	0.33 534	0.55 594	0.39 589	0.82 606	1.23 621	0.47 578	0.51 561	0.36 553	0.35 502	0.55 583	0.39 569	0.38 568	0.39 580	0.15 541	0.20 572	0.15 540	0.14 533	0.23 571	0.20 572

ELAS_RVC	0.41 577	0.29 577	0.33 534	0.28 561	0.24 575	0.54 584	0.36 586	0.49 581	0.59 573	0.72 595	0.74 593	0.65 590	0.54 589	0.54 594	0.40 583	0.22 579	0.20 572	0.27 575	0.26 578	0.26 583	0.25 583
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 577	0.29 577	0.33 534	0.27 558	0.24 575	0.60 589	0.36 586	0.50 585	0.50 554	0.71 593	0.79 597	0.67 592	0.54 589	0.51 587	0.42 587	0.22 579	0.20 572	0.27 575	0.26 578	0.26 583	0.25 583
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 579	0.39 586	0.54 570	0.40 583	0.20 564	0.64 591	0.32 583	0.53 590	0.72 593	0.71 593	0.72 590	0.61 586	0.54 589	0.51 587	0.46 591	0.20 570	0.19 569	0.29 583	0.30 587	0.23 571	0.18 566

ACVNet_1	0.44 580	0.49 591	0.60 580	0.45 588	0.28 582	0.49 581	0.27 553	0.57 595	0.72 593	0.62 588	0.58 580	0.74 596	0.49 586	0.50 585	0.35 571	0.26 586	0.24 585	0.39 590	0.29 585	0.31 589	0.24 578

Consistency-Raft	0.44 580	0.40 587	0.45 559	0.37 582	0.43 593	0.46 576	0.41 591	0.57 595	0.55 564	0.32 543	0.73 591	0.33 522	0.48 585	0.42 581	0.49 594	0.39 592	0.35 595	0.45 592	0.51 602	0.42 593	0.29 587

RTS	0.45 582	0.19 542	3.26 618	0.24 529	0.15 525	0.74 599	0.20 469	0.36 533	0.76 599	0.42 570	0.43 551	0.31 509	0.41 577	0.53 592	0.35 571	0.10 445	0.08 447	0.13 516	0.12 519	0.15 543	0.15 543

RTSA	0.45 582	0.19 542	3.26 618	0.24 529	0.15 525	0.74 599	0.20 469	0.36 533	0.76 599	0.42 570	0.43 551	0.31 509	0.41 577	0.53 592	0.35 571	0.10 445	0.08 447	0.13 516	0.12 519	0.15 543	0.15 543

MANE	0.45 582	0.27 570	0.27 509	0.27 558	0.24 575	0.47 578	0.31 581	0.55 592	0.59 573	0.72 595	1.13 614	1.15 606	0.61 597	0.52 589	0.37 576	0.21 574	0.20 572	0.27 575	0.31 589	0.25 578	0.24 578

NVStereoNet_ROB	0.46 585	0.36 584	0.46 563	0.41 585	0.28 582	0.34 558	0.34 584	0.48 579	0.60 577	0.72 595	0.93 603	0.70 595	0.66 600	0.47 583	0.60 602	0.22 579	0.33 594	0.34 588	0.34 592	0.30 586	0.30 589
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	0.47 586	0.26 568	0.58 578	0.28 561	0.20 564	0.39 572	0.18 407	0.49 581	0.64 584	0.52 581	0.87 600	1.01 601	0.57 594	0.50 585	0.56 599	0.53 602	0.31 593	0.54 599	0.40 593	0.33 591	0.34 593

LE_ROB	0.50 587	0.07 174	0.14 307	0.15 90	0.08 151	0.24 502	0.16 322	0.22 317	1.81 622	4.63 625	0.67 585	0.47 573	0.44 582	0.20 454	0.29 550	0.07 276	0.06 346	0.06 129	0.06 216	0.08 364	0.06 241

