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

CAS	0.08 2	0.04 1	0.07 2	0.17 116	0.08 48	0.10 58	0.13 43	0.12 5	0.09 2	0.09 17	0.10 39	0.08 26	0.06 6	0.09 10	0.08 11	0.08 193	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 70	0.11 2	0.09 2	0.08 6	0.09 24	0.11 77	0.06 6	0.12 103	0.08 11	0.06 57	0.04 2	0.05 2	0.03 1	0.05 40	0.05 52

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 17	0.14 60	0.10 42	0.14 83	0.08 26	0.07 33	0.09 10	0.11 88	0.06 57	0.04 2	0.05 2	0.05 32	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
TANstereo	0.09 12	0.04 1	0.08 11	0.13 6	0.06 2	0.11 84	0.14 70	0.15 29	0.19 130	0.11 62	0.15 97	0.10 60	0.06 6	0.12 103	0.09 19	0.07 144	0.05 109	0.05 2	0.04 8	0.06 102	0.05 52

CREStereo	0.09 12	0.04 1	0.08 11	0.11 1	0.06 2	0.13 132	0.14 70	0.14 17	0.10 8	0.08 6	0.13 74	0.09 39	0.08 51	0.11 47	0.10 51	0.08 193	0.04 2	0.05 2	0.03 1	0.06 102	0.06 101
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
IGEV_Zeroshot_test	0.09 12	0.05 6	0.12 92	0.13 6	0.08 48	0.12 106	0.13 43	0.17 75	0.11 18	0.10 42	0.06 2	0.09 39	0.06 6	0.11 47	0.09 19	0.06 57	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

MSKI-zero shot	0.09 12	0.05 6	0.09 29	0.15 38	0.07 18	0.10 58	0.13 43	0.14 17	0.13 43	0.09 17	0.09 24	0.09 39	0.06 6	0.12 103	0.10 51	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 304	0.14 157	0.13 43	0.14 17	0.09 2	0.07 2	0.09 24	0.07 18	0.08 51	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

Any-RAFT	0.10 52	0.05 6	0.09 29	0.14 13	0.07 18	0.13 132	0.14 70	0.21 143	0.15 71	0.11 62	0.12 64	0.12 92	0.09 69	0.12 103	0.09 19	0.07 144	0.04 2	0.05 2	0.04 8	0.06 102	0.05 52

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 116	0.11 2	0.10 8	0.08 6	0.09 24	0.06 3	0.09 69	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

LoS	0.09 12	0.05 6	0.11 72	0.13 6	0.07 18	0.14 157	0.11 11	0.15 29	0.15 71	0.09 17	0.09 24	0.12 92	0.09 69	0.15 169	0.10 51	0.07 144	0.05 109	0.05 2	0.03 1	0.05 40	0.05 52

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 58	0.12 21	0.11 2	0.16 89	0.06 1	0.05 1	0.07 18	0.05 2	0.10 18	0.11 88	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

knoymous	0.11 83	0.05 6	0.12 92	0.13 6	0.07 18	0.15 179	0.14 70	0.19 119	0.13 43	0.11 62	0.17 123	0.13 115	0.09 69	0.13 135	0.11 88	0.08 193	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

iRaft-Stereo_20w	0.09 12	0.05 6	0.13 131	0.14 13	0.08 48	0.12 106	0.15 116	0.18 99	0.10 8	0.11 62	0.08 17	0.08 26	0.05 2	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.05 52

TRStereo	0.09 12	0.05 6	0.12 92	0.15 38	0.12 287	0.10 58	0.13 43	0.18 99	0.18 118	0.09 17	0.09 24	0.09 39	0.06 6	0.10 18	0.08 11	0.07 144	0.05 109	0.07 100	0.07 163	0.04 1	0.04 7

AnonymousM	0.09 12	0.05 6	0.10 46	0.14 13	0.06 2	0.09 35	0.13 43	0.19 119	0.14 60	0.13 107	0.11 56	0.09 39	0.08 51	0.13 135	0.10 51	0.08 193	0.05 109	0.08 165	0.05 32	0.05 40	0.05 52

XX-Stereo	0.09 12	0.05 6	0.08 11	0.17 116	0.09 133	0.15 179	0.12 21	0.20 126	0.10 8	0.10 42	0.14 83	0.07 18	0.06 6	0.12 103	0.08 11	0.06 57	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

PMTNet	0.09 12	0.05 6	0.09 29	0.12 3	0.06 2	0.12 106	0.14 70	0.15 29	0.11 18	0.09 17	0.13 74	0.10 60	0.07 33	0.13 135	0.10 51	0.15 349	0.04 2	0.05 2	0.03 1	0.07 159	0.06 101

IGEV+	0.08 2	0.06 19	0.08 11	0.18 183	0.07 18	0.09 35	0.13 43	0.10 1	0.09 2	0.08 6	0.08 17	0.06 3	0.06 6	0.13 135	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

11t1	0.12 138	0.06 19	0.13 131	0.14 13	0.08 48	0.17 222	0.15 116	0.18 99	0.15 71	0.15 151	0.15 97	0.16 165	0.16 229	0.15 169	0.13 160	0.08 193	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

IGEVStereo-DCA	0.09 12	0.06 19	0.11 72	0.15 38	0.10 219	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.08 26	0.06 6	0.10 18	0.08 11	0.06 57	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

rrr	0.09 12	0.06 19	0.12 92	0.15 38	0.10 219	0.11 84	0.16 173	0.16 45	0.15 71	0.10 42	0.06 2	0.08 26	0.06 6	0.10 18	0.08 11	0.06 57	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

MIF-Stereo (partial)	0.11 83	0.06 19	0.10 46	0.19 230	0.10 219	0.10 58	0.11 11	0.17 75	0.18 118	0.14 127	0.16 105	0.09 39	0.11 112	0.12 103	0.12 130	0.08 193	0.05 109	0.08 165	0.07 163	0.06 102	0.07 161

RAFT-Test	0.09 12	0.06 19	0.10 46	0.15 38	0.07 18	0.11 84	0.15 116	0.16 45	0.13 43	0.09 17	0.10 39	0.10 60	0.09 69	0.12 103	0.09 19	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

HH	0.09 12	0.06 19	0.13 131	0.17 116	0.08 48	0.10 58	0.16 173	0.14 17	0.10 8	0.08 6	0.09 24	0.08 26	0.07 33	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

HanStereo	0.09 12	0.06 19	0.13 131	0.17 116	0.08 48	0.10 58	0.16 173	0.14 17	0.10 8	0.08 6	0.09 24	0.08 26	0.07 33	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

CBFPSM	0.14 189	0.06 19	0.26 313	0.17 116	0.09 133	0.13 132	0.15 116	0.22 159	0.23 185	0.20 244	0.27 251	0.24 255	0.16 229	0.16 201	0.18 251	0.06 57	0.06 192	0.06 32	0.07 163	0.07 159	0.07 161

iinet-f	0.16 240	0.06 19	0.45 361	0.14 13	0.10 219	0.21 283	0.14 70	0.27 237	0.23 185	0.21 252	0.24 199	0.21 220	0.15 209	0.18 234	0.21 285	0.09 238	0.07 250	0.07 100	0.06 88	0.09 250	0.10 273

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 116	0.06 2	0.08 23	0.12 21	0.13 11	0.07 1	0.08 6	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

riskmin	0.11 83	0.06 19	0.13 131	0.14 13	0.08 48	0.14 157	0.14 70	0.18 99	0.14 60	0.11 62	0.14 83	0.16 165	0.11 112	0.14 151	0.12 130	0.09 238	0.05 109	0.07 100	0.05 32	0.08 202	0.08 221

MC-Stereo	0.08 2	0.06 19	0.09 29	0.17 116	0.06 2	0.10 58	0.14 70	0.12 5	0.10 8	0.09 17	0.12 64	0.09 39	0.06 6	0.11 47	0.10 51	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

RCA-Stereo	0.09 12	0.06 19	0.09 29	0.16 69	0.06 2	0.09 35	0.13 43	0.18 99	0.14 60	0.09 17	0.10 39	0.08 26	0.07 33	0.12 103	0.11 88	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

DCANet-4	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.18 99	0.19 130	0.13 107	0.16 105	0.09 39	0.14 196	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

fff	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

tt	4.67 417	0.06 19	3.55 416	2.02 419	1.55 418	10.25 423	16.71 423	8.91 426	5.03 420	1.31 413	0.94 399	4.71 419	4.76 419	3.33 419	5.87 421	6.06 426	10.30 430	1.88 420	2.11 421	2.75 419	1.21 419

ADStereo(finetuned)	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.12 141	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

test-3	0.08 2	0.06 19	0.09 29	0.17 116	0.07 18	0.07 16	0.14 70	0.12 5	0.15 71	0.09 17	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 29	0.17 116	0.07 18	0.07 16	0.14 70	0.12 5	0.15 71	0.09 17	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

CrosDoStereo	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 106	0.15 116	0.17 75	0.22 176	0.19 227	0.24 199	0.15 154	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

PFNet+	0.11 83	0.06 19	0.13 131	0.16 69	0.09 133	0.05 1	0.12 21	0.17 75	0.21 164	0.16 176	0.19 151	0.14 130	0.10 90	0.11 47	0.11 88	0.08 193	0.05 109	0.09 230	0.08 214	0.06 102	0.11 296

HHNet	0.11 83	0.06 19	0.16 224	0.15 38	0.14 321	0.07 16	0.13 43	0.20 126	0.17 101	0.14 127	0.25 228	0.11 77	0.08 51	0.13 135	0.10 51	0.05 2	0.04 2	0.08 165	0.06 88	0.05 40	0.09 254

OMP-Stereo	0.11 83	0.06 19	0.14 157	0.18 183	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.13 107	0.14 83	0.11 77	0.12 141	0.11 47	0.13 160	0.06 57	0.04 2	0.07 100	0.06 88	0.05 40	0.04 7

IIG-Stereo	0.11 83	0.06 19	0.13 131	0.17 116	0.08 48	0.11 84	0.12 21	0.22 159	0.17 101	0.14 127	0.17 123	0.11 77	0.12 141	0.12 103	0.12 130	0.06 57	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

FTStereo	0.12 138	0.06 19	0.14 157	0.18 183	0.09 133	0.07 16	0.15 116	0.21 143	0.18 118	0.12 86	0.24 199	0.12 92	0.12 141	0.13 135	0.13 160	0.05 2	0.05 109	0.07 100	0.06 88	0.06 102	0.10 273

ASMatch	0.11 83	0.06 19	0.13 131	0.16 69	0.10 219	0.07 16	0.14 70	0.17 75	0.17 101	0.12 86	0.16 105	0.16 165	0.10 90	0.13 135	0.10 51	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.08 221

DeepStereo_LL	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 106	0.15 116	0.17 75	0.22 176	0.19 227	0.24 199	0.15 154	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

DEmStereo	0.12 138	0.06 19	0.14 157	0.14 13	0.10 219	0.16 203	0.15 116	0.16 45	0.24 195	0.17 188	0.24 199	0.13 115	0.14 196	0.12 103	0.13 160	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

DRaft	0.12 138	0.06 19	0.11 72	0.14 13	0.09 133	0.14 157	0.17 194	0.21 143	0.30 259	0.17 188	0.28 260	0.10 60	0.15 209	0.10 18	0.12 130	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

PFNet	0.12 138	0.06 19	0.17 249	0.17 116	0.08 48	0.09 35	0.15 116	0.26 219	0.20 151	0.16 176	0.16 105	0.14 130	0.11 112	0.12 103	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

GrayStereo	0.11 83	0.06 19	0.11 72	0.19 230	0.09 133	0.09 35	0.16 173	0.18 99	0.17 101	0.14 127	0.17 123	0.17 184	0.11 112	0.12 103	0.11 88	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.10 273

RAFT-RH_RVC	0.11 83	0.06 19	0.14 157	0.16 69	0.09 133	0.12 106	0.12 21	0.17 75	0.12 26	0.13 107	0.41 344	0.11 77	0.10 90	0.13 135	0.12 130	0.05 2	0.04 2	0.08 165	0.05 32	0.04 1	0.06 101

Prome-Stereo	0.11 83	0.06 19	0.10 46	0.18 183	0.08 48	0.12 106	0.15 116	0.22 159	0.13 43	0.12 86	0.17 123	0.13 115	0.08 51	0.12 103	0.10 51	0.05 2	0.04 2	0.07 100	0.06 88	0.06 102	0.09 254

rafts_anoy	0.11 83	0.06 19	0.10 46	0.17 116	0.08 48	0.10 58	0.14 70	0.17 75	0.14 60	0.13 107	0.13 74	0.12 92	0.10 90	0.11 47	0.12 130	0.07 144	0.04 2	0.09 230	0.11 309	0.07 159	0.06 101

s12784h	0.09 12	0.06 19	0.07 2	0.15 38	0.05 1	0.16 203	0.18 234	0.15 29	0.15 71	0.10 42	0.11 56	0.11 77	0.11 112	0.10 18	0.12 130	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

XX-TBD	0.09 12	0.06 19	0.07 2	0.14 13	0.07 18	0.12 106	0.16 173	0.14 17	0.13 43	0.11 62	0.12 64	0.09 39	0.08 51	0.10 18	0.10 51	0.06 57	0.04 2	0.05 2	0.03 1	0.06 102	0.05 52

raftrobust	0.09 12	0.06 19	0.10 46	0.17 116	0.08 48	0.09 35	0.10 6	0.18 99	0.16 89	0.10 42	0.09 24	0.12 92	0.07 33	0.12 103	0.10 51	0.08 193	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RALCasStereoNet	0.10 52	0.06 19	0.09 29	0.16 69	0.08 48	0.12 106	0.14 70	0.17 75	0.11 18	0.12 86	0.17 123	0.14 130	0.10 90	0.12 103	0.11 88	0.07 144	0.06 192	0.06 32	0.05 32	0.08 202	0.07 161

DCANet	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

cscssc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

111	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.10 58	0.14 70	0.21 143	0.23 185	0.11 62	0.12 64	0.14 130	0.11 112	0.13 135	0.10 51	0.06 57	0.04 2	0.06 32	0.04 8	0.05 40	0.05 52

test_xeample3	0.09 12	0.06 19	0.12 92	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.13 43	0.10 42	0.06 2	0.08 26	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

test_xeample	0.15 222	0.06 19	0.13 131	0.14 13	0.08 48	0.21 283	0.20 280	0.28 251	0.20 151	0.16 176	0.29 271	0.19 203	0.16 229	0.15 169	0.26 332	0.09 238	0.05 109	0.07 100	0.07 163	0.07 159	0.07 161

RAFT-Stereo + iAFF	0.09 12	0.06 19	0.10 46	0.17 116	0.06 2	0.10 58	0.16 173	0.17 75	0.14 60	0.09 17	0.10 39	0.08 26	0.09 69	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.03 1

AFF-stereo	0.09 12	0.06 19	0.10 46	0.17 116	0.07 18	0.10 58	0.16 173	0.17 75	0.09 2	0.10 42	0.12 64	0.09 39	0.09 69	0.12 103	0.09 19	0.05 2	0.04 2	0.07 100	0.07 163	0.04 1	0.03 1

