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

PSi22b	0.06 1	0.04 1	0.09 118	0.13 16	0.05 2	0.08 77	0.11 61	0.06 1	0.06 6	0.06 20	0.06 23	0.08 175	0.05 14	0.08 25	0.09 101	0.06 166	0.04 25	0.04 1	0.03 1	0.05 161	0.04 71

PSi22a	0.06 1	0.04 1	0.09 118	0.12 5	0.05 2	0.06 12	0.11 61	0.06 1	0.06 6	0.06 20	0.06 23	0.06 39	0.05 14	0.08 25	0.09 101	0.07 328	0.04 25	0.04 1	0.03 1	0.05 161	0.04 71

Foundation-i32	0.06 1	0.04 1	0.09 118	0.13 16	0.04 1	0.06 12	0.12 93	0.06 1	0.05 4	0.06 20	0.05 7	0.05 5	0.05 14	0.07 4	0.09 101	0.06 166	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

MLG-Stereo_test2	0.06 1	0.04 1	0.10 182	0.15 106	0.05 2	0.07 39	0.11 61	0.09 18	0.04 2	0.06 20	0.05 7	0.06 39	0.04 1	0.08 25	0.09 101	0.06 166	0.04 25	0.05 45	0.03 1	0.05 161	0.05 200

MLG-Stereo_test1	0.06 1	0.05 36	0.08 56	0.17 287	0.05 2	0.06 12	0.11 61	0.08 10	0.03 1	0.05 2	0.04 1	0.06 39	0.05 14	0.09 58	0.09 101	0.05 51	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

FoundationStereo	0.06 1	0.04 1	0.08 56	0.12 5	0.05 2	0.09 129	0.13 163	0.06 1	0.09 45	0.05 2	0.05 7	0.06 39	0.04 1	0.06 1	0.07 1	0.06 166	0.04 25	0.05 45	0.03 1	0.05 161	0.04 71

monster-pro	0.07 7	0.06 99	0.05 1	0.15 106	0.05 2	0.07 39	0.10 32	0.15 177	0.15 232	0.05 2	0.06 23	0.05 5	0.06 62	0.07 4	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

PointNet	0.07 7	0.06 99	0.07 11	0.15 106	0.07 125	0.08 77	0.14 228	0.11 54	0.08 24	0.05 2	0.07 60	0.08 175	0.08 222	0.09 58	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.03 1	0.04 71

aanet-new-60k	0.07 7	0.07 216	0.08 56	0.18 377	0.06 27	0.07 39	0.10 32	0.09 18	0.14 207	0.07 67	0.07 60	0.06 39	0.06 62	0.11 188	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

aanet-new-70k	0.07 7	0.06 99	0.09 118	0.17 287	0.06 27	0.08 77	0.12 93	0.11 54	0.10 66	0.06 20	0.07 60	0.07 116	0.06 62	0.10 120	0.07 1	0.04 11	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

aanet-new-78k	0.07 7	0.07 216	0.09 118	0.19 445	0.06 27	0.07 39	0.12 93	0.11 54	0.13 175	0.06 20	0.07 60	0.06 39	0.06 62	0.09 58	0.07 1	0.04 11	0.04 25	0.05 45	0.04 54	0.05 161	0.03 2

aanet-new-40k	0.07 7	0.08 334	0.07 11	0.17 287	0.07 125	0.08 77	0.13 163	0.10 31	0.10 66	0.07 67	0.08 114	0.06 39	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

GCAP-Stereo-DPT26K	0.07 7	0.06 99	0.07 11	0.16 201	0.06 27	0.08 77	0.12 93	0.10 31	0.08 24	0.06 20	0.09 149	0.06 39	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

aanet-new-24k	0.07 7	0.07 216	0.07 11	0.17 287	0.06 27	0.07 39	0.12 93	0.09 18	0.11 97	0.09 171	0.09 149	0.06 39	0.07 174	0.09 58	0.07 1	0.04 11	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

GCAP-Stereo-DPT-20K	0.07 7	0.05 36	0.11 236	0.15 106	0.06 27	0.07 39	0.13 163	0.09 18	0.11 97	0.07 67	0.08 114	0.06 39	0.05 14	0.09 58	0.07 1	0.05 51	0.05 263	0.05 45	0.04 54	0.03 1	0.04 71

GCAP-Stereo-DPT-24K	0.07 7	0.06 99	0.07 11	0.15 106	0.06 27	0.10 191	0.15 310	0.12 81	0.11 97	0.06 20	0.11 235	0.06 39	0.05 14	0.09 58	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

PipStereo	0.07 7	0.04 1	0.09 118	0.13 16	0.05 2	0.08 77	0.11 61	0.06 1	0.06 6	0.06 20	0.05 7	0.08 175	0.05 14	0.08 25	0.09 101	0.06 166	0.04 25	0.04 1	0.03 1	0.05 161	0.04 71

LACA3	0.07 7	0.08 334	0.08 56	0.13 16	0.05 2	0.09 129	0.11 61	0.08 10	0.08 24	0.08 120	0.05 7	0.07 116	0.07 174	0.07 4	0.07 1	0.06 166	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

Selective-IGEV-i32	0.07 7	0.06 99	0.08 56	0.17 287	0.06 27	0.08 77	0.12 93	0.13 106	0.07 15	0.08 120	0.07 60	0.06 39	0.04 1	0.10 120	0.09 101	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

LACA2	0.07 7	0.05 36	0.06 5	0.15 106	0.06 27	0.09 129	0.11 61	0.11 54	0.10 66	0.05 2	0.05 7	0.06 39	0.08 222	0.09 58	0.07 1	0.07 328	0.04 25	0.04 1	0.04 54	0.04 48	0.04 71

LACA1	0.07 7	0.07 216	0.07 11	0.14 55	0.05 2	0.09 129	0.11 61	0.10 31	0.07 15	0.05 2	0.05 7	0.06 39	0.07 174	0.08 25	0.09 101	0.06 166	0.04 25	0.04 1	0.04 54	0.03 1	0.04 71

Test_v1	0.07 7	0.04 1	0.06 5	0.13 16	0.06 27	0.08 77	0.11 61	0.15 177	0.12 134	0.06 20	0.05 7	0.04 1	0.05 14	0.08 25	0.10 198	0.07 328	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

BLMT-Stereo	0.07 7	0.04 1	0.08 56	0.15 106	0.07 125	0.06 12	0.14 228	0.07 6	0.10 66	0.05 2	0.05 7	0.04 1	0.06 62	0.07 4	0.09 101	0.04 11	0.04 25	0.05 45	0.05 182	0.04 48	0.04 71

Pro-Stereo	0.07 7	0.05 36	0.08 56	0.15 106	0.07 125	0.08 77	0.12 93	0.07 6	0.07 15	0.06 20	0.06 23	0.05 5	0.05 14	0.09 58	0.08 25	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

MatchStereo	0.07 7	0.04 1	0.08 56	0.14 55	0.06 27	0.05 4	0.12 93	0.12 81	0.09 45	0.07 67	0.06 23	0.04 1	0.04 1	0.08 25	0.09 101	0.06 166	0.05 263	0.05 45	0.03 1	0.04 48	0.04 71
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
BridgeDepth_RVC	0.07 7	0.04 1	0.09 118	0.11 1	0.05 2	0.10 191	0.10 32	0.14 136	0.09 45	0.06 20	0.07 60	0.06 39	0.07 174	0.07 4	0.10 198	0.06 166	0.04 25	0.04 1	0.04 54	0.04 48	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
CSFM-Stereo	0.07 7	0.05 36	0.07 11	0.14 55	0.06 27	0.09 129	0.13 163	0.15 177	0.06 6	0.07 67	0.08 114	0.06 39	0.08 222	0.09 58	0.09 101	0.06 166	0.05 263	0.04 1	0.03 1	0.04 48	0.04 71

VIP-Stereo	0.07 7	0.07 216	0.07 11	0.15 106	0.06 27	0.12 294	0.10 32	0.11 54	0.11 97	0.06 20	0.07 60	0.06 39	0.05 14	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.03 1	0.03 1	0.02 1

BridgeDepth	0.07 7	0.07 216	0.08 56	0.18 377	0.06 27	0.07 39	0.11 61	0.09 18	0.06 6	0.04 1	0.07 60	0.10 245	0.09 256	0.08 25	0.08 25	0.04 11	0.03 1	0.04 1	0.04 54	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
Zero-FE251	0.07 7	0.05 36	0.09 118	0.13 16	0.06 27	0.12 294	0.12 93	0.11 54	0.10 66	0.07 67	0.08 114	0.06 39	0.06 62	0.09 58	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

MonStereo	0.07 7	0.06 99	0.05 1	0.15 106	0.05 2	0.08 77	0.10 32	0.15 177	0.15 232	0.05 2	0.06 23	0.05 5	0.06 62	0.07 4	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Wavelet-MonSter	0.07 7	0.05 36	0.07 11	0.16 201	0.06 27	0.07 39	0.11 61	0.10 31	0.08 24	0.06 20	0.06 23	0.07 116	0.07 174	0.09 58	0.09 101	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 7	0.06 99	0.05 1	0.15 106	0.05 2	0.08 77	0.10 32	0.15 177	0.15 232	0.05 2	0.06 23	0.05 5	0.06 62	0.07 4	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 7	0.04 1	0.09 118	0.13 16	0.06 27	0.05 4	0.09 18	0.11 54	0.07 15	0.06 20	0.06 23	0.05 5	0.06 62	0.09 58	0.09 101	0.06 166	0.04 25	0.04 1	0.03 1	0.05 161	0.05 200

Replicate-Monster	0.07 7	0.05 36	0.09 118	0.14 55	0.06 27	0.08 77	0.09 18	0.13 106	0.13 175	0.05 2	0.07 60	0.06 39	0.06 62	0.08 25	0.10 198	0.05 51	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

AdaDepth	0.07 7	0.06 99	0.07 11	0.18 377	0.06 27	0.11 242	0.12 93	0.09 18	0.07 15	0.06 20	0.05 7	0.07 116	0.06 62	0.09 58	0.10 198	0.04 11	0.05 263	0.05 45	0.04 54	0.04 48	0.04 71

asda	0.07 7	0.08 334	0.08 56	0.16 201	0.06 27	0.06 12	0.10 32	0.16 215	0.10 66	0.06 20	0.06 23	0.05 5	0.05 14	0.10 120	0.10 198	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

asd	0.07 7	0.08 334	0.07 11	0.16 201	0.07 125	0.08 77	0.08 7	0.11 54	0.08 24	0.07 67	0.07 60	0.06 39	0.06 62	0.10 120	0.09 101	0.03 1	0.03 1	0.04 1	0.04 54	0.04 48	0.03 2

qwe	0.07 7	0.08 334	0.07 11	0.15 106	0.06 27	0.07 39	0.10 32	0.18 287	0.11 97	0.07 67	0.07 60	0.06 39	0.06 62	0.10 120	0.09 101	0.03 1	0.03 1	0.04 1	0.04 54	0.04 48	0.03 2

2.25w	0.07 7	0.06 99	0.07 11	0.14 55	0.06 27	0.08 77	0.08 7	0.10 31	0.15 232	0.08 120	0.10 185	0.07 116	0.06 62	0.08 25	0.10 198	0.05 51	0.03 1	0.04 1	0.04 54	0.03 1	0.04 71

4.25_new	0.07 7	0.08 334	0.09 118	0.15 106	0.06 27	0.09 129	0.08 7	0.14 136	0.08 24	0.07 67	0.07 60	0.06 39	0.06 62	0.12 281	0.10 198	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5w_new	0.07 7	0.08 334	0.09 118	0.15 106	0.06 27	0.09 129	0.08 7	0.14 136	0.08 24	0.07 67	0.07 60	0.06 39	0.06 62	0.12 281	0.10 198	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5_new	0.07 7	0.09 414	0.08 56	0.15 106	0.07 125	0.06 12	0.10 32	0.14 136	0.11 97	0.06 20	0.08 114	0.06 39	0.06 62	0.08 25	0.10 198	0.03 1	0.03 1	0.04 1	0.04 54	0.04 48	0.03 2

4.5w-stereo	0.07 7	0.09 414	0.08 56	0.15 106	0.07 125	0.06 12	0.10 32	0.14 136	0.11 97	0.06 20	0.08 114	0.06 39	0.06 62	0.08 25	0.10 198	0.03 1	0.03 1	0.04 1	0.04 54	0.04 48	0.03 2

4.25w-stereo	0.07 7	0.08 334	0.09 118	0.15 106	0.06 27	0.09 129	0.08 7	0.14 136	0.08 24	0.07 67	0.07 60	0.06 39	0.06 62	0.12 281	0.10 198	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4w-stereo	0.07 7	0.08 334	0.08 56	0.16 201	0.06 27	0.07 39	0.08 7	0.12 81	0.08 24	0.07 67	0.07 60	0.05 5	0.06 62	0.09 58	0.10 198	0.03 1	0.03 1	0.04 1	0.04 54	0.04 48	0.03 2

2.5w	0.07 7	0.07 216	0.07 11	0.16 201	0.06 27	0.08 77	0.12 93	0.10 31	0.10 66	0.07 67	0.06 23	0.09 210	0.06 62	0.08 25	0.09 101	0.04 11	0.03 1	0.04 1	0.04 54	0.03 1	0.03 2

2.75w_new	0.07 7	0.07 216	0.07 11	0.13 16	0.06 27	0.08 77	0.08 7	0.18 287	0.12 134	0.07 67	0.08 114	0.06 39	0.06 62	0.09 58	0.11 278	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.04 71

3.25w_new	0.07 7	0.06 99	0.07 11	0.15 106	0.06 27	0.10 191	0.07 3	0.12 81	0.11 97	0.08 120	0.06 23	0.07 116	0.06 62	0.11 188	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 7	0.06 99	0.07 11	0.15 106	0.06 27	0.10 191	0.07 3	0.12 81	0.11 97	0.08 120	0.06 23	0.07 116	0.06 62	0.11 188	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 7	0.07 216	0.08 56	0.16 201	0.07 125	0.07 39	0.09 18	0.16 215	0.09 45	0.07 67	0.06 23	0.05 5	0.06 62	0.09 58	0.10 198	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 7	0.07 216	0.07 11	0.15 106	0.07 125	0.09 129	0.06 1	0.13 106	0.11 97	0.07 67	0.07 60	0.06 39	0.07 174	0.10 120	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

1w_stereo	0.07 7	0.06 99	0.07 11	0.16 201	0.06 27	0.07 39	0.10 32	0.14 136	0.14 207	0.07 67	0.08 114	0.05 5	0.06 62	0.09 58	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 71

monsterstereo	0.07 7	0.06 99	0.06 5	0.16 201	0.06 27	0.08 77	0.10 32	0.16 215	0.11 97	0.07 67	0.08 114	0.06 39	0.07 174	0.08 25	0.09 101	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

monsters	0.07 7	0.06 99	0.06 5	0.15 106	0.06 27	0.08 77	0.09 18	0.12 81	0.08 24	0.09 171	0.07 60	0.06 39	0.06 62	0.08 25	0.08 25	0.05 51	0.04 25	0.04 1	0.04 54	0.03 1	0.03 2

IGEV	0.07 7	0.04 1	0.08 56	0.13 16	0.06 27	0.09 129	0.12 93	0.14 136	0.10 66	0.06 20	0.09 149	0.07 116	0.05 14	0.09 58	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

111111	0.07 7	0.04 1	0.09 118	0.17 287	0.06 27	0.05 4	0.10 32	0.11 54	0.09 45	0.06 20	0.06 23	0.07 116	0.05 14	0.09 58	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.07 360	0.06 295

LG-Stereo_L2	0.07 7	0.05 36	0.10 182	0.14 55	0.06 27	0.07 39	0.12 93	0.09 18	0.09 45	0.06 20	0.04 1	0.05 5	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 45	0.03 1	0.04 48	0.03 2

LG-Stereo_L1	0.07 7	0.05 36	0.11 236	0.14 55	0.06 27	0.07 39	0.13 163	0.09 18	0.07 15	0.05 2	0.04 1	0.05 5	0.04 1	0.08 25	0.07 1	0.05 51	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

MLG-Stereo_test3	0.07 7	0.05 36	0.10 182	0.14 55	0.06 27	0.07 39	0.11 61	0.08 10	0.06 6	0.06 20	0.04 1	0.06 39	0.06 62	0.07 4	0.10 198	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.06 295

MLG-Stereo	0.07 7	0.05 36	0.08 56	0.17 287	0.05 2	0.07 39	0.11 61	0.08 10	0.04 2	0.05 2	0.04 1	0.06 39	0.05 14	0.10 120	0.09 101	0.05 51	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

LG-G_1	0.07 7	0.04 1	0.11 236	0.15 106	0.06 27	0.09 129	0.08 7	0.08 10	0.06 6	0.06 20	0.05 7	0.07 116	0.07 174	0.11 188	0.08 25	0.07 328	0.04 25	0.05 45	0.04 54	0.05 161	0.05 200

LG-G	0.07 7	0.04 1	0.11 236	0.15 106	0.06 27	0.09 129	0.08 7	0.08 10	0.06 6	0.06 20	0.05 7	0.07 116	0.07 174	0.11 188	0.08 25	0.07 328	0.04 25	0.05 45	0.04 54	0.05 161	0.05 200

LGtest1	0.07 7	0.04 1	0.10 182	0.15 106	0.06 27	0.07 39	0.09 18	0.08 10	0.06 6	0.05 2	0.04 1	0.06 39	0.06 62	0.10 120	0.09 101	0.07 328	0.04 25	0.05 45	0.04 54	0.06 281	0.06 295

LG-Stereo_Zeroshot	0.07 7	0.06 99	0.10 182	0.16 201	0.07 125	0.04 1	0.13 163	0.10 31	0.10 66	0.05 2	0.11 235	0.07 116	0.05 14	0.07 4	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

GREAT-IGEV	0.07 7	0.06 99	0.08 56	0.13 16	0.07 125	0.07 39	0.14 228	0.09 18	0.09 45	0.06 20	0.07 60	0.06 39	0.05 14	0.10 120	0.07 1	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
StereoAnything_RVC	0.07 7	0.15 570	0.17 480	0.11 1	0.05 2	0.05 4	0.11 61	0.08 10	0.08 24	0.06 20	0.06 23	0.05 5	0.05 14	0.09 58	0.08 25	0.08 403	0.04 25	0.05 45	0.03 1	0.05 161	0.04 71

AIO_rvc	0.07 7	0.06 99	0.08 56	0.15 106	0.06 27	0.08 77	0.14 228	0.09 18	0.08 24	0.07 67	0.08 114	0.07 116	0.04 1	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

AIO_test	0.07 7	0.05 36	0.07 11	0.15 106	0.07 125	0.06 12	0.14 228	0.10 31	0.10 66	0.07 67	0.07 60	0.06 39	0.05 14	0.08 25	0.10 198	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

MonSter	0.07 7	0.06 99	0.05 1	0.15 106	0.05 2	0.07 39	0.10 32	0.15 177	0.15 232	0.05 2	0.06 23	0.05 5	0.06 62	0.07 4	0.09 101	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DEFOM-Stereo	0.07 7	0.05 36	0.07 11	0.14 55	0.06 27	0.10 191	0.13 163	0.07 6	0.13 175	0.06 20	0.07 60	0.06 39	0.05 14	0.10 120	0.09 101	0.04 11	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

dual_stereo	0.07 7	0.04 1	0.08 56	0.15 106	0.05 2	0.05 4	0.13 163	0.12 81	0.08 24	0.07 67	0.06 23	0.05 5	0.05 14	0.07 4	0.09 101	0.06 166	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

IGEV-Stereo++	0.07 7	0.06 99	0.08 56	0.18 377	0.06 27	0.04 1	0.10 32	0.11 54	0.11 97	0.06 20	0.07 60	0.07 116	0.06 62	0.09 58	0.09 101	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

IGEV-Stereo+	0.07 7	0.04 1	0.08 56	0.15 106	0.06 27	0.04 1	0.09 18	0.10 31	0.09 45	0.06 20	0.06 23	0.06 39	0.06 62	0.06 1	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.06 281	0.06 295

GCAPDPT-zeroshot4090	0.07 7	0.05 36	0.11 236	0.15 106	0.06 27	0.07 39	0.13 163	0.09 18	0.11 97	0.07 67	0.08 114	0.06 39	0.05 14	0.09 58	0.07 1	0.05 51	0.05 263	0.05 45	0.04 54	0.03 1	0.04 71

Selective-IGEV	0.07 7	0.06 99	0.08 56	0.17 287	0.06 27	0.08 77	0.12 93	0.13 106	0.07 15	0.08 120	0.07 60	0.06 39	0.04 1	0.10 120	0.09 101	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

TS12	0.08 77	0.06 99	0.09 118	0.21 544	0.07 125	0.11 242	0.13 163	0.11 54	0.09 45	0.10 216	0.10 185	0.08 175	0.10 295	0.09 58	0.12 339	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.04 71

DF	0.08 77	0.05 36	0.09 118	0.15 106	0.06 27	0.11 242	0.13 163	0.10 31	0.12 134	0.09 171	0.10 185	0.10 245	0.08 222	0.11 188	0.09 101	0.07 328	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

LiteMatch*	0.08 77	0.04 1	0.11 236	0.13 16	0.08 204	0.08 77	0.13 163	0.14 136	0.09 45	0.05 2	0.05 7	0.05 5	0.09 256	0.11 188	0.10 198	0.06 166	0.05 263	0.05 45	0.04 54	0.05 161	0.05 200

aanet-new-90k	0.08 77	0.07 216	0.08 56	0.19 445	0.06 27	0.07 39	0.12 93	0.12 81	0.13 175	0.06 20	0.07 60	0.06 39	0.06 62	0.10 120	0.07 1	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.03 2

aanet-new-36k	0.08 77	0.06 99	0.09 118	0.17 287	0.06 27	0.09 129	0.13 163	0.11 54	0.13 175	0.08 120	0.08 114	0.06 39	0.05 14	0.09 58	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

aanet-new-34k	0.08 77	0.06 99	0.09 118	0.17 287	0.05 2	0.07 39	0.13 163	0.12 81	0.12 134	0.09 171	0.08 114	0.07 116	0.05 14	0.10 120	0.09 101	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

aanet-32k-new	0.08 77	0.07 216	0.08 56	0.18 377	0.06 27	0.08 77	0.12 93	0.11 54	0.12 134	0.07 67	0.08 114	0.05 5	0.07 174	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.06 281	0.04 71

aanet-new-32k	0.08 77	0.07 216	0.09 118	0.18 377	0.06 27	0.11 242	0.11 61	0.10 31	0.08 24	0.07 67	0.07 60	0.07 116	0.06 62	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

aanet-new-30k	0.08 77	0.07 216	0.09 118	0.18 377	0.06 27	0.11 242	0.11 61	0.10 31	0.08 24	0.07 67	0.07 60	0.07 116	0.06 62	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

aanet-new-28k	0.08 77	0.07 216	0.09 118	0.18 377	0.06 27	0.08 77	0.12 93	0.10 31	0.09 45	0.09 171	0.08 114	0.08 175	0.06 62	0.12 281	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

aanet-new-22k	0.08 77	0.06 99	0.09 118	0.17 287	0.06 27	0.08 77	0.11 61	0.14 136	0.12 134	0.09 171	0.09 149	0.08 175	0.06 62	0.10 120	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

aanet-new-16k	0.08 77	0.08 334	0.08 56	0.18 377	0.06 27	0.07 39	0.09 18	0.13 106	0.12 134	0.08 120	0.07 60	0.07 116	0.06 62	0.09 58	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.05 161	0.03 2

aanet-new-10k	0.08 77	0.08 334	0.08 56	0.19 445	0.07 125	0.08 77	0.12 93	0.14 136	0.11 97	0.07 67	0.08 114	0.07 116	0.07 174	0.09 58	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

aanet-new-12k	0.08 77	0.09 414	0.07 11	0.20 512	0.08 204	0.08 77	0.13 163	0.12 81	0.13 175	0.08 120	0.08 114	0.05 5	0.07 174	0.09 58	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.06 281	0.04 71

aanet-new-14k	0.08 77	0.09 414	0.08 56	0.19 445	0.06 27	0.07 39	0.10 32	0.14 136	0.15 232	0.06 20	0.08 114	0.05 5	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

aanet-new-8k	0.08 77	0.07 216	0.08 56	0.19 445	0.07 125	0.09 129	0.12 93	0.16 215	0.15 232	0.07 67	0.07 60	0.06 39	0.06 62	0.10 120	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

aanet-new	0.08 77	0.09 414	0.10 182	0.18 377	0.08 204	0.10 191	0.12 93	0.15 177	0.12 134	0.08 120	0.08 114	0.05 5	0.07 174	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.06 281	0.04 71

GCAP-Stereo-cres-4k	0.08 77	0.07 216	0.08 56	0.18 377	0.07 125	0.11 242	0.14 228	0.12 81	0.11 97	0.07 67	0.11 235	0.07 116	0.06 62	0.09 58	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

GCAP-Stereo-DPT-cres	0.08 77	0.05 36	0.07 11	0.15 106	0.06 27	0.10 191	0.14 228	0.13 106	0.12 134	0.07 67	0.09 149	0.07 116	0.06 62	0.10 120	0.09 101	0.05 51	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

GCAP-Stereo-DPT-36K	0.08 77	0.06 99	0.15 414	0.14 55	0.06 27	0.08 77	0.13 163	0.13 106	0.11 97	0.07 67	0.08 114	0.07 116	0.06 62	0.09 58	0.08 25	0.05 51	0.05 263	0.05 45	0.04 54	0.03 1	0.04 71