BEATNet-Init1	0.52 588	0.27 570	0.62 582	0.30 571	0.21 568	0.76 603	0.29 568	0.54 591	0.65 587	0.86 604	0.95 605	2.07 621	0.62 599	0.56 596	0.42 587	0.18 563	0.18 566	0.23 569	0.22 571	0.22 570	0.21 574

anonymity	0.53 589	0.58 594	0.65 584	0.41 585	0.61 606	0.53 583	0.41 591	0.56 593	0.41 517	0.55 585	0.50 564	0.49 576	0.55 592	0.58 597	0.50 597	0.58 605	0.50 608	0.51 595	0.51 602	0.51 595	0.57 603

RainbowNet	0.54 590	0.61 596	0.70 598	0.57 595	0.43 593	0.65 592	0.37 589	0.60 597	0.87 603	0.50 580	0.66 584	0.64 588	0.47 584	0.49 584	0.43 590	0.47 599	0.48 604	0.52 597	0.41 594	0.52 596	0.40 598

SGM+DAISY	0.56 591	0.57 593	0.65 584	0.40 583	0.54 598	0.66 594	0.49 598	0.56 593	0.45 541	0.66 589	0.69 587	0.67 592	0.56 593	0.63 599	0.56 599	0.59 606	0.48 604	0.50 594	0.50 601	0.52 596	0.58 604

SPS-STEREO	0.57 592	0.58 594	0.65 584	0.45 588	0.55 600	0.62 590	0.44 597	0.62 598	0.50 554	0.68 591	0.64 582	0.66 591	0.57 594	0.61 598	0.60 602	0.62 608	0.47 603	0.51 595	0.49 599	0.55 600	0.58 604
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 593	0.66 600	0.65 584	0.51 592	0.69 610	0.69 595	0.57 604	0.64 599	0.73 597	0.60 587	0.73 591	0.62 587	0.67 601	0.65 600	0.60 602	0.66 610	0.58 617	0.63 600	0.59 605	0.68 607	0.69 613

IMH-64-1	0.65 594	0.61 596	0.68 592	0.71 598	0.51 596	0.59 587	0.49 598	0.91 606	0.85 601	0.74 599	1.02 607	0.81 597	0.78 605	0.79 603	0.49 594	0.42 594	0.46 599	0.71 602	0.47 597	0.52 596	0.39 596

IMH-64	0.65 594	0.61 596	0.68 592	0.71 598	0.51 596	0.59 587	0.49 598	0.91 606	0.85 601	0.74 599	1.02 607	0.81 597	0.78 605	0.79 603	0.49 594	0.42 594	0.46 599	0.71 602	0.47 597	0.52 596	0.39 596

ACVNet_2	0.66 596	0.66 600	0.68 592	0.63 596	0.41 591	0.71 597	0.49 598	0.96 610	1.39 615	0.89 605	1.09 610	1.04 602	0.73 603	0.54 594	0.47 592	0.43 596	0.40 597	0.53 598	0.44 596	0.47 594	0.35 595

JetBlue	0.71 597	0.45 590	1.14 610	0.51 592	0.47 595	2.02 621	0.64 608	0.75 601	0.70 591	0.69 592	0.77 596	1.22 608	0.83 607	1.03 618	1.01 618	0.40 593	0.28 588	0.33 587	0.33 590	0.30 586	0.34 593

IMH	0.71 597	0.64 599	0.68 592	0.76 600	0.54 598	0.69 595	0.54 602	0.98 612	1.10 608	0.82 603	1.09 610	0.89 599	0.88 610	0.87 611	0.52 598	0.44 597	0.50 608	0.75 605	0.51 602	0.56 601	0.41 599

PWCK	0.71 597	0.94 611	0.95 607	0.76 600	0.31 587	0.74 599	0.36 586	0.90 605	0.90 604	0.96 608	0.75 595	0.95 600	0.61 597	0.87 611	0.66 605	0.72 611	0.46 599	0.75 605	0.49 599	0.69 609	0.44 600

MADNet+	0.75 600	0.71 602	3.70 621	0.66 597	0.41 591	0.98 611	0.97 619	0.69 600	0.73 597	0.52 581	0.57 578	0.64 588	0.68 602	0.86 610	1.01 618	0.34 591	0.36 596	0.28 582	0.23 575	0.36 592	0.31 590

