Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

CASnet	0.09 11	0.09 190	0.09 28	0.19 227	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 59	0.10 38	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 267	0.08 211	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 67	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 115	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

test_4	0.10 50	0.10 237	0.08 11	0.19 227	0.09 131	0.08 23	0.22 302	0.15 26	0.17 99	0.12 83	0.18 142	0.12 89	0.09 67	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 211	0.04 1	0.03 1

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 115	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 38	0.08 25	0.09 67	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 115	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 61	0.09 37	0.09 67	0.12 101	0.09 19	0.05 2	0.04 2	0.07 98	0.07 161	0.04 1	0.03 1

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 182	0.09 131	0.10 56	0.15 115	0.14 15	0.19 128	0.09 15	0.14 80	0.12 89	0.08 49	0.11 45	0.10 49	0.05 2	0.06 189	0.07 98	0.06 86	0.05 40	0.04 7

StereoIM	0.09 11	0.09 190	0.08 11	0.17 115	0.09 131	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 53	0.06 3	0.06 6	0.09 10	0.13 157	0.07 141	0.06 189	0.07 98	0.05 31	0.05 40	0.04 7

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 101	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DLNR_Zeroshot_test	10.40 421	1.82 416	19.49 431	120.77 436	13.11 426	0.06 2	0.13 43	0.23 173	0.10 7	0.07 2	0.10 38	0.09 37	0.06 6	0.10 18	0.09 19	0.13 331	0.04 2	0.06 31	0.04 8	51.54 435	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 300	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HH	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CAS	0.08 2	0.04 1	0.07 2	0.17 115	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 38	0.08 25	0.06 6	0.09 10	0.08 11	0.08 190	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

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

DCRE	0.11 80	0.07 69	0.13 128	0.16 68	0.11 254	0.11 82	0.17 191	0.18 96	0.17 99	0.11 59	0.18 142	0.10 58	0.10 88	0.15 166	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 115	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 61	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 38	0.08 25	0.07 31	0.12 101	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.12 138	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

raft_robust	0.13 157	0.10 237	0.07 2	0.18 182	0.08 47	0.13 129	0.24 321	0.28 247	0.33 274	0.20 241	0.19 148	0.14 127	0.10 88	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 161	0.05 40	0.04 7

RAFT_CTSACE	0.12 135	0.09 190	0.10 44	0.22 304	0.08 47	0.12 104	0.24 321	0.18 96	0.16 87	0.20 241	0.27 247	0.13 112	0.07 31	0.13 133	0.09 19	0.05 2	0.06 189	0.08 162	0.07 161	0.04 1	0.04 7

SA	0.12 135	0.09 190	0.08 11	0.18 182	0.08 47	0.12 104	0.24 321	0.23 173	0.18 116	0.17 185	0.27 247	0.14 127	0.11 109	0.11 45	0.11 85	0.05 2	0.05 106	0.09 226	0.08 211	0.05 40	0.04 7

IPLG	0.10 50	0.07 69	0.15 191	0.17 115	0.08 47	0.11 82	0.14 69	0.20 123	0.15 69	0.12 83	0.17 120	0.07 17	0.07 31	0.14 148	0.13 157	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

MIPNet	0.11 80	0.08 140	0.14 154	0.17 115	0.09 131	0.12 104	0.14 69	0.20 123	0.24 192	0.11 59	0.10 38	0.09 37	0.07 31	0.13 133	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

IPLGR	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.12 104	0.17 191	0.21 140	0.24 192	0.11 59	0.12 61	0.11 74	0.08 49	0.12 101	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

GMOStereo	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

error version	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-v	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_3	0.10 50	0.09 190	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	0.14 15	0.21 162	0.10 40	0.10 38	0.09 37	0.09 67	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.04 1	0.04 7

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 283	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 161	0.04 1	0.04 7

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 182	0.07 18	0.10 56	0.14 69	0.21 140	0.11 17	0.11 59	0.15 94	0.12 89	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

OMP-Stereo	0.11 80	0.06 19	0.14 154	0.18 182	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.13 104	0.14 80	0.11 74	0.12 138	0.11 45	0.13 157	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

IIG-Stereo	0.11 80	0.06 19	0.13 128	0.17 115	0.08 47	0.11 82	0.12 21	0.22 156	0.17 99	0.14 124	0.17 120	0.11 74	0.12 138	0.12 101	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 131	0.09 35	0.19 262	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

cross-raft	0.10 50	0.09 190	0.09 28	0.19 227	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 53	0.12 89	0.10 88	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

test-1	0.10 50	0.07 69	0.16 221	0.19 227	0.08 47	0.11 82	0.24 321	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 115	0.09 131	0.11 82	0.17 191	0.18 96	0.12 25	0.09 15	0.12 61	0.10 58	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 80	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 199	0.18 231	0.15 26	0.15 69	0.10 40	0.11 53	0.11 74	0.11 109	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

RALAANet	0.11 80	0.08 140	0.10 44	0.17 115	0.09 131	0.14 153	0.10 6	0.20 123	0.15 69	0.14 124	0.13 71	0.16 162	0.09 67	0.12 101	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 115	0.09 131	0.15 175	0.12 21	0.20 123	0.10 7	0.10 40	0.14 80	0.07 17	0.06 6	0.12 101	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

ARAFT	0.12 135	0.08 140	0.17 246	0.19 227	0.09 131	0.14 153	0.18 231	0.20 123	0.12 25	0.12 83	0.13 71	0.14 127	0.11 109	0.15 166	0.12 127	0.06 54	0.05 106	0.10 267	0.09 250	0.05 40	0.04 7

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

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 61	0.10 58	0.09 67	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 38	0.12 89	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

MLCV	0.12 135	0.07 69	0.16 221	0.18 182	0.06 2	0.15 175	0.17 191	0.19 116	0.21 162	0.18 211	0.25 225	0.17 181	0.13 170	0.14 148	0.13 157	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

CoDeX	0.12 135	0.07 69	0.12 90	0.17 115	0.08 47	0.12 104	0.15 115	0.23 173	0.27 231	0.13 104	0.17 120	0.16 162	0.11 109	0.14 148	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

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

StereoVision	0.13 157	0.12 271	0.09 28	0.24 328	0.10 216	0.15 175	0.21 293	0.21 140	0.20 149	0.12 83	0.24 196	0.10 58	0.10 88	0.16 197	0.10 49	0.09 235	0.11 318	0.12 309	0.12 323	0.06 101	0.05 51

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 182	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 61	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 123	0.14 58	0.13 104	0.13 71	0.09 37	0.05 2	0.12 101	0.08 11	0.05 2	0.06 189	0.07 98	0.06 86	0.06 101	0.05 51

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 140	0.15 69	0.11 59	0.12 61	0.12 89	0.09 67	0.12 101	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 38	0.10 58	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

LL-Strereo2	0.10 50	0.10 237	0.15 191	0.18 182	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 124	0.10 38	0.09 37	0.07 31	0.16 197	0.10 49	0.05 2	0.05 106	0.10 267	0.07 161	0.06 101	0.05 51

LL-Strereo	0.13 157	0.09 190	0.11 70	0.20 267	0.10 216	0.11 82	0.18 231	0.32 286	0.24 192	0.15 148	0.15 94	0.14 127	0.13 170	0.19 241	0.11 85	0.06 54	0.04 2	0.09 226	0.08 211	0.04 1	0.05 51

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 182	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 53	0.10 58	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 161	0.06 101	0.05 51

anonymousdsp2	0.11 80	0.07 69	0.10 44	0.16 68	0.09 131	0.13 129	0.14 69	0.18 96	0.22 173	0.13 104	0.14 80	0.12 89	0.09 67	0.14 148	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 89	0.09 67	0.15 166	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 74	0.06 6	0.12 101	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

Selective-RAFT	0.11 80	0.10 237	0.11 70	0.21 291	0.08 47	0.16 199	0.13 43	0.20 123	0.22 173	0.10 40	0.10 38	0.11 74	0.10 88	0.15 166	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

CroCo-Stereo Lap2	0.09 11	0.09 190	0.08 11	0.22 304	0.09 131	0.09 35	0.19 262	0.16 42	0.12 25	0.09 15	0.10 38	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 189	0.07 98	0.05 31	0.05 40	0.05 51

TestStereo1	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 360	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.18 96	0.19 128	0.13 104	0.16 102	0.09 37	0.14 193	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

SA-5K	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 360	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

Sa-1000	0.12 135	0.08 140	0.08 11	0.18 182	0.08 47	0.14 153	0.22 302	0.22 156	0.18 116	0.15 148	0.20 159	0.17 181	0.11 109	0.10 18	0.10 49	0.06 54	0.05 106	0.09 226	0.09 250	0.05 40	0.05 51

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 128	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 59	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

GLC_STEREO	0.11 80	0.07 69	0.11 70	0.17 115	0.07 18	0.09 35	0.13 43	0.15 26	0.24 192	0.12 83	0.13 71	0.12 89	0.08 49	0.18 230	0.11 85	0.06 54	0.08 268	0.08 162	0.06 86	0.05 40	0.05 51

CrosDoStereo	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

AAGNet	0.11 80	0.07 69	0.16 221	0.19 227	0.09 131	0.08 23	0.13 43	0.18 96	0.13 41	0.16 173	0.21 173	0.13 112	0.14 193	0.11 45	0.14 185	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

TransformOpticalFlow	0.10 50	0.08 140	0.13 128	0.18 182	0.07 18	0.09 35	0.15 115	0.19 116	0.15 69	0.12 83	0.17 120	0.11 74	0.11 109	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

DeepStereo_LL	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

DEmStereo	0.12 135	0.06 19	0.14 154	0.14 13	0.10 216	0.16 199	0.15 115	0.16 42	0.24 192	0.17 185	0.24 196	0.13 112	0.14 193	0.12 101	0.13 157	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

SST-Stereo	0.10 50	0.07 69	0.15 191	0.18 182	0.09 131	0.06 2	0.12 21	0.17 72	0.11 17	0.15 148	0.17 120	0.13 112	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

THIR-Stereo	0.12 135	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 211	0.16 173	0.24 196	0.14 127	0.12 138	0.12 101	0.14 185	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

RAFT_R40	0.11 80	0.07 69	0.14 154	0.18 182	0.09 131	0.06 2	0.13 43	0.17 72	0.16 87	0.14 124	0.18 142	0.15 151	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

DRaft	0.12 135	0.06 19	0.11 70	0.14 13	0.09 131	0.14 153	0.17 191	0.21 140	0.30 256	0.17 185	0.28 256	0.10 58	0.15 206	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

PFNet	0.12 135	0.06 19	0.17 246	0.17 115	0.08 47	0.09 35	0.15 115	0.26 215	0.20 149	0.16 173	0.16 102	0.14 127	0.11 109	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

RAFT-345	0.11 80	0.07 69	0.15 191	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 59	0.36 306	0.09 37	0.09 67	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 116	0.14 58	0.13 104	0.11 53	0.09 37	0.08 49	0.13 133	0.10 49	0.08 190	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

RAFT	0.13 157	0.09 190	0.11 70	0.18 182	0.08 47	0.15 175	0.24 321	0.20 123	0.19 128	0.21 249	0.21 173	0.17 181	0.12 138	0.16 197	0.09 19	0.06 54	0.07 246	0.10 267	0.09 250	0.05 40	0.05 51

TestStereo	0.13 157	0.14 304	0.11 70	0.23 323	0.08 47	0.15 175	0.21 293	0.20 123	0.23 182	0.14 124	0.24 196	0.16 162	0.12 138	0.16 197	0.14 185	0.05 2	0.06 189	0.08 162	0.06 86	0.09 246	0.05 51

raft+_RVC	0.11 80	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 190	0.20 149	0.12 83	0.15 94	0.12 89	0.08 49	0.12 101	0.13 157	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 128	0.11 59	0.15 94	0.10 58	0.06 6	0.12 101	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 59	0.12 61	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

raftrobust	0.09 11	0.06 19	0.10 44	0.17 115	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 89	0.07 31	0.12 101	0.10 49	0.08 190	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 140	0.23 182	0.11 59	0.12 61	0.14 127	0.11 109	0.13 133	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 104	0.16 102	0.14 127	0.11 109	0.15 166	0.13 157	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNet	0.13 157	0.10 237	0.18 263	0.19 227	0.08 47	0.13 129	0.18 231	0.20 123	0.26 224	0.15 148	0.23 188	0.15 151	0.13 170	0.14 148	0.14 185	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