GCAP-Stereo-DPT-22K	0.08 77	0.06 99	0.07 11	0.17 287	0.06 27	0.07 39	0.14 228	0.13 106	0.16 269	0.05 2	0.10 185	0.06 39	0.06 62	0.08 25	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.04 71

GCAP-Stereo-DPT-5K	0.08 77	0.06 99	0.10 182	0.16 201	0.07 125	0.11 242	0.12 93	0.15 177	0.15 232	0.08 120	0.12 256	0.05 5	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.06 180	0.05 182	0.03 1	0.04 71

GCAP-Stereo-DPT-2K	0.08 77	0.06 99	0.10 182	0.16 201	0.07 125	0.11 242	0.13 163	0.14 136	0.14 207	0.08 120	0.13 274	0.05 5	0.06 62	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.03 1	0.04 71

GCAP-Stereo-DPT-3K	0.08 77	0.07 216	0.10 182	0.16 201	0.07 125	0.09 129	0.12 93	0.15 177	0.14 207	0.08 120	0.11 235	0.05 5	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.03 1	0.04 71

GCAP-Stereo-DPT-50K	0.08 77	0.06 99	0.17 480	0.15 106	0.06 27	0.06 12	0.13 163	0.13 106	0.13 175	0.07 67	0.07 60	0.06 39	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

GCAP-Stereo-DPT-25K	0.08 77	0.06 99	0.07 11	0.16 201	0.06 27	0.06 12	0.14 228	0.14 136	0.14 207	0.07 67	0.10 185	0.06 39	0.05 14	0.09 58	0.09 101	0.04 11	0.04 25	0.04 1	0.04 54	0.03 1	0.03 2

GCAP-Stereo-DPT-FT	0.08 77	0.05 36	0.12 279	0.15 106	0.06 27	0.10 191	0.14 228	0.12 81	0.12 134	0.07 67	0.09 149	0.06 39	0.06 62	0.10 120	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

PSi22	0.08 77	0.06 99	0.11 236	0.16 201	0.07 125	0.08 77	0.10 32	0.14 136	0.08 24	0.08 120	0.06 23	0.10 245	0.06 62	0.12 281	0.09 101	0.05 51	0.04 25	0.04 1	0.03 1	0.04 48	0.04 71

Foundation-i1c-attn	0.08 77	0.05 36	0.07 11	0.14 55	0.05 2	0.09 129	0.12 93	0.12 81	0.10 66	0.09 171	0.10 185	0.10 245	0.07 174	0.07 4	0.10 198	0.06 166	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

Foundation-i1b	0.08 77	0.05 36	0.07 11	0.14 55	0.05 2	0.09 129	0.12 93	0.13 106	0.10 66	0.09 171	0.10 185	0.09 210	0.06 62	0.07 4	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.03 1	0.03 2

Foundation-i1a	0.08 77	0.05 36	0.07 11	0.13 16	0.05 2	0.13 345	0.13 163	0.12 81	0.09 45	0.11 251	0.11 235	0.11 275	0.06 62	0.08 25	0.09 101	0.06 166	0.04 25	0.05 45	0.03 1	0.04 48	0.04 71

DepthFocus	0.08 77	0.04 1	0.15 414	0.12 5	0.09 329	0.07 39	0.12 93	0.10 31	0.05 4	0.09 171	0.05 7	0.07 116	0.04 1	0.08 25	0.08 25	0.06 166	0.05 263	0.07 289	0.07 369	0.05 161	0.04 71

GeoVLM	0.08 77	0.04 1	0.10 182	0.13 16	0.06 27	0.10 191	0.12 93	0.13 106	0.08 24	0.06 20	0.07 60	0.06 39	0.08 222	0.10 120	0.11 278	0.06 166	0.05 263	0.04 1	0.03 1	0.04 48	0.05 200

gcap_with_dpt	0.08 77	0.06 99	0.09 118	0.16 201	0.07 125	0.09 129	0.12 93	0.13 106	0.13 175	0.08 120	0.12 256	0.04 1	0.06 62	0.10 120	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.03 1	0.04 71

DispViT+	0.08 77	0.05 36	0.09 118	0.13 16	0.06 27	0.05 4	0.11 61	0.18 287	0.16 269	0.09 171	0.08 114	0.07 116	0.06 62	0.11 188	0.09 101	0.06 166	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

WQFJA1++	0.08 77	0.04 1	0.11 236	0.14 55	0.07 125	0.11 242	0.11 61	0.11 54	0.07 15	0.07 67	0.07 60	0.07 116	0.06 62	0.10 120	0.10 198	0.06 166	0.04 25	0.05 45	0.04 54	0.06 281	0.06 295

BStereo	0.08 77	0.06 99	0.16 450	0.15 106	0.08 204	0.07 39	0.09 18	0.15 177	0.16 269	0.06 20	0.07 60	0.07 116	0.05 14	0.09 58	0.11 278	0.04 11	0.05 263	0.05 45	0.07 369	0.04 48	0.04 71

MonSter++	0.08 77	0.04 1	0.10 182	0.13 16	0.06 27	0.09 129	0.12 93	0.13 106	0.08 24	0.06 20	0.07 60	0.06 39	0.08 222	0.10 120	0.11 278	0.06 166	0.05 263	0.04 1	0.03 1	0.04 48	0.04 71

HiDET	0.08 77	0.04 1	0.10 182	0.13 16	0.06 27	0.08 77	0.12 93	0.12 81	0.11 97	0.06 20	0.07 60	0.07 116	0.07 174	0.11 188	0.11 278	0.06 166	0.04 25	0.04 1	0.03 1	0.04 48	0.04 71

LCMNet	0.08 77	0.05 36	0.10 182	0.13 16	0.07 125	0.09 129	0.12 93	0.10 31	0.11 97	0.06 20	0.08 114	0.06 39	0.07 174	0.11 188	0.10 198	0.06 166	0.05 263	0.04 1	0.03 1	0.04 48	0.04 71

GEAStereo	0.08 77	0.05 36	0.08 56	0.13 16	0.08 204	0.08 77	0.14 228	0.10 31	0.09 45	0.08 120	0.10 185	0.06 39	0.05 14	0.11 188	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.05 200

GSStereo	0.08 77	0.05 36	0.08 56	0.13 16	0.08 204	0.08 77	0.14 228	0.11 54	0.12 134	0.08 120	0.10 185	0.05 5	0.05 14	0.11 188	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.05 200

gasm-f	0.08 77	0.05 36	0.07 11	0.13 16	0.08 204	0.08 77	0.14 228	0.10 31	0.09 45	0.08 120	0.10 185	0.06 39	0.05 14	0.10 120	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.06 281	0.05 200

DDF-Stereo	0.08 77	0.04 1	0.09 118	0.15 106	0.10 441	0.06 12	0.13 163	0.09 18	0.14 207	0.06 20	0.06 23	0.07 116	0.06 62	0.09 58	0.10 198	0.06 166	0.04 25	0.06 180	0.04 54	0.08 424	0.05 200

252Zero-FE	0.08 77	0.04 1	0.09 118	0.13 16	0.07 125	0.12 294	0.11 61	0.13 106	0.14 207	0.06 20	0.05 7	0.06 39	0.05 14	0.09 58	0.10 198	0.06 166	0.04 25	0.04 1	0.03 1	0.05 161	0.06 295

DA	0.08 77	0.07 216	0.07 11	0.19 445	0.08 204	0.09 129	0.12 93	0.13 106	0.12 134	0.08 120	0.10 185	0.10 245	0.08 222	0.09 58	0.10 198	0.05 51	0.04 25	0.06 180	0.04 54	0.05 161	0.03 2

zero-FE	0.08 77	0.04 1	0.09 118	0.15 106	0.10 441	0.05 4	0.14 228	0.09 18	0.14 207	0.07 67	0.06 23	0.07 116	0.06 62	0.09 58	0.10 198	0.06 166	0.04 25	0.06 180	0.04 54	0.08 424	0.05 200

GGEV	0.08 77	0.07 216	0.07 11	0.19 445	0.08 204	0.09 129	0.12 93	0.13 106	0.12 134	0.08 120	0.10 185	0.10 245	0.08 222	0.09 58	0.10 198	0.05 51	0.04 25	0.06 180	0.04 54	0.05 161	0.03 2

GASTEREO	0.08 77	0.05 36	0.09 118	0.19 445	0.07 125	0.07 39	0.12 93	0.14 136	0.11 97	0.10 216	0.09 149	0.07 116	0.04 1	0.12 281	0.08 25	0.06 166	0.05 263	0.05 45	0.04 54	0.04 48	0.05 200

MSCF	0.08 77	0.05 36	0.08 56	0.19 445	0.08 204	0.06 12	0.12 93	0.14 136	0.11 97	0.10 216	0.09 149	0.07 116	0.04 1	0.11 188	0.08 25	0.06 166	0.05 263	0.05 45	0.04 54	0.05 161	0.05 200

S2M2_XL	0.08 77	0.06 99	0.12 279	0.12 5	0.08 204	0.09 129	0.09 18	0.07 6	0.07 15	0.08 120	0.07 60	0.07 116	0.06 62	0.09 58	0.09 101	0.08 403	0.06 406	0.07 289	0.05 182	0.08 424	0.06 295
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
3w_stereo	0.08 77	0.09 414	0.10 182	0.17 287	0.07 125	0.08 77	0.10 32	0.20 328	0.13 175	0.06 20	0.07 60	0.05 5	0.06 62	0.08 25	0.09 101	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

2w_stereo	0.08 77	0.08 334	0.09 118	0.16 201	0.06 27	0.08 77	0.10 32	0.20 328	0.15 232	0.08 120	0.07 60	0.06 39	0.06 62	0.06 1	0.09 101	0.04 11	0.03 1	0.04 1	0.04 54	0.03 1	0.03 2

LG-Stereo	0.08 77	0.07 216	0.10 182	0.18 377	0.07 125	0.10 191	0.17 420	0.11 54	0.08 24	0.05 2	0.07 60	0.05 5	0.07 174	0.09 58	0.09 101	0.04 11	0.05 263	0.07 289	0.07 369	0.04 48	0.04 71

SGD-Stereo	0.08 77	0.05 36	0.10 182	0.14 55	0.05 2	0.12 294	0.12 93	0.11 54	0.12 134	0.07 67	0.09 149	0.09 210	0.09 256	0.08 25	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.03 2

HART	0.08 77	0.07 216	0.09 118	0.17 287	0.07 125	0.10 191	0.16 379	0.13 106	0.11 97	0.08 120	0.10 185	0.07 116	0.05 14	0.10 120	0.08 25	0.05 51	0.04 25	0.06 180	0.04 54	0.05 161	0.04 71

Reg-Stereo(zero)	0.08 77	0.05 36	0.08 56	0.16 201	0.06 27	0.12 294	0.11 61	0.15 177	0.10 66	0.12 292	0.09 149	0.10 245	0.08 222	0.11 188	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.05 200

SCV_C0	0.08 77	0.07 216	0.07 11	0.16 201	0.09 329	0.08 77	0.15 310	0.11 54	0.12 134	0.08 120	0.07 60	0.06 39	0.05 14	0.11 188	0.07 1	0.05 51	0.05 263	0.05 45	0.04 54	0.06 281	0.05 200

SCV	0.08 77	0.09 414	0.08 56	0.15 106	0.08 204	0.10 191	0.13 163	0.10 31	0.12 134	0.07 67	0.07 60	0.06 39	0.04 1	0.09 58	0.08 25	0.05 51	0.04 25	0.06 180	0.04 54	0.06 281	0.04 71

DEFOM-Stereo_RVC	0.08 77	0.06 99	0.09 118	0.22 561	0.06 27	0.08 77	0.12 93	0.10 31	0.10 66	0.07 67	0.07 60	0.06 39	0.05 14	0.11 188	0.09 101	0.06 166	0.04 25	0.05 45	0.03 1	0.06 281	0.04 71

HUF	0.08 77	0.05 36	0.08 56	0.14 55	0.06 27	0.09 129	0.13 163	0.13 106	0.13 175	0.07 67	0.07 60	0.08 175	0.06 62	0.10 120	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

castereo++	0.08 77	0.05 36	0.08 56	0.15 106	0.05 2	0.14 379	0.12 93	0.11 54	0.15 232	0.07 67	0.07 60	0.07 116	0.06 62	0.08 25	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

IGEV-RUCA	0.08 77	0.06 99	0.11 236	0.14 55	0.09 329	0.10 191	0.12 93	0.10 31	0.12 134	0.06 20	0.07 60	0.07 116	0.06 62	0.09 58	0.08 25	0.06 166	0.05 263	0.05 45	0.04 54	0.05 161	0.06 295

GIP-stereo	0.08 77	0.06 99	0.11 236	0.14 55	0.06 27	0.09 129	0.13 163	0.14 136	0.11 97	0.07 67	0.08 114	0.05 5	0.04 1	0.10 120	0.07 1	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

SMoEStereo_RVC	0.08 77	0.06 99	0.12 279	0.16 201	0.07 125	0.09 129	0.14 228	0.11 54	0.13 175	0.09 171	0.07 60	0.07 116	0.07 174	0.12 281	0.10 198	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

WCG-NET	0.08 77	0.05 36	0.09 118	0.15 106	0.06 27	0.11 242	0.14 228	0.13 106	0.13 175	0.06 20	0.09 149	0.07 116	0.06 62	0.13 333	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

Occ-G	0.08 77	0.05 36	0.06 5	0.14 55	0.07 125	0.08 77	0.14 228	0.13 106	0.15 232	0.07 67	0.11 235	0.07 116	0.05 14	0.09 58	0.10 198	0.06 166	0.05 263	0.05 45	0.04 54	0.05 161	0.05 200

U	0.08 77	0.07 216	0.09 118	0.19 445	0.10 441	0.10 191	0.13 163	0.12 81	0.17 298	0.07 67	0.07 60	0.06 39	0.05 14	0.07 4	0.08 25	0.06 166	0.04 25	0.06 180	0.04 54	0.06 281	0.05 200

AIO-Stereo	0.08 77	0.06 99	0.09 118	0.18 377	0.06 27	0.08 77	0.12 93	0.15 177	0.09 45	0.08 120	0.08 114	0.07 116	0.05 14	0.11 188	0.08 25	0.05 51	0.05 263	0.05 45	0.04 54	0.04 48	0.04 71

WCG-NET（raft）	0.08 77	0.05 36	0.10 182	0.15 106	0.06 27	0.11 242	0.13 163	0.15 177	0.12 134	0.08 120	0.07 60	0.06 39	0.06 62	0.13 333	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

RSM++	0.08 77	0.06 99	0.09 118	0.17 287	0.07 125	0.09 129	0.12 93	0.11 54	0.11 97	0.08 120	0.06 23	0.07 116	0.05 14	0.10 120	0.09 101	0.04 11	0.04 25	0.06 180	0.05 182	0.05 161	0.03 2

RSM	0.08 77	0.06 99	0.09 118	0.17 287	0.06 27	0.08 77	0.12 93	0.12 81	0.10 66	0.08 120	0.07 60	0.06 39	0.05 14	0.11 188	0.09 101	0.04 11	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

gcap-zeroshot	0.08 77	0.06 99	0.10 182	0.15 106	0.07 125	0.11 242	0.12 93	0.15 177	0.15 232	0.08 120	0.12 256	0.05 5	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.06 180	0.05 182	0.03 1	0.04 71

test_for_model	0.08 77	0.06 99	0.10 182	0.16 201	0.07 125	0.11 242	0.12 93	0.15 177	0.15 232	0.08 120	0.12 256	0.05 5	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.06 180	0.05 182	0.03 1	0.04 71

trnet	0.08 77	0.05 36	0.07 11	0.12 5	0.05 2	0.12 294	0.11 61	0.13 106	0.10 66	0.08 120	0.13 274	0.09 210	0.08 222	0.11 188	0.10 198	0.08 403	0.05 263	0.05 45	0.03 1	0.06 281	0.05 200

MoCha-V2	0.08 77	0.05 36	0.10 182	0.20 512	0.07 125	0.09 129	0.14 228	0.11 54	0.08 24	0.07 67	0.08 114	0.07 116	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

IGEV++	0.08 77	0.06 99	0.08 56	0.18 377	0.07 125	0.09 129	0.13 163	0.10 31	0.09 45	0.08 120	0.08 114	0.06 39	0.06 62	0.13 333	0.09 101	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

testlalala	0.08 77	0.06 99	0.10 182	0.15 106	0.07 125	0.11 242	0.12 93	0.15 177	0.15 232	0.08 120	0.12 256	0.05 5	0.06 62	0.09 58	0.08 25	0.05 51	0.04 25	0.06 180	0.05 182	0.03 1	0.04 71

AEACV	0.08 77	0.05 36	0.08 56	0.14 55	0.13 548	0.14 379	0.13 163	0.14 136	0.09 45	0.07 67	0.09 149	0.07 116	0.08 222	0.10 120	0.09 101	0.06 166	0.04 25	0.06 180	0.05 182	0.05 161	0.04 71

LoS_RVC	0.08 77	0.05 36	0.07 11	0.15 106	0.07 125	0.08 77	0.15 310	0.11 54	0.10 66	0.08 120	0.09 149	0.06 39	0.09 256	0.10 120	0.09 101	0.05 51	0.04 25	0.05 45	0.03 1	0.04 48	0.03 2

CAS	0.08 77	0.04 1	0.07 11	0.17 287	0.08 204	0.10 191	0.13 163	0.12 81	0.09 45	0.09 171	0.10 185	0.08 175	0.06 62	0.09 58	0.08 25	0.08 403	0.04 25	0.05 45	0.03 1	0.05 161	0.04 71

CES	0.08 77	0.04 1	0.08 56	0.14 55	0.07 125	0.09 129	0.14 228	0.11 54	0.09 45	0.08 120	0.09 149	0.11 275	0.06 62	0.12 281	0.08 25	0.06 166	0.04 25	0.05 45	0.03 1	0.05 161	0.05 200

EGLCR-Stereo	0.08 77	0.05 36	0.08 56	0.14 55	0.06 27	0.10 191	0.12 93	0.11 54	0.16 269	0.06 20	0.05 7	0.07 116	0.05 14	0.10 120	0.11 278	0.06 166	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

MC-Stereo	0.08 77	0.06 99	0.09 118	0.17 287	0.06 27	0.10 191	0.14 228	0.12 81	0.10 66	0.09 171	0.12 256	0.09 210	0.06 62	0.11 188	0.10 198	0.06 166	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

test-3	0.08 77	0.06 99	0.09 118	0.17 287	0.07 125	0.07 39	0.14 228	0.12 81	0.15 232	0.09 171	0.08 114	0.07 116	0.08 222	0.11 188	0.10 198	0.05 51	0.04 25	0.07 289	0.05 182	0.04 48	0.04 71

test_1	0.08 77	0.06 99	0.09 118	0.17 287	0.07 125	0.07 39	0.14 228	0.12 81	0.15 232	0.09 171	0.08 114	0.07 116	0.08 222	0.11 188	0.10 198	0.05 51	0.04 25	0.07 289	0.05 182	0.04 48	0.04 71

CREStereo++_RVC	0.08 77	0.04 1	0.06 5	0.13 16	0.07 125	0.09 129	0.12 93	0.14 136	0.14 207	0.10 216	0.14 288	0.08 175	0.07 174	0.09 58	0.11 278	0.06 166	0.04 25	0.05 45	0.05 182	0.04 48	0.04 71
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
RT-Monster	0.09 164	0.05 36	0.09 118	0.14 55	0.08 204	0.11 242	0.10 32	0.17 254	0.18 329	0.13 322	0.10 185	0.09 210	0.08 222	0.10 120	0.10 198	0.07 328	0.05 263	0.05 45	0.04 54	0.05 161	0.06 295

LiteMatch	0.09 164	0.06 99	0.10 182	0.16 201	0.07 125	0.09 129	0.15 310	0.13 106	0.08 24	0.06 20	0.07 60	0.06 39	0.15 441	0.10 120	0.14 418	0.07 328	0.04 25	0.06 180	0.06 272	0.06 281	0.06 295

Foundation-i1	0.09 164	0.04 1	0.10 182	0.14 55	0.06 27	0.10 191	0.13 163	0.16 215	0.14 207	0.10 216	0.10 185	0.11 275	0.07 174	0.07 4	0.10 198	0.06 166	0.04 25	0.05 45	0.05 182	0.05 161	0.05 200

VMStereo-Base	0.09 164	0.05 36	0.10 182	0.13 16	0.07 125	0.10 191	0.10 32	0.16 215	0.13 175	0.10 216	0.15 305	0.10 245	0.09 256	0.11 188	0.10 198	0.07 328	0.05 263	0.05 45	0.04 54	0.05 161	0.06 295

Wave_Phase_stereo	0.09 164	0.06 99	0.16 450	0.15 106	0.08 204	0.11 242	0.09 18	0.18 287	0.16 269	0.06 20	0.07 60	0.07 116	0.05 14	0.09 58	0.11 278	0.04 11	0.05 263	0.05 45	0.07 369	0.04 48	0.04 71

NLSM3	0.09 164	0.06 99	0.08 56	0.19 445	0.08 204	0.11 242	0.16 379	0.18 287	0.16 269	0.06 20	0.08 114	0.07 116	0.08 222	0.09 58	0.11 278	0.04 11	0.04 25	0.06 180	0.07 369	0.03 1	0.03 2

FE-Mocha	0.09 164	0.06 99	0.14 366	0.16 201	0.09 329	0.10 191	0.15 310	0.18 287	0.16 269	0.10 216	0.09 149	0.07 116	0.07 174	0.09 58	0.09 101	0.06 166	0.04 25	0.06 180	0.06 272	0.05 161	0.05 200

IGEV-FE	0.09 164	0.05 36	0.12 279	0.13 16	0.08 204	0.12 294	0.13 163	0.17 254	0.11 97	0.10 216	0.06 23	0.09 210	0.06 62	0.11 188	0.09 101	0.06 166	0.04 25	0.06 180	0.06 272	0.05 161	0.05 200

water-stereo	0.09 164	0.06 99	0.08 56	0.16 201	0.07 125	0.09 129	0.13 163	0.15 177	0.13 175	0.11 251	0.12 256	0.08 175	0.09 256	0.07 4	0.08 25	0.06 166	0.05 263	0.05 45	0.05 182	0.04 48	0.04 71

depthmonostereo	0.09 164	0.06 99	0.09 118	0.15 106	0.06 27	0.10 191	0.13 163	0.14 136	0.14 207	0.10 216	0.10 185	0.09 210	0.11 328	0.08 25	0.09 101	0.06 166	0.05 263	0.06 180	0.04 54	0.04 48	0.03 2

DilatedVolume-Stereo	0.09 164	0.05 36	0.08 56	0.15 106	0.06 27	0.11 242	0.12 93	0.14 136	0.16 269	0.11 251	0.11 235	0.09 210	0.09 256	0.11 188	0.10 198	0.06 166	0.05 263	0.05 45	0.04 54	0.03 1	0.03 2

S2M2_L	0.09 164	0.08 334	0.11 236	0.13 16	0.10 441	0.08 77	0.06 1	0.10 31	0.10 66	0.10 216	0.09 149	0.10 245	0.09 256	0.11 188	0.11 278	0.13 586	0.07 478	0.08 383	0.09 489	0.10 520	0.08 447
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test2	0.09 164	0.06 99	0.09 118	0.19 445	0.08 204	0.12 294	0.18 469	0.15 177	0.14 207	0.07 67	0.10 185	0.07 116	0.06 62	0.12 281	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.03 2

castereo	0.09 164	0.06 99	0.11 236	0.15 106	0.06 27	0.11 242	0.15 310	0.14 136	0.18 329	0.08 120	0.10 185	0.11 275	0.08 222	0.09 58	0.10 198	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.03 2

fffft	0.09 164	0.06 99	0.12 279	0.16 201	0.07 125	0.09 129	0.17 420	0.12 81	0.11 97	0.08 120	0.07 60	0.09 210	0.06 62	0.11 188	0.12 339	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.05 200
1: 1. 1
tt45	0.09 164	0.06 99	0.11 236	0.15 106	0.07 125	0.11 242	0.16 379	0.13 106	0.11 97	0.09 171	0.06 23	0.08 175	0.06 62	0.13 333	0.10 198	0.06 166	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

999	0.09 164	0.05 36	0.13 329	0.15 106	0.08 204	0.10 191	0.14 228	0.15 177	0.11 97	0.10 216	0.08 114	0.08 175	0.08 222	0.16 421	0.10 198	0.06 166	0.04 25	0.06 180	0.05 182	0.04 48	0.05 200

mms	0.09 164	0.07 216	0.08 56	0.16 201	0.08 204	0.10 191	0.16 379	0.12 81	0.11 97	0.08 120	0.09 149	0.08 175	0.06 62	0.11 188	0.12 339	0.05 51	0.04 25	0.07 289	0.05 182	0.04 48	0.03 2

ours_stereo	0.09 164	0.07 216	0.09 118	0.17 287	0.08 204	0.11 242	0.16 379	0.11 54	0.12 134	0.08 120	0.10 185	0.08 175	0.06 62	0.12 281	0.12 339	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.03 2

fffy	0.09 164	0.08 334	0.09 118	0.16 201	0.07 125	0.13 345	0.17 420	0.13 106	0.12 134	0.08 120	0.09 149	0.08 175	0.09 256	0.13 333	0.11 278	0.05 51	0.05 263	0.07 289	0.05 182	0.04 48	0.05 200