TorneroNet-64	0.76 601	0.72 603	0.74 599	0.78 602	0.58 604	0.91 610	0.56 603	0.84 604	1.29 612	0.66 589	0.90 601	1.40 614	0.75 604	0.85 609	0.67 608	0.49 600	0.46 599	0.72 604	0.59 605	0.67 606	0.53 602

WAO-7	0.79 602	0.78 605	0.54 570	0.85 606	0.67 609	0.74 599	0.68 612	1.05 615	1.32 613	0.90 606	1.20 617	1.04 602	0.92 611	0.69 601	0.66 605	0.60 607	0.62 618	0.67 601	0.68 611	0.64 603	0.58 604

WAO-6	0.81 603	0.80 606	0.62 582	0.86 607	0.63 607	0.76 603	0.58 605	0.98 612	1.54 620	0.90 606	0.96 606	1.07 604	1.03 615	0.70 602	0.66 605	0.72 611	0.49 606	0.90 613	0.71 612	0.68 607	0.58 604

TorneroNet	0.82 604	0.74 604	0.81 604	0.84 605	0.63 607	0.99 612	0.63 606	0.96 610	1.16 609	0.80 602	1.11 612	1.36 613	0.86 609	0.93 614	0.80 613	0.56 603	0.49 606	0.78 610	0.66 610	0.73 612	0.63 612

LVE	0.83 605	0.85 609	0.85 605	0.80 603	0.56 601	1.04 616	0.65 609	1.05 615	1.47 618	0.96 608	1.22 618	1.10 605	0.85 608	0.83 606	0.71 610	0.49 600	0.55 614	0.76 608	0.60 607	0.65 604	0.59 609

Dean	0.87 606	0.86 610	0.79 602	0.81 604	0.56 601	0.90 607	0.63 606	1.15 621	1.73 621	1.15 616	1.15 615	1.31 611	0.99 614	0.81 605	0.81 614	0.57 604	0.56 615	0.77 609	0.64 608	0.66 605	0.58 604

WAO-8	0.91 607	0.81 607	0.65 584	0.94 610	0.69 610	0.90 607	0.67 610	1.07 618	1.83 623	1.06 613	1.45 620	1.30 609	1.07 616	0.84 607	0.78 611	0.74 613	0.53 611	0.86 611	0.75 613	0.69 609	0.62 610

Venus	0.91 607	0.81 607	0.65 584	0.94 610	0.69 610	0.90 607	0.67 610	1.07 618	1.83 623	1.06 613	1.45 620	1.30 609	1.07 616	0.84 607	0.78 611	0.74 613	0.53 611	0.86 611	0.75 613	0.69 609	0.62 610

UNDER WATER-64	0.95 609	0.94 611	1.43 614	0.87 608	0.56 601	1.18 619	0.87 616	0.77 602	0.94 605	1.04 611	0.85 599	1.58 619	1.21 621	0.94 615	0.96 616	0.87 617	0.57 616	1.03 617	0.88 618	0.78 613	0.73 614

UNDER WATER	0.97 610	0.97 613	1.42 613	0.99 612	0.70 613	1.12 618	0.84 615	0.80 603	1.08 607	1.01 610	0.90 601	1.55 618	1.22 622	1.03 618	1.00 617	0.78 615	0.53 611	1.02 616	0.87 617	0.80 614	0.74 615

notaker	0.97 610	1.11 614	0.98 608	1.13 615	0.81 614	0.73 598	0.68 612	0.93 608	1.16 609	1.18 618	1.18 616	1.41 615	1.16 620	1.08 620	0.69 609	0.81 616	0.64 619	1.17 618	0.79 615	0.98 616	0.80 617

ktn	1.01 612	1.21 616	0.80 603	1.23 617	0.86 616	1.01 614	0.87 616	0.94 609	1.39 615	1.04 611	1.12 613	1.15 606	1.07 616	0.94 615	0.59 601	1.28 622	0.71 620	1.38 622	0.83 616	1.02 618	0.75 616