Former-RAFT_DAM_RVC	0.10 50	0.08 140	0.12 90	0.16 68	0.08 47	0.15 175	0.16 170	0.18 96	0.18 116	0.10 40	0.09 23	0.09 37	0.08 49	0.11 45	0.12 127	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.06 98

SMFormer	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 101	0.09 19	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 115	0.09 131	0.13 129	0.18 231	0.19 116	0.12 25	0.12 83	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

MyStereo05	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.13 129	0.18 231	0.27 233	0.35 292	0.17 185	0.14 80	0.15 151	0.11 109	0.15 166	0.13 157	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

MyStereo04	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.29 257	0.38 307	0.17 185	0.14 80	0.16 162	0.10 88	0.15 166	0.13 157	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

cc1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 216	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 216	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

DualNet	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ffm	0.12 135	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.07 1	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ff1	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.12 104	0.16 170	0.15 26	0.19 128	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

1111x	0.15 219	0.08 140	0.12 90	0.18 182	0.07 18	0.18 233	0.25 334	0.31 277	0.24 192	0.17 185	0.24 196	0.26 269	0.15 206	0.13 133	0.23 300	0.07 141	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

test croco	0.10 50	0.08 140	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.14 15	0.13 41	0.13 104	0.15 94	0.09 37	0.12 138	0.13 133	0.12 127	0.07 141	0.05 106	0.09 226	0.06 86	0.06 101	0.06 98

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

anonymousa	0.13 157	0.07 69	0.13 128	0.18 182	0.09 131	0.13 129	0.17 191	0.19 116	0.29 249	0.15 148	0.24 196	0.15 151	0.14 193	0.14 148	0.14 185	0.07 141	0.05 106	0.07 98	0.09 250	0.05 40	0.06 98

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

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

RAFT+CT+SA	0.13 157	0.11 257	0.09 28	0.19 227	0.09 131	0.15 175	0.28 352	0.22 156	0.22 173	0.15 148	0.26 240	0.10 58	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 211	0.07 155	0.06 98

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 135	0.09 190	0.12 90	0.19 227	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.19 224	0.14 80	0.11 74	0.09 67	0.20 260	0.16 222	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

psmg	0.14 186	0.09 190	0.14 154	0.17 115	0.10 216	0.15 175	0.17 191	0.29 257	0.19 128	0.17 185	0.21 173	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.08 162	0.08 211	0.07 155	0.06 98

CIPLG	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.11 53	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

dd	0.15 219	0.16 317	0.16 221	0.19 227	0.09 131	0.15 175	0.18 231	0.21 140	0.25 211	0.23 274	0.20 159	0.21 216	0.09 67	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.06 86	0.08 198	0.06 98

IPLGR_C	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

GwcNet-ADL	0.13 157	0.08 140	0.14 154	0.20 267	0.09 131	0.11 82	0.20 277	0.30 271	0.24 192	0.13 104	0.14 80	0.18 192	0.14 193	0.13 133	0.14 185	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

RAFT-RH_RVC	0.11 80	0.06 19	0.14 154	0.16 68	0.09 131	0.12 104	0.12 21	0.17 72	0.12 25	0.13 104	0.41 340	0.11 74	0.10 88	0.13 133	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

IRAFT_RVC	0.12 135	0.08 140	0.16 221	0.19 227	0.08 47	0.07 16	0.15 115	0.24 190	0.23 182	0.14 124	0.14 80	0.15 151	0.12 138	0.12 101	0.10 49	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.06 98

rafts_anoy	0.11 80	0.06 19	0.10 44	0.17 115	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 104	0.13 71	0.12 89	0.10 88	0.11 45	0.12 127	0.07 141	0.04 2	0.09 226	0.11 305	0.07 155	0.06 98

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

GMStereo	0.13 157	0.14 304	0.14 154	0.18 182	0.09 131	0.15 175	0.16 170	0.20 123	0.24 192	0.16 173	0.17 120	0.10 58	0.10 88	0.16 197	0.13 157	0.07 141	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 157	0.07 69	0.14 154	0.17 115	0.09 131	0.15 175	0.16 170	0.28 247	0.27 231	0.14 124	0.17 120	0.12 89	0.13 170	0.14 148	0.11 85	0.08 190	0.05 106	0.07 98	0.07 161	0.07 155	0.06 98

delet	0.17 256	0.08 140	0.17 246	0.19 227	0.11 254	0.20 265	0.21 293	0.30 271	0.37 302	0.17 185	0.26 240	0.19 200	0.19 269	0.19 241	0.21 281	0.08 190	0.08 268	0.09 226	0.11 305	0.06 101	0.06 98

UNet	0.17 256	0.09 190	0.18 263	0.19 227	0.12 283	0.27 330	0.19 262	0.33 303	0.29 249	0.21 249	0.24 196	0.23 245	0.19 269	0.19 241	0.18 247	0.07 141	0.06 189	0.08 162	0.07 161	0.08 198	0.06 98

UPFNet	0.16 237	0.08 140	0.12 90	0.20 267	0.12 283	0.20 265	0.23 312	0.28 247	0.26 224	0.17 185	0.24 196	0.22 233	0.19 269	0.19 241	0.21 281	0.09 235	0.07 246	0.08 162	0.09 250	0.08 198	0.06 98

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 71	0.09 37	0.08 49	0.11 45	0.10 49	0.08 190	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
ac_64	0.16 237	0.08 140	0.15 191	0.18 182	0.10 216	0.22 287	0.18 231	0.24 190	0.21 162	0.18 211	0.24 196	0.29 290	0.18 254	0.19 241	0.22 290	0.09 235	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

ACVNet	0.15 219	0.09 190	0.15 191	0.13 6	0.12 283	0.14 153	0.20 277	0.22 156	0.33 274	0.17 185	0.26 240	0.21 216	0.16 226	0.17 219	0.21 281	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

acv_ft	0.15 219	0.09 190	0.15 191	0.19 227	0.10 216	0.16 199	0.17 191	0.25 203	0.33 274	0.19 224	0.26 240	0.21 216	0.17 245	0.17 219	0.18 247	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

cf-r	0.13 157	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 262	0.20 123	0.25 211	0.17 185	0.25 225	0.21 216	0.16 226	0.14 148	0.14 185	0.10 266	0.05 106	0.06 31	0.08 211	0.06 101	0.06 98

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 71	0.10 58	0.07 31	0.13 133	0.10 49	0.15 345	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

DIP-Stereo	0.11 80	0.07 69	0.14 154	0.17 115	0.09 131	0.13 129	0.09 3	0.16 42	0.16 87	0.11 59	0.16 102	0.14 127	0.12 138	0.15 166	0.13 157	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 135	0.08 140	0.14 154	0.18 182	0.07 18	0.15 175	0.07 1	0.22 156	0.18 116	0.16 173	0.19 148	0.18 192	0.14 193	0.16 197	0.15 208	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

RASNet	0.14 186	0.07 69	0.14 154	0.16 68	0.08 47	0.18 233	0.14 69	0.29 257	0.20 149	0.17 185	0.25 225	0.21 216	0.18 254	0.20 260	0.19 256	0.07 141	0.06 189	0.06 31	0.08 211	0.06 101	0.06 98

HSM-Net_RVC	0.14 186	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 233	0.29 249	0.19 224	0.21 173	0.29 290	0.14 193	0.17 219	0.13 157	0.06 54	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 219	0.10 237	0.17 246	0.17 115	0.08 47	0.18 233	0.09 3	0.28 247	0.25 211	0.19 224	0.24 196	0.24 251	0.17 245	0.17 219	0.14 185	0.08 190	0.06 189	0.09 226	0.10 282	0.07 155	0.06 98

AANet_RVC	0.16 237	0.10 237	0.10 44	0.18 182	0.09 131	0.18 233	0.19 262	0.26 215	0.31 262	0.22 262	0.35 303	0.21 216	0.21 281	0.22 287	0.16 222	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

HSM	0.15 219	0.08 140	0.14 154	0.16 68	0.09 131	0.16 199	0.14 69	0.28 247	0.25 211	0.19 224	0.23 188	0.37 335	0.16 226	0.20 260	0.15 208	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

LE_ROB	0.50 381	0.07 69	0.14 154	0.15 38	0.08 47	0.24 305	0.16 170	0.22 156	1.81 412	4.63 415	0.67 377	0.47 367	0.44 374	0.20 260	0.29 346	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

DN-CSS_ROB	0.13 157	0.13 292	0.16 221	0.18 182	0.10 216	0.16 199	0.08 2	0.22 156	0.18 116	0.17 185	0.22 182	0.13 112	0.13 170	0.12 101	0.13 157	0.05 2	0.05 106	0.10 267	0.10 282	0.08 198	0.06 98

pmcnn	0.15 219	0.07 69	0.19 272	0.15 38	0.07 18	0.20 265	0.15 115	0.24 190	0.26 224	0.21 249	0.34 300	0.28 283	0.18 254	0.18 230	0.17 233	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

xx1	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 162	0.16 226	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 211	0.07 155	0.07 157

1test111	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 166	0.16 222	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

mmm	0.14 186	0.08 140	0.17 246	0.17 115	0.09 131	0.17 218	0.18 231	0.21 140	0.15 69	0.15 148	0.23 188	0.21 216	0.16 226	0.16 197	0.17 233	0.08 190	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

11t1	0.12 135	0.06 19	0.13 128	0.14 13	0.08 47	0.17 218	0.15 115	0.18 96	0.15 69	0.15 148	0.15 94	0.16 162	0.16 226	0.15 166	0.13 157	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

whm_eth	0.14 186	0.09 190	0.20 280	0.20 267	0.12 283	0.12 104	0.15 115	0.18 96	0.28 242	0.17 185	0.32 283	0.09 37	0.12 138	0.18 230	0.14 185	0.07 141	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157

MIF-Stereo (partial)	0.11 80	0.06 19	0.10 44	0.19 227	0.10 216	0.10 56	0.11 11	0.17 72	0.18 116	0.14 124	0.16 102	0.09 37	0.11 109	0.12 101	0.12 127	0.08 190	0.05 106	0.08 162	0.07 161	0.06 101	0.07 157

EKT-Stereo	0.11 80	0.07 69	0.14 154	0.15 38	0.10 216	0.13 129	0.14 69	0.18 96	0.21 162	0.11 59	0.08 17	0.12 89	0.09 67	0.11 45	0.12 127	0.08 190	0.06 189	0.07 98	0.06 86	0.08 198	0.07 157

PCWNet_CMD	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 296	0.14 124	0.20 159	0.21 216	0.12 138	0.17 219	0.13 157	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

fast-acv-ft	0.18 268	0.11 257	0.19 272	0.19 227	0.12 283	0.24 305	0.21 293	0.25 203	0.34 285	0.22 262	0.34 300	0.27 276	0.20 277	0.21 276	0.23 300	0.09 235	0.09 291	0.08 162	0.10 282	0.08 198	0.07 157

CBFPSM	0.14 186	0.06 19	0.26 309	0.17 115	0.09 131	0.13 129	0.15 115	0.22 156	0.23 182	0.20 241	0.27 247	0.24 251	0.16 226	0.16 197	0.18 247	0.06 54	0.06 189	0.06 31	0.07 161	0.07 155	0.07 157