PAM_32	0.09 164	0.05 36	0.17 480	0.15 106	0.08 204	0.10 191	0.15 310	0.14 136	0.15 232	0.09 171	0.08 114	0.09 210	0.07 174	0.14 362	0.08 25	0.06 166	0.05 263	0.06 180	0.06 272	0.05 161	0.06 295

UGAM-zero	0.09 164	0.05 36	0.15 414	0.15 106	0.08 204	0.09 129	0.13 163	0.19 317	0.15 232	0.11 251	0.15 305	0.07 116	0.07 174	0.09 58	0.09 101	0.06 166	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295

GCAP-BAT	0.09 164	0.05 36	0.11 236	0.13 16	0.07 125	0.11 242	0.14 228	0.14 136	0.16 269	0.07 67	0.10 185	0.08 175	0.06 62	0.13 333	0.08 25	0.07 328	0.05 263	0.05 45	0.05 182	0.04 48	0.04 71

Pointernet	0.09 164	0.04 1	0.09 118	0.16 201	0.08 204	0.13 345	0.10 32	0.15 177	0.17 298	0.09 171	0.07 60	0.06 39	0.06 62	0.11 188	0.09 101	0.08 403	0.04 25	0.05 45	0.03 1	0.06 281	0.05 200

IGEV-BASED-STEREO-	0.09 164	0.10 476	0.31 590	0.15 106	0.06 27	0.08 77	0.14 228	0.10 31	0.10 66	0.07 67	0.07 60	0.06 39	0.04 1	0.11 188	0.07 1	0.12 560	0.04 25	0.07 289	0.05 182	0.05 161	0.05 200

RAFT-Stereo-weight	0.09 164	0.06 99	0.10 182	0.16 201	0.07 125	0.09 129	0.14 228	0.19 317	0.16 269	0.11 251	0.10 185	0.08 175	0.06 62	0.10 120	0.11 278	0.06 166	0.04 25	0.06 180	0.04 54	0.04 48	0.04 71

MGS-Stereo	0.09 164	0.07 216	0.12 279	0.15 106	0.08 204	0.09 129	0.15 310	0.12 81	0.12 134	0.07 67	0.10 185	0.08 175	0.06 62	0.10 120	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.06 281	0.05 200

ff7	0.09 164	0.07 216	0.11 236	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.12 134	0.10 216	0.06 23	0.06 39	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

IGEVStereo-DCA	0.09 164	0.06 99	0.11 236	0.15 106	0.10 441	0.11 242	0.15 310	0.16 215	0.12 134	0.10 216	0.06 23	0.08 175	0.06 62	0.10 120	0.08 25	0.06 166	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295

ffff	0.09 164	0.07 216	0.11 236	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.12 134	0.10 216	0.06 23	0.06 39	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

rrr	0.09 164	0.06 99	0.12 279	0.15 106	0.10 441	0.11 242	0.16 379	0.16 215	0.15 232	0.10 216	0.06 23	0.08 175	0.06 62	0.10 120	0.08 25	0.06 166	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295

11t	0.09 164	0.07 216	0.11 236	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.12 134	0.10 216	0.06 23	0.06 39	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

MaDis-Stereo	0.09 164	0.09 414	0.08 56	0.17 287	0.09 329	0.13 345	0.10 32	0.16 215	0.16 269	0.09 171	0.11 235	0.06 39	0.06 62	0.09 58	0.13 381	0.07 328	0.06 406	0.07 289	0.05 182	0.05 161	0.04 71

IGEV_Zeroshot_test	0.09 164	0.05 36	0.12 279	0.13 16	0.08 204	0.12 294	0.13 163	0.17 254	0.11 97	0.10 216	0.06 23	0.09 210	0.06 62	0.11 188	0.09 101	0.06 166	0.04 25	0.06 180	0.06 272	0.05 161	0.05 200

MSKI-zero shot	0.09 164	0.05 36	0.09 118	0.15 106	0.07 125	0.10 191	0.13 163	0.14 136	0.13 175	0.09 171	0.09 149	0.09 210	0.06 62	0.12 281	0.10 198	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

UniTT-Stereo	0.09 164	0.07 216	0.08 56	0.18 377	0.08 204	0.13 345	0.11 61	0.12 81	0.11 97	0.10 216	0.12 256	0.05 5	0.07 174	0.09 58	0.09 101	0.07 328	0.05 263	0.05 45	0.05 182	0.05 161	0.05 200

MIM_Stereo	0.09 164	0.07 216	0.11 236	0.15 106	0.07 125	0.06 12	0.12 93	0.20 328	0.14 207	0.13 322	0.13 274	0.09 210	0.05 14	0.12 281	0.08 25	0.05 51	0.06 406	0.07 289	0.06 272	0.06 281	0.05 200

CASnet	0.09 164	0.09 414	0.09 118	0.19 445	0.06 27	0.07 39	0.11 61	0.18 287	0.14 207	0.11 251	0.10 185	0.09 210	0.07 174	0.10 120	0.10 198	0.06 166	0.04 25	0.10 514	0.08 442	0.05 161	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAPDPT-zeroshot	0.09 164	0.05 36	0.11 236	0.13 16	0.07 125	0.11 242	0.14 228	0.14 136	0.16 269	0.07 67	0.10 185	0.08 175	0.06 62	0.13 333	0.08 25	0.07 328	0.05 263	0.05 45	0.05 182	0.04 48	0.04 71

GCAP-Stereo	0.09 164	0.07 216	0.13 329	0.18 377	0.06 27	0.11 242	0.07 3	0.13 106	0.12 134	0.09 171	0.10 185	0.07 116	0.09 256	0.13 333	0.10 198	0.06 166	0.05 263	0.05 45	0.04 54	0.04 48	0.05 200

RAFT-Test	0.09 164	0.06 99	0.10 182	0.15 106	0.07 125	0.11 242	0.15 310	0.16 215	0.13 175	0.09 171	0.10 185	0.10 245	0.09 256	0.12 281	0.09 101	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.05 200

HH	0.09 164	0.06 99	0.13 329	0.17 287	0.08 204	0.10 191	0.16 379	0.14 136	0.10 66	0.08 120	0.09 149	0.08 175	0.07 174	0.10 120	0.09 101	0.06 166	0.04 25	0.06 180	0.05 182	0.05 161	0.04 71

HanStereo	0.09 164	0.06 99	0.13 329	0.17 287	0.08 204	0.10 191	0.16 379	0.14 136	0.10 66	0.08 120	0.09 149	0.08 175	0.07 174	0.10 120	0.09 101	0.06 166	0.04 25	0.06 180	0.05 182	0.05 161	0.04 71

4D-IteraStereo	0.09 164	0.07 216	0.10 182	0.18 377	0.07 125	0.09 129	0.15 310	0.17 254	0.15 232	0.10 216	0.11 235	0.10 245	0.07 174	0.11 188	0.09 101	0.05 51	0.03 1	0.08 383	0.07 369	0.06 281	0.05 200

anonymousdsp	0.09 164	0.07 216	0.11 236	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.12 134	0.09 171	0.06 23	0.06 39	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

LoS	0.09 164	0.05 36	0.11 236	0.13 16	0.07 125	0.14 379	0.11 61	0.15 177	0.15 232	0.09 171	0.09 149	0.12 295	0.09 256	0.15 386	0.10 198	0.07 328	0.05 263	0.05 45	0.03 1	0.05 161	0.05 200
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 164	0.07 216	0.10 182	0.17 287	0.08 204	0.10 191	0.15 310	0.15 177	0.12 134	0.09 171	0.06 23	0.07 116	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.06 295

RCA-Stereo	0.09 164	0.06 99	0.09 118	0.16 201	0.06 27	0.09 129	0.13 163	0.18 287	0.14 207	0.09 171	0.10 185	0.08 175	0.07 174	0.12 281	0.11 278	0.06 166	0.04 25	0.06 180	0.05 182	0.05 161	0.04 71

CroCo-Stereo Lap2	0.09 164	0.09 414	0.08 56	0.22 561	0.09 329	0.09 129	0.19 509	0.16 215	0.12 134	0.09 171	0.10 185	0.05 5	0.05 14	0.08 25	0.08 25	0.06 166	0.06 406	0.07 289	0.05 182	0.05 161	0.05 200

ccc-4	0.09 164	0.07 216	0.11 236	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.12 134	0.10 216	0.06 23	0.06 39	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

IGEV-Stereo	0.09 164	0.07 216	0.11 236	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.12 134	0.09 171	0.06 23	0.06 39	0.06 62	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 164	0.05 36	0.13 329	0.14 55	0.08 204	0.12 294	0.15 310	0.18 287	0.10 66	0.11 251	0.08 114	0.08 175	0.05 14	0.10 120	0.09 101	0.06 166	0.04 25	0.06 180	0.05 182	0.06 281	0.05 200

TRStereo	0.09 164	0.05 36	0.12 279	0.15 106	0.12 525	0.10 191	0.13 163	0.18 287	0.18 329	0.09 171	0.09 149	0.09 210	0.06 62	0.10 120	0.08 25	0.07 328	0.05 263	0.07 289	0.07 369	0.04 48	0.04 71

AnonymousM	0.09 164	0.05 36	0.10 182	0.14 55	0.06 27	0.09 129	0.13 163	0.19 317	0.14 207	0.13 322	0.11 235	0.09 210	0.08 222	0.13 333	0.10 198	0.08 403	0.05 263	0.08 383	0.05 182	0.05 161	0.05 200

CroCo-Stereo	0.09 164	0.08 334	0.08 56	0.22 561	0.09 329	0.09 129	0.19 509	0.15 177	0.12 134	0.07 67	0.07 60	0.08 175	0.06 62	0.08 25	0.07 1	0.07 328	0.05 263	0.06 180	0.04 54	0.05 161	0.04 71
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 164	0.06 99	0.07 11	0.15 106	0.05 2	0.16 435	0.18 469	0.15 177	0.15 232	0.10 216	0.11 235	0.11 275	0.11 328	0.10 120	0.12 339	0.05 51	0.04 25	0.05 45	0.04 54	0.04 48	0.04 71

TANstereo	0.09 164	0.04 1	0.08 56	0.13 16	0.06 27	0.11 242	0.14 228	0.15 177	0.19 347	0.11 251	0.15 305	0.10 245	0.06 62	0.12 281	0.09 101	0.07 328	0.05 263	0.05 45	0.04 54	0.06 281	0.05 200

XX-TBD	0.09 164	0.06 99	0.07 11	0.14 55	0.07 125	0.12 294	0.16 379	0.14 136	0.13 175	0.11 251	0.12 256	0.09 210	0.08 222	0.10 120	0.10 198	0.06 166	0.04 25	0.05 45	0.03 1	0.06 281	0.05 200

raftrobust	0.09 164	0.06 99	0.10 182	0.17 287	0.08 204	0.09 129	0.10 32	0.18 287	0.16 269	0.10 216	0.09 149	0.12 295	0.07 174	0.12 281	0.10 198	0.08 403	0.05 263	0.06 180	0.05 182	0.05 161	0.05 200

XX-Stereo	0.09 164	0.05 36	0.08 56	0.17 287	0.09 329	0.15 405	0.12 93	0.20 328	0.10 66	0.10 216	0.14 288	0.07 116	0.06 62	0.12 281	0.08 25	0.06 166	0.05 263	0.06 180	0.06 272	0.04 48	0.04 71

test_xeample3	0.09 164	0.06 99	0.12 279	0.16 201	0.09 329	0.11 242	0.15 310	0.16 215	0.13 175	0.10 216	0.06 23	0.08 175	0.06 62	0.10 120	0.09 101	0.05 51	0.04 25	0.06 180	0.05 182	0.05 161	0.06 295

RAFT-Stereo + iAFF	0.09 164	0.06 99	0.10 182	0.17 287	0.06 27	0.10 191	0.16 379	0.17 254	0.14 207	0.09 171	0.10 185	0.08 175	0.09 256	0.11 188	0.09 101	0.05 51	0.04 25	0.06 180	0.06 272	0.04 48	0.03 2

AFF-stereo	0.09 164	0.06 99	0.10 182	0.17 287	0.07 125	0.10 191	0.16 379	0.17 254	0.09 45	0.10 216	0.12 256	0.09 210	0.09 256	0.12 281	0.09 101	0.05 51	0.04 25	0.07 289	0.07 369	0.04 48	0.03 2

EAI-Stereo	0.09 164	0.07 216	0.11 236	0.15 106	0.06 27	0.10 191	0.15 310	0.16 215	0.09 45	0.08 120	0.09 149	0.08 175	0.07 174	0.09 58	0.11 278	0.05 51	0.04 25	0.05 45	0.05 182	0.05 161	0.04 71

CFNet-RSSM	0.09 164	0.07 216	0.09 118	0.16 201	0.07 125	0.09 129	0.15 310	0.16 215	0.17 298	0.08 120	0.12 256	0.10 245	0.09 256	0.11 188	0.09 101	0.06 166	0.04 25	0.06 180	0.04 54	0.04 48	0.04 71

Gwc-CoAtRS	0.09 164	0.06 99	0.10 182	0.16 201	0.07 125	0.10 191	0.14 228	0.17 254	0.17 298	0.08 120	0.10 185	0.12 295	0.09 256	0.12 281	0.09 101	0.06 166	0.04 25	0.06 180	0.04 54	0.04 48	0.04 71

CREStereo	0.09 164	0.04 1	0.08 56	0.11 1	0.06 27	0.13 345	0.14 228	0.14 136	0.10 66	0.08 120	0.13 274	0.09 210	0.08 222	0.11 188	0.10 198	0.08 403	0.04 25	0.05 45	0.03 1	0.06 281	0.06 295
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 164	0.05 36	0.09 118	0.12 5	0.06 27	0.12 294	0.14 228	0.15 177	0.11 97	0.09 171	0.13 274	0.10 245	0.07 174	0.13 333	0.10 198	0.15 604	0.04 25	0.05 45	0.03 1	0.07 360	0.06 295

DN	0.10 232	0.05 36	0.09 118	0.14 55	0.09 329	0.12 294	0.18 469	0.17 254	0.16 269	0.08 120	0.09 149	0.08 175	0.06 62	0.08 25	0.09 101	0.11 535	0.05 263	0.07 289	0.06 272	0.07 360	0.09 491

Hybrid-DGEV-03	0.10 232	0.06 99	0.09 118	0.18 377	0.08 204	0.16 435	0.14 228	0.15 177	0.14 207	0.13 322	0.16 318	0.12 295	0.09 256	0.13 333	0.11 278	0.06 166	0.04 25	0.08 383	0.06 272	0.05 161	0.04 71

WQFJA1	0.10 232	0.07 216	0.08 56	0.20 512	0.09 329	0.12 294	0.17 420	0.17 254	0.17 298	0.09 171	0.10 185	0.08 175	0.10 295	0.12 281	0.11 278	0.06 166	0.07 478	0.07 289	0.06 272	0.06 281	0.05 200

WQFJX1	0.10 232	0.07 216	0.08 56	0.22 561	0.09 329	0.12 294	0.17 420	0.18 287	0.17 298	0.10 216	0.09 149	0.07 116	0.10 295	0.11 188	0.09 101	0.07 328	0.08 508	0.07 289	0.06 272	0.05 161	0.04 71

WQFJX	0.10 232	0.07 216	0.09 118	0.21 544	0.09 329	0.12 294	0.16 379	0.18 287	0.17 298	0.12 292	0.10 185	0.07 116	0.09 256	0.12 281	0.10 198	0.06 166	0.07 478	0.06 180	0.05 182	0.06 281	0.05 200

NLMM	0.10 232	0.07 216	0.08 56	0.20 512	0.09 329	0.12 294	0.17 420	0.17 254	0.17 298	0.09 171	0.10 185	0.08 175	0.10 295	0.12 281	0.11 278	0.06 166	0.07 478	0.07 289	0.06 272	0.06 281	0.05 200

NLSM1	0.10 232	0.07 216	0.07 11	0.19 445	0.08 204	0.13 345	0.16 379	0.21 351	0.15 232	0.11 251	0.10 185	0.06 39	0.10 295	0.10 120	0.11 278	0.07 328	0.08 508	0.08 383	0.07 369	0.05 161	0.05 200

MM-Stereo_test3	0.10 232	0.07 216	0.07 11	0.18 377	0.07 125	0.12 294	0.19 509	0.24 420	0.19 347	0.06 20	0.10 185	0.08 175	0.06 62	0.11 188	0.08 25	0.06 166	0.06 406	0.07 289	0.05 182	0.05 161	0.04 71

MM-Stereo_test1	0.10 232	0.07 216	0.08 56	0.18 377	0.07 125	0.12 294	0.18 469	0.21 351	0.20 370	0.09 171	0.11 235	0.08 175	0.06 62	0.10 120	0.10 198	0.06 166	0.05 263	0.07 289	0.06 272	0.05 161	0.04 71

AIO-test2	0.10 232	0.08 334	0.10 182	0.23 585	0.08 204	0.11 242	0.10 32	0.23 396	0.23 412	0.08 120	0.09 149	0.08 175	0.05 14	0.10 120	0.08 25	0.06 166	0.05 263	0.08 383	0.09 489	0.05 161	0.05 200

AIO-test1	0.10 232	0.07 216	0.10 182	0.23 585	0.07 125	0.09 129	0.13 163	0.21 351	0.14 207	0.11 251	0.12 256	0.09 210	0.07 174	0.11 188	0.09 101	0.06 166	0.05 263	0.09 466	0.10 529	0.03 1	0.06 295

tg	0.10 232	0.06 99	0.10 182	0.18 377	0.08 204	0.11 242	0.16 379	0.20 328	0.12 134	0.08 120	0.11 235	0.11 275	0.07 174	0.11 188	0.10 198	0.05 51	0.04 25	0.08 383	0.08 442	0.04 48	0.04 71

PAM	0.10 232	0.05 36	0.16 450	0.15 106	0.08 204	0.09 129	0.16 379	0.15 177	0.16 269	0.12 292	0.09 149	0.09 210	0.07 174	0.13 333	0.08 25	0.06 166	0.05 263	0.06 180	0.06 272	0.05 161	0.06 295

model_zeroshot	0.10 232	0.04 1	0.11 236	0.15 106	0.09 329	0.12 294	0.14 228	0.20 328	0.13 175	0.11 251	0.10 185	0.12 295	0.07 174	0.12 281	0.10 198	0.07 328	0.06 406	0.06 180	0.05 182	0.06 281	0.06 295

RAStereo	0.10 232	0.09 414	0.08 56	0.20 512	0.08 204	0.13 345	0.18 469	0.15 177	0.17 298	0.10 216	0.12 256	0.05 5	0.06 62	0.09 58	0.08 25	0.07 328	0.05 263	0.07 289	0.05 182	0.05 161	0.04 71

rvit_stereo_0080	0.10 232	0.08 334	0.14 366	0.15 106	0.09 329	0.07 39	0.15 310	0.16 215	0.16 269	0.11 251	0.10 185	0.14 341	0.08 222	0.12 281	0.10 198	0.09 463	0.07 478	0.07 289	0.06 272	0.07 360	0.05 200

H2IRNET	0.10 232	0.09 414	0.09 118	0.18 377	0.09 329	0.12 294	0.15 310	0.14 136	0.21 386	0.10 216	0.10 185	0.10 245	0.10 295	0.10 120	0.10 198	0.05 51	0.04 25	0.08 383	0.08 442	0.06 281	0.05 200

Former-RAFT_DAM_RVC	0.10 232	0.08 334	0.12 279	0.16 201	0.08 204	0.15 405	0.16 379	0.18 287	0.18 329	0.10 216	0.09 149	0.09 210	0.08 222	0.11 188	0.12 339	0.07 328	0.05 263	0.08 383	0.06 272	0.07 360	0.06 295

MyStereo07	0.10 232	0.07 216	0.10 182	0.17 287	0.09 329	0.14 379	0.18 469	0.15 177	0.15 232	0.09 171	0.06 23	0.06 39	0.07 174	0.12 281	0.09 101	0.06 166	0.05 263	0.08 383	0.07 369	0.06 281	0.06 295

MyStereo06	0.10 232	0.07 216	0.12 279	0.17 287	0.09 329	0.13 345	0.18 469	0.19 317	0.12 134	0.12 292	0.08 114	0.07 116	0.07 174	0.11 188	0.09 101	0.06 166	0.05 263	0.07 289	0.07 369	0.06 281	0.06 295

AE-Stereo	0.10 232	0.08 334	0.10 182	0.18 377	0.09 329	0.10 191	0.15 310	0.14 136	0.19 347	0.09 171	0.14 288	0.12 295	0.08 222	0.11 188	0.10 198	0.05 51	0.06 406	0.07 289	0.06 272	0.05 161	0.04 71

ACVNet-DCA	0.10 232	0.08 334	0.12 279	0.17 287	0.09 329	0.13 345	0.15 310	0.23 396	0.16 269	0.09 171	0.09 149	0.06 39	0.06 62	0.10 120	0.07 1	0.06 166	0.04 25	0.06 180	0.05 182	0.07 360	0.07 382

cc1	0.10 232	0.08 334	0.12 279	0.17 287	0.09 329	0.13 345	0.15 310	0.16 215	0.18 329	0.09 171	0.09 149	0.06 39	0.06 62	0.10 120	0.07 1	0.06 166	0.04 25	0.06 180	0.05 182	0.06 281	0.06 295

tt1	0.10 232	0.08 334	0.12 279	0.17 287	0.09 329	0.12 294	0.16 379	0.15 177	0.19 347	0.09 171	0.08 114	0.06 39	0.06 62	0.10 120	0.07 1	0.06 166	0.04 25	0.06 180	0.05 182	0.06 281	0.06 295

whm_eth	0.10 232	0.08 334	0.14 366	0.15 106	0.09 329	0.07 39	0.15 310	0.16 215	0.16 269	0.11 251	0.10 185	0.14 341	0.08 222	0.12 281	0.10 198	0.09 463	0.07 478	0.07 289	0.06 272	0.07 360	0.05 200

plain	0.10 232	0.08 334	0.10 182	0.19 445	0.09 329	0.10 191	0.15 310	0.14 136	0.13 175	0.13 322	0.15 305	0.09 210	0.12 359	0.13 333	0.12 339	0.07 328	0.05 263	0.09 466	0.06 272	0.06 281	0.06 295

Any-RAFT	0.10 232	0.05 36	0.09 118	0.14 55	0.07 125	0.13 345	0.14 228	0.21 351	0.15 232	0.11 251	0.12 256	0.12 295	0.09 256	0.12 281	0.09 101	0.07 328	0.04 25	0.05 45	0.04 54	0.06 281	0.05 200

LL-Strereo2	0.10 232	0.10 476	0.15 414	0.18 377	0.08 204	0.15 405	0.09 18	0.17 254	0.14 207	0.14 344	0.10 185	0.09 210	0.07 174	0.16 421	0.10 198	0.05 51	0.05 263	0.10 514	0.07 369	0.06 281	0.05 200

DCANet-4	0.10 232	0.06 99	0.12 279	0.16 201	0.06 27	0.09 129	0.17 420	0.18 287	0.19 347	0.13 322	0.16 318	0.09 210	0.14 423	0.11 188	0.12 339	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.05 200

fff	0.10 232	0.06 99	0.12 279	0.15 106	0.07 125	0.09 129	0.17 420	0.16 215	0.20 370	0.13 322	0.16 318	0.10 245	0.11 328	0.11 188	0.12 339	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.05 200

ADStereo(finetuned)	0.10 232	0.06 99	0.12 279	0.16 201	0.06 27	0.09 129	0.17 420	0.15 177	0.19 347	0.13 322	0.17 340	0.10 245	0.12 359	0.11 188	0.12 339	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

test_4	0.10 232	0.10 476	0.08 56	0.19 445	0.09 329	0.08 77	0.22 562	0.15 177	0.17 298	0.12 292	0.18 367	0.12 295	0.09 256	0.08 25	0.11 278	0.04 11	0.04 25	0.08 383	0.08 442	0.04 48	0.03 2

IPLG	0.10 232	0.07 216	0.15 414	0.17 287	0.08 204	0.11 242	0.14 228	0.20 328	0.15 232	0.12 292	0.17 340	0.07 116	0.07 174	0.14 362	0.13 381	0.06 166	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

test_3	0.10 232	0.09 414	0.10 182	0.20 512	0.08 204	0.13 345	0.26 611	0.14 136	0.21 386	0.10 216	0.10 185	0.09 210	0.09 256	0.08 25	0.11 278	0.05 51	0.04 25	0.08 383	0.07 369	0.04 48	0.04 71

STrans-v2	0.10 232	0.07 216	0.12 279	0.18 377	0.07 125	0.10 191	0.14 228	0.21 351	0.11 97	0.11 251	0.15 305	0.12 295	0.10 295	0.11 188	0.12 339	0.05 51	0.04 25	0.06 180	0.06 272	0.04 48	0.04 71

TransformOpticalFlow	0.10 232	0.08 334	0.13 329	0.18 377	0.07 125	0.09 129	0.15 310	0.19 317	0.15 232	0.12 292	0.17 340	0.11 275	0.11 328	0.11 188	0.10 198	0.05 51	0.04 25	0.06 180	0.06 272	0.05 161	0.05 200