KSHMR	1.09 613	1.17 615	0.88 606	1.25 618	1.00 618	0.99 612	0.96 618	1.13 620	1.37 614	1.16 617	1.29 619	1.41 615	0.96 613	1.01 617	0.92 615	1.03 620	1.08 622	1.20 619	1.03 621	1.01 617	0.97 619

DPSimNet_ROB	1.11 614	1.23 617	0.78 600	1.13 615	0.88 617	1.10 617	1.13 620	1.16 622	1.23 611	1.43 620	1.02 607	1.41 615	1.10 619	0.90 613	1.60 620	1.46 623	0.51 610	1.21 620	1.03 621	0.90 615	1.01 621

HanzoNet	1.29 615	1.26 618	1.19 611	1.12 614	0.85 615	1.02 615	0.83 614	1.03 614	1.48 619	1.64 621	1.61 622	2.50 623	1.72 623	1.61 622	1.61 621	1.26 621	0.80 621	1.31 621	1.01 620	1.02 618	0.86 618

JetRed	1.62 616	1.46 619	2.98 616	0.92 609	1.21 619	4.99 624	1.53 624	1.27 623	1.39 615	1.83 622	1.74 623	1.60 620	0.95 612	1.41 621	2.45 625	0.90 619	1.60 623	0.93 614	0.90 619	1.35 620	0.99 620

MADNet++	1.95 617	1.75 620	1.59 615	1.82 619	1.69 621	2.33 622	1.40 623	2.35 624	2.09 625	2.57 624	2.36 625	2.24 622	2.17 624	2.28 623	2.34 623	1.87 624	1.66 624	1.54 623	1.34 623	1.92 621	1.77 623

coex-ft	3.30 618	0.34 582	59.09 646	0.18 330	0.13 486	0.26 523	0.22 499	0.27 415	0.72 593	1.90 623	0.70 589	0.44 564	0.45 583	0.29 532	0.41 586	0.09 404	0.09 479	0.12 501	0.09 427	0.14 527	0.13 519

TCMNet-wrong-test	3.67 619	5.48 632	3.89 622	12.18 631	11.75 633	4.65 623	3.88 625	1.06 617	0.72 593	1.09 615	2.15 624	6.30 628	0.53 588	3.43 625	2.36 624	0.89 618	0.20 572	1.87 625	1.69 624	5.57 629	3.62 629

tt	4.67 620	0.06 81	3.55 620	2.02 620	1.55 620	10.25 628	16.71 629	8.91 633	5.03 626	1.31 619	0.94 604	4.71 624	4.76 625	3.33 624	5.87 627	6.06 632	10.30 636	1.88 626	2.11 626	2.75 623	1.21 622

USTest	6.22 621	2.73 623	3.00 617	6.57 627	7.29 627	14.37 630	21.57 630	7.00 632	9.56 631	5.34 628	6.10 626	5.72 627	7.64 628	6.41 629	6.96 628	1.97 625	3.42 630	1.64 624	2.15 627	2.66 622	2.36 624

xxxxx1	7.79 622	5.02 629	7.31 625	3.12 621	3.85 623	16.35 632	22.88 631	5.86 629	8.69 628	7.97 629	8.54 627	9.12 631	8.27 629	10.18 631	10.92 629	2.42 626	2.45 626	3.56 629	12.37 633	3.77 624	3.06 626

tt_ll	7.79 622	5.02 629	7.31 625	3.12 621	3.85 623	16.35 632	22.88 631	5.86 629	8.69 628	7.97 629	8.54 627	9.12 631	8.27 629	10.18 631	10.92 629	2.42 626	2.45 626	3.56 629	12.37 633	3.77 624	3.06 626

ff	7.79 622	5.02 629	7.31 625	3.12 621	3.85 623	16.35 632	22.88 631	5.86 629	8.69 628	7.97 629	8.54 627	9.12 631	8.27 629	10.18 631	10.92 629	2.42 626	2.45 626	3.56 629	12.37 633	3.77 624	3.06 626

EDNetEfficientorigin	7.91 625	0.31 579	153.02 647	0.19 390	0.09 272	0.21 473	0.16 322	0.22 317	0.59 573	0.72 595	0.67 585	0.42 559	0.50 587	0.24 504	0.39 580	0.08 345	0.07 418	0.08 321	0.07 310	0.12 496	0.10 459