GASNet	0.22 305	0.23 357	0.33 336	0.26 344	0.17 351	0.26 323	0.16 170	0.44 366	0.42 325	0.27 306	0.24 196	0.30 298	0.15 206	0.27 316	0.18 247	0.12 311	0.08 268	0.12 309	0.11 305	0.16 349	0.07 157

gwcnet-sp	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

scenet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

CASS	0.13 157	0.12 271	0.11 70	0.23 323	0.09 131	0.15 175	0.17 191	0.18 96	0.19 128	0.17 185	0.18 142	0.15 151	0.15 206	0.14 148	0.14 185	0.09 235	0.06 189	0.10 267	0.08 211	0.09 246	0.07 157
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 80	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 116	0.13 41	0.11 59	0.17 120	0.13 112	0.09 67	0.13 133	0.11 85	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

ssnet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

qqq	0.13 157	0.09 190	0.15 191	0.16 68	0.08 47	0.13 129	0.15 115	0.23 173	0.16 87	0.15 148	0.19 148	0.16 162	0.16 226	0.15 166	0.16 222	0.07 141	0.06 189	0.08 162	0.08 211	0.07 155	0.07 157

x	0.13 157	0.07 69	0.14 154	0.14 13	0.08 47	0.18 233	0.14 69	0.22 156	0.20 149	0.15 148	0.19 148	0.19 200	0.17 245	0.18 230	0.18 247	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 157

BUS	0.14 186	0.09 190	0.14 154	0.22 304	0.10 216	0.19 253	0.14 69	0.34 313	0.19 128	0.17 185	0.22 182	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

IER	0.14 186	0.07 69	0.13 128	0.17 115	0.09 131	0.14 153	0.16 170	0.25 203	0.26 224	0.18 211	0.25 225	0.17 181	0.20 277	0.16 197	0.14 185	0.08 190	0.05 106	0.07 98	0.06 86	0.08 198	0.07 157

test_5	0.14 186	0.12 271	0.08 11	0.20 267	0.10 216	0.14 153	0.29 360	0.21 140	0.24 192	0.18 211	0.28 256	0.11 74	0.15 206	0.12 101	0.13 157	0.06 54	0.05 106	0.07 98	0.08 211	0.08 198	0.07 157

BSDual-CNN	0.15 219	0.09 190	0.14 154	0.22 304	0.10 216	0.14 153	0.15 115	0.34 313	0.19 128	0.17 185	0.22 182	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

hknet	0.15 219	0.11 257	0.13 128	0.22 304	0.11 254	0.14 153	0.15 115	0.34 313	0.25 211	0.17 185	0.22 182	0.22 233	0.18 254	0.17 219	0.12 127	0.07 141	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

CSP-Net	0.16 237	0.09 190	0.14 154	0.16 68	0.09 131	0.19 253	0.17 191	0.25 203	0.32 268	0.25 295	0.30 271	0.24 251	0.15 206	0.21 276	0.18 247	0.09 235	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

UDGNet	0.14 186	0.13 292	0.16 221	0.17 115	0.10 216	0.12 104	0.16 170	0.21 140	0.27 231	0.20 241	0.20 159	0.16 162	0.13 170	0.16 197	0.13 157	0.10 266	0.06 189	0.09 226	0.07 161	0.06 101	0.07 157

dad	0.17 256	0.20 346	0.20 280	0.16 68	0.11 254	0.20 265	0.18 231	0.21 140	0.28 242	0.30 326	0.24 196	0.29 290	0.13 170	0.19 241	0.16 222	0.18 361	0.09 291	0.11 294	0.09 250	0.11 288	0.07 157

DAS	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.16 197	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

SepStereo	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.25 311	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

PSMNet-ADL	0.15 219	0.12 271	0.13 128	0.22 304	0.09 131	0.13 129	0.20 277	0.26 215	0.23 182	0.18 211	0.20 159	0.24 251	0.16 226	0.18 230	0.17 233	0.08 190	0.08 268	0.08 162	0.11 305	0.08 198	0.07 157

ADLNet2	0.16 237	0.09 190	0.13 128	0.16 68	0.09 131	0.20 265	0.16 170	0.31 277	0.39 310	0.16 173	0.20 159	0.20 210	0.18 254	0.21 276	0.22 290	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.07 157

Patchmatch Stereo++	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
NRIStereo	0.11 80	0.08 140	0.14 154	0.18 182	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 83	0.14 80	0.13 112	0.12 138	0.13 133	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 157

PSM-adaLoss	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo_v2	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

HUI-Stereo	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

iGMRVC	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

iRAFT	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

RAFT-IKP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ICVP	0.15 219	0.09 190	0.12 90	0.22 304	0.09 131	0.17 218	0.21 293	0.25 203	0.23 182	0.18 211	0.30 271	0.26 269	0.18 254	0.17 219	0.14 185	0.09 235	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
CFNet_pseudo	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.13 129	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 157

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 83	0.17 120	0.14 127	0.10 88	0.12 101	0.11 85	0.07 141	0.06 189	0.06 31	0.05 31	0.08 198	0.07 157

sCroCo_RVC	0.12 135	0.09 190	0.23 299	0.24 328	0.11 254	0.19 253	0.14 69	0.17 72	0.14 58	0.10 40	0.13 71	0.12 89	0.07 31	0.14 148	0.11 85	0.08 190	0.08 268	0.08 162	0.08 211	0.05 40	0.07 157

HCRNet	0.16 237	0.24 360	0.12 90	0.35 374	0.11 254	0.15 175	0.17 191	0.26 215	0.22 173	0.19 224	0.24 196	0.21 216	0.14 193	0.15 166	0.13 157	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

xxxx	0.15 219	0.07 69	0.14 154	0.14 13	0.08 47	0.23 300	0.18 231	0.31 277	0.19 128	0.14 124	0.28 256	0.22 233	0.14 193	0.15 166	0.26 328	0.09 235	0.05 106	0.07 98	0.07 161	0.08 198	0.07 157

test_xeample	0.15 219	0.06 19	0.13 128	0.14 13	0.08 47	0.21 279	0.20 277	0.28 247	0.20 149	0.16 173	0.29 267	0.19 200	0.16 226	0.15 166	0.26 328	0.09 235	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

MMNet	0.17 256	0.09 190	0.16 221	0.20 267	0.11 254	0.27 330	0.20 277	0.25 203	0.41 319	0.22 262	0.30 271	0.21 216	0.20 277	0.17 219	0.20 262	0.06 54	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

FENet	0.13 157	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 156	0.23 182	0.17 185	0.23 188	0.16 162	0.12 138	0.14 148	0.15 208	0.08 190	0.05 106	0.08 162	0.08 211	0.07 155	0.07 157

GANet-RSSM	0.14 186	0.07 69	0.13 128	0.13 6	0.08 47	0.14 153	0.17 191	0.22 156	0.21 162	0.17 185	0.24 196	0.23 245	0.15 206	0.16 197	0.15 208	0.10 266	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

PSMNet-RSSM	0.14 186	0.07 69	0.13 128	0.15 38	0.08 47	0.13 129	0.16 170	0.24 190	0.24 192	0.16 173	0.28 256	0.22 233	0.14 193	0.15 166	0.13 157	0.11 287	0.06 189	0.09 226	0.12 323	0.08 198	0.07 157

GwcNet-RSSM	0.14 186	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 277	0.21 140	0.27 231	0.18 211	0.27 247	0.22 233	0.16 226	0.14 148	0.15 208	0.10 266	0.05 106	0.07 98	0.09 250	0.07 155	0.07 157

MSMDNet	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 296	0.14 124	0.21 173	0.21 216	0.12 138	0.17 219	0.14 185	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

CVANet_RVC	0.18 268	0.10 237	0.14 154	0.21 291	0.10 216	0.18 233	0.17 191	0.34 313	0.33 274	0.22 262	0.31 279	0.28 283	0.18 254	0.23 298	0.17 233	0.12 311	0.08 268	0.12 309	0.11 305	0.09 246	0.07 157

ccs_rob	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.12 104	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

AdaStereo	0.15 219	0.11 257	0.15 191	0.18 182	0.09 131	0.20 265	0.11 11	0.32 286	0.28 242	0.20 241	0.23 188	0.20 210	0.13 170	0.19 241	0.14 185	0.12 311	0.05 106	0.10 267	0.07 161	0.09 246	0.07 157
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
StereoDRNet-Refined	0.17 256	0.12 271	0.15 191	0.20 267	0.09 131	0.18 233	0.18 231	0.26 215	0.23 182	0.26 300	0.40 330	0.22 233	0.17 245	0.21 276	0.20 262	0.08 190	0.05 106	0.09 226	0.10 282	0.07 155	0.07 157
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DRN-Test	0.19 278	0.11 257	0.20 280	0.22 304	0.10 216	0.22 287	0.22 302	0.39 347	0.37 302	0.24 282	0.32 283	0.26 269	0.21 281	0.22 287	0.24 310	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

StereoDRNet	0.18 268	0.11 257	0.17 246	0.22 304	0.11 254	0.21 279	0.22 302	0.37 336	0.33 274	0.24 282	0.28 256	0.30 298	0.19 269	0.20 260	0.20 262	0.09 235	0.08 268	0.11 294	0.09 250	0.09 246	0.07 157

DLCB_ROB	0.18 268	0.10 237	0.15 191	0.23 323	0.11 254	0.24 305	0.18 231	0.29 257	0.28 242	0.27 306	0.28 256	0.28 283	0.24 302	0.19 241	0.20 262	0.08 190	0.08 268	0.09 226	0.09 250	0.07 155	0.07 157

mmx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

ttt	0.14 186	0.08 140	0.14 154	0.15 38	0.08 47	0.15 175	0.18 231	0.27 233	0.29 249	0.16 173	0.24 196	0.17 181	0.13 170	0.13 133	0.14 185	0.11 287	0.08 268	0.09 226	0.08 211	0.09 246	0.08 217

xxx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

GMStereo_Zeroshot	0.16 237	0.13 292	0.24 302	0.20 267	0.10 216	0.17 218	0.13 43	0.29 257	0.25 211	0.23 274	0.32 283	0.25 261	0.11 109	0.19 241	0.14 185	0.09 235	0.06 189	0.11 294	0.06 86	0.12 302	0.08 217

ToySt	0.17 256	0.11 257	0.18 263	0.17 115	0.11 254	0.16 199	0.25 334	0.24 190	0.33 274	0.19 224	0.24 196	0.26 269	0.24 302	0.19 241	0.20 262	0.07 141	0.08 268	0.09 226	0.10 282	0.09 246	0.08 217

riskmin	0.11 80	0.06 19	0.13 128	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 59	0.14 80	0.16 162	0.11 109	0.14 148	0.12 127	0.09 235	0.05 106	0.07 98	0.05 31	0.08 198	0.08 217

ssnet_v2	0.17 256	0.10 237	0.17 246	0.17 115	0.11 254	0.21 279	0.21 293	0.33 303	0.25 211	0.22 262	0.22 182	0.27 276	0.18 254	0.22 287	0.20 262	0.11 287	0.09 291	0.09 226	0.09 250	0.08 198	0.08 217

HBP-ISP	0.18 268	0.13 292	0.16 221	0.15 38	0.11 254	0.08 23	0.13 43	0.28 247	0.29 249	0.22 262	0.33 296	0.21 216	0.25 310	0.23 298	0.17 233	0.14 342	0.16 356	0.21 362	0.17 355	0.10 273	0.08 217

CRFU-Net	0.16 237	0.08 140	0.14 154	0.17 115	0.09 131	0.19 253	0.14 69	0.26 215	0.20 149	0.28 317	0.27 247	0.29 290	0.17 245	0.19 241	0.17 233	0.09 235	0.09 291	0.07 98	0.07 161	0.08 198	0.08 217

GANet-ADL	0.13 157	0.07 69	0.15 191	0.17 115	0.10 216	0.18 233	0.15 115	0.30 271	0.20 149	0.13 104	0.18 142	0.19 200	0.12 138	0.16 197	0.13 157	0.08 190	0.06 189	0.06 31	0.05 31	0.07 155	0.08 217