Gwc-CoAtRS	0.09 12	0.06 19	0.10 46	0.16 69	0.07 18	0.10 58	0.14 70	0.17 75	0.17 101	0.08 6	0.10 39	0.12 92	0.09 69	0.12 103	0.09 19	0.06 57	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

R-Stereo Train	0.10 52	0.06 19	0.10 46	0.17 116	0.08 48	0.11 84	0.14 70	0.23 176	0.11 18	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RAFT-Stereo	0.10 52	0.06 19	0.10 46	0.17 116	0.08 48	0.11 84	0.14 70	0.23 176	0.11 18	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 52	0.06 19	0.12 92	0.14 13	0.06 2	0.11 84	0.10 6	0.18 99	0.18 118	0.13 107	0.16 105	0.14 130	0.11 112	0.15 169	0.13 160	0.06 57	0.04 2	0.04 1	0.04 8	0.06 102	0.05 52
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
MGS-Stereo	0.09 12	0.07 70	0.12 92	0.15 38	0.08 48	0.09 35	0.15 116	0.12 5	0.12 26	0.07 2	0.10 39	0.08 26	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.06 102	0.05 52

MyStereo8	0.12 138	0.07 70	0.15 194	0.15 38	0.09 133	0.18 237	0.14 70	0.19 119	0.22 176	0.12 86	0.18 145	0.11 77	0.10 90	0.16 201	0.18 251	0.07 144	0.05 109	0.07 100	0.05 32	0.08 202	0.09 254

SMFormer	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 193	0.05 109	0.07 100	0.06 88	0.07 159	0.06 101

tta	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 193	0.05 109	0.07 100	0.06 88	0.06 102	0.06 101

qqq1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 193	0.05 109	0.05 2	0.05 32	0.06 102	0.06 101

fff1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 193	0.05 109	0.05 2	0.05 32	0.06 102	0.06 101

MyStereo07	0.10 52	0.07 70	0.10 46	0.17 116	0.09 133	0.14 157	0.18 234	0.15 29	0.15 71	0.09 17	0.06 2	0.06 3	0.07 33	0.12 103	0.09 19	0.06 57	0.05 109	0.08 165	0.07 163	0.06 102	0.06 101

MyStereo06	0.10 52	0.07 70	0.12 92	0.17 116	0.09 133	0.13 132	0.18 234	0.19 119	0.12 26	0.12 86	0.08 17	0.07 18	0.07 33	0.11 47	0.09 19	0.06 57	0.05 109	0.07 100	0.07 163	0.06 102	0.06 101

MyStereo05	0.13 160	0.07 70	0.10 46	0.17 116	0.09 133	0.13 132	0.18 234	0.27 237	0.35 296	0.17 188	0.14 83	0.15 154	0.11 112	0.15 169	0.13 160	0.06 57	0.05 109	0.07 100	0.07 163	0.06 102	0.06 101

MyStereo04	0.13 160	0.07 70	0.10 46	0.17 116	0.09 133	0.14 157	0.18 234	0.29 261	0.38 311	0.17 188	0.14 83	0.16 165	0.10 90	0.15 169	0.13 160	0.06 57	0.05 109	0.08 165	0.07 163	0.06 102	0.06 101

CoDeX	0.12 138	0.07 70	0.12 92	0.17 116	0.08 48	0.12 106	0.15 116	0.23 176	0.27 234	0.13 107	0.17 123	0.16 165	0.11 112	0.14 151	0.11 88	0.07 144	0.05 109	0.07 100	0.06 88	0.06 102	0.05 52

ff7	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

ffff	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

11t	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

MIF-Stereo	0.09 12	0.07 70	0.08 11	0.18 183	0.08 48	0.13 132	0.11 11	0.12 5	0.11 18	0.10 42	0.12 64	0.05 1	0.07 33	0.09 10	0.09 19	0.07 144	0.05 109	0.05 2	0.05 32	0.05 40	0.05 52

EKT-Stereo	0.11 83	0.07 70	0.14 157	0.15 38	0.10 219	0.13 132	0.14 70	0.18 99	0.21 164	0.11 62	0.08 17	0.12 92	0.09 69	0.11 47	0.12 130	0.08 193	0.06 192	0.07 100	0.06 88	0.08 202	0.07 161

MIM_Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.07 18	0.06 2	0.12 21	0.20 126	0.14 60	0.13 107	0.13 74	0.09 39	0.05 2	0.12 103	0.08 11	0.05 2	0.06 192	0.07 100	0.06 88	0.06 102	0.05 52

4D-IteraStereo	0.09 12	0.07 70	0.10 46	0.18 183	0.07 18	0.09 35	0.15 116	0.17 75	0.15 71	0.10 42	0.11 56	0.10 60	0.07 33	0.11 47	0.09 19	0.05 2	0.03 1	0.08 165	0.07 163	0.06 102	0.05 52

anonymousdsp2	0.11 83	0.07 70	0.10 46	0.16 69	0.09 133	0.13 132	0.14 70	0.18 99	0.22 176	0.13 107	0.14 83	0.12 92	0.09 69	0.14 151	0.11 88	0.05 2	0.04 2	0.05 2	0.04 8	0.06 102	0.05 52

anonymousdsp	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.09 17	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

gwcnet-sp	0.14 189	0.07 70	0.12 92	0.18 183	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 214	0.24 199	0.15 154	0.16 229	0.15 169	0.15 211	0.08 193	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

scenet	0.14 189	0.07 70	0.12 92	0.18 183	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 214	0.24 199	0.15 154	0.16 229	0.15 169	0.15 211	0.08 193	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

DCRE	0.11 83	0.07 70	0.13 131	0.16 69	0.11 257	0.11 84	0.17 194	0.18 99	0.17 101	0.11 62	0.18 145	0.10 60	0.10 90	0.15 169	0.11 88	0.06 57	0.05 109	0.06 32	0.06 88	0.05 40	0.04 7

anonymousa	0.13 160	0.07 70	0.13 131	0.18 183	0.09 133	0.13 132	0.17 194	0.19 119	0.29 252	0.15 151	0.24 199	0.15 154	0.14 196	0.14 151	0.14 188	0.07 144	0.05 109	0.07 100	0.09 254	0.05 40	0.06 101

ProNet	0.09 12	0.07 70	0.10 46	0.17 116	0.08 48	0.10 58	0.15 116	0.15 29	0.12 26	0.09 17	0.06 2	0.07 18	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.06 101

ssnet	0.14 189	0.07 70	0.12 92	0.18 183	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 214	0.24 199	0.15 154	0.16 229	0.15 169	0.15 211	0.08 193	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

ccc-4	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

x	0.13 160	0.07 70	0.14 157	0.14 13	0.08 48	0.18 237	0.14 70	0.22 159	0.20 151	0.15 151	0.19 151	0.19 203	0.17 248	0.18 234	0.18 251	0.07 144	0.05 109	0.06 32	0.06 88	0.07 159	0.07 161

DisPM	0.11 83	0.07 70	0.12 92	0.16 69	0.09 133	0.06 2	0.13 43	0.17 75	0.17 101	0.14 127	0.20 162	0.12 92	0.10 90	0.11 47	0.10 51	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.11 296

IER	0.14 189	0.07 70	0.13 131	0.17 116	0.09 133	0.14 157	0.16 173	0.25 207	0.26 227	0.18 214	0.25 228	0.17 184	0.20 281	0.16 201	0.14 188	0.08 193	0.05 109	0.07 100	0.06 88	0.08 202	0.07 161

IGEV-Stereo	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.09 17	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 83	0.07 70	0.11 72	0.17 116	0.07 18	0.09 35	0.13 43	0.15 29	0.24 195	0.12 86	0.13 74	0.12 92	0.08 51	0.18 234	0.11 88	0.06 57	0.08 272	0.08 165	0.06 88	0.05 40	0.05 52

IPLG	0.10 52	0.07 70	0.15 194	0.17 116	0.08 48	0.11 84	0.14 70	0.20 126	0.15 71	0.12 86	0.17 123	0.07 18	0.07 33	0.14 151	0.13 160	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

GANet-ADL	0.13 160	0.07 70	0.15 194	0.17 116	0.10 219	0.18 237	0.15 116	0.30 275	0.20 151	0.13 107	0.18 145	0.19 203	0.12 141	0.16 201	0.13 160	0.08 193	0.06 192	0.06 32	0.05 32	0.07 159	0.08 221

LCNet	0.11 83	0.07 70	0.09 29	0.19 230	0.09 133	0.08 23	0.15 116	0.21 143	0.15 71	0.11 62	0.15 97	0.16 165	0.11 112	0.12 103	0.11 88	0.05 2	0.04 2	0.08 165	0.07 163	0.06 102	0.15 345

AAGNet	0.11 83	0.07 70	0.16 224	0.19 230	0.09 133	0.08 23	0.13 43	0.18 99	0.13 43	0.16 176	0.21 176	0.13 115	0.14 196	0.11 47	0.14 188	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.05 52

STrans-v2	0.10 52	0.07 70	0.12 92	0.18 183	0.07 18	0.10 58	0.14 70	0.21 143	0.11 18	0.11 62	0.15 97	0.12 92	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.04 7

NF-Stereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

OCTAStereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

PSM-softLoss	0.12 138	0.07 70	0.15 194	0.17 116	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 165	0.07 163	0.06 102	0.12 307

KMStereo	0.12 138	0.07 70	0.15 194	0.17 116	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 165	0.07 163	0.06 102	0.12 307

PSM-AAD	0.11 83	0.07 70	0.10 46	0.19 230	0.09 133	0.10 58	0.15 116	0.20 126	0.13 43	0.12 86	0.14 83	0.18 195	0.11 112	0.11 47	0.10 51	0.05 2	0.05 109	0.09 230	0.08 214	0.06 102	0.14 337

KYRaft	0.11 83	0.07 70	0.10 46	0.19 230	0.09 133	0.08 23	0.15 116	0.22 159	0.12 26	0.13 107	0.16 105	0.20 213	0.10 90	0.12 103	0.10 51	0.05 2	0.04 2	0.08 165	0.08 214	0.06 102	0.16 356

SST-Stereo	0.10 52	0.07 70	0.15 194	0.18 183	0.09 133	0.06 2	0.12 21	0.17 75	0.11 18	0.15 151	0.17 123	0.13 115	0.12 141	0.10 18	0.11 88	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.05 52

THIR-Stereo	0.12 138	0.07 70	0.11 72	0.15 38	0.08 48	0.14 157	0.16 173	0.17 75	0.25 214	0.16 176	0.24 199	0.14 130	0.12 141	0.12 103	0.14 188	0.06 57	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

RAFT_R40	0.11 83	0.07 70	0.14 157	0.18 183	0.09 133	0.06 2	0.13 43	0.17 75	0.16 89	0.14 127	0.18 145	0.15 154	0.12 141	0.10 18	0.11 88	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.05 52

RE-Stereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

Pruner-Stereo	0.11 83	0.07 70	0.12 92	0.17 116	0.09 133	0.06 2	0.12 21	0.17 75	0.17 101	0.13 107	0.19 151	0.13 115	0.09 69	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.08 221

TVStereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

RAFT-345	0.11 83	0.07 70	0.15 194	0.16 69	0.08 48	0.08 23	0.12 21	0.15 29	0.10 8	0.11 62	0.36 310	0.09 39	0.09 69	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.06 88	0.04 1	0.05 52

test-1	0.10 52	0.07 70	0.16 224	0.19 230	0.08 48	0.11 84	0.24 324	0.14 17	0.18 118	0.09 17	0.07 14	0.09 39	0.08 51	0.07 1	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

GMM-Stereo	0.11 83	0.07 70	0.10 46	0.18 183	0.09 133	0.08 23	0.15 116	0.23 176	0.16 89	0.11 62	0.15 97	0.13 115	0.11 112	0.11 47	0.11 88	0.05 2	0.04 2	0.08 165	0.07 163	0.06 102	0.09 254

iRaftStereo_RVC	0.10 52	0.07 70	0.09 29	0.17 116	0.09 133	0.11 84	0.17 194	0.18 99	0.12 26	0.09 17	0.12 64	0.10 60	0.07 33	0.11 47	0.10 51	0.05 2	0.04 2	0.08 165	0.08 214	0.04 1	0.04 7

raft+_RVC	0.11 83	0.07 70	0.09 29	0.16 69	0.07 18	0.10 58	0.11 11	0.24 194	0.20 151	0.12 86	0.15 97	0.12 92	0.08 51	0.12 103	0.13 160	0.07 144	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

222	0.16 240	0.07 70	0.14 157	0.14 13	0.08 48	0.24 309	0.18 234	0.30 275	0.20 151	0.17 188	0.28 260	0.17 184	0.16 229	0.15 169	0.40 379	0.10 270	0.05 109	0.07 100	0.06 88	0.07 159	0.08 221

xxxx	0.15 222	0.07 70	0.14 157	0.14 13	0.08 48	0.23 304	0.18 234	0.31 281	0.19 130	0.14 127	0.28 260	0.22 237	0.14 196	0.15 169	0.26 332	0.09 238	0.05 109	0.07 100	0.07 163	0.08 202	0.07 161

RAFT + AFF	0.13 160	0.07 70	0.20 284	0.20 270	0.10 219	0.14 157	0.24 324	0.26 219	0.20 151	0.11 62	0.10 39	0.12 92	0.10 90	0.15 169	0.12 130	0.07 144	0.06 192	0.09 230	0.08 214	0.06 102	0.08 221

EAI-Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.06 2	0.10 58	0.15 116	0.16 45	0.09 2	0.08 6	0.09 24	0.08 26	0.07 33	0.09 10	0.11 88	0.05 2	0.04 2	0.05 2	0.05 32	0.05 40	0.04 7

CFNet-RSSM	0.09 12	0.07 70	0.09 29	0.16 69	0.07 18	0.09 35	0.15 116	0.16 45	0.17 101	0.08 6	0.12 64	0.10 60	0.09 69	0.11 47	0.09 19	0.06 57	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

SFCPSM	0.13 160	0.07 70	0.14 157	0.17 116	0.09 133	0.15 179	0.16 173	0.28 251	0.27 234	0.14 127	0.17 123	0.12 92	0.13 173	0.14 151	0.11 88	0.08 193	0.05 109	0.07 100	0.07 163	0.07 159	0.06 101

cf-r	0.13 160	0.07 70	0.12 92	0.16 69	0.08 48	0.14 157	0.19 265	0.20 126	0.25 214	0.17 188	0.25 228	0.21 220	0.16 229	0.14 151	0.14 188	0.10 270	0.05 109	0.06 32	0.08 214	0.06 102	0.06 101

GANet-RSSM	0.14 189	0.07 70	0.13 131	0.13 6	0.08 48	0.14 157	0.17 194	0.22 159	0.21 164	0.17 188	0.24 199	0.23 249	0.15 209	0.16 201	0.15 211	0.10 270	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

PSMNet-RSSM	0.14 189	0.07 70	0.13 131	0.15 38	0.08 48	0.13 132	0.16 173	0.24 194	0.24 195	0.16 176	0.28 260	0.22 237	0.14 196	0.15 169	0.13 160	0.11 291	0.06 192	0.09 230	0.12 327	0.08 202	0.07 161