SST-Stereo	0.10 232	0.07 216	0.15 414	0.18 377	0.09 329	0.06 12	0.12 93	0.17 254	0.11 97	0.15 371	0.17 340	0.13 321	0.12 359	0.10 120	0.11 278	0.06 166	0.04 25	0.09 466	0.06 272	0.06 281	0.05 200

cross-raft	0.10 232	0.09 414	0.09 118	0.19 445	0.07 125	0.11 242	0.25 602	0.13 106	0.15 232	0.08 120	0.11 235	0.12 295	0.10 295	0.09 58	0.11 278	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

test-1	0.10 232	0.07 216	0.16 450	0.19 445	0.08 204	0.11 242	0.24 586	0.14 136	0.18 329	0.09 171	0.07 60	0.09 210	0.08 222	0.07 4	0.09 101	0.06 166	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

iRaftStereo_RVC	0.10 232	0.07 216	0.09 118	0.17 287	0.09 329	0.11 242	0.17 420	0.18 287	0.12 134	0.09 171	0.12 256	0.10 245	0.07 174	0.11 188	0.10 198	0.05 51	0.04 25	0.08 383	0.08 442	0.04 48	0.04 71

RALCasStereoNet	0.10 232	0.06 99	0.09 118	0.16 201	0.08 204	0.12 294	0.14 228	0.17 254	0.11 97	0.12 292	0.17 340	0.14 341	0.10 295	0.12 281	0.11 278	0.07 328	0.06 406	0.06 180	0.05 182	0.08 424	0.07 382

DCANet	0.10 232	0.06 99	0.12 279	0.16 201	0.06 27	0.09 129	0.17 420	0.15 177	0.19 347	0.13 322	0.17 340	0.10 245	0.11 328	0.11 188	0.12 339	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

csc	0.10 232	0.06 99	0.12 279	0.15 106	0.07 125	0.09 129	0.17 420	0.16 215	0.20 370	0.13 322	0.16 318	0.10 245	0.11 328	0.11 188	0.12 339	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.05 200

cscssc	0.10 232	0.06 99	0.12 279	0.15 106	0.07 125	0.09 129	0.17 420	0.16 215	0.20 370	0.13 322	0.16 318	0.10 245	0.11 328	0.11 188	0.12 339	0.06 166	0.04 25	0.05 45	0.04 54	0.04 48	0.05 200

111	0.10 232	0.06 99	0.12 279	0.15 106	0.07 125	0.10 191	0.14 228	0.21 351	0.23 412	0.11 251	0.12 256	0.14 341	0.11 328	0.13 333	0.10 198	0.06 166	0.04 25	0.06 180	0.04 54	0.05 161	0.05 200

R-Stereo Train	0.10 232	0.06 99	0.10 182	0.17 287	0.08 204	0.11 242	0.14 228	0.23 396	0.11 97	0.12 292	0.19 378	0.11 275	0.08 222	0.09 58	0.11 278	0.07 328	0.05 263	0.06 180	0.05 182	0.05 161	0.05 200

RAFT-Stereo	0.10 232	0.06 99	0.10 182	0.17 287	0.08 204	0.11 242	0.14 228	0.23 396	0.11 97	0.12 292	0.19 378	0.11 275	0.08 222	0.09 58	0.11 278	0.07 328	0.05 263	0.06 180	0.05 182	0.05 161	0.05 200
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 232	0.06 99	0.12 279	0.14 55	0.06 27	0.11 242	0.10 32	0.18 287	0.18 329	0.13 322	0.16 318	0.14 341	0.11 328	0.15 386	0.13 381	0.06 166	0.04 25	0.04 1	0.04 54	0.06 281	0.05 200
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
Lsterematch	0.11 280	0.06 99	0.11 236	0.16 201	0.07 125	0.13 345	0.15 310	0.14 136	0.17 298	0.16 399	0.18 367	0.15 370	0.15 441	0.12 281	0.14 418	0.07 328	0.04 25	0.06 180	0.06 272	0.06 281	0.06 295

Hybrid-DGEV-2	0.11 280	0.06 99	0.12 279	0.18 377	0.09 329	0.09 129	0.13 163	0.28 495	0.29 496	0.11 251	0.11 235	0.09 210	0.12 359	0.12 281	0.09 101	0.06 166	0.05 263	0.07 289	0.07 369	0.05 161	0.05 200

NLMM1	0.11 280	0.09 414	0.07 11	0.22 561	0.10 441	0.12 294	0.20 532	0.18 287	0.20 370	0.12 292	0.11 235	0.07 116	0.09 256	0.11 188	0.11 278	0.08 403	0.08 508	0.07 289	0.06 272	0.04 48	0.04 71

NLCSM	0.11 280	0.09 414	0.09 118	0.23 585	0.11 491	0.12 294	0.19 509	0.18 287	0.18 329	0.12 292	0.11 235	0.07 116	0.09 256	0.11 188	0.10 198	0.07 328	0.08 508	0.07 289	0.07 369	0.06 281	0.05 200

Select-FE	0.11 280	0.06 99	0.20 528	0.15 106	0.11 491	0.11 242	0.13 163	0.21 351	0.18 329	0.09 171	0.11 235	0.10 245	0.06 62	0.12 281	0.09 101	0.07 328	0.05 263	0.07 289	0.08 442	0.06 281	0.08 447

FlowAnything_test	0.11 280	0.08 334	0.14 366	0.15 106	0.09 329	0.07 39	0.14 228	0.20 328	0.11 97	0.09 171	0.09 149	0.12 295	0.12 359	0.13 333	0.11 278	0.09 463	0.06 406	0.09 466	0.09 489	0.06 281	0.09 491

xyz-stereo-finetune2	0.11 280	0.07 216	0.13 329	0.13 16	0.07 125	0.11 242	0.19 509	0.17 254	0.12 134	0.15 371	0.15 305	0.17 407	0.12 359	0.13 333	0.11 278	0.05 51	0.04 25	0.07 289	0.05 182	0.04 48	0.06 295

xyz-stereo-finetune	0.11 280	0.08 334	0.13 329	0.14 55	0.06 27	0.10 191	0.19 509	0.17 254	0.19 347	0.12 292	0.14 288	0.15 370	0.10 295	0.13 333	0.11 278	0.05 51	0.04 25	0.07 289	0.05 182	0.04 48	0.05 200

HI	0.11 280	0.06 99	0.11 236	0.13 16	0.09 329	0.09 129	0.14 228	0.21 351	0.10 66	0.19 464	0.17 340	0.14 341	0.09 256	0.16 421	0.08 25	0.05 51	0.04 25	0.07 289	0.08 442	0.07 360	0.06 295

CoSv	0.11 280	0.06 99	0.11 236	0.13 16	0.09 329	0.09 129	0.14 228	0.21 351	0.10 66	0.19 464	0.17 340	0.14 341	0.09 256	0.16 421	0.08 25	0.05 51	0.04 25	0.07 289	0.08 442	0.07 360	0.06 295

rvit_stereo_0081_aga	0.11 280	0.09 414	0.14 366	0.18 377	0.09 329	0.13 345	0.14 228	0.14 136	0.19 347	0.10 216	0.18 367	0.16 385	0.09 256	0.12 281	0.09 101	0.10 504	0.06 406	0.08 383	0.07 369	0.07 360	0.06 295

rvit_stereo_0081	0.11 280	0.08 334	0.15 414	0.16 201	0.09 329	0.10 191	0.14 228	0.14 136	0.24 429	0.11 251	0.13 274	0.13 321	0.09 256	0.11 188	0.12 339	0.10 504	0.07 478	0.08 383	0.07 369	0.07 360	0.05 200

rvit_stereo_0082	0.11 280	0.08 334	0.15 414	0.16 201	0.09 329	0.10 191	0.14 228	0.14 136	0.24 429	0.11 251	0.13 274	0.13 321	0.09 256	0.11 188	0.12 339	0.10 504	0.07 478	0.08 383	0.07 369	0.07 360	0.05 200

AIO-Stereo-zeroshot1	0.11 280	0.05 36	0.14 366	0.15 106	0.20 629	0.09 129	0.17 420	0.21 351	0.15 232	0.11 251	0.14 288	0.10 245	0.07 174	0.10 120	0.08 25	0.06 166	0.05 263	0.07 289	0.07 369	0.07 360	0.09 491

AIO-Stereo-zeroshot	0.11 280	0.05 36	0.11 236	0.15 106	0.13 548	0.13 345	0.16 379	0.23 396	0.17 298	0.10 216	0.12 256	0.10 245	0.07 174	0.11 188	0.09 101	0.06 166	0.05 263	0.06 180	0.06 272	0.07 360	0.08 447

CAS++	0.11 280	0.07 216	0.11 236	0.14 55	0.09 329	0.12 294	0.14 228	0.24 420	0.14 207	0.11 251	0.09 149	0.11 275	0.07 174	0.14 362	0.09 101	0.11 535	0.09 541	0.09 466	0.07 369	0.07 360	0.08 447
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 280	0.08 334	0.12 279	0.17 287	0.09 329	0.13 345	0.15 310	0.16 215	0.18 329	0.09 171	0.09 149	0.16 385	0.16 469	0.10 120	0.07 1	0.06 166	0.04 25	0.08 383	0.08 442	0.07 360	0.07 382

1test111	0.11 280	0.08 334	0.12 279	0.17 287	0.09 329	0.13 345	0.15 310	0.23 396	0.16 269	0.09 171	0.09 149	0.06 39	0.06 62	0.15 386	0.16 465	0.06 166	0.04 25	0.06 180	0.05 182	0.07 360	0.07 382

MIF-Stereo (partial)	0.11 280	0.06 99	0.10 182	0.19 445	0.10 441	0.10 191	0.11 61	0.17 254	0.18 329	0.14 344	0.16 318	0.09 210	0.11 328	0.12 281	0.12 339	0.08 403	0.05 263	0.08 383	0.07 369	0.06 281	0.07 382

EKT-Stereo	0.11 280	0.07 216	0.14 366	0.15 106	0.10 441	0.13 345	0.14 228	0.18 287	0.21 386	0.11 251	0.08 114	0.12 295	0.09 256	0.11 188	0.12 339	0.08 403	0.06 406	0.07 289	0.06 272	0.08 424	0.07 382

anonymousdsp2	0.11 280	0.07 216	0.10 182	0.16 201	0.09 329	0.13 345	0.14 228	0.18 287	0.22 400	0.13 322	0.14 288	0.12 295	0.09 256	0.14 362	0.11 278	0.05 51	0.04 25	0.05 45	0.04 54	0.06 281	0.05 200

DCRE	0.11 280	0.07 216	0.13 329	0.16 201	0.11 491	0.11 242	0.17 420	0.18 287	0.17 298	0.11 251	0.18 367	0.10 245	0.10 295	0.15 386	0.11 278	0.06 166	0.05 263	0.06 180	0.06 272	0.05 161	0.04 71

knoymous	0.11 280	0.05 36	0.12 279	0.13 16	0.07 125	0.15 405	0.14 228	0.19 317	0.13 175	0.11 251	0.17 340	0.13 321	0.09 256	0.13 333	0.11 278	0.08 403	0.05 263	0.06 180	0.05 182	0.08 424	0.07 382

riskmin	0.11 280	0.06 99	0.13 329	0.14 55	0.08 204	0.14 379	0.14 228	0.18 287	0.14 207	0.11 251	0.14 288	0.16 385	0.11 328	0.14 362	0.12 339	0.09 463	0.05 263	0.07 289	0.05 182	0.08 424	0.08 447

Selective-RAFT	0.11 280	0.10 476	0.11 236	0.21 544	0.08 204	0.16 435	0.13 163	0.20 328	0.22 400	0.10 216	0.10 185	0.11 275	0.10 295	0.15 386	0.11 278	0.05 51	0.05 263	0.06 180	0.05 182	0.06 281	0.05 200

DisPM	0.11 280	0.07 216	0.12 279	0.16 201	0.09 329	0.06 12	0.13 163	0.17 254	0.17 298	0.14 344	0.20 390	0.12 295	0.10 295	0.11 188	0.10 198	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.11 547

CIPLG	0.11 280	0.08 334	0.14 366	0.17 287	0.08 204	0.12 294	0.15 310	0.17 254	0.15 232	0.14 344	0.11 235	0.16 385	0.09 256	0.16 421	0.11 278	0.07 328	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295

GLC_STEREO	0.11 280	0.07 216	0.11 236	0.17 287	0.07 125	0.09 129	0.13 163	0.15 177	0.24 429	0.12 292	0.13 274	0.12 295	0.08 222	0.18 476	0.11 278	0.06 166	0.08 508	0.08 383	0.06 272	0.05 161	0.05 200

IPLGR_C	0.11 280	0.08 334	0.14 366	0.17 287	0.08 204	0.12 294	0.15 310	0.17 254	0.15 232	0.14 344	0.10 185	0.16 385	0.09 256	0.16 421	0.11 278	0.07 328	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295

MIPNet	0.11 280	0.08 334	0.14 366	0.17 287	0.09 329	0.12 294	0.14 228	0.20 328	0.24 429	0.11 251	0.10 185	0.09 210	0.07 174	0.13 333	0.12 339	0.06 166	0.04 25	0.06 180	0.05 182	0.04 48	0.04 71

IPLGR	0.11 280	0.09 414	0.16 450	0.18 377	0.08 204	0.12 294	0.17 420	0.21 351	0.24 429	0.11 251	0.12 256	0.11 275	0.08 222	0.12 281	0.12 339	0.06 166	0.05 263	0.06 180	0.06 272	0.04 48	0.04 71

GMOStereo	0.11 280	0.09 414	0.07 11	0.19 445	0.08 204	0.12 294	0.28 624	0.13 106	0.17 298	0.11 251	0.17 340	0.14 341	0.12 359	0.07 4	0.07 1	0.05 51	0.05 263	0.09 466	0.07 369	0.04 48	0.04 71

error version	0.11 280	0.09 414	0.07 11	0.19 445	0.08 204	0.12 294	0.28 624	0.13 106	0.17 298	0.11 251	0.17 340	0.14 341	0.12 359	0.07 4	0.07 1	0.05 51	0.05 263	0.09 466	0.07 369	0.04 48	0.04 71

test-v	0.11 280	0.09 414	0.07 11	0.19 445	0.08 204	0.12 294	0.28 624	0.13 106	0.17 298	0.11 251	0.17 340	0.14 341	0.12 359	0.07 4	0.07 1	0.05 51	0.05 263	0.09 466	0.07 369	0.04 48	0.04 71

ACRE	0.11 280	0.08 334	0.14 366	0.17 287	0.08 204	0.12 294	0.15 310	0.17 254	0.14 207	0.14 344	0.10 185	0.16 385	0.09 256	0.16 421	0.11 278	0.07 328	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295

PFNet+	0.11 280	0.06 99	0.13 329	0.16 201	0.09 329	0.05 4	0.12 93	0.17 254	0.21 386	0.16 399	0.19 378	0.14 341	0.10 295	0.11 188	0.11 278	0.08 403	0.05 263	0.09 466	0.08 442	0.06 281	0.11 547

LCNet	0.11 280	0.07 216	0.09 118	0.19 445	0.09 329	0.08 77	0.15 310	0.21 351	0.15 232	0.11 251	0.15 305	0.16 385	0.11 328	0.12 281	0.11 278	0.05 51	0.04 25	0.08 383	0.07 369	0.06 281	0.15 607

HHNet	0.11 280	0.06 99	0.16 450	0.15 106	0.14 569	0.07 39	0.13 163	0.20 328	0.17 298	0.14 344	0.25 473	0.11 275	0.08 222	0.13 333	0.10 198	0.05 51	0.04 25	0.08 383	0.06 272	0.05 161	0.09 491

Patchmatch Stereo++	0.11 280	0.09 414	0.16 450	0.18 377	0.08 204	0.06 12	0.11 61	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 280	0.07 216	0.16 450	0.19 445	0.09 329	0.08 77	0.13 163	0.18 287	0.13 175	0.16 399	0.21 413	0.13 321	0.14 423	0.11 188	0.14 418	0.06 166	0.04 25	0.09 466	0.06 272	0.06 281	0.05 200

OMP-Stereo	0.11 280	0.06 99	0.14 366	0.18 377	0.08 204	0.09 129	0.12 93	0.21 351	0.21 386	0.13 322	0.14 288	0.11 275	0.12 359	0.11 188	0.13 381	0.06 166	0.04 25	0.07 289	0.06 272	0.05 161	0.04 71

IIG-Stereo	0.11 280	0.06 99	0.13 329	0.17 287	0.08 204	0.11 242	0.12 93	0.22 375	0.17 298	0.14 344	0.17 340	0.11 275	0.12 359	0.12 281	0.12 339	0.06 166	0.05 263	0.07 289	0.06 272	0.05 161	0.04 71

NF-Stereo	0.11 280	0.07 216	0.13 329	0.17 287	0.09 329	0.10 191	0.14 228	0.23 396	0.19 347	0.12 292	0.17 340	0.12 295	0.11 328	0.11 188	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.12 560

OCTAStereo	0.11 280	0.07 216	0.13 329	0.17 287	0.09 329	0.10 191	0.14 228	0.23 396	0.19 347	0.12 292	0.17 340	0.12 295	0.11 328	0.11 188	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.12 560

NRIStereo	0.11 280	0.08 334	0.14 366	0.18 377	0.08 204	0.10 191	0.14 228	0.16 215	0.15 232	0.12 292	0.14 288	0.13 321	0.12 359	0.13 333	0.10 198	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.07 382

PSM-adaLoss	0.11 280	0.09 414	0.16 450	0.18 377	0.08 204	0.06 12	0.12 93	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

PSM-AAD	0.11 280	0.07 216	0.10 182	0.19 445	0.09 329	0.10 191	0.15 310	0.20 328	0.13 175	0.12 292	0.14 288	0.18 421	0.11 328	0.11 188	0.10 198	0.05 51	0.05 263	0.09 466	0.08 442	0.06 281	0.14 600

ROB_FTStereo_v2	0.11 280	0.09 414	0.16 450	0.19 445	0.08 204	0.06 12	0.12 93	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

ROB_FTStereo	0.11 280	0.09 414	0.16 450	0.19 445	0.08 204	0.06 12	0.11 61	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

KYRaft	0.11 280	0.07 216	0.10 182	0.19 445	0.09 329	0.08 77	0.15 310	0.22 375	0.12 134	0.13 322	0.16 318	0.20 447	0.10 295	0.12 281	0.10 198	0.05 51	0.04 25	0.08 383	0.08 442	0.06 281	0.16 618

HUI-Stereo	0.11 280	0.09 414	0.16 450	0.18 377	0.08 204	0.06 12	0.12 93	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

ASMatch	0.11 280	0.06 99	0.13 329	0.16 201	0.10 441	0.07 39	0.14 228	0.17 254	0.17 298	0.12 292	0.16 318	0.16 385	0.10 295	0.13 333	0.10 198	0.05 51	0.04 25	0.06 180	0.05 182	0.04 48	0.08 447

RAFT_R40	0.11 280	0.07 216	0.14 366	0.18 377	0.09 329	0.06 12	0.13 163	0.17 254	0.16 269	0.14 344	0.18 367	0.15 370	0.12 359	0.10 120	0.11 278	0.06 166	0.04 25	0.09 466	0.06 272	0.06 281	0.05 200

GrayStereo	0.11 280	0.06 99	0.11 236	0.19 445	0.09 329	0.09 129	0.16 379	0.18 287	0.17 298	0.14 344	0.17 340	0.17 407	0.11 328	0.12 281	0.11 278	0.05 51	0.05 263	0.07 289	0.06 272	0.05 161	0.10 520

RE-Stereo	0.11 280	0.07 216	0.13 329	0.17 287	0.09 329	0.10 191	0.14 228	0.23 396	0.19 347	0.12 292	0.17 340	0.12 295	0.11 328	0.11 188	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.12 560

Pruner-Stereo	0.11 280	0.07 216	0.12 279	0.17 287	0.09 329	0.06 12	0.12 93	0.17 254	0.17 298	0.13 322	0.19 378	0.13 321	0.09 256	0.11 188	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.08 447

TVStereo	0.11 280	0.07 216	0.13 329	0.17 287	0.09 329	0.10 191	0.14 228	0.23 396	0.19 347	0.12 292	0.17 340	0.12 295	0.11 328	0.11 188	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.06 281	0.12 560

DeepStereo_RVC	0.11 280	0.08 334	0.16 450	0.18 377	0.08 204	0.08 77	0.12 93	0.17 254	0.12 134	0.13 322	0.14 288	0.12 295	0.12 359	0.12 281	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.07 360	0.08 447

iGMRVC	0.11 280	0.09 414	0.16 450	0.19 445	0.08 204	0.06 12	0.12 93	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

RAFT-RH_RVC	0.11 280	0.06 99	0.14 366	0.16 201	0.09 329	0.12 294	0.12 93	0.17 254	0.12 134	0.13 322	0.41 605	0.11 275	0.10 295	0.13 333	0.12 339	0.05 51	0.04 25	0.08 383	0.05 182	0.04 48	0.06 295

RAFT-345	0.11 280	0.07 216	0.15 414	0.16 201	0.08 204	0.08 77	0.12 93	0.15 177	0.10 66	0.11 251	0.36 568	0.09 210	0.09 256	0.11 188	0.12 339	0.05 51	0.05 263	0.07 289	0.06 272	0.04 48	0.05 200

iRAFT	0.11 280	0.09 414	0.16 450	0.18 377	0.08 204	0.06 12	0.11 61	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

CRE-IMP	0.11 280	0.09 414	0.16 450	0.19 445	0.08 204	0.10 191	0.12 93	0.18 287	0.10 66	0.14 344	0.13 274	0.13 321	0.12 359	0.12 281	0.11 278	0.07 328	0.04 25	0.08 383	0.06 272	0.08 424	0.08 447

test-2	0.11 280	0.09 414	0.07 11	0.19 445	0.08 204	0.12 294	0.28 624	0.13 106	0.17 298	0.11 251	0.17 340	0.14 341	0.12 359	0.07 4	0.07 1	0.05 51	0.05 263	0.09 466	0.07 369	0.04 48	0.04 71

GMM-Stereo	0.11 280	0.07 216	0.10 182	0.18 377	0.09 329	0.08 77	0.15 310	0.23 396	0.16 269	0.11 251	0.15 305	0.13 321	0.11 328	0.11 188	0.11 278	0.05 51	0.04 25	0.08 383	0.07 369	0.06 281	0.09 491

RAFT-IKP	0.11 280	0.09 414	0.16 450	0.19 445	0.08 204	0.06 12	0.12 93	0.16 215	0.13 175	0.15 371	0.16 318	0.14 341	0.12 359	0.11 188	0.10 198	0.06 166	0.04 25	0.08 383	0.06 272	0.08 424	0.07 382

Prome-Stereo	0.11 280	0.06 99	0.10 182	0.18 377	0.08 204	0.12 294	0.15 310	0.22 375	0.13 175	0.12 292	0.17 340	0.13 321	0.08 222	0.12 281	0.10 198	0.05 51	0.04 25	0.07 289	0.06 272	0.06 281	0.09 491

rafts_anoy	0.11 280	0.06 99	0.10 182	0.17 287	0.08 204	0.10 191	0.14 228	0.17 254	0.14 207	0.13 322	0.13 274	0.12 295	0.10 295	0.11 188	0.12 339	0.07 328	0.04 25	0.09 466	0.11 563	0.07 360	0.06 295

raft+_RVC	0.11 280	0.07 216	0.09 118	0.16 201	0.07 125	0.10 191	0.11 61	0.24 420	0.20 370	0.12 292	0.15 305	0.12 295	0.08 222	0.12 281	0.13 381	0.07 328	0.04 25	0.07 289	0.06 272	0.05 161	0.05 200

RALAANet	0.11 280	0.08 334	0.10 182	0.17 287	0.09 329	0.14 379	0.10 32	0.20 328	0.15 232	0.14 344	0.13 274	0.16 385	0.09 256	0.12 281	0.11 278	0.06 166	0.05 263	0.07 289	0.06 272	0.05 161	0.04 71

DIP-Stereo	0.11 280	0.07 216	0.14 366	0.17 287	0.09 329	0.13 345	0.09 18	0.16 215	0.16 269	0.11 251	0.16 318	0.14 341	0.12 359	0.15 386	0.13 381	0.06 166	0.05 263	0.06 180	0.05 182	0.05 161	0.06 295
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
IGEV_i1	0.12 351	0.07 216	0.12 279	0.16 201	0.08 204	0.19 500	0.14 228	0.18 287	0.22 400	0.18 447	0.18 367	0.16 385	0.12 359	0.16 421	0.14 418	0.06 166	0.05 263	0.06 180	0.05 182	0.06 281	0.06 295

rvit_stereo_0083	0.12 351	0.08 334	0.17 480	0.16 201	0.09 329	0.11 242	0.15 310	0.14 136	0.26 464	0.11 251	0.14 288	0.13 321	0.10 295	0.12 281	0.12 339	0.10 504	0.08 508	0.09 466	0.07 369	0.07 360	0.05 200

rvit_stereo_ft	0.12 351	0.07 216	0.13 329	0.19 445	0.10 441	0.12 294	0.17 420	0.16 215	0.16 269	0.12 292	0.13 274	0.15 370	0.10 295	0.14 362	0.13 381	0.09 463	0.06 406	0.08 383	0.07 369	0.07 360	0.05 200

test_sample2	0.12 351	0.07 216	0.12 279	0.14 55	0.08 204	0.16 435	0.18 469	0.21 351	0.16 269	0.14 344	0.20 390	0.19 435	0.15 441	0.15 386	0.12 339	0.08 403	0.05 263	0.07 289	0.06 272	0.08 424	0.07 382

MyStereo8	0.12 351	0.07 216	0.15 414	0.15 106	0.09 329	0.18 476	0.14 228	0.19 317	0.22 400	0.12 292	0.18 367	0.11 275	0.10 295	0.16 421	0.18 498	0.07 328	0.05 263	0.07 289	0.05 182	0.08 424	0.09 491