DPSMNet_ROB	8.06 626	4.48 625	8.63 631	5.37 626	10.74 630	8.32 626	22.98 635	5.46 626	13.36 634	5.12 626	9.92 630	5.08 625	10.40 632	5.53 628	12.58 632	3.80 630	8.00 631	3.50 627	7.02 630	3.83 627	7.14 631

DGTPSM_ROB	8.06 626	4.48 625	8.63 631	5.35 624	10.72 629	8.32 626	22.97 634	5.46 626	13.35 633	5.12 626	9.92 630	5.08 625	10.40 632	5.52 627	12.58 632	3.79 629	8.00 631	3.50 627	7.02 630	3.83 627	7.14 631

PML	8.91 628	9.34 636	6.13 623	5.35 624	6.41 626	14.99 631	23.38 636	5.27 625	6.83 627	18.04 639	28.19 648	7.67 629	6.83 627	7.85 630	5.75 626	5.35 631	1.83 625	5.95 635	1.93 625	8.64 632	2.52 625

DLNR_Zeroshot_test	10.40 629	1.82 621	19.49 641	120.77 647	13.11 635	0.06 11	0.13 125	0.23 337	0.10 48	0.07 48	0.10 142	0.09 159	0.06 47	0.10 83	0.09 66	0.13 523	0.04 24	0.06 129	0.04 44	51.54 647	0.04 50

DLNR-FE	10.43 630	1.83 622	19.53 642	120.75 646	13.06 634	0.06 11	0.13 125	0.23 337	0.10 48	0.07 48	0.10 142	0.09 159	0.06 47	0.10 83	0.09 66	0.13 523	0.04 24	0.06 129	0.04 44	52.01 648	0.04 50

LRCNet_RVC	10.62 631	13.42 637	7.30 624	18.92 635	2.07 622	0.33 555	0.30 575	5.59 628	0.48 544	13.03 635	17.94 636	8.87 630	5.65 626	4.79 626	1.89 622	23.51 644	2.73 629	27.55 647	25.71 647	16.07 641	16.33 642

Anonymous_1	10.96 632	7.92 633	7.46 628	10.33 628	10.06 628	18.65 636	26.34 637	11.06 636	13.44 635	9.40 632	10.05 632	9.67 634	11.23 634	10.73 634	12.72 634	6.42 633	8.38 633	5.77 632	10.61 632	12.12 633	6.77 630

DPSM_ROB	11.15 633	8.58 634	8.00 629	10.88 629	11.58 631	19.10 637	26.71 638	12.05 637	14.07 638	10.36 633	10.84 633	10.33 635	11.86 635	11.70 635	13.54 635	6.99 634	8.79 634	5.89 633	6.95 628	7.29 630	7.42 633

DPSM	11.15 633	8.58 634	8.00 629	10.88 629	11.58 631	19.10 637	26.71 638	12.05 637	14.07 638	10.36 633	10.84 633	10.33 635	11.86 635	11.70 635	13.54 635	6.99 634	8.79 634	5.89 633	6.95 628	7.29 630	7.42 633

HaxPig	15.71 635	18.52 645	19.18 640	16.89 634	15.89 636	7.73 625	7.60 626	13.31 639	10.82 632	15.42 636	14.91 635	15.98 637	14.92 637	15.58 637	15.98 637	18.95 643	16.73 637	19.46 643	18.08 643	19.26 642	19.05 645

RSGM-EC	20.36 636	4.73 627	0.68 592	16.76 632	16.92 637	21.28 639	27.18 640	10.46 634	14.04 636	18.00 637	21.31 639	22.24 646	21.82 639	22.57 639	17.63 638	62.81 647	33.79 647	20.14 644	18.10 644	20.18 643	16.45 643

acva	20.36 636	4.73 627	0.68 592	16.76 632	16.92 637	21.28 639	27.18 640	10.46 634	14.04 636	18.00 637	21.31 639	22.24 646	21.82 639	22.57 639	17.63 638	62.81 647	33.79 647	20.14 644	18.10 644	20.18 643	16.45 643