GwcNet-RSSM	0.14 189	0.07 70	0.12 92	0.15 38	0.08 48	0.15 179	0.20 280	0.21 143	0.27 234	0.18 214	0.27 251	0.22 237	0.16 229	0.14 151	0.15 211	0.10 270	0.05 109	0.07 100	0.09 254	0.07 159	0.07 161

CFNet-ft	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 243	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 192	0.08 165	0.09 254	0.09 250	0.08 221

DIP-Stereo	0.11 83	0.07 70	0.14 157	0.17 116	0.09 133	0.13 132	0.09 3	0.16 45	0.16 89	0.11 62	0.16 105	0.14 130	0.12 141	0.15 169	0.13 160	0.06 57	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.14 189	0.07 70	0.14 157	0.16 69	0.08 48	0.18 237	0.14 70	0.29 261	0.20 151	0.17 188	0.25 228	0.21 220	0.18 257	0.20 264	0.19 260	0.07 144	0.06 192	0.06 32	0.08 214	0.06 102	0.06 101

CFNet_RVC	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 243	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 192	0.08 165	0.09 254	0.09 250	0.08 221

MLCV	0.12 138	0.07 70	0.16 224	0.18 183	0.06 2	0.15 179	0.17 194	0.19 119	0.21 164	0.18 214	0.25 228	0.17 184	0.13 173	0.14 151	0.13 160	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

iResNet_ROB	0.14 189	0.07 70	0.13 131	0.14 13	0.07 18	0.18 237	0.14 70	0.26 219	0.31 265	0.22 265	0.25 228	0.23 249	0.15 209	0.15 169	0.13 160	0.07 144	0.05 109	0.05 2	0.04 8	0.08 202	0.08 221

LE_ROB	0.50 385	0.07 70	0.14 157	0.15 38	0.08 48	0.24 309	0.16 173	0.22 159	1.81 416	4.63 419	0.67 381	0.47 371	0.44 378	0.20 264	0.29 350	0.07 144	0.06 192	0.06 32	0.06 88	0.08 202	0.06 101

pmcnn	0.15 222	0.07 70	0.19 275	0.15 38	0.07 18	0.20 269	0.15 116	0.24 194	0.26 227	0.21 252	0.34 304	0.28 287	0.18 257	0.18 234	0.17 237	0.07 144	0.05 109	0.05 2	0.04 8	0.07 159	0.06 101

Former-RAFT_DAM_RVC	0.10 52	0.08 142	0.12 92	0.16 69	0.08 48	0.15 179	0.16 173	0.18 99	0.18 118	0.10 42	0.09 24	0.09 39	0.08 51	0.11 47	0.12 130	0.07 144	0.05 109	0.08 165	0.06 88	0.07 159	0.06 101

AE-Stereo	0.10 52	0.08 142	0.10 46	0.18 183	0.09 133	0.10 58	0.15 116	0.14 17	0.19 130	0.09 17	0.14 83	0.12 92	0.08 51	0.11 47	0.10 51	0.05 2	0.06 192	0.07 100	0.06 88	0.05 40	0.04 7

ACVNet-DCA	0.10 52	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.23 176	0.16 89	0.09 17	0.09 24	0.06 3	0.06 6	0.10 18	0.07 1	0.06 57	0.04 2	0.06 32	0.05 32	0.07 159	0.07 161

xx1	0.11 83	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.16 45	0.18 118	0.09 17	0.09 24	0.16 165	0.16 229	0.10 18	0.07 1	0.06 57	0.04 2	0.08 165	0.08 214	0.07 159	0.07 161

1test111	0.11 83	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.23 176	0.16 89	0.09 17	0.09 24	0.06 3	0.06 6	0.15 169	0.16 225	0.06 57	0.04 2	0.06 32	0.05 32	0.07 159	0.07 161

cc1	0.10 52	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.16 45	0.18 118	0.09 17	0.09 24	0.06 3	0.06 6	0.10 18	0.07 1	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.06 101

mmm	0.14 189	0.08 142	0.17 249	0.17 116	0.09 133	0.17 222	0.18 234	0.21 143	0.15 71	0.15 151	0.23 191	0.21 220	0.16 229	0.16 201	0.17 237	0.08 193	0.05 109	0.08 165	0.07 163	0.07 159	0.07 161

tt1	0.10 52	0.08 142	0.12 92	0.17 116	0.09 133	0.12 106	0.16 173	0.15 29	0.19 130	0.09 17	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.06 101

ttt	0.14 189	0.08 142	0.14 157	0.15 38	0.08 48	0.15 179	0.18 234	0.27 237	0.29 252	0.16 176	0.24 199	0.17 184	0.13 173	0.13 135	0.14 188	0.11 291	0.08 272	0.09 230	0.08 214	0.09 250	0.08 221

1111x	0.15 222	0.08 142	0.12 92	0.18 183	0.07 18	0.18 237	0.25 337	0.31 281	0.24 195	0.17 188	0.24 199	0.26 273	0.15 209	0.13 135	0.23 304	0.07 144	0.07 250	0.08 165	0.09 254	0.07 159	0.06 101

test croco	0.10 52	0.08 142	0.10 46	0.19 230	0.09 133	0.10 58	0.15 116	0.14 17	0.13 43	0.13 107	0.15 97	0.09 39	0.12 141	0.13 135	0.12 130	0.07 144	0.05 109	0.09 230	0.06 88	0.06 102	0.06 101

PCWNet_CMD	0.14 189	0.08 142	0.15 194	0.17 116	0.09 133	0.14 157	0.14 70	0.29 261	0.36 300	0.14 127	0.20 162	0.21 220	0.12 141	0.17 223	0.13 160	0.07 144	0.05 109	0.07 100	0.07 163	0.07 159	0.07 161

CFNet_ucs	0.15 222	0.08 142	0.16 224	0.16 69	0.11 257	0.14 157	0.14 70	0.30 275	0.34 288	0.16 176	0.24 199	0.23 249	0.14 196	0.18 234	0.15 211	0.09 238	0.06 192	0.08 165	0.07 163	0.09 250	0.09 254

SDNR	0.19 282	0.08 142	0.19 275	0.16 69	0.12 287	0.77 402	0.14 70	0.25 207	0.32 271	0.19 227	0.24 199	0.19 203	0.13 173	0.19 245	0.15 211	0.16 360	0.18 367	0.14 337	0.11 309	0.08 202	0.11 296

TestStereo1	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 364	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 57	0.06 192	0.08 165	0.06 88	0.05 40	0.05 52

CRFU-Net	0.16 240	0.08 142	0.14 157	0.17 116	0.09 133	0.19 257	0.14 70	0.26 219	0.20 151	0.28 321	0.27 251	0.29 294	0.17 248	0.19 245	0.17 237	0.09 238	0.09 295	0.07 100	0.07 163	0.08 202	0.08 221

SA-5K	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 364	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 57	0.06 192	0.08 165	0.06 88	0.05 40	0.05 52

Sa-1000	0.12 138	0.08 142	0.08 11	0.18 183	0.08 48	0.14 157	0.22 305	0.22 159	0.18 118	0.15 151	0.20 162	0.17 184	0.11 112	0.10 18	0.10 51	0.06 57	0.05 109	0.09 230	0.09 254	0.05 40	0.05 52

CIPLG	0.11 83	0.08 142	0.14 157	0.17 116	0.08 48	0.12 106	0.15 116	0.17 75	0.15 71	0.14 127	0.11 56	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

DAS	0.15 222	0.08 142	0.18 266	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 214	0.25 228	0.21 220	0.15 209	0.16 201	0.12 130	0.08 193	0.06 192	0.06 32	0.06 88	0.07 159	0.07 161

SepStereo	0.15 222	0.08 142	0.18 266	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 214	0.25 228	0.21 220	0.15 209	0.25 315	0.12 130	0.08 193	0.06 192	0.06 32	0.06 88	0.07 159	0.07 161

IPLGR_C	0.11 83	0.08 142	0.14 157	0.17 116	0.08 48	0.12 106	0.15 116	0.17 75	0.15 71	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

MIPNet	0.11 83	0.08 142	0.14 157	0.17 116	0.09 133	0.12 106	0.14 70	0.20 126	0.24 195	0.11 62	0.10 39	0.09 39	0.07 33	0.13 135	0.12 130	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

AASNet	0.16 240	0.08 142	0.12 92	0.19 230	0.09 133	0.18 237	0.15 116	0.37 340	0.37 306	0.19 227	0.23 191	0.20 213	0.16 229	0.17 223	0.20 266	0.10 270	0.08 272	0.08 165	0.07 163	0.09 250	0.09 254

ACRE	0.11 83	0.08 142	0.14 157	0.17 116	0.08 48	0.12 106	0.15 116	0.17 75	0.14 60	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

AACVNet	0.16 240	0.08 142	0.14 157	0.15 38	0.10 219	0.18 237	0.15 116	0.23 176	0.24 195	0.27 310	0.27 251	0.28 287	0.17 248	0.19 245	0.16 225	0.09 238	0.07 250	0.09 230	0.07 163	0.10 277	0.09 254

GwcNet-ADL	0.13 160	0.08 142	0.14 157	0.20 270	0.09 133	0.11 84	0.20 280	0.30 275	0.24 195	0.13 107	0.14 83	0.18 195	0.14 196	0.13 135	0.14 188	0.07 144	0.05 109	0.06 32	0.05 32	0.07 159	0.06 101

TransformOpticalFlow	0.10 52	0.08 142	0.13 131	0.18 183	0.07 18	0.09 35	0.15 116	0.19 119	0.15 71	0.12 86	0.17 123	0.11 77	0.11 112	0.11 47	0.10 51	0.05 2	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

NRIStereo	0.11 83	0.08 142	0.14 157	0.18 183	0.08 48	0.10 58	0.14 70	0.16 45	0.15 71	0.12 86	0.14 83	0.13 115	0.12 141	0.13 135	0.10 51	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.07 161

DeepStereo_RVC	0.11 83	0.08 142	0.16 224	0.18 183	0.08 48	0.08 23	0.12 21	0.17 75	0.12 26	0.13 107	0.14 83	0.12 92	0.12 141	0.12 103	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.07 159	0.08 221

IRAFT_RVC	0.12 138	0.08 142	0.16 224	0.19 230	0.08 48	0.07 16	0.15 116	0.24 194	0.23 185	0.14 127	0.14 83	0.15 154	0.12 141	0.12 103	0.10 51	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.06 101

CroCo-Stereo	0.09 12	0.08 142	0.08 11	0.22 308	0.09 133	0.09 35	0.19 265	0.15 29	0.12 26	0.07 2	0.07 14	0.08 26	0.06 6	0.08 6	0.07 1	0.07 144	0.05 109	0.06 32	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
LMCR-Stereo	0.15 222	0.08 142	0.13 131	0.21 294	0.09 133	0.17 222	0.20 280	0.27 237	0.19 130	0.24 286	0.24 199	0.23 249	0.17 248	0.20 264	0.17 237	0.07 144	0.06 192	0.08 165	0.06 88	0.10 277	0.08 221

CFNet_pseudo	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.13 132	0.14 70	0.27 237	0.34 288	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 165	0.06 88	0.07 159	0.07 161

RALAANet	0.11 83	0.08 142	0.10 46	0.17 116	0.09 133	0.14 157	0.10 6	0.20 126	0.15 71	0.14 127	0.13 74	0.16 165	0.09 69	0.12 103	0.11 88	0.06 57	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

ADLNet	0.16 240	0.08 142	0.15 194	0.16 69	0.10 219	0.16 203	0.17 194	0.32 290	0.27 234	0.22 265	0.27 251	0.24 255	0.16 229	0.18 234	0.21 285	0.10 270	0.06 192	0.10 271	0.10 286	0.08 202	0.09 254

GES	0.14 189	0.08 142	0.16 224	0.15 38	0.10 219	0.13 132	0.13 43	0.28 251	0.25 214	0.16 176	0.23 191	0.18 195	0.13 173	0.16 201	0.13 160	0.08 193	0.07 250	0.07 100	0.06 88	0.08 202	0.09 254

ARAFT	0.12 138	0.08 142	0.17 249	0.19 230	0.09 133	0.14 157	0.18 234	0.20 126	0.12 26	0.12 86	0.13 74	0.14 130	0.11 112	0.15 169	0.12 130	0.06 57	0.05 109	0.10 271	0.09 254	0.05 40	0.04 7

delet	0.17 260	0.08 142	0.17 249	0.19 230	0.11 257	0.20 269	0.21 296	0.30 275	0.37 306	0.17 188	0.26 243	0.19 203	0.19 272	0.19 245	0.21 285	0.08 193	0.08 272	0.09 230	0.11 309	0.06 102	0.06 101

UPFNet	0.16 240	0.08 142	0.12 92	0.20 270	0.12 287	0.20 269	0.23 315	0.28 251	0.26 227	0.17 188	0.24 199	0.22 237	0.19 272	0.19 245	0.21 285	0.09 238	0.07 250	0.08 165	0.09 254	0.08 202	0.06 101

FENet	0.13 160	0.08 142	0.12 92	0.16 69	0.08 48	0.14 157	0.15 116	0.22 159	0.23 185	0.17 188	0.23 191	0.16 165	0.12 141	0.14 151	0.15 211	0.08 193	0.05 109	0.08 165	0.08 214	0.07 159	0.07 161

ac_64	0.16 240	0.08 142	0.15 194	0.18 183	0.10 219	0.22 291	0.18 234	0.24 194	0.21 164	0.18 214	0.24 199	0.29 294	0.18 257	0.19 245	0.22 294	0.09 238	0.07 250	0.08 165	0.09 254	0.07 159	0.06 101

HGLStereo	0.17 260	0.08 142	0.19 275	0.17 116	0.12 287	0.18 237	0.18 234	0.31 281	0.32 271	0.21 252	0.32 287	0.25 265	0.18 257	0.19 245	0.20 266	0.09 238	0.09 295	0.07 100	0.07 163	0.09 250	0.10 273

BEATNet_4x	0.12 138	0.08 142	0.14 157	0.18 183	0.07 18	0.15 179	0.07 1	0.22 159	0.18 118	0.16 176	0.19 151	0.18 195	0.14 196	0.16 201	0.15 211	0.07 144	0.05 109	0.05 2	0.05 32	0.06 102	0.06 101

MSMDNet	0.14 189	0.08 142	0.15 194	0.17 116	0.09 133	0.14 157	0.14 70	0.29 261	0.36 300	0.14 127	0.21 176	0.21 220	0.12 141	0.17 223	0.14 188	0.07 144	0.05 109	0.07 100	0.07 163	0.07 159	0.07 161

HSM-Net_RVC	0.14 189	0.08 142	0.11 72	0.15 38	0.08 48	0.15 179	0.15 116	0.27 237	0.29 252	0.19 227	0.21 176	0.29 294	0.14 196	0.17 223	0.13 160	0.06 57	0.06 192	0.06 32	0.06 88	0.07 159	0.06 101
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.12 106	0.14 70	0.27 237	0.34 288	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 165	0.07 163	0.07 159	0.07 161