CoDeX	0.12 351	0.07 216	0.12 279	0.17 287	0.08 204	0.12 294	0.15 310	0.23 396	0.27 474	0.13 322	0.17 340	0.16 385	0.11 328	0.14 362	0.11 278	0.07 328	0.05 263	0.07 289	0.06 272	0.06 281	0.05 200

11t1	0.12 351	0.06 99	0.13 329	0.14 55	0.08 204	0.17 457	0.15 310	0.18 287	0.15 232	0.15 371	0.15 305	0.16 385	0.16 469	0.15 386	0.13 381	0.08 403	0.05 263	0.06 180	0.05 182	0.08 424	0.07 382

ffm	0.12 351	0.09 414	0.14 366	0.16 201	0.08 204	0.17 457	0.17 420	0.15 177	0.19 347	0.15 371	0.25 473	0.19 435	0.13 399	0.10 120	0.07 1	0.06 166	0.04 25	0.09 466	0.08 442	0.06 281	0.06 295

RAFT_CTSACE	0.12 351	0.09 414	0.10 182	0.22 561	0.08 204	0.12 294	0.24 586	0.18 287	0.16 269	0.20 487	0.27 499	0.13 321	0.07 174	0.13 333	0.09 101	0.05 51	0.06 406	0.08 383	0.07 369	0.04 48	0.04 71

Sa-1000	0.12 351	0.08 334	0.08 56	0.18 377	0.08 204	0.14 379	0.22 562	0.22 375	0.18 329	0.15 371	0.20 390	0.17 407	0.11 328	0.10 120	0.10 198	0.06 166	0.05 263	0.09 466	0.09 489	0.05 161	0.05 200

SA	0.12 351	0.09 414	0.08 56	0.18 377	0.08 204	0.12 294	0.24 586	0.23 396	0.18 329	0.17 417	0.27 499	0.14 341	0.11 328	0.11 188	0.11 278	0.05 51	0.05 263	0.09 466	0.08 442	0.05 161	0.04 71

iRaft-Stereo_5w	0.12 351	0.09 414	0.12 279	0.19 445	0.08 204	0.09 129	0.12 93	0.21 351	0.21 386	0.19 464	0.14 288	0.11 275	0.09 256	0.20 516	0.16 465	0.05 51	0.05 263	0.07 289	0.06 272	0.05 161	0.06 295

CrosDoStereo	0.12 351	0.06 99	0.12 279	0.14 55	0.08 204	0.12 294	0.15 310	0.17 254	0.22 400	0.19 464	0.24 445	0.15 370	0.11 328	0.11 188	0.12 339	0.06 166	0.04 25	0.07 289	0.07 369	0.05 161	0.05 200

PSM-softLoss	0.12 351	0.07 216	0.15 414	0.17 287	0.09 329	0.08 77	0.13 163	0.24 420	0.17 298	0.14 344	0.19 378	0.13 321	0.11 328	0.11 188	0.11 278	0.07 328	0.05 263	0.08 383	0.07 369	0.06 281	0.12 560

KMStereo	0.12 351	0.07 216	0.15 414	0.17 287	0.09 329	0.08 77	0.13 163	0.24 420	0.17 298	0.14 344	0.19 378	0.13 321	0.11 328	0.11 188	0.11 278	0.07 328	0.05 263	0.08 383	0.07 369	0.06 281	0.12 560

FTStereo	0.12 351	0.06 99	0.14 366	0.18 377	0.09 329	0.07 39	0.15 310	0.21 351	0.18 329	0.12 292	0.24 445	0.12 295	0.12 359	0.13 333	0.13 381	0.05 51	0.05 263	0.07 289	0.06 272	0.06 281	0.10 520

DeepStereo_LL	0.12 351	0.06 99	0.12 279	0.14 55	0.08 204	0.12 294	0.15 310	0.17 254	0.22 400	0.19 464	0.24 445	0.15 370	0.11 328	0.11 188	0.12 339	0.06 166	0.04 25	0.07 289	0.07 369	0.05 161	0.05 200

DEmStereo	0.12 351	0.06 99	0.14 366	0.14 55	0.10 441	0.16 435	0.15 310	0.16 215	0.24 429	0.17 417	0.24 445	0.13 321	0.14 423	0.12 281	0.13 381	0.05 51	0.04 25	0.07 289	0.06 272	0.05 161	0.05 200

THIR-Stereo	0.12 351	0.07 216	0.11 236	0.15 106	0.08 204	0.14 379	0.16 379	0.17 254	0.25 450	0.16 399	0.24 445	0.14 341	0.12 359	0.12 281	0.14 418	0.06 166	0.04 25	0.07 289	0.07 369	0.05 161	0.05 200

DRaft	0.12 351	0.06 99	0.11 236	0.14 55	0.09 329	0.14 379	0.17 420	0.21 351	0.30 506	0.17 417	0.28 513	0.10 245	0.15 441	0.10 120	0.12 339	0.05 51	0.04 25	0.07 289	0.06 272	0.05 161	0.05 200

PFNet	0.12 351	0.06 99	0.17 480	0.17 287	0.08 204	0.09 129	0.15 310	0.26 455	0.20 370	0.16 399	0.16 318	0.14 341	0.11 328	0.12 281	0.11 278	0.06 166	0.04 25	0.07 289	0.06 272	0.05 161	0.05 200

IRAFT_RVC	0.12 351	0.08 334	0.16 450	0.19 445	0.08 204	0.07 39	0.15 310	0.24 420	0.23 412	0.14 344	0.14 288	0.15 370	0.12 359	0.12 281	0.10 198	0.06 166	0.04 25	0.09 466	0.06 272	0.06 281	0.06 295

sCroCo_RVC	0.12 351	0.09 414	0.23 552	0.24 594	0.11 491	0.19 500	0.14 228	0.17 254	0.14 207	0.10 216	0.13 274	0.12 295	0.07 174	0.14 362	0.11 278	0.08 403	0.08 508	0.08 383	0.08 442	0.05 161	0.07 382

ARAFT	0.12 351	0.08 334	0.17 480	0.19 445	0.09 329	0.14 379	0.18 469	0.20 328	0.12 134	0.12 292	0.13 274	0.14 341	0.11 328	0.15 386	0.12 339	0.06 166	0.05 263	0.10 514	0.09 489	0.05 161	0.04 71

BEATNet_4x	0.12 351	0.08 334	0.14 366	0.18 377	0.07 125	0.15 405	0.07 3	0.22 375	0.18 329	0.16 399	0.19 378	0.18 421	0.14 423	0.16 421	0.15 449	0.07 328	0.05 263	0.05 45	0.05 182	0.06 281	0.06 295

MLCV	0.12 351	0.07 216	0.16 450	0.18 377	0.06 27	0.15 405	0.17 420	0.19 317	0.21 386	0.18 447	0.25 473	0.17 407	0.13 399	0.14 362	0.13 381	0.05 51	0.04 25	0.05 45	0.04 54	0.05 161	0.04 71

RT-IGEV	0.13 377	0.06 99	0.13 329	0.15 106	0.09 329	0.15 405	0.17 420	0.24 420	0.27 474	0.16 399	0.17 340	0.17 407	0.10 295	0.14 362	0.11 278	0.08 403	0.05 263	0.07 289	0.05 182	0.07 360	0.07 382

Selective-IGEV-i16pc	0.13 377	0.06 99	0.13 329	0.15 106	0.11 491	0.38 634	0.16 379	0.23 396	0.16 269	0.10 216	0.15 305	0.09 210	0.06 62	0.13 333	0.10 198	0.10 504	0.08 508	0.06 180	0.07 369	0.09 487	0.09 491

Selective-IGEV-i1	0.13 377	0.07 216	0.12 279	0.19 445	0.08 204	0.18 476	0.16 379	0.22 375	0.30 506	0.16 399	0.17 340	0.16 385	0.10 295	0.14 362	0.13 381	0.06 166	0.05 263	0.06 180	0.05 182	0.06 281	0.05 200

G2L-ROB	0.13 377	0.06 99	0.13 329	0.13 16	0.08 204	0.14 379	0.16 379	0.25 437	0.18 329	0.19 464	0.18 367	0.20 447	0.14 423	0.17 454	0.16 465	0.08 403	0.05 263	0.06 180	0.05 182	0.08 424	0.09 491

xyz-stereo	0.13 377	0.07 216	0.20 528	0.15 106	0.05 2	0.20 516	0.15 310	0.17 254	0.31 514	0.15 371	0.29 525	0.26 522	0.16 469	0.13 333	0.12 339	0.05 51	0.05 263	0.06 180	0.05 182	0.04 48	0.04 71

DFGA-Net	0.13 377	0.11 502	0.18 504	0.17 287	0.10 441	0.12 294	0.13 163	0.22 375	0.25 450	0.16 399	0.16 318	0.13 321	0.12 359	0.16 421	0.14 418	0.07 328	0.05 263	0.08 383	0.07 369	0.05 161	0.05 200

FACV-RUCA	0.13 377	0.11 502	0.12 279	0.19 445	0.12 525	0.15 405	0.15 310	0.22 375	0.20 370	0.15 371	0.16 318	0.14 341	0.16 469	0.14 362	0.13 381	0.07 328	0.05 263	0.08 383	0.06 272	0.10 520	0.08 447

UGAM	0.13 377	0.10 476	0.09 118	0.22 561	0.08 204	0.12 294	0.20 532	0.17 254	0.23 412	0.21 501	0.16 318	0.13 321	0.13 399	0.19 491	0.12 339	0.07 328	0.05 263	0.13 580	0.11 563	0.07 360	0.05 200

test_sample1	0.13 377	0.07 216	0.14 366	0.13 16	0.08 204	0.19 500	0.16 379	0.20 328	0.15 232	0.14 344	0.22 424	0.18 421	0.16 469	0.17 454	0.14 418	0.07 328	0.06 406	0.06 180	0.06 272	0.08 424	0.07 382

qqq1	0.13 377	0.07 216	0.17 480	0.14 55	0.08 204	0.16 435	0.17 420	0.26 455	0.27 474	0.19 464	0.20 390	0.18 421	0.15 441	0.15 386	0.11 278	0.08 403	0.05 263	0.05 45	0.05 182	0.06 281	0.06 295

fff1	0.13 377	0.07 216	0.17 480	0.14 55	0.08 204	0.16 435	0.17 420	0.26 455	0.27 474	0.19 464	0.20 390	0.18 421	0.15 441	0.15 386	0.11 278	0.08 403	0.05 263	0.05 45	0.05 182	0.06 281	0.06 295

MyStereo05	0.13 377	0.07 216	0.10 182	0.17 287	0.09 329	0.13 345	0.18 469	0.27 476	0.35 549	0.17 417	0.14 288	0.15 370	0.11 328	0.15 386	0.13 381	0.06 166	0.05 263	0.07 289	0.07 369	0.06 281	0.06 295

MyStereo04	0.13 377	0.07 216	0.10 182	0.17 287	0.09 329	0.14 379	0.18 469	0.29 509	0.38 568	0.17 417	0.14 288	0.16 385	0.10 295	0.15 386	0.13 381	0.06 166	0.05 263	0.08 383	0.07 369	0.06 281	0.06 295

ff1	0.13 377	0.09 414	0.14 366	0.16 201	0.08 204	0.17 457	0.17 420	0.15 177	0.19 347	0.15 371	0.25 473	0.19 435	0.13 399	0.14 362	0.20 517	0.06 166	0.04 25	0.09 466	0.08 442	0.06 281	0.06 295

StereoVision	0.13 377	0.12 520	0.09 118	0.24 594	0.10 441	0.15 405	0.21 552	0.21 351	0.20 370	0.12 292	0.24 445	0.10 245	0.10 295	0.16 421	0.10 198	0.09 463	0.11 575	0.12 565	0.12 583	0.06 281	0.05 200

LL-Strereo	0.13 377	0.09 414	0.11 236	0.20 512	0.10 441	0.11 242	0.18 469	0.32 545	0.24 429	0.15 371	0.15 305	0.14 341	0.13 399	0.19 491	0.11 278	0.06 166	0.04 25	0.09 466	0.08 442	0.04 48	0.05 200

CASS	0.13 377	0.12 520	0.11 236	0.23 585	0.09 329	0.15 405	0.17 420	0.18 287	0.19 347	0.17 417	0.18 367	0.15 370	0.15 441	0.14 362	0.14 418	0.09 463	0.06 406	0.10 514	0.08 442	0.09 487	0.07 382
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 377	0.07 216	0.13 329	0.18 377	0.09 329	0.13 345	0.17 420	0.19 317	0.29 496	0.15 371	0.24 445	0.15 370	0.14 423	0.14 362	0.14 418	0.07 328	0.05 263	0.07 289	0.09 489	0.05 161	0.06 295

TestStereo1	0.13 377	0.08 334	0.08 56	0.19 445	0.08 204	0.18 476	0.29 634	0.23 396	0.16 269	0.17 417	0.20 390	0.16 385	0.10 295	0.12 281	0.13 381	0.06 166	0.06 406	0.08 383	0.06 272	0.05 161	0.05 200

qqq	0.13 377	0.09 414	0.15 414	0.16 201	0.08 204	0.13 345	0.15 310	0.23 396	0.16 269	0.15 371	0.19 378	0.16 385	0.16 469	0.15 386	0.16 465	0.07 328	0.06 406	0.08 383	0.08 442	0.07 360	0.07 382

x	0.13 377	0.07 216	0.14 366	0.14 55	0.08 204	0.18 476	0.14 228	0.22 375	0.20 370	0.15 371	0.19 378	0.19 435	0.17 492	0.18 476	0.18 498	0.07 328	0.05 263	0.06 180	0.06 272	0.07 360	0.07 382

raft_robust	0.13 377	0.10 476	0.07 11	0.18 377	0.08 204	0.13 345	0.24 586	0.28 495	0.33 528	0.20 487	0.19 378	0.14 341	0.10 295	0.11 188	0.12 339	0.05 51	0.05 263	0.07 289	0.07 369	0.05 161	0.04 71

RAFT+CT+SA	0.13 377	0.11 502	0.09 118	0.19 445	0.09 329	0.15 405	0.28 624	0.22 375	0.22 400	0.15 371	0.26 490	0.10 245	0.10 295	0.11 188	0.12 339	0.05 51	0.04 25	0.07 289	0.08 442	0.07 360	0.06 295

SA-5K	0.13 377	0.08 334	0.08 56	0.19 445	0.08 204	0.18 476	0.29 634	0.23 396	0.16 269	0.17 417	0.20 390	0.16 385	0.10 295	0.12 281	0.13 381	0.06 166	0.06 406	0.08 383	0.06 272	0.05 161	0.05 200

GwcNet-ADL	0.13 377	0.08 334	0.14 366	0.20 512	0.09 329	0.11 242	0.20 532	0.30 523	0.24 429	0.13 322	0.14 288	0.18 421	0.14 423	0.13 333	0.14 418	0.07 328	0.05 263	0.06 180	0.05 182	0.07 360	0.06 295

GANet-ADL	0.13 377	0.07 216	0.15 414	0.17 287	0.10 441	0.18 476	0.15 310	0.30 523	0.20 370	0.13 322	0.18 367	0.19 435	0.12 359	0.16 421	0.13 381	0.08 403	0.06 406	0.06 180	0.05 182	0.07 360	0.08 447

RAFT	0.13 377	0.09 414	0.11 236	0.18 377	0.08 204	0.15 405	0.24 586	0.20 328	0.19 347	0.21 501	0.21 413	0.17 407	0.12 359	0.16 421	0.09 101	0.06 166	0.07 478	0.10 514	0.09 489	0.05 161	0.05 200

TestStereo	0.13 377	0.14 560	0.11 236	0.23 585	0.08 204	0.15 405	0.21 552	0.20 328	0.23 412	0.14 344	0.24 445	0.16 385	0.12 359	0.16 421	0.14 418	0.05 51	0.06 406	0.08 383	0.06 272	0.09 487	0.05 200

sAnonymous2	0.13 377	0.12 520	0.24 556	0.20 512	0.12 525	0.17 457	0.13 163	0.26 455	0.21 386	0.11 251	0.11 235	0.13 321	0.08 222	0.10 120	0.10 198	0.09 463	0.05 263	0.08 383	0.06 272	0.15 607	0.10 520

CroCo_RVC	0.13 377	0.12 520	0.24 556	0.20 512	0.12 525	0.17 457	0.13 163	0.26 455	0.21 386	0.11 251	0.11 235	0.13 321	0.08 222	0.10 120	0.10 198	0.09 463	0.05 263	0.08 383	0.06 272	0.15 607	0.10 520

RAFT + AFF	0.13 377	0.07 216	0.20 528	0.20 512	0.10 441	0.14 379	0.24 586	0.26 455	0.20 370	0.11 251	0.10 185	0.12 295	0.10 295	0.15 386	0.12 339	0.07 328	0.06 406	0.09 466	0.08 442	0.06 281	0.08 447

GMStereo	0.13 377	0.14 560	0.14 366	0.18 377	0.09 329	0.15 405	0.16 379	0.20 328	0.24 429	0.16 399	0.17 340	0.10 245	0.10 295	0.16 421	0.13 381	0.07 328	0.06 406	0.06 180	0.06 272	0.07 360	0.06 295
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 377	0.07 216	0.14 366	0.17 287	0.09 329	0.15 405	0.16 379	0.28 495	0.27 474	0.14 344	0.17 340	0.12 295	0.13 399	0.14 362	0.11 278	0.08 403	0.05 263	0.07 289	0.07 369	0.07 360	0.06 295

FENet	0.13 377	0.08 334	0.12 279	0.16 201	0.08 204	0.14 379	0.15 310	0.22 375	0.23 412	0.17 417	0.23 433	0.16 385	0.12 359	0.14 362	0.15 449	0.08 403	0.05 263	0.08 383	0.08 442	0.07 360	0.07 382

cf-r	0.13 377	0.07 216	0.12 279	0.16 201	0.08 204	0.14 379	0.19 509	0.20 328	0.25 450	0.17 417	0.25 473	0.21 456	0.16 469	0.14 362	0.14 418	0.10 504	0.05 263	0.06 180	0.08 442	0.06 281	0.06 295

iResNet	0.13 377	0.10 476	0.18 504	0.19 445	0.08 204	0.13 345	0.18 469	0.20 328	0.26 464	0.15 371	0.23 433	0.15 370	0.13 399	0.14 362	0.14 418	0.06 166	0.04 25	0.06 180	0.05 182	0.06 281	0.05 200

DN-CSS_ROB	0.13 377	0.13 548	0.16 450	0.18 377	0.10 441	0.16 435	0.08 7	0.22 375	0.18 329	0.17 417	0.22 424	0.13 321	0.13 399	0.12 281	0.13 381	0.05 51	0.05 263	0.10 514	0.10 529	0.08 424	0.06 295

Selective-IGEV-i16pb	0.14 414	0.08 334	0.17 480	0.15 106	0.11 491	0.41 639	0.16 379	0.28 495	0.23 412	0.11 251	0.20 390	0.10 245	0.07 174	0.17 454	0.12 339	0.10 504	0.07 478	0.06 180	0.08 442	0.09 487	0.10 520

G2L-Stereo_test	0.14 414	0.07 216	0.11 236	0.13 16	0.08 204	0.12 294	0.16 379	0.30 523	0.28 489	0.20 487	0.23 433	0.20 447	0.16 469	0.17 454	0.18 498	0.07 328	0.05 263	0.05 45	0.05 182	0.07 360	0.06 295

coex_refinement	0.14 414	0.07 216	0.12 279	0.17 287	0.10 441	0.15 405	0.15 310	0.26 455	0.29 496	0.18 447	0.20 390	0.22 474	0.17 492	0.16 421	0.18 498	0.08 403	0.05 263	0.06 180	0.06 272	0.09 487	0.08 447

G2L-Stereo	0.14 414	0.07 216	0.13 329	0.17 287	0.09 329	0.13 345	0.12 93	0.27 476	0.22 400	0.16 399	0.27 499	0.21 456	0.13 399	0.17 454	0.18 498	0.09 463	0.08 508	0.08 383	0.07 369	0.07 360	0.07 382

rvit_0105_6	0.14 414	0.09 414	0.18 504	0.17 287	0.10 441	0.10 191	0.16 379	0.19 317	0.26 464	0.12 292	0.18 367	0.17 407	0.12 359	0.18 476	0.12 339	0.15 604	0.11 575	0.12 565	0.10 529	0.09 487	0.06 295

rvit_0105_5	0.14 414	0.09 414	0.13 329	0.17 287	0.09 329	0.14 379	0.23 573	0.24 420	0.27 474	0.14 344	0.15 305	0.18 421	0.12 359	0.17 454	0.14 418	0.14 600	0.11 575	0.10 514	0.10 529	0.08 424	0.06 295

rvit_0105_4	0.14 414	0.09 414	0.17 480	0.17 287	0.10 441	0.12 294	0.19 509	0.23 396	0.27 474	0.14 344	0.20 390	0.17 407	0.13 399	0.17 454	0.13 381	0.15 604	0.11 575	0.11 545	0.10 529	0.09 487	0.06 295

DCVSM-stereo	0.14 414	0.09 414	0.16 450	0.16 201	0.10 441	0.15 405	0.09 18	0.19 317	0.23 412	0.20 487	0.23 433	0.26 522	0.15 441	0.18 476	0.14 418	0.09 463	0.07 478	0.09 466	0.08 442	0.10 520	0.12 560

test_sample6	0.14 414	0.08 334	0.13 329	0.16 201	0.08 204	0.17 457	0.19 509	0.25 437	0.17 298	0.17 417	0.27 499	0.19 435	0.14 423	0.15 386	0.13 381	0.08 403	0.05 263	0.08 383	0.07 369	0.08 424	0.08 447

test_sample5	0.14 414	0.08 334	0.14 366	0.16 201	0.08 204	0.18 476	0.18 469	0.25 437	0.17 298	0.17 417	0.27 499	0.18 421	0.14 423	0.16 421	0.13 381	0.08 403	0.05 263	0.08 383	0.07 369	0.08 424	0.08 447

test_sample4	0.14 414	0.08 334	0.14 366	0.15 106	0.08 204	0.19 500	0.18 469	0.26 455	0.17 298	0.16 399	0.25 473	0.18 421	0.14 423	0.16 421	0.13 381	0.08 403	0.06 406	0.08 383	0.06 272	0.08 424	0.08 447

test_sample3	0.14 414	0.08 334	0.15 414	0.14 55	0.09 329	0.19 500	0.17 420	0.26 455	0.18 329	0.16 399	0.22 424	0.19 435	0.15 441	0.17 454	0.13 381	0.08 403	0.06 406	0.07 289	0.06 272	0.09 487	0.08 447

DispNO	0.14 414	0.08 334	0.17 480	0.19 445	0.12 525	0.11 242	0.21 552	0.23 396	0.29 496	0.17 417	0.23 433	0.18 421	0.17 492	0.15 386	0.15 449	0.07 328	0.05 263	0.08 383	0.08 442	0.07 360	0.06 295

SMFormer	0.14 414	0.07 216	0.17 480	0.14 55	0.08 204	0.16 435	0.17 420	0.26 455	0.27 474	0.19 464	0.20 390	0.18 421	0.15 441	0.15 386	0.17 480	0.08 403	0.05 263	0.07 289	0.06 272	0.07 360	0.06 295

tta	0.14 414	0.07 216	0.17 480	0.14 55	0.08 204	0.16 435	0.17 420	0.26 455	0.27 474	0.19 464	0.20 390	0.18 421	0.15 441	0.15 386	0.17 480	0.08 403	0.05 263	0.07 289	0.06 272	0.06 281	0.06 295

mmm	0.14 414	0.08 334	0.17 480	0.17 287	0.09 329	0.17 457	0.18 469	0.21 351	0.15 232	0.15 371	0.23 433	0.21 456	0.16 469	0.16 421	0.17 480	0.08 403	0.05 263	0.08 383	0.07 369	0.07 360	0.07 382

DualNet	0.14 414	0.08 334	0.14 366	0.16 201	0.08 204	0.18 476	0.18 469	0.25 437	0.17 298	0.17 417	0.27 499	0.18 421	0.14 423	0.16 421	0.13 381	0.08 403	0.05 263	0.08 383	0.07 369	0.08 424	0.08 447

mmx	0.14 414	0.09 414	0.14 366	0.16 201	0.08 204	0.17 457	0.17 420	0.27 476	0.25 450	0.15 371	0.25 473	0.19 435	0.13 399	0.14 362	0.20 517	0.08 403	0.06 406	0.09 466	0.08 442	0.08 424	0.08 447

xxx	0.14 414	0.09 414	0.14 366	0.16 201	0.08 204	0.17 457	0.17 420	0.27 476	0.25 450	0.15 371	0.25 473	0.19 435	0.13 399	0.14 362	0.20 517	0.08 403	0.06 406	0.09 466	0.08 442	0.08 424	0.08 447

PCWNet_CMD	0.14 414	0.08 334	0.15 414	0.17 287	0.09 329	0.14 379	0.14 228	0.29 509	0.36 554	0.14 344	0.20 390	0.21 456	0.12 359	0.17 454	0.13 381	0.07 328	0.05 263	0.07 289	0.07 369	0.07 360	0.07 382