ASMatch	0.11 80	0.06 19	0.13 128	0.16 68	0.10 216	0.07 16	0.14 69	0.17 72	0.17 99	0.12 83	0.16 102	0.16 162	0.10 88	0.13 133	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 217

Pruner-Stereo	0.11 80	0.07 69	0.12 90	0.17 115	0.09 131	0.06 2	0.12 21	0.17 72	0.17 99	0.13 104	0.19 148	0.13 112	0.09 67	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 217

DeepStereo_RVC	0.11 80	0.08 140	0.16 221	0.18 182	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 104	0.14 80	0.12 89	0.12 138	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 217

CRE-IMP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 124	0.13 71	0.13 112	0.12 138	0.12 101	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 198	0.08 217

LMCR-Stereo	0.15 219	0.08 140	0.13 128	0.21 291	0.09 131	0.17 218	0.20 277	0.27 233	0.19 128	0.24 282	0.24 196	0.23 245	0.17 245	0.20 260	0.17 233	0.07 141	0.06 189	0.08 162	0.06 86	0.10 273	0.08 217

GEStereo_RVC	0.17 256	0.12 271	0.15 191	0.22 304	0.11 254	0.19 253	0.17 191	0.32 286	0.48 344	0.20 241	0.25 225	0.17 181	0.13 170	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.07 161	0.09 246	0.08 217

222	0.16 237	0.07 69	0.14 154	0.14 13	0.08 47	0.24 305	0.18 231	0.30 271	0.20 149	0.17 185	0.28 256	0.17 181	0.16 226	0.15 166	0.40 375	0.10 266	0.05 106	0.07 98	0.06 86	0.07 155	0.08 217

RAFT + AFF	0.13 157	0.07 69	0.20 280	0.20 267	0.10 216	0.14 153	0.24 321	0.26 215	0.20 149	0.11 59	0.10 38	0.12 89	0.10 88	0.15 166	0.12 127	0.07 141	0.06 189	0.09 226	0.08 211	0.06 101	0.08 217

Syn2CoEx	0.21 296	0.16 317	0.27 315	0.29 365	0.14 317	0.26 323	0.20 277	0.33 303	0.31 262	0.28 317	0.36 306	0.27 276	0.25 310	0.19 241	0.24 310	0.16 356	0.12 327	0.14 333	0.11 305	0.09 246	0.08 217

psm_up	0.18 268	0.10 237	0.18 263	0.20 267	0.11 254	0.17 218	0.19 262	0.37 336	0.34 285	0.21 249	0.28 256	0.29 290	0.24 302	0.20 260	0.22 290	0.09 235	0.10 309	0.11 294	0.11 305	0.08 198	0.08 217

CFNet-ft	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

DSFCA	0.16 237	0.09 190	0.14 154	0.16 68	0.10 216	0.20 265	0.19 262	0.28 247	0.31 262	0.23 274	0.24 196	0.22 233	0.15 206	0.19 241	0.20 262	0.10 266	0.07 246	0.09 226	0.09 250	0.08 198	0.08 217

DMCA-RVC	0.17 256	0.10 237	0.15 191	0.24 328	0.11 254	0.18 233	0.18 231	0.25 203	0.24 192	0.21 249	0.26 240	0.25 261	0.27 321	0.18 230	0.20 262	0.12 311	0.08 268	0.13 323	0.10 282	0.10 273	0.08 217

STTStereo	0.18 268	0.12 271	0.27 315	0.20 267	0.11 254	0.16 199	0.21 293	0.29 257	0.23 182	0.21 249	0.30 271	0.29 290	0.18 254	0.20 260	0.19 256	0.12 311	0.11 318	0.11 294	0.14 336	0.09 246	0.08 217

ADCRef	0.19 278	0.12 271	0.41 354	0.20 267	0.12 283	0.22 287	0.18 231	0.32 286	0.36 296	0.26 300	0.32 283	0.17 181	0.23 296	0.24 306	0.24 310	0.07 141	0.06 189	0.09 226	0.09 250	0.08 198	0.08 217

GANet	0.21 296	0.12 271	0.21 285	0.24 328	0.13 300	0.22 287	0.22 302	0.41 356	0.26 224	0.31 332	0.42 345	0.37 335	0.28 329	0.23 298	0.22 290	0.10 266	0.12 327	0.10 267	0.09 250	0.10 273	0.08 217

TDLM	0.17 256	0.12 271	0.13 128	0.24 328	0.10 216	0.18 233	0.18 231	0.36 331	0.30 256	0.21 249	0.28 256	0.28 283	0.18 254	0.23 298	0.18 247	0.11 287	0.07 246	0.10 267	0.10 282	0.08 198	0.08 217

CFNet_RVC	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

NLCA_NET_v2_RVC	0.17 256	0.10 237	0.22 290	0.20 267	0.10 216	0.15 175	0.18 231	0.31 277	0.25 211	0.21 249	0.30 271	0.25 261	0.17 245	0.21 276	0.20 262	0.09 235	0.06 189	0.08 162	0.08 211	0.07 155	0.08 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 287	0.21 352	0.23 299	0.20 267	0.10 216	0.19 253	0.17 191	0.36 331	0.25 211	0.27 306	0.33 296	0.27 276	0.24 302	0.20 260	0.20 262	0.15 345	0.12 327	0.17 349	0.14 336	0.10 273	0.08 217

iResNetv2_ROB	0.14 186	0.08 140	0.15 191	0.16 68	0.08 47	0.16 199	0.12 21	0.25 203	0.35 292	0.21 249	0.29 267	0.24 251	0.13 170	0.14 148	0.14 185	0.06 54	0.05 106	0.06 31	0.04 8	0.09 246	0.08 217

MDST_ROB	0.22 305	0.10 237	0.17 246	0.18 182	0.11 254	0.37 363	0.19 262	0.43 364	0.41 319	0.39 353	0.39 325	0.29 290	0.21 281	0.26 313	0.18 247	0.11 287	0.10 309	0.14 333	0.11 305	0.10 273	0.08 217

iResNet_ROB	0.14 186	0.07 69	0.13 128	0.14 13	0.07 18	0.18 233	0.14 69	0.26 215	0.31 262	0.22 262	0.25 225	0.23 245	0.15 206	0.15 166	0.13 157	0.07 141	0.05 106	0.05 2	0.04 8	0.08 198	0.08 217

MyStereo8	0.12 135	0.07 69	0.15 191	0.15 38	0.09 131	0.18 233	0.14 69	0.19 116	0.22 173	0.12 83	0.18 142	0.11 74	0.10 88	0.16 197	0.18 247	0.07 141	0.05 106	0.07 98	0.05 31	0.08 198	0.09 250

CFNet_ucs	0.15 219	0.08 140	0.16 221	0.16 68	0.11 254	0.14 153	0.14 69	0.30 271	0.34 285	0.16 173	0.24 196	0.23 245	0.14 193	0.18 230	0.15 208	0.09 235	0.06 189	0.08 162	0.07 161	0.09 246	0.09 250

Wz-Net-LNSev-Ref	0.18 268	0.09 190	0.29 326	0.15 38	0.10 216	0.22 287	0.20 277	0.26 215	0.39 310	0.25 295	0.42 345	0.24 251	0.15 206	0.20 260	0.19 256	0.07 141	0.05 106	0.06 31	0.05 31	0.10 273	0.09 250

NINENet	0.16 237	0.10 237	0.15 191	0.17 115	0.11 254	0.19 253	0.14 69	0.40 351	0.36 296	0.18 211	0.21 173	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.08 268	0.10 267	0.07 161	0.10 273	0.09 250

AASNet	0.16 237	0.08 140	0.12 90	0.19 227	0.09 131	0.18 233	0.15 115	0.37 336	0.37 302	0.19 224	0.23 188	0.20 210	0.16 226	0.17 219	0.20 262	0.10 266	0.08 268	0.08 162	0.07 161	0.09 246	0.09 250

AACVNet	0.16 237	0.08 140	0.14 154	0.15 38	0.10 216	0.18 233	0.15 115	0.23 173	0.24 192	0.27 306	0.27 247	0.28 283	0.17 245	0.19 241	0.16 222	0.09 235	0.07 246	0.09 226	0.07 161	0.10 273	0.09 250

HHNet	0.11 80	0.06 19	0.16 221	0.15 38	0.14 317	0.07 16	0.13 43	0.20 123	0.17 99	0.14 124	0.25 225	0.11 74	0.08 49	0.13 133	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 250

GMM-Stereo	0.11 80	0.07 69	0.10 44	0.18 182	0.09 131	0.08 23	0.15 115	0.23 173	0.16 87	0.11 59	0.15 94	0.13 112	0.11 109	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.09 250

Prome-Stereo	0.11 80	0.06 19	0.10 44	0.18 182	0.08 47	0.12 104	0.15 115	0.22 156	0.13 41	0.12 83	0.17 120	0.13 112	0.08 49	0.12 101	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 250

ADLNet	0.16 237	0.08 140	0.15 191	0.16 68	0.10 216	0.16 199	0.17 191	0.32 286	0.27 231	0.22 262	0.27 247	0.24 251	0.16 226	0.18 230	0.21 281	0.10 266	0.06 189	0.10 267	0.10 282	0.08 198	0.09 250

GES	0.14 186	0.08 140	0.16 221	0.15 38	0.10 216	0.13 129	0.13 43	0.28 247	0.25 211	0.16 173	0.23 188	0.18 192	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.07 98	0.06 86	0.08 198	0.09 250

aanetorigin	0.22 305	0.17 328	0.56 371	0.17 115	0.10 216	0.15 175	0.19 262	0.20 123	0.33 274	0.49 371	0.48 355	0.29 290	0.27 321	0.20 260	0.23 300	0.08 190	0.07 246	0.08 162	0.07 161	0.10 273	0.09 250

EDNetEfficient	0.29 352	0.24 360	1.13 401	0.18 182	0.10 216	0.19 253	0.20 277	0.20 123	0.60 372	0.74 390	0.56 370	0.31 308	0.39 362	0.22 287	0.30 350	0.09 235	0.07 246	0.08 162	0.07 161	0.11 288	0.09 250

NVstereo2D	0.19 278	0.10 237	0.15 191	0.17 115	0.15 328	0.28 336	0.23 312	0.44 366	0.42 325	0.15 148	0.27 247	0.25 261	0.19 269	0.22 287	0.17 233	0.09 235	0.06 189	0.10 267	0.08 211	0.15 342	0.09 250

DISCO	0.19 278	0.09 190	0.22 290	0.17 115	0.10 216	0.25 315	0.18 231	0.27 233	0.44 334	0.22 262	0.31 279	0.33 319	0.26 313	0.28 327	0.28 343	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.09 250

NaN_ROB	0.22 305	0.19 341	0.24 302	0.25 339	0.13 300	0.29 339	0.26 340	0.33 303	0.41 319	0.31 332	0.31 279	0.32 316	0.23 296	0.30 336	0.21 281	0.11 287	0.17 361	0.10 267	0.10 282	0.08 198	0.09 250

FBW_ROB	0.24 328	0.17 328	0.22 290	0.26 344	0.14 317	0.25 315	0.22 302	0.41 356	0.41 319	0.41 360	0.41 340	0.42 353	0.27 321	0.31 337	0.23 300	0.09 235	0.14 347	0.14 333	0.12 323	0.11 288	0.09 250

PWCDC_ROB	0.20 287	0.13 292	0.22 290	0.24 328	0.11 254	0.19 253	0.15 115	0.33 303	0.54 360	0.29 323	0.50 360	0.21 216	0.15 206	0.27 316	0.20 262	0.11 287	0.09 291	0.10 267	0.08 211	0.11 288	0.09 250