UCFNet_RVC	0.14 189	0.08 142	0.13 131	0.11 1	0.10 219	0.20 269	0.10 6	0.24 194	0.22 176	0.17 188	0.20 162	0.23 249	0.15 209	0.17 223	0.15 211	0.12 315	0.07 250	0.10 271	0.13 336	0.11 292	0.10 273

iResNetv2_ROB	0.14 189	0.08 142	0.15 194	0.16 69	0.08 48	0.16 203	0.12 21	0.25 207	0.35 296	0.21 252	0.29 271	0.24 255	0.13 173	0.14 151	0.14 188	0.06 57	0.05 109	0.06 32	0.04 8	0.09 250	0.08 221

HSM	0.15 222	0.08 142	0.14 157	0.16 69	0.09 133	0.16 203	0.14 70	0.28 251	0.25 214	0.19 227	0.23 191	0.37 339	0.16 229	0.20 264	0.15 211	0.07 144	0.05 109	0.07 100	0.06 88	0.07 159	0.06 101

H2IRNET	0.10 52	0.09 192	0.09 29	0.18 183	0.09 133	0.12 106	0.15 116	0.14 17	0.21 164	0.10 42	0.10 39	0.10 60	0.10 90	0.10 18	0.10 51	0.05 2	0.04 2	0.08 165	0.08 214	0.06 102	0.05 52

DispNO	0.16 240	0.09 192	0.19 275	0.21 294	0.11 257	0.13 132	0.28 355	0.23 176	0.34 288	0.22 265	0.26 243	0.20 213	0.19 272	0.15 169	0.16 225	0.09 238	0.06 192	0.07 100	0.07 163	0.06 102	0.06 101

DualNet	0.13 160	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 228	0.19 203	0.13 173	0.10 18	0.20 266	0.06 57	0.04 2	0.09 230	0.08 214	0.06 102	0.06 101

ffm	0.12 138	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 228	0.19 203	0.13 173	0.10 18	0.07 1	0.06 57	0.04 2	0.09 230	0.08 214	0.06 102	0.06 101

ff1	0.13 160	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 228	0.19 203	0.13 173	0.14 151	0.20 266	0.06 57	0.04 2	0.09 230	0.08 214	0.06 102	0.06 101

mmx	0.14 189	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 228	0.19 203	0.13 173	0.14 151	0.20 266	0.08 193	0.06 192	0.09 230	0.08 214	0.08 202	0.08 221

whm_eth	0.14 189	0.09 192	0.20 284	0.20 270	0.12 287	0.12 106	0.15 116	0.18 99	0.28 245	0.17 188	0.32 287	0.09 39	0.12 141	0.18 234	0.14 188	0.07 144	0.07 250	0.08 165	0.07 163	0.07 159	0.07 161

xxx	0.14 189	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 228	0.19 203	0.13 173	0.14 151	0.20 266	0.08 193	0.06 192	0.09 230	0.08 214	0.08 202	0.08 221

StereoIM	0.09 12	0.09 192	0.08 11	0.17 116	0.09 133	0.13 132	0.10 6	0.16 45	0.16 89	0.09 17	0.11 56	0.06 3	0.06 6	0.09 10	0.13 160	0.07 144	0.06 192	0.07 100	0.05 32	0.05 40	0.04 7

CASnet	0.09 12	0.09 192	0.09 29	0.19 230	0.06 2	0.07 16	0.11 11	0.18 99	0.14 60	0.11 62	0.10 39	0.09 39	0.07 33	0.10 18	0.10 51	0.06 57	0.04 2	0.10 271	0.08 214	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo	0.13 160	0.09 192	0.11 72	0.20 270	0.10 219	0.11 84	0.18 234	0.32 290	0.24 195	0.15 151	0.15 97	0.14 130	0.13 173	0.19 245	0.11 88	0.06 57	0.04 2	0.09 230	0.08 214	0.04 1	0.05 52

CroCo-Stereo Lap2	0.09 12	0.09 192	0.08 11	0.22 308	0.09 133	0.09 35	0.19 265	0.16 45	0.12 26	0.09 17	0.10 39	0.05 1	0.05 2	0.08 6	0.08 11	0.06 57	0.06 192	0.07 100	0.05 32	0.05 40	0.05 52

qqq	0.13 160	0.09 192	0.15 194	0.16 69	0.08 48	0.13 132	0.15 116	0.23 176	0.16 89	0.15 151	0.19 151	0.16 165	0.16 229	0.15 169	0.16 225	0.07 144	0.06 192	0.08 165	0.08 214	0.07 159	0.07 161

Wz-Net-LNSev-Ref	0.18 272	0.09 192	0.29 330	0.15 38	0.10 219	0.22 291	0.20 280	0.26 219	0.39 314	0.25 299	0.42 349	0.24 255	0.15 209	0.20 264	0.19 260	0.07 144	0.05 109	0.06 32	0.05 32	0.10 277	0.09 254

BUS	0.14 189	0.09 192	0.14 157	0.22 308	0.10 219	0.19 257	0.14 70	0.34 317	0.19 130	0.17 188	0.22 185	0.16 165	0.13 173	0.15 169	0.13 160	0.08 193	0.06 192	0.10 271	0.09 254	0.07 159	0.07 161

RAFT_CTSACE	0.12 138	0.09 192	0.10 46	0.22 308	0.08 48	0.12 106	0.24 324	0.18 99	0.16 89	0.20 244	0.27 251	0.13 115	0.07 33	0.13 135	0.09 19	0.05 2	0.06 192	0.08 165	0.07 163	0.04 1	0.04 7

BSDual-CNN	0.15 222	0.09 192	0.14 157	0.22 308	0.10 219	0.14 157	0.15 116	0.34 317	0.19 130	0.17 188	0.22 185	0.25 265	0.16 229	0.15 169	0.14 188	0.08 193	0.06 192	0.10 271	0.09 254	0.07 159	0.07 161

SA	0.12 138	0.09 192	0.08 11	0.18 183	0.08 48	0.12 106	0.24 324	0.23 176	0.18 118	0.17 188	0.27 251	0.14 130	0.11 112	0.11 47	0.11 88	0.05 2	0.05 109	0.09 230	0.08 214	0.05 40	0.04 7

iRaft-Stereo_5w	0.12 138	0.09 192	0.12 92	0.19 230	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.19 227	0.14 83	0.11 77	0.09 69	0.20 264	0.16 225	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.06 101

psmg	0.14 189	0.09 192	0.14 157	0.17 116	0.10 219	0.15 179	0.17 194	0.29 261	0.19 130	0.17 188	0.21 176	0.25 265	0.16 229	0.15 169	0.14 188	0.08 193	0.06 192	0.08 165	0.08 214	0.07 159	0.06 101

CSP-Net	0.16 240	0.09 192	0.14 157	0.16 69	0.09 133	0.19 257	0.17 194	0.25 207	0.32 271	0.25 299	0.30 275	0.24 255	0.15 209	0.21 280	0.18 251	0.09 238	0.06 192	0.07 100	0.07 163	0.08 202	0.07 161

IPLGR	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.12 106	0.17 194	0.21 143	0.24 195	0.11 62	0.12 64	0.11 77	0.08 51	0.12 103	0.12 130	0.06 57	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

GMOStereo	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 355	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

error version	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 355	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test-v	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 355	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test_3	0.10 52	0.09 192	0.10 46	0.20 270	0.08 48	0.13 132	0.26 343	0.14 17	0.21 164	0.10 42	0.10 39	0.09 39	0.09 69	0.08 6	0.11 88	0.05 2	0.04 2	0.08 165	0.07 163	0.04 1	0.04 7

ADLNet2	0.16 240	0.09 192	0.13 131	0.16 69	0.09 133	0.20 269	0.16 173	0.31 281	0.39 314	0.16 176	0.20 162	0.20 213	0.18 257	0.21 280	0.22 294	0.08 193	0.06 192	0.07 100	0.07 163	0.09 250	0.07 161

Patchmatch Stereo++	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.11 11	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

ROB_FTStereo_v2	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

ROB_FTStereo	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.11 11	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

HUI-Stereo	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

iGMRVC	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

iRAFT	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.11 11	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

CRE-IMP	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.10 58	0.12 21	0.18 99	0.10 8	0.14 127	0.13 74	0.13 115	0.12 141	0.12 103	0.11 88	0.07 144	0.04 2	0.08 165	0.06 88	0.08 202	0.08 221

test-2	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 355	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

cross-raft	0.10 52	0.09 192	0.09 29	0.19 230	0.07 18	0.11 84	0.25 337	0.13 11	0.15 71	0.08 6	0.11 56	0.12 92	0.10 90	0.09 10	0.11 88	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

RAFT	0.13 160	0.09 192	0.11 72	0.18 183	0.08 48	0.15 179	0.24 324	0.20 126	0.19 130	0.21 252	0.21 176	0.17 184	0.12 141	0.16 201	0.09 19	0.06 57	0.07 250	0.10 271	0.09 254	0.05 40	0.05 52

RAFT-IKP	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

ICVP	0.15 222	0.09 192	0.12 92	0.22 308	0.09 133	0.17 222	0.21 296	0.25 207	0.23 185	0.18 214	0.30 275	0.26 273	0.18 257	0.17 223	0.14 188	0.09 238	0.07 250	0.08 165	0.07 163	0.07 159	0.07 161
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 138	0.09 192	0.23 303	0.24 332	0.11 257	0.19 257	0.14 70	0.17 75	0.14 60	0.10 42	0.13 74	0.12 92	0.07 33	0.14 151	0.11 88	0.08 193	0.08 272	0.08 165	0.08 214	0.05 40	0.07 161

MMNet	0.17 260	0.09 192	0.16 224	0.20 270	0.11 257	0.27 334	0.20 280	0.25 207	0.41 323	0.22 265	0.30 275	0.21 220	0.20 281	0.17 223	0.20 266	0.06 57	0.06 192	0.07 100	0.07 163	0.08 202	0.07 161

UNet	0.17 260	0.09 192	0.18 266	0.19 230	0.12 287	0.27 334	0.19 265	0.33 307	0.29 252	0.21 252	0.24 199	0.23 249	0.19 272	0.19 245	0.18 251	0.07 144	0.06 192	0.08 165	0.07 163	0.08 202	0.06 101

ACVNet	0.15 222	0.09 192	0.15 194	0.13 6	0.12 287	0.14 157	0.20 280	0.22 159	0.33 277	0.17 188	0.26 243	0.21 220	0.16 229	0.17 223	0.21 285	0.07 144	0.06 192	0.06 32	0.06 88	0.08 202	0.06 101

acv_ft	0.15 222	0.09 192	0.15 194	0.19 230	0.10 219	0.16 203	0.17 194	0.25 207	0.33 277	0.19 227	0.26 243	0.21 220	0.17 248	0.17 223	0.18 251	0.07 144	0.06 192	0.06 32	0.06 88	0.08 202	0.06 101

hitnet-ft	0.18 272	0.09 192	0.17 249	0.14 13	0.09 133	0.26 327	0.20 280	0.25 207	0.26 227	0.24 286	0.32 287	0.31 312	0.22 294	0.24 310	0.21 285	0.12 315	0.07 250	0.10 271	0.08 214	0.12 306	0.11 296

DSFCA	0.16 240	0.09 192	0.14 157	0.16 69	0.10 219	0.20 269	0.19 265	0.28 251	0.31 265	0.23 278	0.24 199	0.22 237	0.15 209	0.19 245	0.20 266	0.10 270	0.07 250	0.09 230	0.09 254	0.08 202	0.08 221

DMCA	0.14 189	0.09 192	0.16 224	0.19 230	0.09 133	0.15 179	0.17 194	0.23 176	0.27 234	0.14 127	0.19 151	0.17 184	0.18 257	0.15 169	0.17 237	0.10 270	0.06 192	0.08 165	0.06 88	0.09 250	0.10 273

DISCO	0.19 282	0.09 192	0.22 294	0.17 116	0.10 219	0.25 319	0.18 234	0.27 237	0.44 338	0.22 265	0.31 283	0.33 323	0.26 317	0.28 331	0.28 347	0.08 193	0.06 192	0.07 100	0.07 163	0.09 250	0.09 254

LL-Strereo2	0.10 52	0.10 241	0.15 194	0.18 183	0.08 48	0.15 179	0.09 3	0.17 75	0.14 60	0.14 127	0.10 39	0.09 39	0.07 33	0.16 201	0.10 51	0.05 2	0.05 109	0.10 271	0.07 163	0.06 102	0.05 52

Selective-RAFT	0.11 83	0.10 241	0.11 72	0.21 294	0.08 48	0.16 203	0.13 43	0.20 126	0.22 176	0.10 42	0.10 39	0.11 77	0.10 90	0.15 169	0.11 88	0.05 2	0.05 109	0.06 32	0.05 32	0.06 102	0.05 52

ssnet_v2	0.17 260	0.10 241	0.17 249	0.17 116	0.11 257	0.21 283	0.21 296	0.33 307	0.25 214	0.22 265	0.22 185	0.27 280	0.18 257	0.22 291	0.20 266	0.11 291	0.09 295	0.09 230	0.09 254	0.08 202	0.08 221

raft_robust	0.13 160	0.10 241	0.07 2	0.18 183	0.08 48	0.13 132	0.24 324	0.28 251	0.33 277	0.20 244	0.19 151	0.14 130	0.10 90	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.07 163	0.05 40	0.04 7

NINENet	0.16 240	0.10 241	0.15 194	0.17 116	0.11 257	0.19 257	0.14 70	0.40 355	0.36 300	0.18 214	0.21 176	0.16 165	0.13 173	0.15 169	0.13 160	0.08 193	0.08 272	0.10 271	0.07 163	0.10 277	0.09 254

test_4	0.10 52	0.10 241	0.08 11	0.19 230	0.09 133	0.08 23	0.22 305	0.15 29	0.17 101	0.12 86	0.18 145	0.12 92	0.09 69	0.08 6	0.11 88	0.04 1	0.04 2	0.08 165	0.08 214	0.04 1	0.03 1

pcwnet_v2	0.19 282	0.10 241	0.26 313	0.17 116	0.14 321	0.18 237	0.15 116	0.37 340	0.46 346	0.19 227	0.24 199	0.21 220	0.19 272	0.20 264	0.19 260	0.13 335	0.10 313	0.10 271	0.10 286	0.11 292	0.13 320

Anonymous	0.14 189	0.10 241	0.24 306	0.22 308	0.13 304	0.18 237	0.22 305	0.20 126	0.19 130	0.14 127	0.12 64	0.11 77	0.13 173	0.16 201	0.13 160	0.08 193	0.07 250	0.08 165	0.08 214	0.12 306	0.10 273

psm_up	0.18 272	0.10 241	0.18 266	0.20 270	0.11 257	0.17 222	0.19 265	0.37 340	0.34 288	0.21 252	0.28 260	0.29 294	0.24 306	0.20 264	0.22 294	0.09 238	0.10 313	0.11 298	0.11 309	0.08 202	0.08 221

DMCA-RVC	0.17 260	0.10 241	0.15 194	0.24 332	0.11 257	0.18 237	0.18 234	0.25 207	0.24 195	0.21 252	0.26 243	0.25 265	0.27 325	0.18 234	0.20 266	0.12 315	0.08 272	0.13 327	0.10 286	0.10 277	0.08 221

SuperB	0.20 291	0.10 241	0.56 375	0.16 69	0.09 133	0.18 237	0.18 234	0.24 194	0.50 355	0.26 304	0.39 329	0.17 184	0.21 285	0.22 291	0.21 285	0.08 193	0.06 192	0.06 32	0.06 88	0.12 306	0.10 273