CBFPSM	0.14 414	0.06 99	0.26 564	0.17 287	0.09 329	0.13 345	0.15 310	0.22 375	0.23 412	0.20 487	0.27 499	0.24 498	0.16 469	0.16 421	0.18 498	0.06 166	0.06 406	0.06 180	0.07 369	0.07 360	0.07 382

gwcnet-sp	0.14 414	0.07 216	0.12 279	0.18 377	0.09 329	0.16 435	0.17 420	0.24 420	0.24 429	0.18 447	0.24 445	0.15 370	0.16 469	0.15 386	0.15 449	0.08 403	0.06 406	0.07 289	0.08 442	0.08 424	0.07 382

scenet	0.14 414	0.07 216	0.12 279	0.18 377	0.09 329	0.16 435	0.17 420	0.24 420	0.24 429	0.18 447	0.24 445	0.15 370	0.16 469	0.15 386	0.15 449	0.08 403	0.06 406	0.07 289	0.08 442	0.08 424	0.07 382

ssnet	0.14 414	0.07 216	0.12 279	0.18 377	0.09 329	0.16 435	0.17 420	0.24 420	0.24 429	0.18 447	0.24 445	0.15 370	0.16 469	0.15 386	0.15 449	0.08 403	0.06 406	0.07 289	0.08 442	0.08 424	0.07 382

BUS	0.14 414	0.09 414	0.14 366	0.22 561	0.10 441	0.19 500	0.14 228	0.34 574	0.19 347	0.17 417	0.22 424	0.16 385	0.13 399	0.15 386	0.13 381	0.08 403	0.06 406	0.10 514	0.09 489	0.07 360	0.07 382

IER	0.14 414	0.07 216	0.13 329	0.17 287	0.09 329	0.14 379	0.16 379	0.25 437	0.26 464	0.18 447	0.25 473	0.17 407	0.20 534	0.16 421	0.14 418	0.08 403	0.05 263	0.07 289	0.06 272	0.08 424	0.07 382

test_5	0.14 414	0.12 520	0.08 56	0.20 512	0.10 441	0.14 379	0.29 634	0.21 351	0.24 429	0.18 447	0.28 513	0.11 275	0.15 441	0.12 281	0.13 381	0.06 166	0.05 263	0.07 289	0.08 442	0.08 424	0.07 382

psmg	0.14 414	0.09 414	0.14 366	0.17 287	0.10 441	0.15 405	0.17 420	0.29 509	0.19 347	0.17 417	0.21 413	0.25 512	0.16 469	0.15 386	0.14 418	0.08 403	0.06 406	0.08 383	0.08 442	0.07 360	0.06 295

UDGNet	0.14 414	0.13 548	0.16 450	0.17 287	0.10 441	0.12 294	0.16 379	0.21 351	0.27 474	0.20 487	0.20 390	0.16 385	0.13 399	0.16 421	0.13 381	0.10 504	0.06 406	0.09 466	0.07 369	0.06 281	0.07 382

CFNet_pseudo	0.14 414	0.08 334	0.15 414	0.16 201	0.09 329	0.13 345	0.14 228	0.27 476	0.34 540	0.14 344	0.21 413	0.22 474	0.13 399	0.18 476	0.14 418	0.07 328	0.05 263	0.08 383	0.06 272	0.07 360	0.07 382

GES	0.14 414	0.08 334	0.16 450	0.15 106	0.10 441	0.13 345	0.13 163	0.28 495	0.25 450	0.16 399	0.23 433	0.18 421	0.13 399	0.16 421	0.13 381	0.08 403	0.07 478	0.07 289	0.06 272	0.08 424	0.09 491

GANet-RSSM	0.14 414	0.07 216	0.13 329	0.13 16	0.08 204	0.14 379	0.17 420	0.22 375	0.21 386	0.17 417	0.24 445	0.23 492	0.15 441	0.16 421	0.15 449	0.10 504	0.06 406	0.07 289	0.08 442	0.08 424	0.07 382

PSMNet-RSSM	0.14 414	0.07 216	0.13 329	0.15 106	0.08 204	0.13 345	0.16 379	0.24 420	0.24 429	0.16 399	0.28 513	0.22 474	0.14 423	0.15 386	0.13 381	0.11 535	0.06 406	0.09 466	0.12 583	0.08 424	0.07 382

GwcNet-RSSM	0.14 414	0.07 216	0.12 279	0.15 106	0.08 204	0.15 405	0.20 532	0.21 351	0.27 474	0.18 447	0.27 499	0.22 474	0.16 469	0.14 362	0.15 449	0.10 504	0.05 263	0.07 289	0.09 489	0.07 360	0.07 382

CFNet-ft	0.14 414	0.07 216	0.15 414	0.12 5	0.09 329	0.16 435	0.18 469	0.22 375	0.24 429	0.17 417	0.26 490	0.24 498	0.14 423	0.16 421	0.14 418	0.11 535	0.06 406	0.08 383	0.09 489	0.09 487	0.08 447

DMCA	0.14 414	0.09 414	0.16 450	0.19 445	0.09 329	0.15 405	0.17 420	0.23 396	0.27 474	0.14 344	0.19 378	0.17 407	0.18 506	0.15 386	0.17 480	0.10 504	0.06 406	0.08 383	0.06 272	0.09 487	0.10 520

RASNet	0.14 414	0.07 216	0.14 366	0.16 201	0.08 204	0.18 476	0.14 228	0.29 509	0.20 370	0.17 417	0.25 473	0.21 456	0.18 506	0.20 516	0.19 511	0.07 328	0.06 406	0.06 180	0.08 442	0.06 281	0.06 295

MSMDNet	0.14 414	0.08 334	0.15 414	0.17 287	0.09 329	0.14 379	0.14 228	0.29 509	0.36 554	0.14 344	0.21 413	0.21 456	0.12 359	0.17 454	0.14 418	0.07 328	0.05 263	0.07 289	0.07 369	0.07 360	0.07 382

HSM-Net_RVC	0.14 414	0.08 334	0.11 236	0.15 106	0.08 204	0.15 405	0.15 310	0.27 476	0.29 496	0.19 464	0.21 413	0.29 548	0.14 423	0.17 454	0.13 381	0.06 166	0.06 406	0.06 180	0.06 272	0.07 360	0.06 295
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 414	0.07 216	0.15 414	0.12 5	0.09 329	0.16 435	0.18 469	0.22 375	0.24 429	0.17 417	0.26 490	0.24 498	0.14 423	0.16 421	0.14 418	0.11 535	0.06 406	0.08 383	0.09 489	0.09 487	0.08 447

ccs_rob	0.14 414	0.08 334	0.15 414	0.16 201	0.09 329	0.12 294	0.14 228	0.27 476	0.34 540	0.14 344	0.21 413	0.22 474	0.13 399	0.18 476	0.14 418	0.07 328	0.05 263	0.08 383	0.07 369	0.07 360	0.07 382

UCFNet_RVC	0.14 414	0.08 334	0.13 329	0.11 1	0.10 441	0.20 516	0.10 32	0.24 420	0.22 400	0.17 417	0.20 390	0.23 492	0.15 441	0.17 454	0.15 449	0.12 560	0.07 478	0.10 514	0.13 594	0.11 543	0.10 520

iResNetv2_ROB	0.14 414	0.08 334	0.15 414	0.16 201	0.08 204	0.16 435	0.12 93	0.25 437	0.35 549	0.21 501	0.29 525	0.24 498	0.13 399	0.14 362	0.14 418	0.06 166	0.05 263	0.06 180	0.04 54	0.09 487	0.08 447

iResNet_ROB	0.14 414	0.07 216	0.13 329	0.14 55	0.07 125	0.18 476	0.14 228	0.26 455	0.31 514	0.22 517	0.25 473	0.23 492	0.15 441	0.15 386	0.13 381	0.07 328	0.05 263	0.05 45	0.04 54	0.08 424	0.08 447

DDVS	0.15 458	0.10 476	0.21 537	0.16 201	0.12 525	0.15 405	0.14 228	0.25 437	0.19 347	0.18 447	0.29 525	0.27 530	0.12 359	0.19 491	0.15 449	0.09 463	0.06 406	0.09 466	0.07 369	0.11 543	0.11 547

rvit_0105_3	0.15 458	0.09 414	0.14 366	0.19 445	0.12 525	0.15 405	0.25 602	0.25 437	0.29 496	0.15 371	0.17 340	0.20 447	0.13 399	0.17 454	0.14 418	0.13 586	0.11 575	0.12 565	0.14 598	0.07 360	0.06 295

ACV-stereo	0.15 458	0.10 476	0.28 577	0.18 377	0.12 525	0.14 379	0.12 93	0.23 396	0.21 386	0.19 464	0.23 433	0.22 474	0.15 441	0.23 557	0.17 480	0.07 328	0.06 406	0.07 289	0.07 369	0.07 360	0.07 382

ITSA-stereo	0.15 458	0.10 476	0.14 366	0.19 445	0.08 204	0.12 294	0.14 228	0.30 523	0.49 614	0.17 417	0.19 378	0.22 474	0.15 441	0.17 454	0.16 465	0.10 504	0.06 406	0.08 383	0.08 442	0.08 424	0.08 447

test_sample7	0.15 458	0.10 476	0.16 450	0.14 55	0.11 491	0.16 435	0.16 379	0.27 476	0.23 412	0.20 487	0.20 390	0.24 498	0.19 522	0.16 421	0.16 465	0.12 560	0.06 406	0.10 514	0.09 489	0.10 520	0.10 520

1111x	0.15 458	0.08 334	0.12 279	0.18 377	0.07 125	0.18 476	0.25 602	0.31 534	0.24 429	0.17 417	0.24 445	0.26 522	0.15 441	0.13 333	0.23 558	0.07 328	0.07 478	0.08 383	0.09 489	0.07 360	0.06 295

CFNet_ucs	0.15 458	0.08 334	0.16 450	0.16 201	0.11 491	0.14 379	0.14 228	0.30 523	0.34 540	0.16 399	0.24 445	0.23 492	0.14 423	0.18 476	0.15 449	0.09 463	0.06 406	0.08 383	0.07 369	0.09 487	0.09 491

BSDual-CNN	0.15 458	0.09 414	0.14 366	0.22 561	0.10 441	0.14 379	0.15 310	0.34 574	0.19 347	0.17 417	0.22 424	0.25 512	0.16 469	0.15 386	0.14 418	0.08 403	0.06 406	0.10 514	0.09 489	0.07 360	0.07 382

hknet	0.15 458	0.11 502	0.13 329	0.22 561	0.11 491	0.14 379	0.15 310	0.34 574	0.25 450	0.17 417	0.22 424	0.22 474	0.18 506	0.17 454	0.12 339	0.07 328	0.06 406	0.10 514	0.09 489	0.07 360	0.07 382

dd	0.15 458	0.16 578	0.16 450	0.19 445	0.09 329	0.15 405	0.18 469	0.21 351	0.25 450	0.23 530	0.20 390	0.21 456	0.09 256	0.21 533	0.16 465	0.10 504	0.06 406	0.08 383	0.06 272	0.08 424	0.06 295

DAS	0.15 458	0.08 334	0.18 504	0.19 445	0.10 441	0.19 500	0.17 420	0.27 476	0.29 496	0.18 447	0.25 473	0.21 456	0.15 441	0.16 421	0.12 339	0.08 403	0.06 406	0.06 180	0.06 272	0.07 360	0.07 382

SepStereo	0.15 458	0.08 334	0.18 504	0.19 445	0.10 441	0.19 500	0.17 420	0.27 476	0.29 496	0.18 447	0.25 473	0.21 456	0.15 441	0.25 572	0.12 339	0.08 403	0.06 406	0.06 180	0.06 272	0.07 360	0.07 382

PSMNet-ADL	0.15 458	0.12 520	0.13 329	0.22 561	0.09 329	0.13 345	0.20 532	0.26 455	0.23 412	0.18 447	0.20 390	0.24 498	0.16 469	0.18 476	0.17 480	0.08 403	0.08 508	0.08 383	0.11 563	0.08 424	0.07 382

LMCR-Stereo	0.15 458	0.08 334	0.13 329	0.21 544	0.09 329	0.17 457	0.20 532	0.27 476	0.19 347	0.24 539	0.24 445	0.23 492	0.17 492	0.20 516	0.17 480	0.07 328	0.06 406	0.08 383	0.06 272	0.10 520	0.08 447

ICVP	0.15 458	0.09 414	0.12 279	0.22 561	0.09 329	0.17 457	0.21 552	0.25 437	0.23 412	0.18 447	0.30 532	0.26 522	0.18 506	0.17 454	0.14 418	0.09 463	0.07 478	0.08 383	0.07 369	0.07 360	0.07 382
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 458	0.07 216	0.14 366	0.14 55	0.08 204	0.23 558	0.18 469	0.31 534	0.19 347	0.14 344	0.28 513	0.22 474	0.14 423	0.15 386	0.26 593	0.09 463	0.05 263	0.07 289	0.07 369	0.08 424	0.07 382

test_xeample	0.15 458	0.06 99	0.13 329	0.14 55	0.08 204	0.21 533	0.20 532	0.28 495	0.20 370	0.16 399	0.29 525	0.19 435	0.16 469	0.15 386	0.26 593	0.09 463	0.05 263	0.07 289	0.07 369	0.07 360	0.07 382

ACVNet	0.15 458	0.09 414	0.15 414	0.13 16	0.12 525	0.14 379	0.20 532	0.22 375	0.33 528	0.17 417	0.26 490	0.21 456	0.16 469	0.17 454	0.21 537	0.07 328	0.06 406	0.06 180	0.06 272	0.08 424	0.06 295

acv_ft	0.15 458	0.09 414	0.15 414	0.19 445	0.10 441	0.16 435	0.17 420	0.25 437	0.33 528	0.19 464	0.26 490	0.21 456	0.17 492	0.17 454	0.18 498	0.07 328	0.06 406	0.06 180	0.06 272	0.08 424	0.06 295

CFNet	0.15 458	0.10 476	0.17 480	0.17 287	0.08 204	0.18 476	0.09 18	0.28 495	0.25 450	0.19 464	0.24 445	0.24 498	0.17 492	0.17 454	0.14 418	0.08 403	0.06 406	0.09 466	0.10 529	0.07 360	0.06 295

AdaStereo	0.15 458	0.11 502	0.15 414	0.18 377	0.09 329	0.20 516	0.11 61	0.32 545	0.28 489	0.20 487	0.23 433	0.20 447	0.13 399	0.19 491	0.14 418	0.12 560	0.05 263	0.10 514	0.07 369	0.09 487	0.07 382
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.15 458	0.08 334	0.14 366	0.16 201	0.09 329	0.16 435	0.14 228	0.28 495	0.25 450	0.19 464	0.23 433	0.37 603	0.16 469	0.20 516	0.15 449	0.07 328	0.05 263	0.07 289	0.06 272	0.07 360	0.06 295

pmcnn	0.15 458	0.07 216	0.19 516	0.15 106	0.07 125	0.20 516	0.15 310	0.24 420	0.26 464	0.21 501	0.34 560	0.28 540	0.18 506	0.18 476	0.17 480	0.07 328	0.05 263	0.05 45	0.04 54	0.07 360	0.06 295

DStereoRT	0.16 481	0.06 99	0.11 236	0.19 445	0.09 329	0.12 294	0.12 93	0.28 495	0.22 400	0.12 292	0.20 390	0.11 275	0.10 295	0.15 386	0.14 418	0.06 166	0.05 263	0.96 683	0.09 489	0.05 161	0.04 71

DualNet (step1)	0.16 481	0.12 520	0.20 528	0.12 5	0.14 569	0.17 457	0.13 163	0.27 476	0.23 412	0.20 487	0.20 390	0.24 498	0.19 522	0.16 421	0.16 465	0.15 604	0.06 406	0.14 593	0.14 598	0.14 591	0.12 560

GMStereo_Zeroshot	0.16 481	0.13 548	0.24 556	0.20 512	0.10 441	0.17 457	0.13 163	0.29 509	0.25 450	0.23 530	0.32 544	0.25 512	0.11 328	0.19 491	0.14 418	0.09 463	0.06 406	0.11 545	0.06 272	0.12 558	0.08 447

iinet-f	0.16 481	0.06 99	0.45 623	0.14 55	0.10 441	0.21 533	0.14 228	0.27 476	0.23 412	0.21 501	0.24 445	0.21 456	0.15 441	0.18 476	0.21 537	0.09 463	0.07 478	0.07 289	0.06 272	0.09 487	0.10 520

CRFU-Net	0.16 481	0.08 334	0.14 366	0.17 287	0.09 329	0.19 500	0.14 228	0.26 455	0.20 370	0.28 579	0.27 499	0.29 548	0.17 492	0.19 491	0.17 480	0.09 463	0.09 541	0.07 289	0.07 369	0.08 424	0.08 447

NINENet	0.16 481	0.10 476	0.15 414	0.17 287	0.11 491	0.19 500	0.14 228	0.40 619	0.36 554	0.18 447	0.21 413	0.16 385	0.13 399	0.15 386	0.13 381	0.08 403	0.08 508	0.10 514	0.07 369	0.10 520	0.09 491

CSP-Net	0.16 481	0.09 414	0.14 366	0.16 201	0.09 329	0.19 500	0.17 420	0.25 437	0.32 521	0.25 552	0.30 532	0.24 498	0.15 441	0.21 533	0.18 498	0.09 463	0.06 406	0.07 289	0.07 369	0.08 424	0.07 382

AASNet	0.16 481	0.08 334	0.12 279	0.19 445	0.09 329	0.18 476	0.15 310	0.37 603	0.37 561	0.19 464	0.23 433	0.20 447	0.16 469	0.17 454	0.20 517	0.10 504	0.08 508	0.08 383	0.07 369	0.09 487	0.09 491

AACVNet	0.16 481	0.08 334	0.14 366	0.15 106	0.10 441	0.18 476	0.15 310	0.23 396	0.24 429	0.27 564	0.27 499	0.28 540	0.17 492	0.19 491	0.16 465	0.09 463	0.07 478	0.09 466	0.07 369	0.10 520	0.09 491

ADLNet2	0.16 481	0.09 414	0.13 329	0.16 201	0.09 329	0.20 516	0.16 379	0.31 534	0.39 571	0.16 399	0.20 390	0.20 447	0.18 506	0.21 533	0.22 546	0.08 403	0.06 406	0.07 289	0.07 369	0.09 487	0.07 382

Anonymous3	0.16 481	0.13 548	0.33 597	0.26 611	0.14 569	0.27 594	0.17 420	0.28 495	0.28 489	0.15 371	0.17 340	0.14 341	0.10 295	0.15 386	0.12 339	0.08 403	0.08 508	0.08 383	0.08 442	0.08 424	0.11 547

ADLNet	0.16 481	0.08 334	0.15 414	0.16 201	0.10 441	0.16 435	0.17 420	0.32 545	0.27 474	0.22 517	0.27 499	0.24 498	0.16 469	0.18 476	0.21 537	0.10 504	0.06 406	0.10 514	0.10 529	0.08 424	0.09 491

HCRNet	0.16 481	0.24 625	0.12 279	0.35 646	0.11 491	0.15 405	0.17 420	0.26 455	0.22 400	0.19 464	0.24 445	0.21 456	0.14 423	0.15 386	0.13 381	0.11 535	0.07 478	0.11 545	0.10 529	0.09 487	0.07 382

222	0.16 481	0.07 216	0.14 366	0.14 55	0.08 204	0.24 563	0.18 469	0.30 523	0.20 370	0.17 417	0.28 513	0.17 407	0.16 469	0.15 386	0.40 648	0.10 504	0.05 263	0.07 289	0.06 272	0.07 360	0.08 447

UPFNet	0.16 481	0.08 334	0.12 279	0.20 512	0.12 525	0.20 516	0.23 573	0.28 495	0.26 464	0.17 417	0.24 445	0.22 474	0.19 522	0.19 491	0.21 537	0.09 463	0.07 478	0.08 383	0.09 489	0.08 424	0.06 295

ac_64	0.16 481	0.08 334	0.15 414	0.18 377	0.10 441	0.22 542	0.18 469	0.24 420	0.21 386	0.18 447	0.24 445	0.29 548	0.18 506	0.19 491	0.22 546	0.09 463	0.07 478	0.08 383	0.09 489	0.07 360	0.06 295

DSFCA	0.16 481	0.09 414	0.14 366	0.16 201	0.10 441	0.20 516	0.19 509	0.28 495	0.31 514	0.23 530	0.24 445	0.22 474	0.15 441	0.19 491	0.20 517	0.10 504	0.07 478	0.09 466	0.09 489	0.08 424	0.08 447

FADNet-RVC-Resample	0.16 481	0.11 502	0.31 590	0.22 561	0.11 491	0.19 500	0.14 228	0.25 437	0.24 429	0.24 539	0.27 499	0.20 447	0.15 441	0.16 421	0.15 449	0.07 328	0.08 508	0.12 565	0.10 529	0.09 487	0.10 520

FADNet_RVC	0.16 481	0.14 560	0.40 616	0.20 512	0.11 491	0.13 345	0.13 163	0.26 455	0.22 400	0.21 501	0.23 433	0.20 447	0.17 492	0.14 362	0.16 465	0.08 403	0.08 508	0.12 565	0.09 489	0.11 543	0.10 520

AANet_RVC	0.16 481	0.10 476	0.10 182	0.18 377	0.09 329	0.18 476	0.19 509	0.26 455	0.31 514	0.22 517	0.35 565	0.21 456	0.21 538	0.22 546	0.16 465	0.06 166	0.05 263	0.06 180	0.06 272	0.07 360	0.06 295

DeepPruner_ROB	0.16 481	0.11 502	0.15 414	0.17 287	0.10 441	0.17 457	0.15 310	0.32 545	0.21 386	0.19 464	0.21 413	0.22 474	0.18 506	0.20 516	0.15 449	0.13 586	0.09 541	0.09 466	0.09 489	0.11 543	0.10 520

z-ln-s-r	0.17 502	0.10 476	0.40 616	0.19 445	0.08 204	0.17 457	0.18 469	0.22 375	0.33 528	0.18 447	0.40 594	0.22 474	0.17 492	0.20 516	0.23 558	0.07 328	0.05 263	0.07 289	0.07 369	0.07 360	0.05 200

rvit_stereo_0075_2	0.17 502	0.12 520	0.25 561	0.23 585	0.16 600	0.13 345	0.10 32	0.30 523	0.27 474	0.20 487	0.28 513	0.22 474	0.15 441	0.18 476	0.13 381	0.16 620	0.10 562	0.17 616	0.10 529	0.10 520	0.09 491

ToySt	0.17 502	0.11 502	0.18 504	0.17 287	0.11 491	0.16 435	0.25 602	0.24 420	0.33 528	0.19 464	0.24 445	0.26 522	0.24 561	0.19 491	0.20 517	0.07 328	0.08 508	0.09 466	0.10 529	0.09 487	0.08 447

ssnet_v2	0.17 502	0.10 476	0.17 480	0.17 287	0.11 491	0.21 533	0.21 552	0.33 565	0.25 450	0.22 517	0.22 424	0.27 530	0.18 506	0.22 546	0.20 517	0.11 535	0.09 541	0.09 466	0.09 489	0.08 424	0.08 447

dad	0.17 502	0.20 610	0.20 528	0.16 201	0.11 491	0.20 516	0.18 469	0.21 351	0.28 489	0.30 593	0.24 445	0.29 548	0.13 399	0.19 491	0.16 465	0.18 627	0.09 541	0.11 545	0.09 489	0.11 543	0.07 382

GEStereo_RVC	0.17 502	0.12 520	0.15 414	0.22 561	0.11 491	0.19 500	0.17 420	0.32 545	0.48 607	0.20 487	0.25 473	0.17 407	0.13 399	0.21 533	0.16 465	0.10 504	0.06 406	0.08 383	0.07 369	0.09 487	0.08 447

MMNet	0.17 502	0.09 414	0.16 450	0.20 512	0.11 491	0.27 594	0.20 532	0.25 437	0.41 580	0.22 517	0.30 532	0.21 456	0.20 534	0.17 454	0.20 517	0.06 166	0.06 406	0.07 289	0.07 369	0.08 424	0.07 382

delet	0.17 502	0.08 334	0.17 480	0.19 445	0.11 491	0.20 516	0.21 552	0.30 523	0.37 561	0.17 417	0.26 490	0.19 435	0.19 522	0.19 491	0.21 537	0.08 403	0.08 508	0.09 466	0.11 563	0.06 281	0.06 295

UNet	0.17 502	0.09 414	0.18 504	0.19 445	0.12 525	0.27 594	0.19 509	0.33 565	0.29 496	0.21 501	0.24 445	0.23 492	0.19 522	0.19 491	0.18 498	0.07 328	0.06 406	0.08 383	0.07 369	0.08 424	0.06 295

HGLStereo	0.17 502	0.08 334	0.19 516	0.17 287	0.12 525	0.18 476	0.18 469	0.31 534	0.32 521	0.21 501	0.32 544	0.25 512	0.18 506	0.19 491	0.20 517	0.09 463	0.09 541	0.07 289	0.07 369	0.09 487	0.10 520

DMCA-RVC	0.17 502	0.10 476	0.15 414	0.24 594	0.11 491	0.18 476	0.18 469	0.25 437	0.24 429	0.21 501	0.26 490	0.25 512	0.27 584	0.18 476	0.20 517	0.12 560	0.08 508	0.13 580	0.10 529	0.10 520	0.08 447

TDLM	0.17 502	0.12 520	0.13 329	0.24 594	0.10 441	0.18 476	0.18 469	0.36 597	0.30 506	0.21 501	0.28 513	0.28 540	0.18 506	0.23 557	0.18 498	0.11 535	0.07 478	0.10 514	0.10 529	0.08 424	0.08 447