PSMNet_ROB	0.21 296	0.11 257	0.15 191	0.27 355	0.15 328	0.24 305	0.35 377	0.43 364	0.37 302	0.27 306	0.32 283	0.32 316	0.22 290	0.21 276	0.26 328	0.12 311	0.08 268	0.13 323	0.11 305	0.09 246	0.09 250

iinet-f	0.16 237	0.06 19	0.45 357	0.14 13	0.10 216	0.21 279	0.14 69	0.27 233	0.23 182	0.21 249	0.24 196	0.21 216	0.15 206	0.18 230	0.21 281	0.09 235	0.07 246	0.07 98	0.06 86	0.09 246	0.10 269

Wz-Net-MNSev	0.22 305	0.13 292	0.31 331	0.20 267	0.14 317	0.36 362	0.24 321	0.33 303	0.44 334	0.28 317	0.40 330	0.38 339	0.19 269	0.24 306	0.25 319	0.09 235	0.07 246	0.09 226	0.09 250	0.12 302	0.10 269

FTStereo	0.12 135	0.06 19	0.14 154	0.18 182	0.09 131	0.07 16	0.15 115	0.21 140	0.18 116	0.12 83	0.24 196	0.12 89	0.12 138	0.13 133	0.13 157	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 269

GrayStereo	0.11 80	0.06 19	0.11 70	0.19 227	0.09 131	0.09 35	0.16 170	0.18 96	0.17 99	0.14 124	0.17 120	0.17 181	0.11 109	0.12 101	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 269

sAnonymous2	0.13 157	0.12 271	0.24 302	0.20 267	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CroCo_RVC	0.13 157	0.12 271	0.24 302	0.20 267	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

Anonymous	0.14 186	0.10 237	0.24 302	0.22 304	0.13 300	0.18 233	0.22 302	0.20 123	0.19 128	0.14 124	0.12 61	0.11 74	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.08 162	0.08 211	0.12 302	0.10 269

EDNetEfficientorigin	7.91 417	0.31 375	153.02 436	0.19 227	0.09 131	0.21 279	0.16 170	0.22 156	0.59 369	0.72 386	0.67 377	0.42 353	0.50 379	0.24 306	0.39 373	0.08 190	0.07 246	0.08 162	0.07 161	0.12 302	0.10 269

GwcNet	0.20 287	0.13 292	0.19 272	0.18 182	0.12 283	0.24 305	0.19 262	0.35 325	0.43 330	0.20 241	0.32 283	0.33 319	0.20 277	0.22 287	0.24 310	0.11 287	0.09 291	0.09 226	0.09 250	0.09 246	0.10 269

HGLStereo	0.17 256	0.08 140	0.19 272	0.17 115	0.12 283	0.18 233	0.18 231	0.31 277	0.32 268	0.21 249	0.32 283	0.25 261	0.18 254	0.19 241	0.20 262	0.09 235	0.09 291	0.07 98	0.07 161	0.09 246	0.10 269

DMCA	0.14 186	0.09 190	0.16 221	0.19 227	0.09 131	0.15 175	0.17 191	0.23 173	0.27 231	0.14 124	0.19 148	0.17 181	0.18 254	0.15 166	0.17 233	0.10 266	0.06 189	0.08 162	0.06 86	0.09 246	0.10 269

FADNet-RVC-Resample	0.16 237	0.11 257	0.31 331	0.22 304	0.11 254	0.19 253	0.14 69	0.25 203	0.24 192	0.24 282	0.27 247	0.20 210	0.15 206	0.16 197	0.15 208	0.07 141	0.08 268	0.12 309	0.10 282	0.09 246	0.10 269

FADNet_RVC	0.16 237	0.14 304	0.40 352	0.20 267	0.11 254	0.13 129	0.13 43	0.26 215	0.22 173	0.21 249	0.23 188	0.20 210	0.17 245	0.14 148	0.16 222	0.08 190	0.08 268	0.12 309	0.09 250	0.11 288	0.10 269

SuperB	0.20 287	0.10 237	0.56 371	0.16 68	0.09 131	0.18 233	0.18 231	0.24 190	0.50 351	0.26 300	0.39 325	0.17 181	0.21 281	0.22 287	0.21 281	0.08 190	0.06 189	0.06 31	0.06 86	0.12 302	0.10 269

AF-Net	0.22 305	0.17 328	0.17 246	0.26 344	0.13 300	0.25 315	0.24 321	0.32 286	0.50 351	0.25 295	0.33 296	0.38 339	0.26 313	0.28 327	0.25 319	0.11 287	0.10 309	0.16 347	0.11 305	0.11 288	0.10 269

Nwc_Net	0.23 320	0.16 317	0.21 285	0.25 339	0.14 317	0.24 305	0.26 340	0.37 336	0.38 307	0.22 262	0.41 340	0.30 298	0.28 329	0.28 327	0.25 319	0.11 287	0.10 309	0.17 349	0.20 361	0.10 273	0.10 269

ADCL	0.24 328	0.11 257	0.47 361	0.22 304	0.12 283	0.34 353	0.29 360	0.29 257	0.56 363	0.24 282	0.46 352	0.30 298	0.30 341	0.29 333	0.29 346	0.08 190	0.07 246	0.09 226	0.09 250	0.10 273	0.10 269

ADCP+	0.20 287	0.10 237	0.33 336	0.20 267	0.12 283	0.22 287	0.26 340	0.31 277	0.34 285	0.26 300	0.37 312	0.22 233	0.22 290	0.27 316	0.27 335	0.09 235	0.06 189	0.08 162	0.08 211	0.09 246	0.10 269

UCFNet_RVC	0.14 186	0.08 140	0.13 128	0.11 1	0.10 216	0.20 265	0.10 6	0.24 190	0.22 173	0.17 185	0.20 159	0.23 245	0.15 206	0.17 219	0.15 208	0.12 311	0.07 246	0.10 267	0.13 332	0.11 288	0.10 269

DeepPruner_ROB	0.16 237	0.11 257	0.15 191	0.17 115	0.10 216	0.17 218	0.15 115	0.32 286	0.21 162	0.19 224	0.21 173	0.22 233	0.18 254	0.20 260	0.15 208	0.13 331	0.09 291	0.09 226	0.09 250	0.11 288	0.10 269

PWC_ROB	0.21 296	0.16 317	0.26 309	0.18 182	0.11 254	0.22 287	0.13 43	0.32 286	0.49 349	0.30 326	0.40 330	0.32 316	0.24 302	0.31 337	0.22 290	0.10 266	0.07 246	0.11 294	0.08 211	0.11 288	0.10 269

CBMV	0.19 278	0.14 304	0.17 246	0.18 182	0.10 216	0.20 265	0.11 11	0.29 257	0.30 256	0.29 323	0.30 271	0.30 298	0.23 296	0.27 316	0.19 256	0.13 331	0.15 353	0.17 349	0.16 348	0.10 273	0.10 269
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	0.27 345	0.13 292	0.18 263	0.15 38	0.11 254	0.32 344	0.24 321	0.40 351	0.36 296	0.52 373	0.57 371	0.67 384	0.40 365	0.35 354	0.26 328	0.14 342	0.13 340	0.13 323	0.11 305	0.11 288	0.10 269
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
SDNR	0.19 278	0.08 140	0.19 272	0.16 68	0.12 283	0.77 398	0.14 69	0.25 203	0.32 268	0.19 224	0.24 196	0.19 200	0.13 170	0.19 241	0.15 208	0.16 356	0.18 363	0.14 333	0.11 305	0.08 198	0.11 292

DisPM	0.11 80	0.07 69	0.12 90	0.16 68	0.09 131	0.06 2	0.13 43	0.17 72	0.17 99	0.14 124	0.20 159	0.12 89	0.10 88	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 292

Wz-Net-SNSev	0.25 337	0.17 328	0.44 356	0.25 339	0.14 317	0.26 323	0.23 312	0.38 343	0.56 363	0.30 326	0.55 365	0.39 347	0.26 313	0.23 298	0.30 350	0.10 266	0.09 291	0.09 226	0.10 282	0.11 288	0.11 292

Wz-Net-LNSev	0.22 305	0.16 317	0.38 349	0.21 291	0.13 300	0.25 315	0.23 312	0.32 286	0.43 330	0.30 326	0.41 340	0.31 308	0.18 254	0.22 287	0.25 319	0.10 266	0.09 291	0.08 162	0.08 211	0.12 302	0.11 292

PFNet+	0.11 80	0.06 19	0.13 128	0.16 68	0.09 131	0.05 1	0.12 21	0.17 72	0.21 162	0.16 173	0.19 148	0.14 127	0.10 88	0.11 45	0.11 85	0.08 190	0.05 106	0.09 226	0.08 211	0.06 101	0.11 292

Anonymous3	0.16 237	0.13 292	0.33 336	0.26 344	0.14 317	0.27 330	0.17 191	0.28 247	0.28 242	0.15 148	0.17 120	0.14 127	0.10 88	0.15 166	0.12 127	0.08 190	0.08 268	0.08 162	0.08 211	0.08 198	0.11 292

hitnet-ft	0.18 268	0.09 190	0.17 246	0.14 13	0.09 131	0.26 323	0.20 277	0.25 203	0.26 224	0.24 282	0.32 283	0.31 308	0.22 290	0.24 306	0.21 281	0.12 311	0.07 246	0.10 267	0.08 211	0.12 302	0.11 292

DANet	0.21 296	0.15 310	0.28 320	0.25 339	0.13 300	0.22 287	0.19 262	0.27 233	0.27 231	0.28 317	0.32 283	0.35 329	0.31 345	0.31 337	0.23 300	0.11 287	0.09 291	0.11 294	0.10 282	0.13 319	0.11 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CBMV_ROB	0.19 278	0.13 292	0.17 246	0.16 68	0.11 254	0.15 175	0.13 43	0.26 215	0.28 242	0.27 306	0.30 271	0.27 276	0.24 302	0.23 298	0.16 222	0.15 345	0.17 361	0.22 366	0.20 361	0.10 273	0.11 292

SANet	0.24 328	0.14 304	0.28 320	0.21 291	0.11 254	0.27 330	0.24 321	0.38 343	0.64 376	0.36 346	0.40 330	0.43 356	0.26 313	0.27 316	0.24 310	0.12 311	0.09 291	0.10 267	0.09 250	0.13 319	0.11 292

SGM_RVC	0.23 320	0.12 271	0.15 191	0.15 38	0.09 131	0.33 350	0.18 231	0.34 313	0.31 262	0.44 367	0.37 312	0.53 373	0.35 355	0.35 354	0.24 310	0.13 331	0.13 340	0.13 323	0.13 332	0.10 273	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
NF-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

OCTAStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

PSM-softLoss	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

KMStereo	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

RE-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

TVStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

APVNet	0.22 305	0.12 271	0.19 272	0.18 182	0.14 317	0.32 344	0.31 373	0.39 347	0.32 268	0.27 306	0.40 330	0.30 298	0.29 337	0.26 313	0.25 319	0.11 287	0.12 327	0.11 294	0.14 336	0.12 302	0.12 303

MaskLacGwcNet_RVC	0.22 305	0.21 352	0.24 302	0.26 344	0.11 254	0.23 300	0.14 69	0.39 347	0.24 192	0.32 338	0.36 306	0.30 298	0.21 281	0.19 241	0.21 281	0.17 360	0.14 347	0.21 362	0.16 348	0.12 302	0.12 303

ADCMid	0.25 337	0.15 310	0.40 352	0.20 267	0.14 317	0.25 315	0.26 340	0.34 313	0.38 307	0.36 346	0.44 350	0.34 325	0.40 365	0.35 354	0.33 361	0.10 266	0.09 291	0.11 294	0.11 305	0.13 319	0.12 303

SGM-ForestM	0.32 360	0.12 271	0.16 221	0.16 68	0.11 254	0.39 366	0.19 262	0.41 356	0.50 351	0.52 373	0.54 364	1.32 403	0.42 372	0.40 371	0.27 335	0.14 342	0.16 356	0.16 347	0.16 348	0.12 302	0.12 303