ADCP+	0.20 291	0.10 241	0.33 340	0.20 270	0.12 287	0.22 291	0.26 343	0.31 281	0.34 288	0.26 304	0.37 316	0.22 237	0.22 294	0.27 320	0.27 339	0.09 238	0.06 192	0.08 165	0.08 214	0.09 250	0.10 273

CFNet	0.15 222	0.10 241	0.17 249	0.17 116	0.08 48	0.18 237	0.09 3	0.28 251	0.25 214	0.19 227	0.24 199	0.24 255	0.17 248	0.17 223	0.14 188	0.08 193	0.06 192	0.09 230	0.10 286	0.07 159	0.06 101

CVANet_RVC	0.18 272	0.10 241	0.14 157	0.21 294	0.10 219	0.18 237	0.17 194	0.34 317	0.33 277	0.22 265	0.31 283	0.28 287	0.18 257	0.23 302	0.17 237	0.12 315	0.08 272	0.12 313	0.11 309	0.09 250	0.07 161

NLCA_NET_v2_RVC	0.17 260	0.10 241	0.22 294	0.20 270	0.10 219	0.15 179	0.18 234	0.31 281	0.25 214	0.21 252	0.30 275	0.25 265	0.17 248	0.21 280	0.20 266	0.09 238	0.06 192	0.08 165	0.08 214	0.07 159	0.08 221
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 240	0.10 241	0.10 46	0.18 183	0.09 133	0.18 237	0.19 265	0.26 219	0.31 265	0.22 265	0.35 307	0.21 220	0.21 285	0.22 291	0.16 225	0.06 57	0.05 109	0.06 32	0.06 88	0.07 159	0.06 101

NVstereo2D	0.19 282	0.10 241	0.15 194	0.17 116	0.15 332	0.28 340	0.23 315	0.44 370	0.42 329	0.15 151	0.27 251	0.25 265	0.19 272	0.22 291	0.17 237	0.09 238	0.06 192	0.10 271	0.08 214	0.15 346	0.09 254

iResNet	0.13 160	0.10 241	0.18 266	0.19 230	0.08 48	0.13 132	0.18 234	0.20 126	0.26 227	0.15 151	0.23 191	0.15 154	0.13 173	0.14 151	0.14 188	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.05 52

MDST_ROB	0.22 309	0.10 241	0.17 249	0.18 183	0.11 257	0.37 367	0.19 265	0.43 368	0.41 323	0.39 357	0.39 329	0.29 294	0.21 285	0.26 317	0.18 251	0.11 291	0.10 313	0.14 337	0.11 309	0.10 277	0.08 221

DLCB_ROB	0.18 272	0.10 241	0.15 194	0.23 327	0.11 257	0.24 309	0.18 234	0.29 261	0.28 245	0.27 310	0.28 260	0.28 287	0.24 306	0.19 245	0.20 266	0.08 193	0.08 272	0.09 230	0.09 254	0.07 159	0.07 161

fast-acv-ft	0.18 272	0.11 261	0.19 275	0.19 230	0.12 287	0.24 309	0.21 296	0.25 207	0.34 288	0.22 265	0.34 304	0.27 280	0.20 281	0.21 280	0.23 304	0.09 238	0.09 295	0.08 165	0.10 286	0.08 202	0.07 161

ToySt	0.17 260	0.11 261	0.18 266	0.17 116	0.11 257	0.16 203	0.25 337	0.24 194	0.33 277	0.19 227	0.24 199	0.26 273	0.24 306	0.19 245	0.20 266	0.07 144	0.08 272	0.09 230	0.10 286	0.09 250	0.08 221

RAFT+CT+SA	0.13 160	0.11 261	0.09 29	0.19 230	0.09 133	0.15 179	0.28 355	0.22 159	0.22 176	0.15 151	0.26 243	0.10 60	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.07 100	0.08 214	0.07 159	0.06 101

hknet	0.15 222	0.11 261	0.13 131	0.22 308	0.11 257	0.14 157	0.15 116	0.34 317	0.25 214	0.17 188	0.22 185	0.22 237	0.18 257	0.17 223	0.12 130	0.07 144	0.06 192	0.10 271	0.09 254	0.07 159	0.07 161

FADNet-RVC-Resample	0.16 240	0.11 261	0.31 335	0.22 308	0.11 257	0.19 257	0.14 70	0.25 207	0.24 195	0.24 286	0.27 251	0.20 213	0.15 209	0.16 201	0.15 211	0.07 144	0.08 272	0.12 313	0.10 286	0.09 250	0.10 273

stereogan	0.22 309	0.11 261	0.21 289	0.20 270	0.12 287	0.31 347	0.19 265	0.35 329	0.44 338	0.22 265	0.39 329	0.35 333	0.27 325	0.33 349	0.22 294	0.10 270	0.12 331	0.10 271	0.10 286	0.14 335	0.13 320

ADCL	0.24 332	0.11 261	0.47 365	0.22 308	0.12 287	0.34 357	0.29 364	0.29 261	0.56 367	0.24 286	0.46 356	0.30 302	0.30 345	0.29 337	0.29 350	0.08 193	0.07 250	0.09 230	0.09 254	0.10 277	0.10 273

AdaStereo	0.15 222	0.11 261	0.15 194	0.18 183	0.09 133	0.20 269	0.11 11	0.32 290	0.28 245	0.20 244	0.23 191	0.20 213	0.13 173	0.19 245	0.14 188	0.12 315	0.05 109	0.10 271	0.07 163	0.09 250	0.07 161
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.
DeepPruner_ROB	0.16 240	0.11 261	0.15 194	0.17 116	0.10 219	0.17 222	0.15 116	0.32 290	0.21 164	0.19 227	0.21 176	0.22 237	0.18 257	0.20 264	0.15 211	0.13 335	0.09 295	0.09 230	0.09 254	0.11 292	0.10 273

DRN-Test	0.19 282	0.11 261	0.20 284	0.22 308	0.10 219	0.22 291	0.22 305	0.39 351	0.37 306	0.24 286	0.32 287	0.26 273	0.21 285	0.22 291	0.24 314	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

StereoDRNet	0.18 272	0.11 261	0.17 249	0.22 308	0.11 257	0.21 283	0.22 305	0.37 340	0.33 277	0.24 286	0.28 260	0.30 302	0.19 272	0.20 264	0.20 266	0.09 238	0.08 272	0.11 298	0.09 254	0.09 250	0.07 161

XPNet_ROB	0.22 309	0.11 261	0.19 275	0.22 308	0.13 304	0.22 291	0.19 265	0.34 317	0.40 320	0.30 330	0.39 329	0.39 351	0.26 317	0.26 317	0.28 347	0.15 349	0.10 313	0.10 271	0.10 286	0.13 323	0.12 307

WCMA_ROB	0.24 332	0.11 261	0.22 294	0.17 116	0.14 321	0.32 348	0.15 116	0.32 290	0.32 271	0.38 355	0.53 366	0.40 354	0.34 357	0.34 352	0.25 323	0.11 291	0.12 331	0.12 313	0.10 286	0.14 335	0.14 337

PSMNet_ROB	0.21 300	0.11 261	0.15 194	0.27 359	0.15 332	0.24 309	0.35 381	0.43 368	0.37 306	0.27 310	0.32 287	0.32 320	0.22 294	0.21 280	0.26 332	0.12 315	0.08 272	0.13 327	0.11 309	0.09 250	0.09 254

StereoVision	0.13 160	0.12 275	0.09 29	0.24 332	0.10 219	0.15 179	0.21 296	0.21 143	0.20 151	0.12 86	0.24 199	0.10 60	0.10 90	0.16 201	0.10 51	0.09 238	0.11 322	0.12 313	0.12 327	0.06 102	0.05 52

CASS	0.13 160	0.12 275	0.11 72	0.23 327	0.09 133	0.15 179	0.17 194	0.18 99	0.19 130	0.17 188	0.18 145	0.15 154	0.15 209	0.14 151	0.14 188	0.09 238	0.06 192	0.10 271	0.08 214	0.09 250	0.07 161
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 189	0.12 275	0.08 11	0.20 270	0.10 219	0.14 157	0.29 364	0.21 143	0.24 195	0.18 214	0.28 260	0.11 77	0.15 209	0.12 103	0.13 160	0.06 57	0.05 109	0.07 100	0.08 214	0.08 202	0.07 161

SACVNet	0.18 272	0.12 275	0.14 157	0.17 116	0.13 304	0.22 291	0.18 234	0.31 281	0.30 259	0.23 278	0.31 283	0.30 302	0.22 294	0.22 291	0.17 237	0.11 291	0.08 272	0.10 271	0.10 286	0.12 306	0.14 337

PSMNet-ADL	0.15 222	0.12 275	0.13 131	0.22 308	0.09 133	0.13 132	0.20 280	0.26 219	0.23 185	0.18 214	0.20 162	0.24 255	0.16 229	0.18 234	0.17 237	0.08 193	0.08 272	0.08 165	0.11 309	0.08 202	0.07 161

GEStereo_RVC	0.17 260	0.12 275	0.15 194	0.22 308	0.11 257	0.19 257	0.17 194	0.32 290	0.48 348	0.20 244	0.25 228	0.17 184	0.13 173	0.21 280	0.16 225	0.10 270	0.06 192	0.08 165	0.07 163	0.09 250	0.08 221

sAnonymous2	0.13 160	0.12 275	0.24 306	0.20 270	0.12 287	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 238	0.05 109	0.08 165	0.06 88	0.15 346	0.10 273

CroCo_RVC	0.13 160	0.12 275	0.24 306	0.20 270	0.12 287	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 238	0.05 109	0.08 165	0.06 88	0.15 346	0.10 273

APVNet	0.22 309	0.12 275	0.19 275	0.18 183	0.14 321	0.32 348	0.31 377	0.39 351	0.32 271	0.27 310	0.40 334	0.30 302	0.29 341	0.26 317	0.25 323	0.11 291	0.12 331	0.11 298	0.14 340	0.12 306	0.12 307

FAT-Stereo	0.20 291	0.12 275	0.22 294	0.21 294	0.12 287	0.17 222	0.18 234	0.34 317	0.39 314	0.27 310	0.37 316	0.34 329	0.32 352	0.21 280	0.20 266	0.09 238	0.11 322	0.10 271	0.09 254	0.11 292	0.14 337

S-Stereo	0.20 291	0.12 275	0.25 312	0.21 294	0.13 304	0.20 269	0.18 234	0.32 290	0.43 334	0.23 278	0.36 310	0.28 287	0.30 345	0.19 245	0.22 294	0.09 238	0.12 331	0.10 271	0.10 286	0.13 323	0.13 320

STTStereo	0.18 272	0.12 275	0.27 319	0.20 270	0.11 257	0.16 203	0.21 296	0.29 261	0.23 185	0.21 252	0.30 275	0.29 294	0.18 257	0.20 264	0.19 260	0.12 315	0.11 322	0.11 298	0.14 340	0.09 250	0.08 221

RTSC	0.23 324	0.12 275	0.28 324	0.21 294	0.13 304	0.28 340	0.16 173	0.35 329	0.66 383	0.27 310	0.33 300	0.30 302	0.21 285	0.31 341	0.29 350	0.10 270	0.08 272	0.09 230	0.10 286	0.13 323	0.13 320

ADCRef	0.19 282	0.12 275	0.41 358	0.20 270	0.12 287	0.22 291	0.18 234	0.32 290	0.36 300	0.26 304	0.32 287	0.17 184	0.23 300	0.24 310	0.24 314	0.07 144	0.06 192	0.09 230	0.09 254	0.08 202	0.08 221

RYNet	0.22 309	0.12 275	0.22 294	0.19 230	0.17 355	0.46 373	0.26 343	0.38 347	0.48 348	0.24 286	0.28 260	0.34 329	0.23 300	0.20 264	0.30 354	0.10 270	0.06 192	0.09 230	0.09 254	0.13 323	0.15 345

GANet	0.21 300	0.12 275	0.21 289	0.24 332	0.13 304	0.22 291	0.22 305	0.41 360	0.26 227	0.31 336	0.42 349	0.37 339	0.28 333	0.23 302	0.22 294	0.10 270	0.12 331	0.10 271	0.09 254	0.10 277	0.08 221

TDLM	0.17 260	0.12 275	0.13 131	0.24 332	0.10 219	0.18 237	0.18 234	0.36 335	0.30 259	0.21 252	0.28 260	0.28 287	0.18 257	0.23 302	0.18 251	0.11 291	0.07 250	0.10 271	0.10 286	0.08 202	0.08 221

SGM-ForestM	0.32 364	0.12 275	0.16 224	0.16 69	0.11 257	0.39 370	0.19 265	0.41 360	0.50 355	0.52 377	0.54 368	1.32 407	0.42 376	0.40 375	0.27 339	0.14 346	0.16 360	0.16 351	0.16 352	0.12 306	0.12 307

StereoDRNet-Refined	0.17 260	0.12 275	0.15 194	0.20 270	0.09 133	0.18 237	0.18 234	0.26 219	0.23 185	0.26 304	0.40 334	0.22 237	0.17 248	0.21 280	0.20 266	0.08 193	0.05 109	0.09 230	0.10 286	0.07 159	0.07 161
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 282	0.12 275	0.18 266	0.16 69	0.12 287	0.15 179	0.12 21	0.30 275	0.32 271	0.20 244	0.22 185	0.27 280	0.23 300	0.21 280	0.16 225	0.16 360	0.18 367	0.23 371	0.21 367	0.12 306	0.13 320

SGM_RVC	0.23 324	0.12 275	0.15 194	0.15 38	0.09 133	0.33 354	0.18 234	0.34 317	0.31 265	0.44 371	0.37 316	0.53 377	0.35 359	0.35 358	0.24 314	0.13 335	0.13 344	0.13 327	0.13 336	0.10 277	0.11 296
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 240	0.13 296	0.24 306	0.20 270	0.10 219	0.17 222	0.13 43	0.29 261	0.25 214	0.23 278	0.32 287	0.25 265	0.11 112	0.19 245	0.14 188	0.09 238	0.06 192	0.11 298	0.06 88	0.12 306	0.08 221

HBP-ISP	0.18 272	0.13 296	0.16 224	0.15 38	0.11 257	0.08 23	0.13 43	0.28 251	0.29 252	0.22 265	0.33 300	0.21 220	0.25 314	0.23 302	0.17 237	0.14 346	0.16 360	0.21 366	0.17 359	0.10 277	0.08 221

Wz-Net-MNSev	0.22 309	0.13 296	0.31 335	0.20 270	0.14 321	0.36 366	0.24 324	0.33 307	0.44 338	0.28 321	0.40 334	0.38 343	0.19 272	0.24 310	0.25 323	0.09 238	0.07 250	0.09 230	0.09 254	0.12 306	0.10 273

UDGNet	0.14 189	0.13 296	0.16 224	0.17 116	0.10 219	0.12 106	0.16 173	0.21 143	0.27 234	0.20 244	0.20 162	0.16 165	0.13 173	0.16 201	0.13 160	0.10 270	0.06 192	0.09 230	0.07 163	0.06 102	0.07 161