NLCA_NET_v2_RVC	0.17 502	0.10 476	0.22 543	0.20 512	0.10 441	0.15 405	0.18 469	0.31 534	0.25 450	0.21 501	0.30 532	0.25 512	0.17 492	0.21 533	0.20 517	0.09 463	0.06 406	0.08 383	0.08 442	0.07 360	0.08 447
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 502	0.12 520	0.15 414	0.20 512	0.09 329	0.18 476	0.18 469	0.26 455	0.23 412	0.26 558	0.40 594	0.22 474	0.17 492	0.21 533	0.20 517	0.08 403	0.05 263	0.09 466	0.10 529	0.07 360	0.07 382
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 516	0.08 334	0.19 516	0.19 445	0.13 548	0.15 405	0.12 93	0.30 523	0.32 521	0.21 501	0.25 473	0.27 530	0.17 492	0.17 454	0.20 517	0.20 635	0.08 508	0.14 593	0.14 598	0.14 591	0.17 627

test_sample9	0.18 516	0.12 520	0.20 528	0.12 5	0.14 569	0.17 457	0.13 163	0.27 476	0.23 412	0.20 487	0.20 390	0.24 498	0.19 522	0.19 491	0.17 480	0.15 604	0.30 658	0.14 593	0.14 598	0.14 591	0.12 560

fast-acv-ft	0.18 516	0.11 502	0.19 516	0.19 445	0.12 525	0.24 563	0.21 552	0.25 437	0.34 540	0.22 517	0.34 560	0.27 530	0.20 534	0.21 533	0.23 558	0.09 463	0.09 541	0.08 383	0.10 529	0.08 424	0.07 382

HBP-ISP	0.18 516	0.13 548	0.16 450	0.15 106	0.11 491	0.08 77	0.13 163	0.28 495	0.29 496	0.22 517	0.33 556	0.21 456	0.25 570	0.23 557	0.17 480	0.14 600	0.16 625	0.21 630	0.17 626	0.10 520	0.08 447

Wz-Net-LNSev-Ref	0.18 516	0.09 414	0.29 585	0.15 106	0.10 441	0.22 542	0.20 532	0.26 455	0.39 571	0.25 552	0.42 611	0.24 498	0.15 441	0.20 516	0.19 511	0.07 328	0.05 263	0.06 180	0.05 182	0.10 520	0.09 491

SACVNet	0.18 516	0.12 520	0.14 366	0.17 287	0.13 548	0.22 542	0.18 469	0.31 534	0.30 506	0.23 530	0.31 540	0.30 558	0.22 547	0.22 546	0.17 480	0.11 535	0.08 508	0.10 514	0.10 529	0.12 558	0.14 600

psm_up	0.18 516	0.10 476	0.18 504	0.20 512	0.11 491	0.17 457	0.19 509	0.37 603	0.34 540	0.21 501	0.28 513	0.29 548	0.24 561	0.20 516	0.22 546	0.09 463	0.10 562	0.11 545	0.11 563	0.08 424	0.08 447

hitnet-ft	0.18 516	0.09 414	0.17 480	0.14 55	0.09 329	0.26 584	0.20 532	0.25 437	0.26 464	0.24 539	0.32 544	0.31 571	0.22 547	0.24 567	0.21 537	0.12 560	0.07 478	0.10 514	0.08 442	0.12 558	0.11 547

STTStereo	0.18 516	0.12 520	0.27 572	0.20 512	0.11 491	0.16 435	0.21 552	0.29 509	0.23 412	0.21 501	0.30 532	0.29 548	0.18 506	0.20 516	0.19 511	0.12 560	0.11 575	0.11 545	0.14 598	0.09 487	0.08 447

CVANet_RVC	0.18 516	0.10 476	0.14 366	0.21 544	0.10 441	0.18 476	0.17 420	0.34 574	0.33 528	0.22 517	0.31 540	0.28 540	0.18 506	0.23 557	0.17 480	0.12 560	0.08 508	0.12 565	0.11 563	0.09 487	0.07 382

StereoDRNet	0.18 516	0.11 502	0.17 480	0.22 561	0.11 491	0.21 533	0.22 562	0.37 603	0.33 528	0.24 539	0.28 513	0.30 558	0.19 522	0.20 516	0.20 517	0.09 463	0.08 508	0.11 545	0.09 489	0.09 487	0.07 382

DLCB_ROB	0.18 516	0.10 476	0.15 414	0.23 585	0.11 491	0.24 563	0.18 469	0.29 509	0.28 489	0.27 564	0.28 513	0.28 540	0.24 561	0.19 491	0.20 517	0.08 403	0.08 508	0.09 466	0.09 489	0.07 360	0.07 382

TCMNet	0.19 528	0.12 520	0.19 516	0.20 512	0.18 622	0.20 516	0.24 586	0.27 476	0.36 554	0.23 530	0.26 490	0.25 512	0.19 522	0.19 491	0.23 558	0.13 586	0.11 575	0.11 545	0.12 583	0.13 577	0.12 560

rvit_105_1	0.19 528	0.11 502	0.25 561	0.21 544	0.16 600	0.21 533	0.27 618	0.31 534	0.41 580	0.19 464	0.20 390	0.22 474	0.17 492	0.19 491	0.17 480	0.12 560	0.12 591	0.13 580	0.15 615	0.08 424	0.07 382

test_sample8	0.19 528	0.12 520	0.20 528	0.12 5	0.14 569	0.17 457	0.13 163	0.31 534	0.21 386	0.27 564	0.22 424	0.36 598	0.25 570	0.19 491	0.17 480	0.15 604	0.30 658	0.14 593	0.14 598	0.14 591	0.12 560

SDNR	0.19 528	0.08 334	0.19 516	0.16 201	0.12 525	0.77 670	0.14 228	0.25 437	0.32 521	0.19 464	0.24 445	0.19 435	0.13 399	0.19 491	0.15 449	0.16 620	0.18 632	0.14 593	0.11 563	0.08 424	0.11 547

pcwnet_v2	0.19 528	0.10 476	0.26 564	0.17 287	0.14 569	0.18 476	0.15 310	0.37 603	0.46 605	0.19 464	0.24 445	0.21 456	0.19 522	0.20 516	0.19 511	0.13 586	0.10 562	0.10 514	0.10 529	0.11 543	0.13 583

ADCRef	0.19 528	0.12 520	0.41 619	0.20 512	0.12 525	0.22 542	0.18 469	0.32 545	0.36 554	0.26 558	0.32 544	0.17 407	0.23 555	0.24 567	0.24 571	0.07 328	0.06 406	0.09 466	0.09 489	0.08 424	0.08 447

NVstereo2D	0.19 528	0.10 476	0.15 414	0.17 287	0.15 589	0.28 601	0.23 573	0.44 636	0.42 588	0.15 371	0.27 499	0.25 512	0.19 522	0.22 546	0.17 480	0.09 463	0.06 406	0.10 514	0.08 442	0.15 607	0.09 491

DRN-Test	0.19 528	0.11 502	0.20 528	0.22 561	0.10 441	0.22 542	0.22 562	0.39 615	0.37 561	0.24 539	0.32 544	0.26 522	0.21 538	0.22 546	0.24 571	0.11 535	0.07 478	0.11 545	0.10 529	0.09 487	0.07 382

DISCO	0.19 528	0.09 414	0.22 543	0.17 287	0.10 441	0.25 574	0.18 469	0.27 476	0.44 598	0.22 517	0.31 540	0.33 585	0.26 576	0.28 589	0.28 609	0.08 403	0.06 406	0.07 289	0.07 369	0.09 487	0.09 491

CBMV_ROB	0.19 528	0.13 548	0.17 480	0.16 201	0.11 491	0.15 405	0.13 163	0.26 455	0.28 489	0.27 564	0.30 532	0.27 530	0.24 561	0.23 557	0.16 465	0.15 604	0.17 630	0.22 634	0.20 632	0.10 520	0.11 547

NOSS_ROB	0.19 528	0.12 520	0.18 504	0.16 201	0.12 525	0.15 405	0.12 93	0.30 523	0.32 521	0.20 487	0.22 424	0.27 530	0.23 555	0.21 533	0.16 465	0.16 620	0.18 632	0.23 635	0.21 634	0.12 558	0.13 583

CBMV	0.19 528	0.14 560	0.17 480	0.18 377	0.10 441	0.20 516	0.11 61	0.29 509	0.30 506	0.29 588	0.30 532	0.30 558	0.23 555	0.27 577	0.19 511	0.13 586	0.15 621	0.17 616	0.16 619	0.10 520	0.10 520
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 540	0.14 560	0.37 610	0.22 561	0.12 525	0.20 516	0.21 552	0.28 495	0.37 561	0.25 552	0.37 574	0.27 530	0.22 547	0.21 533	0.23 558	0.08 403	0.08 508	0.09 466	0.09 489	0.10 520	0.09 491

YMNet	0.20 540	0.12 520	0.19 516	0.20 512	0.14 569	0.26 584	0.23 573	0.32 545	0.34 540	0.27 564	0.34 560	0.30 558	0.18 506	0.18 476	0.22 546	0.10 504	0.13 606	0.10 514	0.10 529	0.08 424	0.09 491

YMNet_1	0.20 540	0.12 520	0.19 516	0.20 512	0.14 569	0.26 584	0.23 573	0.32 545	0.34 540	0.27 564	0.34 560	0.30 558	0.18 506	0.18 476	0.22 546	0.10 504	0.13 606	0.10 514	0.10 529	0.08 424	0.09 491

GwcNet	0.20 540	0.13 548	0.19 516	0.18 377	0.12 525	0.24 563	0.19 509	0.35 590	0.43 593	0.20 487	0.32 544	0.33 585	0.20 534	0.22 546	0.24 571	0.11 535	0.09 541	0.09 466	0.09 489	0.09 487	0.10 520

FAT-Stereo	0.20 540	0.12 520	0.22 543	0.21 544	0.12 525	0.17 457	0.18 469	0.34 574	0.39 571	0.27 564	0.37 574	0.34 592	0.32 616	0.21 533	0.20 517	0.09 463	0.11 575	0.10 514	0.09 489	0.11 543	0.14 600

FADNet-RVC	0.20 540	0.20 610	0.38 612	0.21 544	0.16 600	0.20 516	0.15 310	0.26 455	0.26 464	0.26 558	0.32 544	0.26 522	0.21 538	0.22 546	0.19 511	0.12 560	0.13 606	0.12 565	0.14 598	0.13 577	0.18 630

S-Stereo	0.20 540	0.12 520	0.25 561	0.21 544	0.13 548	0.20 516	0.18 469	0.32 545	0.43 593	0.23 530	0.36 568	0.28 540	0.30 607	0.19 491	0.22 546	0.09 463	0.12 591	0.10 514	0.10 529	0.13 577	0.13 583

SuperB	0.20 540	0.10 476	0.56 639	0.16 201	0.09 329	0.18 476	0.18 469	0.24 420	0.50 617	0.26 558	0.39 588	0.17 407	0.21 538	0.22 546	0.21 537	0.08 403	0.06 406	0.06 180	0.06 272	0.12 558	0.10 520

ADCP+	0.20 540	0.10 476	0.33 597	0.20 512	0.12 525	0.22 542	0.26 611	0.31 534	0.34 540	0.26 558	0.37 574	0.22 474	0.22 547	0.27 577	0.27 601	0.09 463	0.06 406	0.08 383	0.08 442	0.09 487	0.10 520

PS-NSSS	0.20 540	0.21 616	0.23 552	0.20 512	0.10 441	0.19 500	0.17 420	0.36 597	0.25 450	0.27 564	0.33 556	0.27 530	0.24 561	0.20 516	0.20 517	0.15 604	0.12 591	0.17 616	0.14 598	0.10 520	0.08 447

PWCDC_ROB	0.20 540	0.13 548	0.22 543	0.24 594	0.11 491	0.19 500	0.15 310	0.33 565	0.54 627	0.29 588	0.50 627	0.21 456	0.15 441	0.27 577	0.20 517	0.11 535	0.09 541	0.10 514	0.08 442	0.11 543	0.09 491

SGM-Forest	0.20 540	0.14 560	0.18 504	0.19 445	0.13 548	0.20 516	0.22 562	0.33 565	0.30 506	0.24 539	0.29 525	0.28 540	0.19 522	0.23 557	0.17 480	0.15 604	0.16 625	0.15 605	0.14 598	0.12 558	0.12 560
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 552	0.17 589	0.19 516	0.23 585	0.15 589	0.30 608	0.20 532	0.33 565	0.35 549	0.23 530	0.28 513	0.31 571	0.27 584	0.20 516	0.22 546	0.15 604	0.12 591	0.13 580	0.09 489	0.14 591	0.14 600

FINET	0.21 552	0.18 600	0.26 564	0.18 377	0.16 600	0.23 558	0.23 573	0.32 545	0.48 607	0.25 552	0.32 544	0.22 474	0.22 547	0.22 546	0.17 480	0.18 627	0.16 625	0.11 545	0.10 529	0.15 607	0.13 583

Syn2CoEx	0.21 552	0.16 578	0.27 572	0.29 636	0.14 569	0.26 584	0.20 532	0.33 565	0.31 514	0.28 579	0.36 568	0.27 530	0.25 570	0.19 491	0.24 571	0.16 620	0.12 591	0.14 593	0.11 563	0.09 487	0.08 447

FADNet	0.21 552	0.22 620	0.36 606	0.18 377	0.17 615	0.24 563	0.13 163	0.31 534	0.31 514	0.23 530	0.25 473	0.27 530	0.21 538	0.19 491	0.15 449	0.13 586	0.15 621	0.12 565	0.15 615	0.16 616	0.18 630

RP	0.21 552	0.13 548	0.21 537	0.23 585	0.11 491	0.21 533	0.20 532	0.25 437	0.44 598	0.21 501	0.38 580	0.36 598	0.24 561	0.27 577	0.25 581	0.11 535	0.12 591	0.13 580	0.12 583	0.12 558	0.14 600

DANet	0.21 552	0.15 570	0.28 577	0.25 606	0.13 548	0.22 542	0.19 509	0.27 476	0.27 474	0.28 579	0.32 544	0.35 596	0.31 611	0.31 600	0.23 558	0.11 535	0.09 541	0.11 545	0.10 529	0.13 577	0.11 547
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 552	0.12 520	0.21 537	0.24 594	0.13 548	0.22 542	0.22 562	0.41 625	0.26 464	0.31 599	0.42 611	0.37 603	0.28 595	0.23 557	0.22 546	0.10 504	0.12 591	0.10 514	0.09 489	0.10 520	0.08 447

PWC_ROB	0.21 552	0.16 578	0.26 564	0.18 377	0.11 491	0.22 542	0.13 163	0.32 545	0.49 614	0.30 593	0.40 594	0.32 581	0.24 561	0.31 600	0.22 546	0.10 504	0.07 478	0.11 545	0.08 442	0.11 543	0.10 520

PSMNet_ROB	0.21 552	0.11 502	0.15 414	0.27 624	0.15 589	0.24 563	0.35 651	0.43 634	0.37 561	0.27 564	0.32 544	0.32 581	0.22 547	0.21 533	0.26 593	0.12 560	0.08 508	0.13 580	0.11 563	0.09 487	0.09 491

MSAF-DinoV2	0.22 561	0.11 502	0.23 552	0.17 287	0.10 441	0.27 594	0.16 379	0.37 603	0.55 628	0.21 501	0.27 499	0.47 638	0.27 584	0.35 619	0.39 645	0.09 463	0.06 406	0.07 289	0.09 489	0.12 558	0.10 520

GASNet	0.22 561	0.23 622	0.33 597	0.26 611	0.17 615	0.26 584	0.16 379	0.44 636	0.42 588	0.27 564	0.24 445	0.30 558	0.15 441	0.27 577	0.18 498	0.12 560	0.08 508	0.12 565	0.11 563	0.16 616	0.07 382

Anonymous_2	0.22 561	0.17 589	0.28 577	0.15 106	0.16 600	0.32 611	0.22 562	0.22 375	0.17 298	0.23 530	0.24 445	0.26 522	0.27 584	0.27 577	0.23 558	0.22 644	0.25 654	0.17 616	0.17 626	0.17 624	0.17 627

Wz-Net-LNSev	0.22 561	0.16 578	0.38 612	0.21 544	0.13 548	0.25 574	0.23 573	0.32 545	0.43 593	0.30 593	0.41 605	0.31 571	0.18 506	0.22 546	0.25 581	0.10 504	0.09 541	0.08 383	0.08 442	0.12 558	0.11 547

Wz-Net-MNSev	0.22 561	0.13 548	0.31 590	0.20 512	0.14 569	0.36 630	0.24 586	0.33 565	0.44 598	0.28 579	0.40 594	0.38 607	0.19 522	0.24 567	0.25 581	0.09 463	0.07 478	0.09 466	0.09 489	0.12 558	0.10 520

DDUNet	0.22 561	0.17 589	0.21 537	0.22 561	0.15 589	0.25 574	0.24 586	0.29 509	0.30 506	0.31 599	0.36 568	0.33 585	0.25 570	0.24 567	0.20 517	0.18 627	0.13 606	0.17 616	0.11 563	0.16 616	0.16 618

APVNet	0.22 561	0.12 520	0.19 516	0.18 377	0.14 569	0.32 611	0.31 647	0.39 615	0.32 521	0.27 564	0.40 594	0.30 558	0.29 603	0.26 574	0.25 581	0.11 535	0.12 591	0.11 545	0.14 598	0.12 558	0.12 560

aanetorigin	0.22 561	0.17 589	0.56 639	0.17 287	0.10 441	0.15 405	0.19 509	0.20 328	0.33 528	0.49 642	0.48 622	0.29 548	0.27 584	0.20 516	0.23 558	0.08 403	0.07 478	0.08 383	0.07 369	0.10 520	0.09 491

MaskLacGwcNet_RVC	0.22 561	0.21 616	0.24 556	0.26 611	0.11 491	0.23 558	0.14 228	0.39 615	0.24 429	0.32 605	0.36 568	0.30 558	0.21 538	0.19 491	0.21 537	0.17 625	0.14 615	0.21 630	0.16 619	0.12 558	0.12 560

AF-Net	0.22 561	0.17 589	0.17 480	0.26 611	0.13 548	0.25 574	0.24 586	0.32 545	0.50 617	0.25 552	0.33 556	0.38 607	0.26 576	0.28 589	0.25 581	0.11 535	0.10 562	0.16 612	0.11 563	0.11 543	0.10 520

stereogan	0.22 561	0.11 502	0.21 537	0.20 512	0.12 525	0.31 610	0.19 509	0.35 590	0.44 598	0.22 517	0.39 588	0.35 596	0.27 584	0.33 610	0.22 546	0.10 504	0.12 591	0.10 514	0.10 529	0.14 591	0.13 583

edge stereo	0.22 561	0.13 548	0.20 528	0.21 544	0.13 548	0.23 558	0.16 379	0.32 545	0.42 588	0.32 605	0.40 594	0.38 607	0.35 626	0.25 572	0.24 571	0.13 586	0.11 575	0.14 593	0.11 563	0.12 558	0.13 583

RYNet	0.22 561	0.12 520	0.22 543	0.19 445	0.17 615	0.46 641	0.26 611	0.38 611	0.48 607	0.24 539	0.28 513	0.34 592	0.23 555	0.20 516	0.30 620	0.10 504	0.06 406	0.09 466	0.09 489	0.13 577	0.15 607

NaN_ROB	0.22 561	0.19 604	0.24 556	0.25 606	0.13 548	0.29 605	0.26 611	0.33 565	0.41 580	0.31 599	0.31 540	0.32 581	0.23 555	0.30 599	0.21 537	0.11 535	0.17 630	0.10 514	0.10 529	0.08 424	0.09 491

MDST_ROB	0.22 561	0.10 476	0.17 480	0.18 377	0.11 491	0.37 631	0.19 509	0.43 634	0.41 580	0.39 623	0.39 588	0.29 548	0.21 538	0.26 574	0.18 498	0.11 535	0.10 562	0.14 593	0.11 563	0.10 520	0.08 447

XPNet_ROB	0.22 561	0.11 502	0.19 516	0.22 561	0.13 548	0.22 542	0.19 509	0.34 574	0.40 577	0.30 593	0.39 588	0.39 615	0.26 576	0.26 574	0.28 609	0.15 604	0.10 562	0.10 514	0.10 529	0.13 577	0.12 560

SQANet	0.23 577	0.23 622	0.30 588	0.30 638	0.19 626	0.27 594	0.13 163	0.29 509	0.33 528	0.24 539	0.37 574	0.31 571	0.22 547	0.27 577	0.23 558	0.15 604	0.10 562	0.21 630	0.16 619	0.21 633	0.15 607

Nwc_Net	0.23 577	0.16 578	0.21 537	0.25 606	0.14 569	0.24 563	0.26 611	0.37 603	0.38 568	0.22 517	0.41 605	0.30 558	0.28 595	0.28 589	0.25 581	0.11 535	0.10 562	0.17 616	0.20 632	0.10 520	0.10 520

RTSC	0.23 577	0.12 520	0.28 577	0.21 544	0.13 548	0.28 601	0.16 379	0.35 590	0.66 653	0.27 564	0.33 556	0.30 558	0.21 538	0.31 600	0.29 613	0.10 504	0.08 508	0.09 466	0.10 529	0.13 577	0.13 583

PA-Net	0.23 577	0.18 600	0.33 597	0.28 627	0.22 635	0.21 533	0.38 656	0.29 509	0.39 571	0.22 517	0.32 544	0.25 512	0.26 576	0.20 516	0.25 581	0.09 463	0.23 651	0.15 605	0.22 637	0.09 487	0.13 583
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 577	0.15 570	0.17 480	0.34 644	0.18 622	0.24 563	0.23 573	0.34 574	0.28 489	0.31 599	0.38 580	0.38 607	0.28 595	0.23 557	0.24 571	0.15 604	0.12 591	0.18 625	0.21 634	0.13 577	0.13 583

ETE_ROB	0.23 577	0.17 589	0.22 543	0.25 606	0.13 548	0.26 584	0.29 634	0.31 534	0.36 554	0.28 579	0.36 568	0.45 630	0.26 576	0.27 577	0.26 593	0.11 535	0.08 508	0.12 565	0.09 489	0.14 591	0.13 583

SGM_RVC	0.23 577	0.12 520	0.15 414	0.15 106	0.09 329	0.33 618	0.18 469	0.34 574	0.31 514	0.44 637	0.37 574	0.53 646	0.35 626	0.35 619	0.24 571	0.13 586	0.13 606	0.13 580	0.13 594	0.10 520	0.11 547
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DStereoO	0.24 584	0.18 600	0.18 504	0.20 512	0.14 569	0.21 533	0.19 509	0.32 545	0.41 580	0.29 588	0.21 413	0.32 581	0.27 584	0.41 644	0.27 601	0.46 666	0.12 591	0.31 653	0.11 563	0.15 607	0.12 560

z-mn7	0.24 584	0.14 560	0.45 623	0.19 445	0.13 548	0.28 601	0.25 602	0.34 574	0.62 644	0.27 564	0.56 639	0.29 548	0.24 561	0.32 607	0.25 581	0.08 403	0.08 508	0.08 383	0.08 442	0.10 520	0.10 520

w-ln-seven	0.24 584	0.14 560	0.55 636	0.19 445	0.14 569	0.26 584	0.22 562	0.35 590	0.60 641	0.29 588	0.39 588	0.30 558	0.22 547	0.21 533	0.26 593	0.09 463	0.09 541	0.11 545	0.10 529	0.11 543	0.10 520

DGSMNet	0.24 584	0.19 604	0.33 597	0.21 544	0.24 640	0.24 563	0.20 532	0.35 590	0.41 580	0.24 539	0.32 544	0.38 607	0.21 538	0.29 596	0.23 558	0.12 560	0.11 575	0.14 593	0.16 619	0.23 637	0.23 641

G-Net	0.24 584	0.16 578	0.36 606	0.22 561	0.16 600	0.51 647	0.23 573	0.29 509	0.34 540	0.36 615	0.38 580	0.31 571	0.29 603	0.27 577	0.26 593	0.11 535	0.09 541	0.12 565	0.09 489	0.16 616	0.13 583

NCC-stereo	0.24 584	0.15 570	0.31 590	0.26 611	0.16 600	0.20 516	0.30 641	0.40 619	0.40 577	0.24 539	0.38 580	0.33 585	0.28 595	0.36 625	0.27 601	0.12 560	0.11 575	0.15 605	0.22 637	0.13 577	0.13 583

Abc-Net	0.24 584	0.15 570	0.31 590	0.26 611	0.16 600	0.20 516	0.30 641	0.40 619	0.40 577	0.24 539	0.38 580	0.33 585	0.28 595	0.36 625	0.27 601	0.12 560	0.11 575	0.15 605	0.22 637	0.13 577	0.13 583
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 584	0.11 502	0.47 628	0.22 561	0.12 525	0.34 621	0.29 634	0.29 509	0.56 631	0.24 539	0.46 619	0.30 558	0.30 607	0.29 596	0.29 613	0.08 403	0.07 478	0.09 466	0.09 489	0.10 520	0.10 520

DeepPrunerF	0.24 584	0.17 589	0.42 621	0.26 611	0.16 600	0.22 542	0.28 624	0.37 603	0.50 617	0.26 558	0.29 525	0.24 498	0.28 595	0.21 533	0.22 546	0.15 604	0.11 575	0.20 629	0.18 630	0.12 558	0.13 583

FBW_ROB	0.24 584	0.17 589	0.22 543	0.26 611	0.14 569	0.25 574	0.22 562	0.41 625	0.41 580	0.41 630	0.41 605	0.42 622	0.27 584	0.31 600	0.23 558	0.09 463	0.14 615	0.14 593	0.12 583	0.11 543	0.09 491