MEDIAN_ROB	20.38 638	24.04 646	23.31 643	21.23 636	21.71 639	10.40 629	7.92 627	17.64 640	15.50 640	20.12 640	19.70 637	20.34 638	20.32 638	21.19 638	21.13 640	23.81 645	21.81 645	24.98 646	23.76 646	24.71 645	23.93 646

CasAABBNet	22.42 639	17.33 639	16.01 635	22.01 638	23.28 641	38.32 641	53.80 644	24.14 644	28.41 645	20.60 642	21.77 643	20.89 644	23.91 643	23.43 643	27.36 643	14.07 637	17.69 639	11.83 638	14.01 637	14.67 636	14.95 638

RAFT-FEzeroshot	22.43 640	17.33 639	15.98 633	22.02 639	23.31 643	38.34 642	53.82 646	24.05 642	28.39 643	20.61 643	21.76 641	20.88 641	23.92 645	23.41 641	27.42 645	14.07 637	17.69 639	11.83 638	14.02 638	14.69 637	14.97 639

RAFT-FE	22.43 640	17.33 639	15.98 633	22.02 639	23.31 643	38.34 642	53.82 646	24.05 642	28.39 643	20.61 643	21.76 641	20.88 641	23.92 645	23.41 641	27.42 645	14.07 637	17.69 639	11.83 638	14.02 638	14.69 637	14.97 639

FlowAnything	22.44 642	17.35 642	16.14 637	22.07 642	23.23 640	38.39 645	53.77 643	24.25 645	28.44 646	20.96 647	21.82 645	20.70 639	23.84 641	23.49 645	27.14 642	14.04 636	17.79 644	11.75 636	14.15 642	14.65 634	14.89 635

Hybrid-DGEV	22.47 643	17.40 644	16.14 637	22.00 637	23.29 642	38.36 644	53.80 644	24.43 648	28.63 648	20.59 641	21.81 644	20.88 641	23.91 643	23.45 644	27.42 645	14.08 640	17.69 639	11.83 638	14.06 641	14.65 634	14.93 637

Selective-RAFT-Error	22.47 643	17.37 643	16.09 636	22.06 641	23.34 645	38.39 645	53.83 648	24.29 647	28.47 647	20.74 645	21.83 646	20.81 640	23.90 642	23.54 647	27.53 648	14.08 640	17.69 639	11.82 637	14.00 636	14.69 637	15.00 641

LSM0	22.87 645	17.28 638	18.96 639	22.19 643	29.04 647	38.42 647	53.71 642	24.28 646	28.31 642	20.78 646	21.00 638	21.43 645	24.16 647	23.50 646	27.39 644	14.09 642	17.38 638	11.84 642	14.04 640	14.73 640	14.89 635

AVERAGE_ROB	24.90 646	29.20 647	28.14 644	24.89 644	24.64 646	17.75 635	11.12 628	21.45 641	19.93 641	25.12 648	24.46 647	25.12 648	25.46 648	24.69 648	22.83 641	29.76 646	27.13 646	28.97 648	27.95 648	29.91 646	29.47 647

test_example2	98.32 647	94.13 648	45.89 645	96.35 645	109.85 648	88.61 648	95.45 649	25.75 649	94.37 649	130.00 650	126.06 649	58.17 649	74.63 649	88.51 649	79.96 649	150.23 649	221.02 649	77.62 649	99.10 649	113.75 649	96.94 648

GS-Stereo							0.14 178	0.11 37	0.12 105	0.08 87	0.10 142	0.05 3	0.05 13	0.11 135	0.08 17	0.06 127	0.04 24	0.05 34	0.04 44	0.05 122	0.05 149

FSD					0.22 570	0.25 513	0.25 537	0.27 415	0.26 404	0.25 490	0.26 428	0.25 450	0.27 522	0.27 514	0.24 509	0.21 574	0.20 572	0.27 575	0.26 578	0.25 578

ccccc		285.66 649		368.85 648	370.60 649	123.16 649		115.05 650		126.68 649		122.83 650		252.94 650		384.56 650	353.86 650	254.69 650	223.00 650	425.87 650

ASD4		3.38 624

Low-res two-view benchmark