Anonymous3	0.16 240	0.13 296	0.33 340	0.26 348	0.14 321	0.27 334	0.17 194	0.28 251	0.28 245	0.15 151	0.17 123	0.14 130	0.10 90	0.15 169	0.12 130	0.08 193	0.08 272	0.08 165	0.08 214	0.08 202	0.11 296

GwcNet	0.20 291	0.13 296	0.19 275	0.18 183	0.12 287	0.24 309	0.19 265	0.35 329	0.43 334	0.20 244	0.32 287	0.33 323	0.20 281	0.22 291	0.24 314	0.11 291	0.09 295	0.09 230	0.09 254	0.09 250	0.10 273

RP	0.21 300	0.13 296	0.21 289	0.23 327	0.11 257	0.21 283	0.20 280	0.25 207	0.44 338	0.21 252	0.38 321	0.36 335	0.24 306	0.27 320	0.25 323	0.11 291	0.12 331	0.13 327	0.12 327	0.12 306	0.14 337

edge stereo	0.22 309	0.13 296	0.20 284	0.21 294	0.13 304	0.23 304	0.16 173	0.32 290	0.42 329	0.32 342	0.40 334	0.38 343	0.35 359	0.25 315	0.24 314	0.13 335	0.11 322	0.14 337	0.11 309	0.12 306	0.13 320

CBMV_ROB	0.19 282	0.13 296	0.17 249	0.16 69	0.11 257	0.15 179	0.13 43	0.26 219	0.28 245	0.27 310	0.30 275	0.27 280	0.24 306	0.23 302	0.16 225	0.15 349	0.17 365	0.22 370	0.20 365	0.10 277	0.11 296

DN-CSS_ROB	0.13 160	0.13 296	0.16 224	0.18 183	0.10 219	0.16 203	0.08 2	0.22 159	0.18 118	0.17 188	0.22 185	0.13 115	0.13 173	0.12 103	0.13 160	0.05 2	0.05 109	0.10 271	0.10 286	0.08 202	0.06 101

PWCDC_ROB	0.20 291	0.13 296	0.22 294	0.24 332	0.11 257	0.19 257	0.15 116	0.33 307	0.54 364	0.29 327	0.50 364	0.21 220	0.15 209	0.27 320	0.20 266	0.11 291	0.09 295	0.10 271	0.08 214	0.11 292	0.09 254

MeshStereo	0.27 349	0.13 296	0.18 266	0.15 38	0.11 257	0.32 348	0.24 324	0.40 355	0.36 300	0.52 377	0.57 375	0.67 388	0.40 369	0.35 358	0.26 332	0.14 346	0.13 344	0.13 327	0.11 309	0.11 292	0.10 273
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
TestStereo	0.13 160	0.14 308	0.11 72	0.23 327	0.08 48	0.15 179	0.21 296	0.20 126	0.23 185	0.14 127	0.24 199	0.16 165	0.12 141	0.16 201	0.14 188	0.05 2	0.06 192	0.08 165	0.06 88	0.09 250	0.05 52

GMStereo	0.13 160	0.14 308	0.14 157	0.18 183	0.09 133	0.15 179	0.16 173	0.20 126	0.24 195	0.16 176	0.17 123	0.10 60	0.10 90	0.16 201	0.13 160	0.07 144	0.06 192	0.06 32	0.06 88	0.07 159	0.06 101
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
FADNet_RVC	0.16 240	0.14 308	0.40 356	0.20 270	0.11 257	0.13 132	0.13 43	0.26 219	0.22 176	0.21 252	0.23 191	0.20 213	0.17 248	0.14 151	0.16 225	0.08 193	0.08 272	0.12 313	0.09 254	0.11 292	0.10 273

SANet	0.24 332	0.14 308	0.28 324	0.21 294	0.11 257	0.27 334	0.24 324	0.38 347	0.64 380	0.36 350	0.40 334	0.43 360	0.26 317	0.27 320	0.24 314	0.12 315	0.09 295	0.10 271	0.09 254	0.13 323	0.11 296

SGM-Forest	0.20 291	0.14 308	0.18 266	0.19 230	0.13 304	0.20 269	0.22 305	0.33 307	0.30 259	0.24 286	0.29 271	0.28 287	0.19 272	0.23 302	0.17 237	0.15 349	0.16 360	0.15 345	0.14 340	0.12 306	0.12 307
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.19 282	0.14 308	0.17 249	0.18 183	0.10 219	0.20 269	0.11 11	0.29 261	0.30 259	0.29 327	0.30 275	0.30 302	0.23 300	0.27 320	0.19 260	0.13 335	0.15 357	0.17 353	0.16 352	0.10 277	0.10 273
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
psmorigin	0.25 341	0.15 314	0.34 348	0.17 116	0.13 304	0.23 304	0.14 70	0.34 317	0.33 277	0.41 364	0.55 369	0.41 356	0.37 363	0.34 352	0.27 339	0.11 291	0.15 357	0.11 298	0.11 309	0.12 306	0.16 356

NCC-stereo	0.24 332	0.15 314	0.31 335	0.26 348	0.16 342	0.20 269	0.30 371	0.40 355	0.40 320	0.24 286	0.38 321	0.33 323	0.28 333	0.36 363	0.27 339	0.12 315	0.11 322	0.15 345	0.22 370	0.13 323	0.13 320

Abc-Net	0.24 332	0.15 314	0.31 335	0.26 348	0.16 342	0.20 269	0.30 371	0.40 355	0.40 320	0.24 286	0.38 321	0.33 323	0.28 333	0.36 363	0.27 339	0.12 315	0.11 322	0.15 345	0.22 370	0.13 323	0.13 320
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 347	0.15 314	0.30 333	0.24 332	0.18 362	0.22 291	0.15 116	0.38 347	0.71 387	0.32 342	0.41 344	0.36 335	0.28 333	0.32 347	0.29 350	0.12 315	0.11 322	0.14 337	0.13 336	0.16 353	0.20 371

ADCMid	0.25 341	0.15 314	0.40 356	0.20 270	0.14 321	0.25 319	0.26 343	0.34 317	0.38 311	0.36 350	0.44 354	0.34 329	0.40 369	0.35 358	0.33 365	0.10 270	0.09 295	0.11 298	0.11 309	0.13 323	0.12 307

DANet	0.21 300	0.15 314	0.28 324	0.25 343	0.13 304	0.22 291	0.19 265	0.27 237	0.27 234	0.28 321	0.32 287	0.35 333	0.31 349	0.31 341	0.23 304	0.11 291	0.09 295	0.11 298	0.10 286	0.13 323	0.11 296
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NCCL2	0.23 324	0.15 314	0.17 249	0.34 376	0.18 362	0.24 309	0.23 315	0.34 317	0.28 245	0.31 336	0.38 321	0.38 343	0.28 333	0.23 302	0.24 314	0.15 349	0.12 331	0.18 361	0.21 367	0.13 323	0.13 320

Wz-Net-LNSev	0.22 309	0.16 321	0.38 353	0.21 294	0.13 304	0.25 319	0.23 315	0.32 290	0.43 334	0.30 330	0.41 344	0.31 312	0.18 257	0.22 291	0.25 323	0.10 270	0.09 295	0.08 165	0.08 214	0.12 306	0.11 296

dd	0.15 222	0.16 321	0.16 224	0.19 230	0.09 133	0.15 179	0.18 234	0.21 143	0.25 214	0.23 278	0.20 162	0.21 220	0.09 69	0.21 280	0.16 225	0.10 270	0.06 192	0.08 165	0.06 88	0.08 202	0.06 101

Syn2CoEx	0.21 300	0.16 321	0.27 319	0.29 369	0.14 321	0.26 327	0.20 280	0.33 307	0.31 265	0.28 321	0.36 310	0.27 280	0.25 314	0.19 245	0.24 314	0.16 360	0.12 331	0.14 337	0.11 309	0.09 250	0.08 221

G-Net	0.24 332	0.16 321	0.36 349	0.22 308	0.16 342	0.51 379	0.23 315	0.29 261	0.34 288	0.36 350	0.38 321	0.31 312	0.29 341	0.27 320	0.26 332	0.11 291	0.09 295	0.12 313	0.09 254	0.16 353	0.13 320

Nwc_Net	0.23 324	0.16 321	0.21 289	0.25 343	0.14 321	0.24 309	0.26 343	0.37 340	0.38 311	0.22 265	0.41 344	0.30 302	0.28 333	0.28 331	0.25 323	0.11 291	0.10 313	0.17 353	0.20 365	0.10 277	0.10 273

AnyNet_C32	0.26 347	0.16 321	0.36 349	0.20 270	0.16 342	0.25 319	0.30 371	0.32 290	0.44 338	0.31 336	0.49 360	0.30 302	0.33 353	0.40 375	0.33 365	0.12 315	0.12 331	0.12 313	0.14 340	0.14 335	0.15 345

ADCPNet	0.25 341	0.16 321	0.61 379	0.21 294	0.15 332	0.35 365	0.25 337	0.32 290	0.35 296	0.30 330	0.40 334	0.36 335	0.28 333	0.28 331	0.32 362	0.12 315	0.10 313	0.11 298	0.12 327	0.14 335	0.13 320

DPSNet	0.28 352	0.16 321	0.31 335	0.18 183	0.13 304	0.54 381	0.42 390	0.51 382	0.67 384	0.29 327	0.38 321	0.38 343	0.29 341	0.31 341	0.23 304	0.11 291	0.10 313	0.11 298	0.08 214	0.20 367	0.16 356

PDISCO_ROB	0.27 349	0.16 321	0.26 313	0.28 362	0.20 367	0.32 348	0.26 343	0.44 370	0.57 369	0.28 321	0.40 334	0.45 364	0.29 341	0.33 349	0.34 367	0.12 315	0.09 295	0.17 353	0.16 352	0.17 360	0.13 320

LALA_ROB	0.25 341	0.16 321	0.22 294	0.26 348	0.17 355	0.27 334	0.27 350	0.42 365	0.37 306	0.33 346	0.38 321	0.51 374	0.26 317	0.28 331	0.27 339	0.16 360	0.09 295	0.12 313	0.11 309	0.13 323	0.12 307

PWC_ROB	0.21 300	0.16 321	0.26 313	0.18 183	0.11 257	0.22 291	0.13 43	0.32 290	0.49 353	0.30 330	0.40 334	0.32 320	0.24 306	0.31 341	0.22 294	0.10 270	0.07 250	0.11 298	0.08 214	0.11 292	0.10 273

Anonymous_2	0.22 309	0.17 332	0.28 324	0.15 38	0.16 342	0.32 348	0.22 305	0.22 159	0.17 101	0.23 278	0.24 199	0.26 273	0.27 325	0.27 320	0.23 304	0.22 377	0.25 384	0.17 353	0.17 359	0.17 360	0.17 363

Wz-Net-SNSev	0.25 341	0.17 332	0.44 360	0.25 343	0.14 321	0.26 327	0.23 315	0.38 347	0.56 367	0.30 330	0.55 369	0.39 351	0.26 317	0.23 302	0.30 354	0.10 270	0.09 295	0.09 230	0.10 286	0.11 292	0.11 296

WZ-Net	0.28 352	0.17 332	0.78 396	0.22 308	0.16 342	0.34 357	0.29 364	0.39 351	0.57 369	0.24 286	0.55 369	0.37 339	0.24 306	0.33 349	0.35 368	0.09 238	0.08 272	0.09 230	0.10 286	0.14 335	0.16 356

DDUNet	0.22 309	0.17 332	0.21 289	0.22 308	0.15 332	0.25 319	0.24 324	0.29 261	0.30 259	0.31 336	0.36 310	0.33 323	0.25 314	0.24 310	0.20 266	0.18 365	0.13 344	0.17 353	0.11 309	0.16 353	0.16 356

UDG	0.21 300	0.17 332	0.19 275	0.23 327	0.15 332	0.30 346	0.20 280	0.33 307	0.35 296	0.23 278	0.28 260	0.31 312	0.27 325	0.20 264	0.22 294	0.15 349	0.12 331	0.13 327	0.09 254	0.14 335	0.14 337

aanetorigin	0.22 309	0.17 332	0.56 375	0.17 116	0.10 219	0.15 179	0.19 265	0.20 126	0.33 277	0.49 375	0.48 359	0.29 294	0.27 325	0.20 264	0.23 304	0.08 193	0.07 250	0.08 165	0.07 163	0.10 277	0.09 254

AF-Net	0.22 309	0.17 332	0.17 249	0.26 348	0.13 304	0.25 319	0.24 324	0.32 290	0.50 355	0.25 299	0.33 300	0.38 343	0.26 317	0.28 331	0.25 323	0.11 291	0.10 313	0.16 351	0.11 309	0.11 292	0.10 273

DeepPrunerF	0.24 332	0.17 332	0.42 359	0.26 348	0.16 342	0.22 291	0.28 355	0.37 340	0.50 355	0.26 304	0.29 271	0.24 255	0.28 333	0.21 280	0.22 294	0.15 349	0.11 322	0.20 365	0.18 363	0.12 306	0.13 320

FBW_ROB	0.24 332	0.17 332	0.22 294	0.26 348	0.14 321	0.25 319	0.22 305	0.41 360	0.41 323	0.41 364	0.41 344	0.42 357	0.27 325	0.31 341	0.23 304	0.09 238	0.14 351	0.14 337	0.12 327	0.11 292	0.09 254

ETE_ROB	0.23 324	0.17 332	0.22 294	0.25 343	0.13 304	0.26 327	0.29 364	0.31 281	0.36 300	0.28 321	0.36 310	0.45 364	0.26 317	0.27 320	0.26 332	0.11 291	0.08 272	0.12 313	0.09 254	0.14 335	0.13 320

FINET	0.21 300	0.18 342	0.26 313	0.18 183	0.16 342	0.23 304	0.23 315	0.32 290	0.48 348	0.25 299	0.32 287	0.22 237	0.22 294	0.22 291	0.17 237	0.18 365	0.16 360	0.11 298	0.10 286	0.15 346	0.13 320

ADCS	0.29 356	0.18 342	0.45 361	0.21 294	0.17 355	0.28 340	0.23 315	0.41 360	0.63 379	0.40 360	0.49 360	0.40 354	0.36 361	0.39 371	0.40 379	0.13 335	0.12 331	0.13 327	0.14 340	0.16 353	0.16 356

PA-Net	0.23 324	0.18 342	0.33 340	0.28 362	0.22 371	0.21 283	0.38 386	0.29 261	0.39 314	0.22 265	0.32 287	0.25 265	0.26 317	0.20 264	0.25 323	0.09 238	0.23 382	0.15 345	0.22 370	0.09 250	0.13 320
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.24 332	0.19 345	0.33 340	0.21 294	0.24 374	0.24 309	0.20 280	0.35 329	0.41 323	0.24 286	0.32 287	0.38 343	0.21 285	0.29 337	0.23 304	0.12 315	0.11 322	0.14 337	0.16 352	0.23 371	0.23 376

RTS	0.45 381	0.19 345	3.26 414	0.24 332	0.15 332	0.74 396	0.20 280	0.36 335	0.76 393	0.42 367	0.43 352	0.31 312	0.41 373	0.53 387	0.35 368	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 345