XPNet_ROB	0.22 305	0.11 257	0.19 272	0.22 304	0.13 300	0.22 287	0.19 262	0.34 313	0.40 316	0.30 326	0.39 325	0.39 347	0.26 313	0.26 313	0.28 343	0.15 345	0.10 309	0.10 267	0.10 282	0.13 319	0.12 303

LALA_ROB	0.25 337	0.16 317	0.22 290	0.26 344	0.17 351	0.27 330	0.27 347	0.42 361	0.37 302	0.33 342	0.38 317	0.51 370	0.26 313	0.28 327	0.27 335	0.16 356	0.09 291	0.12 309	0.11 305	0.13 319	0.12 303

SGM-Forest	0.20 287	0.14 304	0.18 263	0.19 227	0.13 300	0.20 265	0.22 302	0.33 303	0.30 256	0.24 282	0.29 267	0.28 283	0.19 269	0.23 298	0.17 233	0.15 345	0.16 356	0.15 341	0.14 336	0.12 302	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
coex-ft	3.30 412	0.34 377	59.09 435	0.18 182	0.13 300	0.26 323	0.22 302	0.27 233	0.72 384	1.90 413	0.70 381	0.44 358	0.45 375	0.29 333	0.41 378	0.09 235	0.09 291	0.12 309	0.09 250	0.14 331	0.13 316

pcwnet_v2	0.19 278	0.10 237	0.26 309	0.17 115	0.14 317	0.18 233	0.15 115	0.37 336	0.46 342	0.19 224	0.24 196	0.21 216	0.19 269	0.20 260	0.19 256	0.13 331	0.10 309	0.10 267	0.10 282	0.11 288	0.13 316

FINET	0.21 296	0.18 338	0.26 309	0.18 182	0.16 338	0.23 300	0.23 312	0.32 286	0.48 344	0.25 295	0.32 283	0.22 233	0.22 290	0.22 287	0.17 233	0.18 361	0.16 356	0.11 294	0.10 282	0.15 342	0.13 316

S-Stereo	0.20 287	0.12 271	0.25 308	0.21 291	0.13 300	0.20 265	0.18 231	0.32 286	0.43 330	0.23 274	0.36 306	0.28 283	0.30 341	0.19 241	0.22 290	0.09 235	0.12 327	0.10 267	0.10 282	0.13 319	0.13 316

G-Net	0.24 328	0.16 317	0.36 345	0.22 304	0.16 338	0.51 375	0.23 312	0.29 257	0.34 285	0.36 346	0.38 317	0.31 308	0.29 337	0.27 316	0.26 328	0.11 287	0.09 291	0.12 309	0.09 250	0.16 349	0.13 316

NCC-stereo	0.24 328	0.15 310	0.31 331	0.26 344	0.16 338	0.20 265	0.30 367	0.40 351	0.40 316	0.24 282	0.38 317	0.33 319	0.28 329	0.36 359	0.27 335	0.12 311	0.11 318	0.15 341	0.22 366	0.13 319	0.13 316

stereogan	0.22 305	0.11 257	0.21 285	0.20 267	0.12 283	0.31 343	0.19 262	0.35 325	0.44 334	0.22 262	0.39 325	0.35 329	0.27 321	0.33 345	0.22 290	0.10 266	0.12 327	0.10 267	0.10 282	0.14 331	0.13 316

edge stereo	0.22 305	0.13 292	0.20 280	0.21 291	0.13 300	0.23 300	0.16 170	0.32 286	0.42 325	0.32 338	0.40 330	0.38 339	0.35 355	0.25 311	0.24 310	0.13 331	0.11 318	0.14 333	0.11 305	0.12 302	0.13 316

Abc-Net	0.24 328	0.15 310	0.31 331	0.26 344	0.16 338	0.20 265	0.30 367	0.40 351	0.40 316	0.24 282	0.38 317	0.33 319	0.28 329	0.36 359	0.27 335	0.12 311	0.11 318	0.15 341	0.22 366	0.13 319	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 320	0.12 271	0.28 320	0.21 291	0.13 300	0.28 336	0.16 170	0.35 325	0.66 379	0.27 306	0.33 296	0.30 298	0.21 281	0.31 337	0.29 346	0.10 266	0.08 268	0.09 226	0.10 282	0.13 319	0.13 316

DeepPrunerF	0.24 328	0.17 328	0.42 355	0.26 344	0.16 338	0.22 287	0.28 352	0.37 336	0.50 351	0.26 300	0.29 267	0.24 251	0.28 329	0.21 276	0.22 290	0.15 345	0.11 318	0.20 361	0.18 359	0.12 302	0.13 316

ADCPNet	0.25 337	0.16 317	0.61 375	0.21 291	0.15 328	0.35 361	0.25 334	0.32 286	0.35 292	0.30 326	0.40 330	0.36 331	0.28 329	0.28 327	0.32 358	0.12 311	0.10 309	0.11 294	0.12 323	0.14 331	0.13 316

PA-Net	0.23 320	0.18 338	0.33 336	0.28 358	0.22 367	0.21 279	0.38 382	0.29 257	0.39 310	0.22 262	0.32 283	0.25 261	0.26 313	0.20 260	0.25 319	0.09 235	0.23 378	0.15 341	0.22 366	0.09 246	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 320	0.15 310	0.17 246	0.34 372	0.18 358	0.24 305	0.23 312	0.34 313	0.28 242	0.31 332	0.38 317	0.38 339	0.28 329	0.23 298	0.24 310	0.15 345	0.12 327	0.18 357	0.21 363	0.13 319	0.13 316

NOSS_ROB	0.19 278	0.12 271	0.18 263	0.16 68	0.12 283	0.15 175	0.12 21	0.30 271	0.32 268	0.20 241	0.22 182	0.27 276	0.23 296	0.21 276	0.16 222	0.16 356	0.18 363	0.23 367	0.21 363	0.12 302	0.13 316

ETE_ROB	0.23 320	0.17 328	0.22 290	0.25 339	0.13 300	0.26 323	0.29 360	0.31 277	0.36 296	0.28 317	0.36 306	0.45 360	0.26 313	0.27 316	0.26 328	0.11 287	0.08 268	0.12 309	0.09 250	0.14 331	0.13 316

PDISCO_ROB	0.27 345	0.16 317	0.26 309	0.28 358	0.20 363	0.32 344	0.26 340	0.44 366	0.57 365	0.28 317	0.40 330	0.45 360	0.29 337	0.33 345	0.34 363	0.12 311	0.09 291	0.17 349	0.16 348	0.17 356	0.13 316

Wz-Net-TNSev	0.29 352	0.20 346	0.65 378	0.19 227	0.15 328	0.38 365	0.27 347	0.35 325	0.55 361	0.34 343	0.42 345	0.45 360	0.38 360	0.32 343	0.30 350	0.12 311	0.13 340	0.10 267	0.12 323	0.15 342	0.14 333

UDG	0.21 296	0.17 328	0.19 272	0.23 323	0.15 328	0.30 342	0.20 277	0.33 303	0.35 292	0.23 274	0.28 256	0.31 308	0.27 321	0.20 260	0.22 290	0.15 345	0.12 327	0.13 323	0.09 250	0.14 331	0.14 333

SACVNet	0.18 268	0.12 271	0.14 154	0.17 115	0.13 300	0.22 287	0.18 231	0.31 277	0.30 256	0.23 274	0.31 279	0.30 298	0.22 290	0.22 287	0.17 233	0.11 287	0.08 268	0.10 267	0.10 282	0.12 302	0.14 333

PSM-AAD	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.20 123	0.13 41	0.12 83	0.14 80	0.18 192	0.11 109	0.11 45	0.10 49	0.05 2	0.05 106	0.09 226	0.08 211	0.06 101	0.14 333

FAT-Stereo	0.20 287	0.12 271	0.22 290	0.21 291	0.12 283	0.17 218	0.18 231	0.34 313	0.39 310	0.27 306	0.37 312	0.34 325	0.32 348	0.21 276	0.20 262	0.09 235	0.11 318	0.10 267	0.09 250	0.11 288	0.14 333

RP	0.21 296	0.13 292	0.21 285	0.23 323	0.11 254	0.21 279	0.20 277	0.25 203	0.44 334	0.21 249	0.38 317	0.36 331	0.24 302	0.27 316	0.25 319	0.11 287	0.12 327	0.13 323	0.12 323	0.12 302	0.14 333

Anonymous Stereo	0.23 320	0.19 341	0.50 363	0.24 328	0.17 351	0.21 279	0.21 293	0.33 303	0.44 334	0.25 295	0.34 300	0.26 269	0.18 254	0.31 337	0.27 335	0.13 331	0.12 327	0.12 309	0.13 332	0.11 288	0.14 333

WCMA_ROB	0.24 328	0.11 257	0.22 290	0.17 115	0.14 317	0.32 344	0.15 115	0.32 286	0.32 268	0.38 351	0.53 362	0.40 350	0.34 353	0.34 348	0.25 319	0.11 287	0.12 327	0.12 309	0.10 282	0.14 331	0.14 333

SQANet	0.23 320	0.23 357	0.30 329	0.30 367	0.19 360	0.27 330	0.13 43	0.29 257	0.33 274	0.24 282	0.37 312	0.31 308	0.22 290	0.27 316	0.23 300	0.15 345	0.10 309	0.21 362	0.16 348	0.21 364	0.15 341

LCNet	0.11 80	0.07 69	0.09 28	0.19 227	0.09 131	0.08 23	0.15 115	0.21 140	0.15 69	0.11 59	0.15 94	0.16 162	0.11 109	0.12 101	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.15 341

MFN_U_SF_RVC	0.32 360	0.21 352	0.55 369	0.30 367	0.15 328	0.34 353	0.17 191	0.52 379	0.46 342	0.46 370	0.55 365	0.59 376	0.39 362	0.35 354	0.37 369	0.15 345	0.14 347	0.18 357	0.21 363	0.16 349	0.15 341

RTS	0.45 377	0.19 341	3.26 410	0.24 328	0.15 328	0.74 392	0.20 277	0.36 331	0.76 389	0.42 363	0.43 348	0.31 308	0.41 369	0.53 383	0.35 364	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 341

RTSA	0.45 377	0.19 341	3.26 410	0.24 328	0.15 328	0.74 392	0.20 277	0.36 331	0.76 389	0.42 363	0.43 348	0.31 308	0.41 369	0.53 383	0.35 364	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 341

AnyNet_C01	0.36 366	0.25 365	1.37 404	0.22 304	0.17 351	0.48 373	0.27 347	0.35 325	0.39 310	0.39 353	0.74 385	0.46 364	0.38 360	0.45 375	0.47 384	0.13 331	0.13 340	0.13 323	0.14 336	0.14 331	0.15 341

AnyNet_C32	0.26 343	0.16 317	0.36 345	0.20 267	0.16 338	0.25 315	0.30 367	0.32 286	0.44 334	0.31 332	0.49 356	0.30 298	0.33 349	0.40 371	0.33 361	0.12 311	0.12 327	0.12 309	0.14 336	0.14 331	0.15 341

RYNet	0.22 305	0.12 271	0.22 290	0.19 227	0.17 351	0.46 369	0.26 340	0.38 343	0.48 344	0.24 282	0.28 256	0.34 325	0.23 296	0.20 260	0.30 350	0.10 266	0.06 189	0.09 226	0.09 250	0.13 319	0.15 341

CC-Net-ROB	0.28 348	0.31 375	0.36 345	0.29 365	0.15 328	0.25 315	0.19 262	0.45 369	0.33 274	0.39 353	0.37 312	0.39 347	0.31 345	0.27 316	0.26 328	0.24 379	0.19 366	0.30 380	0.23 370	0.18 359	0.15 341

CSAN	0.29 352	0.24 360	0.27 315	0.34 372	0.19 360	0.33 350	0.42 386	0.37 336	0.50 351	0.38 351	0.40 330	0.44 358	0.33 349	0.28 327	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 331	0.15 341

DispFullNet	0.27 345	0.21 352	0.65 378	0.28 358	0.16 338	0.26 323	0.17 191	0.33 303	0.58 368	0.27 306	0.38 317	0.43 356	0.23 296	0.38 364	0.23 300	0.12 311	0.06 189	0.19 359	0.11 305	0.21 364	0.15 341

WZ-Net	0.28 348	0.17 328	0.78 392	0.22 304	0.16 338	0.34 353	0.29 360	0.39 347	0.57 365	0.24 282	0.55 365	0.37 335	0.24 302	0.33 345	0.35 364	0.09 235	0.08 268	0.09 226	0.10 282	0.14 331	0.16 352

DDUNet	0.22 305	0.17 328	0.21 285	0.22 304	0.15 328	0.25 315	0.24 321	0.29 257	0.30 256	0.31 332	0.36 306	0.33 319	0.25 310	0.24 306	0.20 262	0.18 361	0.13 340	0.17 349	0.11 305	0.16 349	0.16 352

KYRaft	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.08 23	0.15 115	0.22 156	0.12 25	0.13 104	0.16 102	0.20 210	0.10 88	0.12 101	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.06 101	0.16 352

psmorigin	0.25 337	0.15 310	0.34 344	0.17 115	0.13 300	0.23 300	0.14 69	0.34 313	0.33 274	0.41 360	0.55 365	0.41 352	0.37 359	0.34 348	0.27 335	0.11 287	0.15 353	0.11 294	0.11 305	0.12 302	0.16 352

RGC	0.25 337	0.20 346	0.29 326	0.28 358	0.16 338	0.22 287	0.23 312	0.32 286	0.44 334	0.27 306	0.40 330	0.38 339	0.27 321	0.36 359	0.22 290	0.11 287	0.13 340	0.17 349	0.17 355	0.14 331	0.16 352

ADCS	0.29 352	0.18 338	0.45 357	0.21 291	0.17 351	0.28 336	0.23 312	0.41 356	0.63 375	0.40 356	0.49 356	0.40 350	0.36 357	0.39 367	0.40 375	0.13 331	0.12 327	0.13 323	0.14 336	0.16 349	0.16 352

DPSNet	0.28 348	0.16 317	0.31 331	0.18 182	0.13 300	0.54 377	0.42 386	0.51 378	0.67 380	0.29 323	0.38 317	0.38 339	0.29 337	0.31 337	0.23 300	0.11 287	0.10 309	0.11 294	0.08 211	0.20 363	0.16 352

Anonymous_2	0.22 305	0.17 328	0.28 320	0.15 38	0.16 338	0.32 344	0.22 302	0.22 156	0.17 99	0.23 274	0.24 196	0.26 269	0.27 321	0.27 316	0.23 300	0.22 373	0.25 380	0.17 349	0.17 355	0.17 356	0.17 359

GANetREF_RVC	0.31 358	0.34 377	0.27 315	0.35 374	0.16 338	0.32 344	0.41 383	0.48 373	0.51 358	0.35 344	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
ccnet	0.29 352	0.28 370	0.23 299	0.20 267	0.28 377	0.41 368	0.21 293	0.45 369	0.33 274	0.36 346	0.46 352	0.36 331	0.30 341	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

MSC_U_SF_DS_RVC	0.43 374	0.39 381	0.54 367	0.40 378	0.20 363	0.64 384	0.32 375	0.53 381	0.72 384	0.71 384	0.72 382	0.61 378	0.54 380	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

FADNet-RVC	0.20 287	0.20 346	0.38 349	0.21 291	0.16 338	0.20 265	0.15 115	0.26 215	0.26 224	0.26 300	0.32 283	0.26 269	0.21 281	0.22 287	0.19 256	0.12 311	0.13 340	0.12 309	0.14 336	0.13 319	0.18 361

FADNet	0.21 296	0.22 356	0.36 345	0.18 182	0.17 351	0.24 305	0.13 43	0.31 277	0.31 262	0.23 274	0.25 225	0.27 276	0.21 281	0.19 241	0.15 208	0.13 331	0.15 353	0.12 309	0.15 346	0.16 349	0.18 361

XQC	0.28 348	0.23 357	0.51 364	0.28 358	0.19 360	0.34 353	0.27 347	0.36 331	0.57 365	0.31 332	0.30 271	0.37 335	0.30 341	0.38 364	0.38 371	0.13 331	0.09 291	0.15 341	0.12 323	0.17 356	0.18 361

MFN_U_SF_DS_RVC	0.30 357	0.24 360	0.29 326	0.36 376	0.16 338	0.34 353	0.30 367	0.32 286	0.42 325	0.40 356	0.46 352	0.38 339	0.31 345	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

SHD	0.26 343	0.15 310	0.30 329	0.24 328	0.18 358	0.22 287	0.15 115	0.38 343	0.71 383	0.32 338	0.41 340	0.36 331	0.28 329	0.32 343	0.29 346	0.12 311	0.11 318	0.14 333	0.13 332	0.16 349	0.20 367

SAMSARA	0.40 370	0.28 370	0.33 336	0.55 389	0.39 383	0.82 399	1.23 413	0.47 372	0.51 358	0.36 346	0.35 303	0.55 375	0.39 362	0.38 364	0.39 373	0.15 345	0.20 369	0.15 341	0.14 336	0.23 367	0.20 367

BEATNet-Init1	0.52 382	0.27 367	0.62 376	0.30 367	0.21 365	0.76 396	0.29 360	0.54 382	0.65 378	0.86 395	0.95 396	2.07 412	0.62 389	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

PASM	0.32 360	0.24 360	0.48 362	0.28 358	0.27 376	0.29 339	0.30 367	0.34 313	0.49 349	0.35 344	0.39 325	0.46 364	0.34 353	0.34 348	0.35 364	0.23 377	0.25 380	0.26 369	0.28 377	0.23 367	0.21 369

MSMD_ROB	0.31 358	0.26 366	0.26 309	0.24 328	0.21 365	0.34 353	0.25 334	0.34 313	0.39 310	0.40 356	0.69 379	0.45 360	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

DGSMNet	0.24 328	0.19 341	0.33 336	0.21 291	0.24 370	0.24 305	0.20 277	0.35 325	0.41 319	0.24 282	0.32 283	0.38 339	0.21 281	0.29 333	0.23 300	0.12 311	0.11 318	0.14 333	0.16 348	0.23 367	0.23 372

ACVNet_1	0.44 375	0.49 385	0.60 374	0.45 383	0.28 377	0.49 374	0.27 347	0.57 386	0.72 384	0.62 379	0.58 373	0.74 388	0.49 378	0.50 378	0.35 364	0.26 380	0.24 379	0.39 384	0.29 378	0.31 383	0.24 373

FCDSN-DC	0.33 363	0.28 370	0.28 320	0.30 367	0.24 370	0.39 366	0.28 352	0.42 361	0.42 325	0.43 366	0.53 362	0.51 370	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 374	0.24 373
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 377	0.27 367	0.27 315	0.27 355	0.24 370	0.47 371	0.31 373	0.55 383	0.59 369	0.72 386	1.13 405	1.15 397	0.61 387	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 374	0.24 373

FC-DCNN	0.33 363	0.27 367	0.28 320	0.26 344	0.23 369	0.37 363	0.28 352	0.40 351	0.43 330	0.45 368	0.55 365	0.51 370	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 374	0.24 373

ELAS_RVC	0.41 372	0.29 373	0.33 336	0.28 358	0.24 370	0.54 377	0.36 378	0.49 375	0.59 369	0.72 386	0.74 385	0.65 382	0.54 380	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 377	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 372	0.29 373	0.33 336	0.27 355	0.24 370	0.60 382	0.36 378	0.50 377	0.50 351	0.71 384	0.79 389	0.67 384	0.54 380	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 377	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ACVNet-4b	0.39 367	0.53 386	0.55 369	0.45 383	0.24 370	0.47 371	0.18 231	0.49 375	0.64 376	0.42 363	0.45 351	0.60 377	0.27 321	0.34 348	0.24 310	0.33 384	0.14 347	0.48 387	0.42 387	0.30 380	0.26 379

otaku	0.39 367	0.37 380	0.52 365	0.44 382	0.28 377	0.58 379	0.24 321	0.41 356	0.62 374	0.40 356	0.49 356	0.46 364	0.33 349	0.40 371	0.32 358	0.30 382	0.30 384	0.39 384	0.33 383	0.29 379	0.28 380

Ntro	0.40 370	0.40 382	0.53 366	0.46 386	0.30 381	0.65 385	0.24 321	0.46 371	0.68 381	0.41 360	0.49 356	0.48 368	0.42 372	0.39 367	0.31 357	0.32 383	0.28 382	0.37 383	0.30 380	0.32 384	0.29 381

Consistency-Raft	0.44 375	0.40 382	0.45 357	0.37 377	0.43 386	0.46 369	0.41 383	0.57 386	0.55 361	0.32 338	0.73 383	0.33 319	0.48 377	0.42 374	0.49 386	0.39 386	0.35 386	0.45 386	0.51 394	0.42 386	0.29 381

NVStereoNet_ROB	0.46 380	0.36 379	0.46 360	0.41 380	0.28 377	0.34 353	0.34 376	0.48 373	0.60 372	0.72 386	0.93 394	0.70 387	0.66 390	0.47 376	0.60 393	0.22 373	0.33 385	0.34 382	0.34 385	0.30 380	0.30 383
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
PVD	0.39 367	0.20 346	0.39 351	0.31 371	0.22 367	0.29 339	0.43 388	0.52 379	0.96 396	0.55 376	0.79 389	0.53 373	0.59 386	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 336	0.24 373	0.31 384

MADNet+	0.75 394	0.71 396	3.70 413	0.66 392	0.41 384	0.98 404	0.97 411	0.69 391	0.73 387	0.52 373	0.57 371	0.64 380	0.68 392	0.86 401	1.01 409	0.34 385	0.36 387	0.28 377	0.23 370	0.36 385	0.31 384

LSM	0.33 363	0.20 346	0.58 373	0.26 344	0.60 398	0.34 353	0.25 334	0.42 361	0.48 344	0.45 368	0.58 373	0.42 353	0.36 357	0.35 354	0.25 319	0.12 311	0.20 369	0.14 333	0.16 348	0.19 362	0.33 386

JetBlue	0.71 391	0.45 384	1.14 402	0.51 387	0.47 388	2.02 413	0.64 400	0.75 392	0.70 382	0.69 383	0.77 388	1.22 399	0.83 397	1.03 409	1.01 409	0.40 387	0.28 382	0.33 381	0.33 383	0.30 380	0.34 387

ACVNet_2	0.66 390	0.66 394	0.68 386	0.63 391	0.41 384	0.71 390	0.49 390	0.96 401	1.39 405	0.89 396	1.09 401	1.04 393	0.73 393	0.54 385	0.47 384	0.43 390	0.40 388	0.53 392	0.44 388	0.47 387	0.35 388

IMH-64-1	0.65 388	0.61 390	0.68 386	0.71 393	0.51 389	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 389	0.78 395	0.79 394	0.49 386	0.42 388	0.46 389	0.71 395	0.47 389	0.52 389	0.39 389

IMH-64	0.65 388	0.61 390	0.68 386	0.71 393	0.51 389	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 389	0.78 395	0.79 394	0.49 386	0.42 388	0.46 389	0.71 395	0.47 389	0.52 389	0.39 389

RainbowNet	0.54 384	0.61 390	0.70 390	0.57 390	0.43 386	0.65 385	0.37 381	0.60 388	0.87 393	0.50 372	0.66 376	0.64 380	0.47 376	0.49 377	0.43 382	0.47 392	0.48 394	0.52 391	0.41 386	0.52 389	0.40 391