RTSA	0.45 381	0.19 345	3.26 414	0.24 332	0.15 332	0.74 396	0.20 280	0.36 335	0.76 393	0.42 367	0.43 352	0.31 312	0.41 373	0.53 387	0.35 368	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 345

Anonymous Stereo	0.23 324	0.19 345	0.50 367	0.24 332	0.17 355	0.21 283	0.21 296	0.33 307	0.44 338	0.25 299	0.34 304	0.26 273	0.18 257	0.31 341	0.27 339	0.13 335	0.12 331	0.12 313	0.13 336	0.11 292	0.14 337

NaN_ROB	0.22 309	0.19 345	0.24 306	0.25 343	0.13 304	0.29 343	0.26 343	0.33 307	0.41 323	0.31 336	0.31 283	0.32 320	0.23 300	0.30 340	0.21 285	0.11 291	0.17 365	0.10 271	0.10 286	0.08 202	0.09 254

Wz-Net-TNSev	0.29 356	0.20 350	0.65 382	0.19 230	0.15 332	0.38 369	0.27 350	0.35 329	0.55 365	0.34 347	0.42 349	0.45 364	0.38 364	0.32 347	0.30 354	0.12 315	0.13 344	0.10 271	0.12 327	0.15 346	0.14 337

dad	0.17 260	0.20 350	0.20 284	0.16 69	0.11 257	0.20 269	0.18 234	0.21 143	0.28 245	0.30 330	0.24 199	0.29 294	0.13 173	0.19 245	0.16 225	0.18 365	0.09 295	0.11 298	0.09 254	0.11 292	0.07 161

FADNet-RVC	0.20 291	0.20 350	0.38 353	0.21 294	0.16 342	0.20 269	0.15 116	0.26 219	0.26 227	0.26 304	0.32 287	0.26 273	0.21 285	0.22 291	0.19 260	0.12 315	0.13 344	0.12 313	0.14 340	0.13 323	0.18 365

RGC	0.25 341	0.20 350	0.29 330	0.28 362	0.16 342	0.22 291	0.23 315	0.32 290	0.44 338	0.27 310	0.40 334	0.38 343	0.27 325	0.36 363	0.22 294	0.11 291	0.13 344	0.17 353	0.17 359	0.14 335	0.16 356

PVD	0.39 371	0.20 350	0.39 355	0.31 375	0.22 371	0.29 343	0.43 392	0.52 383	0.96 400	0.55 380	0.79 393	0.53 377	0.59 390	0.52 385	0.38 375	0.19 369	0.14 351	0.17 353	0.14 340	0.24 377	0.31 388

LSM	0.33 367	0.20 350	0.58 377	0.26 348	0.60 402	0.34 357	0.25 337	0.42 365	0.48 348	0.45 372	0.58 377	0.42 357	0.36 361	0.35 358	0.25 323	0.12 315	0.20 373	0.14 337	0.16 352	0.19 366	0.33 390

MFN_U_SF_RVC	0.32 364	0.21 356	0.55 373	0.30 371	0.15 332	0.34 357	0.17 194	0.52 383	0.46 346	0.46 374	0.55 369	0.59 380	0.39 366	0.35 358	0.37 373	0.15 349	0.14 351	0.18 361	0.21 367	0.16 353	0.15 345

MaskLacGwcNet_RVC	0.22 309	0.21 356	0.24 306	0.26 348	0.11 257	0.23 304	0.14 70	0.39 351	0.24 195	0.32 342	0.36 310	0.30 302	0.21 285	0.19 245	0.21 285	0.17 364	0.14 351	0.21 366	0.16 352	0.12 306	0.12 307

PS-NSSS	0.20 291	0.21 356	0.23 303	0.20 270	0.10 219	0.19 257	0.17 194	0.36 335	0.25 214	0.27 310	0.33 300	0.27 280	0.24 306	0.20 264	0.20 266	0.15 349	0.12 331	0.17 353	0.14 340	0.10 277	0.08 221

DispFullNet	0.27 349	0.21 356	0.65 382	0.28 362	0.16 342	0.26 327	0.17 194	0.33 307	0.58 372	0.27 310	0.38 321	0.43 360	0.23 300	0.38 368	0.23 304	0.12 315	0.06 192	0.19 363	0.11 309	0.21 368	0.15 345

FADNet	0.21 300	0.22 360	0.36 349	0.18 183	0.17 355	0.24 309	0.13 43	0.31 281	0.31 265	0.23 278	0.25 228	0.27 280	0.21 285	0.19 245	0.15 211	0.13 335	0.15 357	0.12 313	0.15 350	0.16 353	0.18 365

SQANet	0.23 324	0.23 361	0.30 333	0.30 371	0.19 364	0.27 334	0.13 43	0.29 261	0.33 277	0.24 286	0.37 316	0.31 312	0.22 294	0.27 320	0.23 304	0.15 349	0.10 313	0.21 366	0.16 352	0.21 368	0.15 345

GASNet	0.22 309	0.23 361	0.33 340	0.26 348	0.17 355	0.26 327	0.16 173	0.44 370	0.42 329	0.27 310	0.24 199	0.30 302	0.15 209	0.27 320	0.18 251	0.12 315	0.08 272	0.12 313	0.11 309	0.16 353	0.07 161

XQC	0.28 352	0.23 361	0.51 368	0.28 362	0.19 364	0.34 357	0.27 350	0.36 335	0.57 369	0.31 336	0.30 275	0.37 339	0.30 345	0.38 368	0.38 375	0.13 335	0.09 295	0.15 345	0.12 327	0.17 360	0.18 365

HCRNet	0.16 240	0.24 364	0.12 92	0.35 378	0.11 257	0.15 179	0.17 194	0.26 219	0.22 176	0.19 227	0.24 199	0.21 220	0.14 196	0.15 169	0.13 160	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

EDNetEfficient	0.29 356	0.24 364	1.13 405	0.18 183	0.10 219	0.19 257	0.20 280	0.20 126	0.60 376	0.74 394	0.56 374	0.31 312	0.39 366	0.22 291	0.30 354	0.09 238	0.07 250	0.08 165	0.07 163	0.11 292	0.09 254

MFN_U_SF_DS_RVC	0.30 361	0.24 364	0.29 330	0.36 380	0.16 342	0.34 357	0.30 371	0.32 290	0.42 329	0.40 360	0.46 356	0.38 343	0.31 349	0.34 352	0.28 347	0.19 369	0.20 373	0.26 373	0.29 382	0.18 363	0.19 370

PASM	0.32 364	0.24 364	0.48 366	0.28 362	0.27 380	0.29 343	0.30 371	0.34 317	0.49 353	0.35 348	0.39 329	0.46 368	0.34 357	0.34 352	0.35 368	0.23 381	0.25 384	0.26 373	0.28 381	0.23 371	0.21 373

CSAN	0.29 356	0.24 364	0.27 319	0.34 376	0.19 364	0.33 354	0.42 390	0.37 340	0.50 355	0.38 355	0.40 334	0.44 362	0.33 353	0.28 331	0.30 354	0.20 371	0.16 360	0.19 363	0.19 364	0.14 335	0.15 345

AnyNet_C01	0.36 370	0.25 369	1.37 408	0.22 308	0.17 355	0.48 377	0.27 350	0.35 329	0.39 314	0.39 357	0.74 389	0.46 368	0.38 364	0.45 379	0.47 388	0.13 335	0.13 344	0.13 327	0.14 340	0.14 335	0.15 345

MSMD_ROB	0.31 362	0.26 370	0.26 313	0.24 332	0.21 369	0.34 357	0.25 337	0.34 317	0.39 314	0.40 360	0.69 383	0.45 364	0.40 369	0.34 352	0.27 339	0.20 371	0.19 370	0.26 373	0.25 376	0.23 371	0.22 375

BEATNet-Init1	0.52 386	0.27 371	0.62 380	0.30 371	0.21 369	0.76 400	0.29 364	0.54 386	0.65 382	0.86 399	0.95 400	2.07 416	0.62 393	0.56 391	0.42 383	0.18 365	0.18 367	0.23 371	0.22 370	0.22 370	0.21 373

MANE	0.45 381	0.27 371	0.27 319	0.27 359	0.24 374	0.47 375	0.31 377	0.55 387	0.59 373	0.72 390	1.13 409	1.15 401	0.61 391	0.52 385	0.37 373	0.21 374	0.20 373	0.27 376	0.31 386	0.25 378	0.24 377

FC-DCNN	0.33 367	0.27 371	0.28 324	0.26 348	0.23 373	0.37 367	0.28 355	0.40 355	0.43 334	0.45 372	0.55 369	0.51 374	0.40 369	0.37 367	0.30 354	0.21 374	0.20 373	0.27 376	0.26 377	0.25 378	0.24 377

ccnet	0.29 356	0.28 374	0.23 303	0.20 270	0.28 381	0.41 372	0.21 296	0.45 373	0.33 277	0.36 350	0.46 356	0.36 335	0.30 345	0.39 371	0.42 383	0.23 381	0.14 351	0.21 366	0.17 359	0.23 371	0.18 365

FCDSN-DC	0.33 367	0.28 374	0.28 324	0.30 371	0.24 374	0.39 370	0.28 355	0.42 365	0.42 329	0.43 370	0.53 366	0.51 374	0.41 373	0.36 363	0.30 354	0.21 374	0.20 373	0.27 376	0.26 377	0.25 378	0.24 377
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SAMSARA	0.40 374	0.28 374	0.33 340	0.55 393	0.39 387	0.82 403	1.23 417	0.47 376	0.51 362	0.36 350	0.35 307	0.55 379	0.39 366	0.38 368	0.39 377	0.15 349	0.20 373	0.15 345	0.14 340	0.23 371	0.20 371

ELAS_RVC	0.41 376	0.29 377	0.33 340	0.28 362	0.24 374	0.54 381	0.36 382	0.49 379	0.59 373	0.72 390	0.74 389	0.65 386	0.54 384	0.54 389	0.40 379	0.22 377	0.20 373	0.27 376	0.26 377	0.26 381	0.25 381
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 376	0.29 377	0.33 340	0.27 359	0.24 374	0.60 386	0.36 382	0.50 381	0.50 355	0.71 388	0.79 393	0.67 388	0.54 384	0.51 383	0.42 383	0.22 377	0.20 373	0.27 376	0.26 377	0.26 381	0.25 381
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 421	0.31 379	153.02 440	0.19 230	0.09 133	0.21 283	0.16 173	0.22 159	0.59 373	0.72 390	0.67 381	0.42 357	0.50 383	0.24 310	0.39 377	0.08 193	0.07 250	0.08 165	0.07 163	0.12 306	0.10 273

CC-Net-ROB	0.28 352	0.31 379	0.36 349	0.29 369	0.15 332	0.25 319	0.19 265	0.45 373	0.33 277	0.39 357	0.37 316	0.39 351	0.31 349	0.27 320	0.26 332	0.24 383	0.19 370	0.30 384	0.23 374	0.18 363	0.15 345

coex-ft	3.30 416	0.34 381	59.09 439	0.18 183	0.13 304	0.26 327	0.22 305	0.27 237	0.72 388	1.90 417	0.70 385	0.44 362	0.45 379	0.29 337	0.41 382	0.09 238	0.09 295	0.12 313	0.09 254	0.14 335	0.13 320

GANetREF_RVC	0.31 362	0.34 381	0.27 319	0.35 378	0.16 342	0.32 348	0.41 387	0.48 377	0.51 362	0.35 348	0.35 307	0.34 329	0.33 353	0.39 371	0.32 362	0.27 385	0.20 373	0.29 382	0.15 350	0.18 363	0.17 363
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
NVStereoNet_ROB	0.46 384	0.36 383	0.46 364	0.41 384	0.28 381	0.34 357	0.34 380	0.48 377	0.60 376	0.72 390	0.93 398	0.70 391	0.66 394	0.47 380	0.60 397	0.22 377	0.33 389	0.34 386	0.34 389	0.30 384	0.30 387
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 371	0.37 384	0.52 369	0.44 386	0.28 381	0.58 383	0.24 324	0.41 360	0.62 378	0.40 360	0.49 360	0.46 368	0.33 353	0.40 375	0.32 362	0.30 386	0.30 388	0.39 388	0.33 387	0.29 383	0.28 384

MSC_U_SF_DS_RVC	0.43 378	0.39 385	0.54 371	0.40 382	0.20 367	0.64 388	0.32 379	0.53 385	0.72 388	0.71 388	0.72 386	0.61 382	0.54 384	0.51 383	0.46 387	0.20 371	0.19 370	0.29 382	0.30 384	0.23 371	0.18 365

Ntro	0.40 374	0.40 386	0.53 370	0.46 390	0.30 385	0.65 389	0.24 324	0.46 375	0.68 385	0.41 364	0.49 360	0.48 372	0.42 376	0.39 371	0.31 361	0.32 387	0.28 386	0.37 387	0.30 384	0.32 388	0.29 385

Consistency-Raft	0.44 379	0.40 386	0.45 361	0.37 381	0.43 390	0.46 373	0.41 387	0.57 390	0.55 365	0.32 342	0.73 387	0.33 323	0.48 381	0.42 378	0.49 390	0.39 390	0.35 390	0.45 390	0.51 398	0.42 390	0.29 385

JetBlue	0.71 395	0.45 388	1.14 406	0.51 391	0.47 392	2.02 417	0.64 404	0.75 396	0.70 386	0.69 387	0.77 392	1.22 403	0.83 401	1.03 413	1.01 413	0.40 391	0.28 386	0.33 385	0.33 387	0.30 384	0.34 391

ACVNet_1	0.44 379	0.49 389	0.60 378	0.45 387	0.28 381	0.49 378	0.27 350	0.57 390	0.72 388	0.62 383	0.58 377	0.74 392	0.49 382	0.50 382	0.35 368	0.26 384	0.24 383	0.39 388	0.29 382	0.31 387	0.24 377

ACVNet-4b	0.39 371	0.53 390	0.55 373	0.45 387	0.24 374	0.47 375	0.18 234	0.49 379	0.64 380	0.42 367	0.45 355	0.60 381	0.27 325	0.34 352	0.24 314	0.33 388	0.14 351	0.48 391	0.42 391	0.30 384	0.26 383

SGM+DAISY	0.56 389	0.57 391	0.65 382	0.40 382	0.54 395	0.66 391	0.49 394	0.56 388	0.45 345	0.66 384	0.69 383	0.67 388	0.56 388	0.63 394	0.56 395	0.59 402	0.48 398	0.50 392	0.50 397	0.52 393	0.58 400

anonymity	0.53 387	0.58 392	0.65 382	0.41 384	0.61 403	0.53 380	0.41 387	0.56 388	0.41 323	0.55 380	0.50 364	0.49 373	0.55 387	0.58 392	0.50 393	0.58 401	0.50 402	0.51 393	0.51 398	0.51 392	0.57 399

SPS-STEREO	0.57 390	0.58 392	0.65 382	0.45 387	0.55 397	0.62 387	0.44 393	0.62 393	0.50 355	0.68 386	0.64 379	0.66 387	0.57 389	0.61 393	0.60 397	0.62 404	0.47 397	0.51 393	0.49 395	0.55 397	0.58 400
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH-64-1	0.65 392	0.61 394	0.68 390	0.71 397	0.51 393	0.59 384	0.49 394	0.91 401	0.85 395	0.74 394	1.02 402	0.81 393	0.78 399	0.79 398	0.49 390	0.42 392	0.46 393	0.71 399	0.47 393	0.52 393	0.39 393

IMH-64	0.65 392	0.61 394	0.68 390	0.71 397	0.51 393	0.59 384	0.49 394	0.91 401	0.85 395	0.74 394	1.02 402	0.81 393	0.78 399	0.79 398	0.49 390	0.42 392	0.46 393	0.71 399	0.47 393	0.52 393	0.39 393

RainbowNet	0.54 388	0.61 394	0.70 394	0.57 394	0.43 390	0.65 389	0.37 385	0.60 392	0.87 397	0.50 376	0.66 380	0.64 384	0.47 380	0.49 381	0.43 386	0.47 396	0.48 398	0.52 395	0.41 390	0.52 393	0.40 395

IMH	0.71 395	0.64 397	0.68 390	0.76 399	0.54 395	0.69 392	0.54 398	0.98 407	1.10 402	0.82 398	1.09 405	0.89 395	0.88 404	0.87 406	0.52 394	0.44 395	0.50 402	0.75 402	0.51 398	0.56 398	0.41 396

ACVNet_2	0.66 394	0.66 398	0.68 390	0.63 395	0.41 388	0.71 394	0.49 394	0.96 405	1.39 409	0.89 400	1.09 405	1.04 397	0.73 397	0.54 389	0.47 388	0.43 394	0.40 392	0.53 396	0.44 392	0.47 391	0.35 392

MFMNet_re	0.64 391	0.66 398	0.65 382	0.51 391	0.69 407	0.69 392	0.57 400	0.64 394	0.73 391	0.60 382	0.73 387	0.62 383	0.67 395	0.65 395	0.60 397	0.66 405	0.58 411	0.63 397	0.59 401	0.68 403	0.69 409

MADNet+	0.75 398	0.71 400	3.70 417	0.66 396	0.41 388	0.98 408	0.97 415	0.69 395	0.73 391	0.52 377	0.57 375	0.64 384	0.68 396	0.86 405	1.01 413	0.34 389	0.36 391	0.28 381	0.23 374	0.36 389	0.31 388

TorneroNet-64	0.76 399	0.72 401	0.74 395	0.78 401	0.58 401	0.91 407	0.56 399	0.84 399	1.29 406	0.66 384	0.90 396	1.40 409	0.75 398	0.85 404	0.67 403	0.49 397	0.46 393	0.72 401	0.59 401	0.67 402	0.53 398

TorneroNet	0.82 402	0.74 402	0.81 400	0.84 404	0.63 404	0.99 409	0.63 402	0.96 405	1.16 403	0.80 397	1.11 407	1.36 408	0.86 403	0.93 409	0.80 408	0.56 399	0.49 400	0.78 406	0.66 405	0.73 408	0.63 408

WAO-7	0.79 400	0.78 403	0.54 371	0.85 405	0.67 406	0.74 396	0.68 408	1.05 410	1.32 407	0.90 401	1.20 412	1.04 397	0.92 405	0.69 396	0.66 400	0.60 403	0.62 412	0.67 398	0.68 406	0.64 399	0.58 400

WAO-6	0.81 401	0.80 404	0.62 380	0.86 406	0.63 404	0.76 400	0.58 401	0.98 407	1.54 414	0.90 401	0.96 401	1.07 399	1.03 409	0.70 397	0.66 400	0.72 406	0.49 400	0.90 409	0.71 407	0.68 403	0.58 400

WAO-8	0.91 405	0.81 405	0.65 382	0.94 409	0.69 407	0.90 404	0.67 406	1.07 412	1.83 417	1.06 408	1.45 415	1.30 404	1.07 410	0.84 402	0.78 406	0.74 408	0.53 405	0.86 407	0.75 408	0.69 405	0.62 406

Venus	0.91 405	0.81 405	0.65 382	0.94 409	0.69 407	0.90 404	0.67 406	1.07 412	1.83 417	1.06 408	1.45 415	1.30 404	1.07 410	0.84 402	0.78 406	0.74 408	0.53 405	0.86 407	0.75 408	0.69 405	0.62 406

LVE	0.83 403	0.85 407	0.85 401	0.80 402	0.56 398	1.04 413	0.65 405	1.05 410	1.47 412	0.96 403	1.22 413	1.10 400	0.85 402	0.83 401	0.71 405	0.49 397	0.55 408	0.76 404	0.60 403	0.65 400	0.59 405

Dean	0.87 404	0.86 408	0.79 398	0.81 403	0.56 398	0.90 404	0.63 402	1.15 415	1.73 415	1.15 410	1.15 410	1.31 406	0.99 408	0.81 400	0.81 409	0.57 400	0.56 409	0.77 405	0.64 404	0.66 401	0.58 400

SPstereo	13.84 430	0.93 409	1.50 411	1.22 415	0.88 414	28.82 433	48.26 433	26.77 440	29.54 439	22.37 438	22.60 437	23.23 438	24.68 438	24.53 438	15.06 430	0.88 413	0.69 414	1.83 419	1.60 419	0.74 409	0.77 413

UNDER WATER-64	0.95 407	0.94 410	1.43 410	0.87 407	0.56 398	1.18 416	0.87 412	0.77 397	0.94 399	1.04 406	0.85 395	1.58 414	1.21 415	0.94 410	0.96 411	0.87 412	0.57 410	1.03 412	0.88 413	0.78 410	0.73 410

PWCK	0.71 395	0.94 410	0.95 403	0.76 399	0.31 386	0.74 396	0.36 382	0.90 400	0.90 398	0.96 403	0.75 391	0.95 396	0.61 391	0.87 406	0.66 400	0.72 406	0.46 393	0.75 402	0.49 395	0.69 405	0.44 397

UNDER WATER	0.97 408	0.97 412	1.42 409	0.99 411	0.70 410	1.12 415	0.84 411	0.80 398	1.08 401	1.01 405	0.90 396	1.55 413	1.22 416	1.03 413	1.00 412	0.78 410	0.53 405	1.02 411	0.87 412	0.80 411	0.74 411

notaker	0.97 408	1.11 413	0.98 404	1.13 413	0.81 411	0.73 395	0.68 408	0.93 403	1.16 403	1.18 412	1.18 411	1.41 410	1.16 414	1.08 415	0.69 404	0.81 411	0.64 413	1.17 413	0.79 410	0.98 413	0.80 414

KSHMR	1.09 411	1.17 414	0.88 402	1.25 417	1.00 416	0.99 409	0.96 414	1.13 414	1.37 408	1.16 411	1.29 414	1.41 410	0.96 407	1.01 412	0.92 410	1.03 415	1.08 417	1.20 414	1.03 416	1.01 414	0.97 416

ktn	1.01 410	1.21 415	0.80 399	1.23 416	0.86 413	1.01 411	0.87 412	0.94 404	1.39 409	1.04 406	1.12 408	1.15 401	1.07 410	0.94 410	0.59 396	1.28 417	0.71 415	1.38 417	0.83 411	1.02 415	0.75 412

DPSimNet_ROB	1.11 412	1.23 416	0.78 396	1.13 413	0.88 414	1.10 414	1.13 416	1.16 416	1.23 405	1.43 414	1.02 402	1.41 410	1.10 413	0.90 408	1.60 415	1.46 418	0.51 404	1.21 415	1.03 416	0.90 412	1.01 418

HanzoNet	1.29 413	1.26 417	1.19 407	1.12 412	0.85 412	1.02 412	0.83 410	1.03 409	1.48 413	1.64 415	1.61 417	2.50 418	1.72 417	1.61 417	1.61 416	1.26 416	0.80 416	1.31 416	1.01 415	1.02 415	0.86 415

JetRed	1.62 414	1.46 418	2.98 413	0.92 408	1.21 417	4.99 419	1.53 419	1.27 417	1.39 409	1.83 416	1.74 418	1.60 415	0.95 406	1.41 416	2.45 419	0.90 414	1.60 418	0.93 410	0.90 414	1.35 417	0.99 417

MADNet++	1.95 415	1.75 419	1.59 412	1.82 418	1.69 419	2.33 418	1.40 418	2.35 418	2.09 419	2.57 418	2.36 419	2.24 417	2.17 418	2.28 418	2.34 418	1.87 419	1.66 419	1.54 418	1.34 418	1.92 418	1.77 420

DLNR_Zeroshot_test	10.40 425	1.82 420	19.49 435	120.77 440	13.11 430	0.06 2	0.13 43	0.23 176	0.10 8	0.07 2	0.10 39	0.09 39	0.06 6	0.10 18	0.09 19	0.13 335	0.04 2	0.06 32	0.04 8	51.54 439	0.04 7

ASD4		3.38 421

DPSMNet_ROB	8.06 422	4.48 422	8.63 426	5.37 425	10.74 427	8.32 421	22.98 428	5.46 420	13.36 427	5.12 420	9.92 423	5.08 420	10.40 425	5.53 422	12.58 425	3.80 424	8.00 425	3.50 421	7.02 424	3.83 423	7.14 426

DGTPSM_ROB	8.06 422	4.48 422	8.63 426	5.35 423	10.72 426	8.32 421	22.97 427	5.46 420	13.35 426	5.12 420	9.92 423	5.08 420	10.40 425	5.52 421	12.58 425	3.79 423	8.00 425	3.50 421	7.02 424	3.83 423	7.14 426

xxxxx1	7.79 418	5.02 424	7.31 420	3.12 420	3.85 421	16.35 426	22.88 424	5.86 423	8.69 422	7.97 422	8.54 420	9.12 424	8.27 422	10.18 424	10.92 422	2.42 420	2.45 421	3.56 423	12.37 427	3.77 420	3.06 422

tt_ll	7.79 418	5.02 424	7.31 420	3.12 420	3.85 421	16.35 426	22.88 424	5.86 423	8.69 422	7.97 422	8.54 420	9.12 424	8.27 422	10.18 424	10.92 422	2.42 420	2.45 421	3.56 423	12.37 427	3.77 420	3.06 422

ff	7.79 418	5.02 424	7.31 420	3.12 420	3.85 421	16.35 426	22.88 424	5.86 423	8.69 422	7.97 422	8.54 420	9.12 424	8.27 422	10.18 424	10.92 422	2.42 420	2.45 421	3.56 423	12.37 427	3.77 420	3.06 422

Anonymous_1	10.96 427	7.92 427	7.46 423	10.33 426	10.06 425	18.65 430	26.34 430	11.06 427	13.44 428	9.40 425	10.05 425	9.67 427	11.23 427	10.73 427	12.72 427	6.42 427	8.38 427	5.77 426	10.61 426	12.12 428	6.77 425

DPSM_ROB	11.15 428	8.58 428	8.00 424	10.88 427	11.58 428	19.10 431	26.71 431	12.05 428	14.07 429	10.36 426	10.84 426	10.33 428	11.86 428	11.70 428	13.54 428	6.99 428	8.79 428	5.89 427	6.95 422	7.29 425	7.42 428

DPSM	11.15 428	8.58 428	8.00 424	10.88 427	11.58 428	19.10 431	26.71 431	12.05 428	14.07 429	10.36 426	10.84 426	10.33 428	11.86 428	11.70 428	13.54 428	6.99 428	8.79 428	5.89 427	6.95 422	7.29 425	7.42 428

PML	8.91 424	9.34 430	6.13 418	5.35 423	6.41 424	14.99 425	23.38 429	5.27 419	6.83 421	18.04 430	28.19 439	7.67 422	6.83 421	7.85 423	5.75 420	5.35 425	1.83 420	5.95 429	1.93 420	8.64 427	2.52 421

LRCNet_RVC	10.62 426	13.42 431	7.30 419	18.92 430	2.07 420	0.33 354	0.30 371	5.59 422	0.48 348	13.03 428	17.94 429	8.87 423	5.65 420	4.79 420	1.89 417	23.51 437	2.73 424	27.55 438	25.71 438	16.07 435	16.33 436

LSM0	22.87 438	17.28 432	18.96 433	22.19 437	29.04 439	38.42 439	53.71 434	24.28 437	28.31 433	20.78 434	21.00 431	21.43 437	24.16 437	23.50 436	27.39 435	14.09 435	17.38 432	11.84 435	14.04 435	14.73 434	14.89 430

MyStereo03	22.45 434	17.33 433	16.21 430	21.95 432	23.27 433	38.32 434	53.79 435	24.21 434	28.46 435	20.87 435	21.85 434	20.80 432	23.87 432	23.46 433	27.40 436	14.08 431	17.71 435	11.82 430	14.03 432	14.65 429	14.89 430

MyStereo02	22.45 434	17.33 433	16.21 430	21.95 432	23.27 433	38.32 434	53.79 435	24.21 434	28.46 435	20.87 435	21.85 434	20.80 432	23.87 432	23.46 433	27.40 436	14.08 431	17.71 435	11.82 430	14.03 432	14.65 429	14.89 430

MyStereo	22.45 434	17.33 433	16.21 430	21.95 432	23.27 433	38.32 434	53.79 435	24.21 434	28.46 435	20.87 435	21.85 434	20.80 432	23.87 432	23.46 433	27.40 436	14.08 431	17.71 435	11.82 430	14.03 432	14.65 429	14.89 430

CasAABBNet	22.42 433	17.33 433	16.01 428	22.01 435	23.28 436	38.32 434	53.80 438	24.14 433	28.41 434	20.60 432	21.77 432	20.89 436	23.91 436	23.43 432	27.36 434	14.07 430	17.69 433	11.83 434	14.01 431	14.67 432	14.95 434

Selective-RAFT-Error	22.47 437	17.37 437	16.09 429	22.06 436	23.34 437	38.39 438	53.83 439	24.29 438	28.47 438	20.74 433	21.83 433	20.81 435	23.90 435	23.54 437	27.53 439	14.08 431	17.69 433	11.82 430	14.00 430	14.69 433	15.00 435

HaxPig	15.71 431	18.52 438	19.18 434	16.89 429	15.89 431	7.73 420	7.60 420	13.31 430	10.82 425	15.42 429	14.91 428	15.98 430	14.92 430	15.58 430	15.98 431	18.95 436	16.73 431	19.46 436	18.08 436	19.26 436	19.05 437

MEDIAN_ROB	20.38 432	24.04 439	23.31 436	21.23 431	21.71 432	10.40 424	7.92 421	17.64 431	15.50 431	20.12 431	19.70 430	20.34 431	20.32 431	21.19 431	21.13 432	23.81 438	21.81 438	24.98 437	23.76 437	24.71 437	23.93 438

AVERAGE_ROB	24.90 439	29.20 440	28.14 437	24.89 438	24.64 438	17.75 429	11.12 422	21.45 432	19.93 432	25.12 439	24.46 438	25.12 439	25.46 439	24.69 439	22.83 433	29.76 439	27.13 439	28.97 439	27.95 439	29.91 438	29.47 439

test_example2	98.32 440	94.13 441	45.89 438	96.35 439	109.85 440	88.61 440	95.45 440	25.75 439	94.37 440	130.00 440	126.06 440	58.17 440	74.63 440	88.51 440	79.96 440	150.23 440	221.02 440	77.62 440	99.10 440	113.75 440	96.94 440

Low-res two-view benchmark