IMH	0.71 391	0.64 393	0.68 386	0.76 395	0.54 391	0.69 388	0.54 394	0.98 403	1.10 398	0.82 394	1.09 401	0.89 391	0.88 400	0.87 402	0.52 390	0.44 391	0.50 398	0.75 398	0.51 394	0.56 394	0.41 392

PWCK	0.71 391	0.94 406	0.95 399	0.76 395	0.31 382	0.74 392	0.36 378	0.90 396	0.90 394	0.96 399	0.75 387	0.95 392	0.61 387	0.87 402	0.66 396	0.72 402	0.46 389	0.75 398	0.49 391	0.69 401	0.44 393

TorneroNet-64	0.76 395	0.72 397	0.74 391	0.78 397	0.58 397	0.91 403	0.56 395	0.84 395	1.29 402	0.66 380	0.90 392	1.40 405	0.75 394	0.85 400	0.67 399	0.49 393	0.46 389	0.72 397	0.59 397	0.67 398	0.53 394

anonymity	0.53 383	0.58 388	0.65 378	0.41 380	0.61 399	0.53 376	0.41 383	0.56 384	0.41 319	0.55 376	0.50 360	0.49 369	0.55 383	0.58 388	0.50 389	0.58 397	0.50 398	0.51 389	0.51 394	0.51 388	0.57 395

WAO-7	0.79 396	0.78 399	0.54 367	0.85 401	0.67 402	0.74 392	0.68 404	1.05 406	1.32 403	0.90 397	1.20 408	1.04 393	0.92 401	0.69 392	0.66 396	0.60 399	0.62 408	0.67 394	0.68 402	0.64 395	0.58 396

WAO-6	0.81 397	0.80 400	0.62 376	0.86 402	0.63 400	0.76 396	0.58 397	0.98 403	1.54 410	0.90 397	0.96 397	1.07 395	1.03 405	0.70 393	0.66 396	0.72 402	0.49 396	0.90 405	0.71 403	0.68 399	0.58 396

Dean	0.87 400	0.86 404	0.79 394	0.81 399	0.56 394	0.90 400	0.63 398	1.15 411	1.73 411	1.15 406	1.15 406	1.31 402	0.99 404	0.81 396	0.81 405	0.57 396	0.56 405	0.77 401	0.64 400	0.66 397	0.58 396

SPS-STEREO	0.57 386	0.58 388	0.65 378	0.45 383	0.55 393	0.62 383	0.44 389	0.62 389	0.50 351	0.68 382	0.64 375	0.66 383	0.57 385	0.61 389	0.60 393	0.62 400	0.47 393	0.51 389	0.49 391	0.55 393	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 385	0.57 387	0.65 378	0.40 378	0.54 391	0.66 387	0.49 390	0.56 384	0.45 341	0.66 380	0.69 379	0.67 384	0.56 384	0.63 390	0.56 391	0.59 398	0.48 394	0.50 388	0.50 393	0.52 389	0.58 396

LVE	0.83 399	0.85 403	0.85 397	0.80 398	0.56 394	1.04 409	0.65 401	1.05 406	1.47 408	0.96 399	1.22 409	1.10 396	0.85 398	0.83 397	0.71 401	0.49 393	0.55 404	0.76 400	0.60 399	0.65 396	0.59 401

WAO-8	0.91 401	0.81 401	0.65 378	0.94 405	0.69 403	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 400	1.07 406	0.84 398	0.78 402	0.74 404	0.53 401	0.86 403	0.75 404	0.69 401	0.62 402

Venus	0.91 401	0.81 401	0.65 378	0.94 405	0.69 403	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 400	1.07 406	0.84 398	0.78 402	0.74 404	0.53 401	0.86 403	0.75 404	0.69 401	0.62 402

TorneroNet	0.82 398	0.74 398	0.81 396	0.84 400	0.63 400	0.99 405	0.63 398	0.96 401	1.16 399	0.80 393	1.11 403	1.36 404	0.86 399	0.93 405	0.80 404	0.56 395	0.49 396	0.78 402	0.66 401	0.73 404	0.63 404

MFMNet_re	0.64 387	0.66 394	0.65 378	0.51 387	0.69 403	0.69 388	0.57 396	0.64 390	0.73 387	0.60 378	0.73 383	0.62 379	0.67 391	0.65 391	0.60 393	0.66 401	0.58 407	0.63 393	0.59 397	0.68 399	0.69 405

UNDER WATER-64	0.95 403	0.94 406	1.43 406	0.87 403	0.56 394	1.18 412	0.87 408	0.77 393	0.94 395	1.04 402	0.85 391	1.58 410	1.21 411	0.94 406	0.96 407	0.87 408	0.57 406	1.03 408	0.88 409	0.78 406	0.73 406

UNDER WATER	0.97 404	0.97 408	1.42 405	0.99 407	0.70 406	1.12 411	0.84 407	0.80 394	1.08 397	1.01 401	0.90 392	1.55 409	1.22 412	1.03 409	1.00 408	0.78 406	0.53 401	1.02 407	0.87 408	0.80 407	0.74 407

ktn	1.01 406	1.21 411	0.80 395	1.23 412	0.86 409	1.01 407	0.87 408	0.94 400	1.39 405	1.04 402	1.12 404	1.15 397	1.07 406	0.94 406	0.59 392	1.28 413	0.71 411	1.38 413	0.83 407	1.02 411	0.75 408

SPstereo	13.84 426	0.93 405	1.50 407	1.22 411	0.88 410	28.82 429	48.26 429	26.77 436	29.54 435	22.37 434	22.60 433	23.23 434	24.68 434	24.53 434	15.06 426	0.88 409	0.69 410	1.83 415	1.60 415	0.74 405	0.77 409

notaker	0.97 404	1.11 409	0.98 400	1.13 409	0.81 407	0.73 391	0.68 404	0.93 399	1.16 399	1.18 408	1.18 407	1.41 406	1.16 410	1.08 411	0.69 400	0.81 407	0.64 409	1.17 409	0.79 406	0.98 409	0.80 410

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

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

JetRed	1.62 410	1.46 414	2.98 409	0.92 404	1.21 413	4.99 415	1.53 415	1.27 413	1.39 405	1.83 412	1.74 414	1.60 411	0.95 402	1.41 412	2.45 415	0.90 410	1.60 414	0.93 406	0.90 410	1.35 413	0.99 413

DPSimNet_ROB	1.11 408	1.23 412	0.78 392	1.13 409	0.88 410	1.10 410	1.13 412	1.16 412	1.23 401	1.43 410	1.02 398	1.41 406	1.10 409	0.90 404	1.60 411	1.46 414	0.51 400	1.21 411	1.03 412	0.90 408	1.01 414

tt	4.67 413	0.06 19	3.55 412	2.02 415	1.55 414	10.25 419	16.71 419	8.91 422	5.03 416	1.31 409	0.94 395	4.71 415	4.76 415	3.33 415	5.87 417	6.06 422	10.30 426	1.88 416	2.11 417	2.75 415	1.21 415

MADNet++	1.95 411	1.75 415	1.59 408	1.82 414	1.69 415	2.33 414	1.40 414	2.35 414	2.09 415	2.57 414	2.36 415	2.24 413	2.17 414	2.28 414	2.34 414	1.87 415	1.66 415	1.54 414	1.34 414	1.92 414	1.77 416

PML	8.91 420	9.34 426	6.13 414	5.35 419	6.41 420	14.99 421	23.38 425	5.27 415	6.83 417	18.04 426	28.19 435	7.67 418	6.83 417	7.85 419	5.75 416	5.35 421	1.83 416	5.95 425	1.93 416	8.64 423	2.52 417

xxxxx1	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

tt_ll	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

ff	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

Anonymous_1	10.96 423	7.92 423	7.46 419	10.33 422	10.06 421	18.65 426	26.34 426	11.06 423	13.44 424	9.40 421	10.05 421	9.67 423	11.23 423	10.73 423	12.72 423	6.42 423	8.38 423	5.77 422	10.61 422	12.12 424	6.77 421

DPSMNet_ROB	8.06 418	4.48 418	8.63 422	5.37 421	10.74 423	8.32 417	22.98 424	5.46 416	13.36 423	5.12 416	9.92 419	5.08 416	10.40 421	5.53 418	12.58 421	3.80 420	8.00 421	3.50 417	7.02 420	3.83 419	7.14 422

DGTPSM_ROB	8.06 418	4.48 418	8.63 422	5.35 419	10.72 422	8.32 417	22.97 423	5.46 416	13.35 422	5.12 416	9.92 419	5.08 416	10.40 421	5.52 417	12.58 421	3.79 419	8.00 421	3.50 417	7.02 420	3.83 419	7.14 422

DPSM_ROB	11.15 424	8.58 424	8.00 420	10.88 423	11.58 424	19.10 427	26.71 427	12.05 424	14.07 425	10.36 422	10.84 422	10.33 424	11.86 424	11.70 424	13.54 424	6.99 424	8.79 424	5.89 423	6.95 418	7.29 421	7.42 424

DPSM	11.15 424	8.58 424	8.00 420	10.88 423	11.58 424	19.10 427	26.71 427	12.05 424	14.07 425	10.36 422	10.84 422	10.33 424	11.86 424	11.70 424	13.54 424	6.99 424	8.79 424	5.89 423	6.95 418	7.29 421	7.42 424

MyStereo03	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

MyStereo02	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

MyStereo	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

LSM0	22.87 434	17.28 428	18.96 429	22.19 433	29.04 435	38.42 435	53.71 430	24.28 433	28.31 429	20.78 430	21.00 427	21.43 433	24.16 433	23.50 432	27.39 431	14.09 431	17.38 428	11.84 431	14.04 431	14.73 430	14.89 426

CasAABBNet	22.42 429	17.33 429	16.01 424	22.01 431	23.28 432	38.32 430	53.80 434	24.14 429	28.41 430	20.60 428	21.77 428	20.89 432	23.91 432	23.43 428	27.36 430	14.07 426	17.69 429	11.83 430	14.01 427	14.67 428	14.95 430

Selective-RAFT-Error	22.47 433	17.37 433	16.09 425	22.06 432	23.34 433	38.39 434	53.83 435	24.29 434	28.47 434	20.74 429	21.83 429	20.81 431	23.90 431	23.54 433	27.53 435	14.08 427	17.69 429	11.82 426	14.00 426	14.69 429	15.00 431

LRCNet_RVC	10.62 422	13.42 427	7.30 415	18.92 426	2.07 416	0.33 350	0.30 367	5.59 418	0.48 344	13.03 424	17.94 425	8.87 419	5.65 416	4.79 416	1.89 413	23.51 433	2.73 420	27.55 434	25.71 434	16.07 431	16.33 432

HaxPig	15.71 427	18.52 434	19.18 430	16.89 425	15.89 427	7.73 416	7.60 416	13.31 426	10.82 421	15.42 425	14.91 424	15.98 426	14.92 426	15.58 426	15.98 427	18.95 432	16.73 427	19.46 432	18.08 432	19.26 432	19.05 433

MEDIAN_ROB	20.38 428	24.04 435	23.31 432	21.23 427	21.71 428	10.40 420	7.92 417	17.64 427	15.50 427	20.12 427	19.70 426	20.34 427	20.32 427	21.19 427	21.13 428	23.81 434	21.81 434	24.98 433	23.76 433	24.71 433	23.93 434

AVERAGE_ROB	24.90 435	29.20 436	28.14 433	24.89 434	24.64 434	17.75 425	11.12 418	21.45 428	19.93 428	25.12 435	24.46 434	25.12 435	25.46 435	24.69 435	22.83 429	29.76 435	27.13 435	28.97 435	27.95 435	29.91 434	29.47 435

test_example2	98.32 436	94.13 437	45.89 434	96.35 435	109.85 436	88.61 436	95.45 436	25.75 435	94.37 436	130.00 436	126.06 436	58.17 436	74.63 436	88.51 436	79.96 436	150.23 436	221.02 436	77.62 436	99.10 436	113.75 436	96.94 436

ASD4		3.38 417

Low-res two-view benchmark