SANet	0.24 584	0.14 560	0.28 577	0.21 544	0.11 491	0.27 594	0.24 586	0.38 611	0.64 649	0.36 615	0.40 594	0.43 626	0.26 576	0.27 577	0.24 571	0.12 560	0.09 541	0.10 514	0.09 489	0.13 577	0.11 547

WCMA_ROB	0.24 584	0.11 502	0.22 543	0.17 287	0.14 569	0.32 611	0.15 310	0.32 545	0.32 521	0.38 621	0.53 630	0.40 619	0.34 623	0.34 613	0.25 581	0.11 535	0.12 591	0.12 565	0.10 529	0.14 591	0.14 600

DStereoSA	0.25 596	0.19 604	0.37 610	0.26 611	0.17 615	0.22 542	0.20 532	0.49 646	0.59 637	0.22 517	0.29 525	0.29 548	0.33 618	0.39 636	0.28 609	0.12 560	0.11 575	0.16 612	0.14 598	0.14 591	0.12 560

FSD	0.25 596	0.27 635	0.26 564	0.24 594	0.22 635	0.25 574	0.25 602	0.27 476	0.26 464	0.25 552	0.26 490	0.25 512	0.27 584	0.27 577	0.24 571	0.21 639	0.20 638	0.27 641	0.26 644	0.25 645	0.24 642

zh-sn7	0.25 596	0.17 589	0.50 630	0.24 594	0.13 548	0.25 574	0.24 586	0.34 574	0.48 607	0.28 579	0.54 632	0.28 540	0.31 611	0.36 625	0.32 628	0.10 504	0.10 562	0.11 545	0.10 529	0.12 558	0.12 560

zh-mn7	0.25 596	0.14 560	0.56 639	0.19 445	0.14 569	0.24 563	0.22 562	0.34 574	0.62 644	0.35 612	0.65 648	0.31 571	0.25 570	0.31 600	0.25 581	0.09 463	0.08 508	0.09 466	0.09 489	0.09 487	0.11 547

Wz-Net-SNSev	0.25 596	0.17 589	0.44 622	0.25 606	0.14 569	0.26 584	0.23 573	0.38 611	0.56 631	0.30 593	0.55 634	0.39 615	0.26 576	0.23 557	0.30 620	0.10 504	0.09 541	0.09 466	0.10 529	0.11 543	0.11 547

psmorigin	0.25 596	0.15 570	0.34 605	0.17 287	0.13 548	0.23 558	0.14 228	0.34 574	0.33 528	0.41 630	0.55 634	0.41 621	0.37 630	0.34 613	0.27 601	0.11 535	0.15 621	0.11 545	0.11 563	0.12 558	0.16 618

RGC	0.25 596	0.20 610	0.29 585	0.28 627	0.16 600	0.22 542	0.23 573	0.32 545	0.44 598	0.27 564	0.40 594	0.38 607	0.27 584	0.36 625	0.22 546	0.11 535	0.13 606	0.17 616	0.17 626	0.14 591	0.16 618

ADCMid	0.25 596	0.15 570	0.40 616	0.20 512	0.14 569	0.25 574	0.26 611	0.34 574	0.38 568	0.36 615	0.44 616	0.34 592	0.40 637	0.35 619	0.33 633	0.10 504	0.09 541	0.11 545	0.11 563	0.13 577	0.12 560

ADCPNet	0.25 596	0.16 578	0.61 646	0.21 544	0.15 589	0.35 629	0.25 602	0.32 545	0.35 549	0.30 593	0.40 594	0.36 598	0.28 595	0.28 589	0.32 628	0.12 560	0.10 562	0.11 545	0.12 583	0.14 591	0.13 583

STTRV1_RVC	0.25 596	0.26 631	0.39 614	0.19 445	0.26 647	0.30 608	0.24 586	0.34 574	0.35 549	0.36 615	0.34 560	0.31 571	0.31 611	0.28 589	0.25 581	0.17 625	0.10 562	0.16 612	0.14 598	0.17 624	0.12 560

LALA_ROB	0.25 596	0.16 578	0.22 543	0.26 611	0.17 615	0.27 594	0.27 618	0.42 630	0.37 561	0.33 609	0.38 580	0.51 642	0.26 576	0.28 589	0.27 601	0.16 620	0.09 541	0.12 565	0.11 563	0.13 577	0.12 560

SHD	0.26 607	0.15 570	0.30 588	0.24 594	0.18 622	0.22 542	0.15 310	0.38 611	0.71 657	0.32 605	0.41 605	0.36 598	0.28 595	0.32 607	0.29 613	0.12 560	0.11 575	0.14 593	0.13 594	0.16 616	0.20 636

AnyNet_C32	0.26 607	0.16 578	0.36 606	0.20 512	0.16 600	0.25 574	0.30 641	0.32 545	0.44 598	0.31 599	0.49 623	0.30 558	0.33 618	0.40 641	0.33 633	0.12 560	0.12 591	0.12 565	0.14 598	0.14 591	0.15 607

DStereoFS	0.27 609	0.22 620	0.31 590	0.22 561	0.15 589	0.22 542	0.20 532	0.50 650	0.48 607	0.28 579	0.44 616	0.33 585	0.34 623	0.52 654	0.29 613	0.12 560	0.11 575	0.15 605	0.13 594	0.16 616	0.16 618

PSMNet-RUCA	0.27 609	0.33 647	0.41 619	0.36 648	0.32 655	0.18 476	0.19 509	0.42 630	0.30 506	0.33 609	0.41 605	0.39 615	0.25 570	0.31 600	0.20 517	0.18 627	0.10 562	0.25 637	0.15 615	0.21 633	0.16 618

PDISCO_ROB	0.27 609	0.16 578	0.26 564	0.28 627	0.20 629	0.32 611	0.26 611	0.44 636	0.57 633	0.28 579	0.40 594	0.45 630	0.29 603	0.33 610	0.34 635	0.12 560	0.09 541	0.17 616	0.16 619	0.17 624	0.13 583

DispFullNet	0.27 609	0.21 616	0.65 649	0.28 627	0.16 600	0.26 584	0.17 420	0.33 565	0.58 636	0.27 564	0.38 580	0.43 626	0.23 555	0.38 632	0.23 558	0.12 560	0.06 406	0.19 627	0.11 563	0.21 633	0.15 607

MeshStereo	0.27 609	0.13 548	0.18 504	0.15 106	0.11 491	0.32 611	0.24 586	0.40 619	0.36 554	0.52 644	0.57 642	0.67 657	0.40 637	0.35 619	0.26 593	0.14 600	0.13 606	0.13 580	0.11 563	0.11 543	0.10 520
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
WZ-Net	0.28 614	0.17 589	0.78 666	0.22 561	0.16 600	0.34 621	0.29 634	0.39 615	0.57 633	0.24 539	0.55 634	0.37 603	0.24 561	0.33 610	0.35 636	0.09 463	0.08 508	0.09 466	0.10 529	0.14 591	0.16 618

XQC	0.28 614	0.23 622	0.51 631	0.28 627	0.19 626	0.34 621	0.27 618	0.36 597	0.57 633	0.31 599	0.30 532	0.37 603	0.30 607	0.38 632	0.38 643	0.13 586	0.09 541	0.15 605	0.12 583	0.17 624	0.18 630

CC-Net-ROB	0.28 614	0.31 645	0.36 606	0.29 636	0.15 589	0.25 574	0.19 509	0.45 639	0.33 528	0.39 623	0.37 574	0.39 615	0.31 611	0.27 577	0.26 593	0.24 650	0.19 635	0.30 652	0.23 641	0.18 628	0.15 607

DPSNet	0.28 614	0.16 578	0.31 590	0.18 377	0.13 548	0.54 649	0.42 660	0.51 652	0.67 654	0.29 588	0.38 580	0.38 607	0.29 603	0.31 600	0.23 558	0.11 535	0.10 562	0.11 545	0.08 442	0.20 632	0.16 618

MultiAttention	0.29 618	0.08 334	0.14 366	0.19 445	0.12 525	1.45 685	1.33 689	0.36 597	0.37 561	0.19 464	0.21 413	0.24 498	0.11 328	0.38 632	0.18 498	0.06 166	0.05 263	0.08 383	0.08 442	0.10 520	0.09 491

Wz-Net-TNSev	0.29 618	0.20 610	0.65 649	0.19 445	0.15 589	0.38 634	0.27 618	0.35 590	0.55 628	0.34 611	0.42 611	0.45 630	0.38 631	0.32 607	0.30 620	0.12 560	0.13 606	0.10 514	0.12 583	0.15 607	0.14 600

ccnet	0.29 618	0.28 640	0.23 552	0.20 512	0.28 649	0.41 639	0.21 552	0.45 639	0.33 528	0.36 615	0.46 619	0.36 598	0.30 607	0.39 636	0.42 652	0.23 648	0.14 615	0.21 630	0.17 626	0.23 637	0.18 630

EDNetEfficient	0.29 618	0.24 625	1.13 677	0.18 377	0.10 441	0.19 500	0.20 532	0.20 328	0.60 641	0.74 664	0.56 639	0.31 571	0.39 634	0.22 546	0.30 620	0.09 463	0.07 478	0.08 383	0.07 369	0.11 543	0.09 491

ADCS	0.29 618	0.18 600	0.45 623	0.21 544	0.17 615	0.28 601	0.23 573	0.41 625	0.63 648	0.40 626	0.49 623	0.40 619	0.36 628	0.39 636	0.40 648	0.13 586	0.12 591	0.13 580	0.14 598	0.16 616	0.16 618

CSAN	0.29 618	0.24 625	0.27 572	0.34 644	0.19 626	0.33 618	0.42 660	0.37 603	0.50 617	0.38 621	0.40 594	0.44 628	0.33 618	0.28 589	0.30 620	0.20 635	0.16 625	0.19 627	0.19 631	0.14 591	0.15 607

AANet	0.30 624	0.19 604	1.03 675	0.16 201	0.13 548	0.22 542	0.16 379	0.30 523	0.62 644	0.60 651	0.52 629	0.46 634	0.38 631	0.23 557	0.32 628	0.12 560	0.09 541	0.11 545	0.10 529	0.13 577	0.12 560

MFN_U_SF_DS_RVC	0.30 624	0.24 625	0.29 585	0.36 648	0.16 600	0.34 621	0.30 641	0.32 545	0.42 588	0.40 626	0.46 619	0.38 607	0.31 611	0.34 613	0.28 609	0.19 633	0.20 638	0.26 638	0.29 651	0.18 628	0.19 635

GANetREF_RVC	0.31 626	0.34 649	0.27 572	0.35 646	0.16 600	0.32 611	0.41 657	0.48 644	0.51 624	0.35 612	0.35 565	0.34 592	0.33 618	0.39 636	0.32 628	0.27 652	0.20 638	0.29 650	0.15 615	0.18 628	0.17 627
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 626	0.26 631	0.26 564	0.24 594	0.21 633	0.34 621	0.25 602	0.34 574	0.39 571	0.40 626	0.69 652	0.45 630	0.40 637	0.34 613	0.27 601	0.20 635	0.19 635	0.26 638	0.25 643	0.23 637	0.22 640

MFN_U_SF_RVC	0.32 628	0.21 616	0.55 636	0.30 638	0.15 589	0.34 621	0.17 420	0.52 653	0.46 605	0.46 641	0.55 634	0.59 649	0.39 634	0.35 619	0.37 641	0.15 604	0.14 615	0.18 625	0.21 634	0.16 616	0.15 607

PASM	0.32 628	0.24 625	0.48 629	0.28 627	0.27 648	0.29 605	0.30 641	0.34 574	0.49 614	0.35 612	0.39 588	0.46 634	0.34 623	0.34 613	0.35 636	0.23 648	0.25 654	0.26 638	0.28 650	0.23 637	0.21 638

SGM-ForestM	0.32 628	0.12 520	0.16 450	0.16 201	0.11 491	0.39 636	0.19 509	0.41 625	0.50 617	0.52 644	0.54 632	1.32 678	0.42 645	0.40 641	0.27 601	0.14 600	0.16 625	0.16 612	0.16 619	0.12 558	0.12 560

FC-DCNN v2	0.33 631	0.27 635	0.28 577	0.26 611	0.23 638	0.37 631	0.28 624	0.40 619	0.43 593	0.45 638	0.56 639	0.51 642	0.40 637	0.37 630	0.29 613	0.21 639	0.20 638	0.27 641	0.26 644	0.25 645	0.24 642

FCDSN-DC	0.33 631	0.28 640	0.28 577	0.30 638	0.24 640	0.39 636	0.28 624	0.42 630	0.42 588	0.43 636	0.53 630	0.51 642	0.41 642	0.36 625	0.30 620	0.21 639	0.20 638	0.27 641	0.26 644	0.25 645	0.24 642
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 631	0.27 635	0.28 577	0.26 611	0.23 638	0.37 631	0.28 624	0.40 619	0.43 593	0.45 638	0.55 634	0.51 642	0.40 637	0.37 630	0.30 620	0.21 639	0.20 638	0.27 641	0.26 644	0.25 645	0.24 642

LSM	0.33 631	0.20 610	0.58 642	0.26 611	0.60 673	0.34 621	0.25 602	0.42 630	0.48 607	0.45 638	0.58 644	0.42 622	0.36 628	0.35 619	0.25 581	0.12 560	0.20 638	0.14 593	0.16 619	0.19 631	0.33 657

AnyNet_C01	0.36 635	0.25 630	1.37 680	0.22 561	0.17 615	0.48 645	0.27 618	0.35 590	0.39 571	0.39 623	0.74 658	0.46 634	0.38 631	0.45 646	0.47 657	0.13 586	0.13 606	0.13 580	0.14 598	0.14 591	0.15 607

GCST	0.37 636	0.42 656	0.26 564	1.02 682	0.39 656	0.18 476	0.08 7	0.20 328	0.17 298	0.28 579	0.25 473	0.15 370	0.12 359	0.16 421	0.14 418	0.64 677	0.43 666	0.75 673	0.65 677	0.63 670	0.46 668

otaku	0.39 637	0.37 652	0.52 632	0.44 655	0.28 649	0.58 651	0.24 586	0.41 625	0.62 644	0.40 626	0.49 623	0.46 634	0.33 618	0.40 641	0.32 628	0.30 653	0.30 658	0.39 657	0.33 656	0.29 652	0.28 651

ACVNet-4b	0.39 637	0.53 659	0.55 636	0.45 656	0.24 640	0.47 643	0.18 469	0.49 646	0.64 649	0.42 633	0.45 618	0.60 650	0.27 584	0.34 613	0.24 571	0.33 657	0.14 615	0.48 661	0.42 663	0.30 653	0.26 650

PVD	0.39 637	0.20 610	0.39 614	0.31 642	0.22 635	0.29 605	0.43 662	0.52 653	0.96 671	0.55 648	0.79 662	0.53 646	0.59 661	0.52 654	0.38 643	0.19 633	0.14 615	0.17 616	0.14 598	0.24 644	0.31 655

Ntro	0.40 640	0.40 654	0.53 633	0.46 659	0.30 653	0.65 657	0.24 586	0.46 641	0.68 655	0.41 630	0.49 623	0.48 640	0.42 645	0.39 636	0.31 627	0.32 655	0.28 656	0.37 656	0.30 653	0.32 657	0.29 652

SAMSARA	0.40 640	0.28 640	0.33 597	0.55 662	0.39 656	0.82 671	1.23 688	0.47 643	0.51 624	0.36 615	0.35 565	0.55 648	0.39 634	0.38 632	0.39 645	0.15 604	0.20 638	0.15 605	0.14 598	0.23 637	0.20 636

ELAS_RVC	0.41 642	0.29 643	0.33 597	0.28 627	0.24 640	0.54 649	0.36 652	0.49 646	0.59 637	0.72 660	0.74 658	0.65 655	0.54 654	0.54 659	0.40 648	0.22 644	0.20 638	0.27 641	0.26 644	0.26 650	0.25 648
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 642	0.29 643	0.33 597	0.27 624	0.24 640	0.60 654	0.36 652	0.50 650	0.50 617	0.71 658	0.79 662	0.67 657	0.54 654	0.51 652	0.42 652	0.22 644	0.20 638	0.27 641	0.26 644	0.26 650	0.25 648
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
light-stereo	0.42 644	0.26 631	0.59 644	0.60 664	0.49 663	0.32 611	0.23 573	0.46 641	0.52 626	0.56 650	0.58 644	0.76 662	0.32 616	0.48 648	0.29 613	0.32 655	0.24 652	0.27 641	0.33 656	0.46 661	0.39 662

MSC_U_SF_DS_RVC	0.43 645	0.39 653	0.54 634	0.40 651	0.20 629	0.64 656	0.32 649	0.53 655	0.72 658	0.71 658	0.72 655	0.61 651	0.54 654	0.51 652	0.46 656	0.20 635	0.19 635	0.29 650	0.30 653	0.23 637	0.18 630

ACVNet_1	0.44 646	0.49 658	0.60 645	0.45 656	0.28 649	0.49 646	0.27 618	0.57 660	0.72 658	0.62 653	0.58 644	0.74 661	0.49 651	0.50 650	0.35 636	0.26 651	0.24 652	0.39 657	0.29 651	0.31 656	0.24 642

Consistency-Raft	0.44 646	0.40 654	0.45 623	0.37 650	0.43 660	0.46 641	0.41 657	0.57 660	0.55 628	0.32 605	0.73 656	0.33 585	0.48 650	0.42 645	0.49 659	0.39 660	0.35 663	0.45 660	0.51 670	0.42 660	0.29 652

RTS	0.45 648	0.19 604	3.26 687	0.24 594	0.15 589	0.74 664	0.20 532	0.36 597	0.76 664	0.42 633	0.43 614	0.31 571	0.41 642	0.53 657	0.35 636	0.10 504	0.08 508	0.13 580	0.12 583	0.15 607	0.15 607

RTSA	0.45 648	0.19 604	3.26 687	0.24 594	0.15 589	0.74 664	0.20 532	0.36 597	0.76 664	0.42 633	0.43 614	0.31 571	0.41 642	0.53 657	0.35 636	0.10 504	0.08 508	0.13 580	0.12 583	0.15 607	0.15 607

MANE	0.45 648	0.27 635	0.27 572	0.27 624	0.24 640	0.47 643	0.31 647	0.55 657	0.59 637	0.72 660	1.13 679	1.15 672	0.61 662	0.52 654	0.37 641	0.21 639	0.20 638	0.27 641	0.31 655	0.25 645	0.24 642

NVStereoNet_ROB	0.46 651	0.36 651	0.46 627	0.41 653	0.28 649	0.34 621	0.34 650	0.48 644	0.60 641	0.72 660	0.93 668	0.70 660	0.66 665	0.47 647	0.60 667	0.22 644	0.33 662	0.34 655	0.34 659	0.30 653	0.30 654
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MonStereo1	0.47 652	0.26 631	0.58 642	0.28 627	0.20 629	0.39 636	0.18 469	0.49 646	0.64 649	0.52 644	0.87 665	1.01 667	0.57 659	0.50 650	0.56 664	0.53 670	0.31 661	0.54 667	0.40 661	0.33 658	0.34 658

LE_ROB	0.50 653	0.07 216	0.14 366	0.15 106	0.08 204	0.24 563	0.16 379	0.22 375	1.81 687	4.63 693	0.67 650	0.47 638	0.44 647	0.20 516	0.29 613	0.07 328	0.06 406	0.06 180	0.06 272	0.08 424	0.06 295

BEATNet-Init1	0.52 654	0.27 635	0.62 647	0.30 638	0.21 633	0.76 668	0.29 634	0.54 656	0.65 652	0.86 669	0.95 670	2.07 688	0.62 664	0.56 661	0.42 652	0.18 627	0.18 632	0.23 635	0.22 637	0.22 636	0.21 638

anonymity	0.53 655	0.58 661	0.65 649	0.41 653	0.61 674	0.53 648	0.41 657	0.56 658	0.41 580	0.55 648	0.50 627	0.49 641	0.55 657	0.58 662	0.50 662	0.58 673	0.50 676	0.51 663	0.51 670	0.51 663	0.57 671

RainbowNet	0.54 656	0.61 663	0.70 664	0.57 663	0.43 660	0.65 657	0.37 655	0.60 662	0.87 668	0.50 643	0.66 649	0.64 653	0.47 649	0.49 649	0.43 655	0.47 667	0.48 672	0.52 665	0.41 662	0.52 664	0.40 665

SGM+DAISY	0.56 657	0.57 660	0.65 649	0.40 651	0.54 666	0.66 659	0.49 665	0.56 658	0.45 604	0.66 654	0.69 652	0.67 657	0.56 658	0.63 664	0.56 664	0.59 674	0.48 672	0.50 662	0.50 669	0.52 664	0.58 672

SPS-STEREO	0.57 658	0.58 661	0.65 649	0.45 656	0.55 668	0.62 655	0.44 664	0.62 663	0.50 617	0.68 656	0.64 647	0.66 656	0.57 659	0.61 663	0.60 667	0.62 676	0.47 671	0.51 663	0.49 667	0.55 668	0.58 672
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 659	0.66 667	0.65 649	0.51 660	0.69 678	0.69 660	0.57 671	0.64 664	0.73 662	0.60 651	0.73 656	0.62 652	0.67 666	0.65 665	0.60 667	0.66 678	0.58 685	0.63 668	0.59 673	0.68 675	0.69 681

IMH-64-1	0.65 660	0.61 663	0.68 658	0.71 667	0.51 664	0.59 652	0.49 665	0.91 671	0.85 666	0.74 664	1.02 672	0.81 663	0.78 670	0.79 668	0.49 659	0.42 662	0.46 667	0.71 670	0.47 665	0.52 664	0.39 662

IMH-64	0.65 660	0.61 663	0.68 658	0.71 667	0.51 664	0.59 652	0.49 665	0.91 671	0.85 666	0.74 664	1.02 672	0.81 663	0.78 670	0.79 668	0.49 659	0.42 662	0.46 667	0.71 670	0.47 665	0.52 664	0.39 662

ACVNet_2	0.66 662	0.66 667	0.68 658	0.63 665	0.41 658	0.71 662	0.49 665	0.96 675	1.39 680	0.89 670	1.09 675	1.04 668	0.73 668	0.54 659	0.47 657	0.43 664	0.40 665	0.53 666	0.44 664	0.47 662	0.35 660

JetBlue	0.71 663	0.45 657	1.14 678	0.51 660	0.47 662	2.02 686	0.64 675	0.75 666	0.70 656	0.69 657	0.77 661	1.22 674	0.83 672	1.03 683	1.01 683	0.40 661	0.28 656	0.33 654	0.33 656	0.30 653	0.34 658

IMH	0.71 663	0.64 666	0.68 658	0.76 669	0.54 666	0.69 660	0.54 669	0.98 677	1.10 673	0.82 668	1.09 675	0.89 665	0.88 675	0.87 676	0.52 663	0.44 665	0.50 676	0.75 673	0.51 670	0.56 669	0.41 666

PWCK	0.71 663	0.94 678	0.95 673	0.76 669	0.31 654	0.74 664	0.36 652	0.90 670	0.90 669	0.96 673	0.75 660	0.95 666	0.61 662	0.87 676	0.66 670	0.72 679	0.46 667	0.75 673	0.49 667	0.69 677	0.44 667

MADNet+	0.75 666	0.71 669	3.70 690	0.66 666	0.41 658	0.98 676	0.97 686	0.69 665	0.73 662	0.52 644	0.57 642	0.64 653	0.68 667	0.86 675	1.01 683	0.34 658	0.36 664	0.28 649	0.23 641	0.36 659	0.31 655

TorneroNet-64	0.76 667	0.72 670	0.74 665	0.78 671	0.58 672	0.91 675	0.56 670	0.84 669	1.29 677	0.66 654	0.90 666	1.40 680	0.75 669	0.85 674	0.67 673	0.49 668	0.46 667	0.72 672	0.59 673	0.67 674	0.53 670

WAO-7	0.79 668	0.78 672	0.54 634	0.85 675	0.67 677	0.74 664	0.68 679	1.05 680	1.32 678	0.90 671	1.20 682	1.04 668	0.92 676	0.69 666	0.66 670	0.60 675	0.62 686	0.67 669	0.68 679	0.64 671	0.58 672

WAO-6	0.81 669	0.80 673	0.62 647	0.86 676	0.63 675	0.76 668	0.58 672	0.98 677	1.54 685	0.90 671	0.96 671	1.07 670	1.03 680	0.70 667	0.66 670	0.72 679	0.49 674	0.90 681	0.71 680	0.68 675	0.58 672

TorneroNet	0.82 670	0.74 671	0.81 670	0.84 674	0.63 675	0.99 677	0.63 673	0.96 675	1.16 674	0.80 667	1.11 677	1.36 679	0.86 674	0.93 679	0.80 678	0.56 671	0.49 674	0.78 678	0.66 678	0.73 680	0.63 680

LVE	0.83 671	0.85 676	0.85 671	0.80 672	0.56 669	1.04 681	0.65 676	1.05 680	1.47 683	0.96 673	1.22 683	1.10 671	0.85 673	0.83 671	0.71 675	0.49 668	0.55 682	0.76 676	0.60 675	0.65 672	0.59 677

Dean	0.87 672	0.86 677	0.79 668	0.81 673	0.56 669	0.90 672	0.63 673	1.15 686	1.73 686	1.15 681	1.15 680	1.31 677	0.99 679	0.81 670	0.81 679	0.57 672	0.56 683	0.77 677	0.64 676	0.66 673	0.58 672

WAO-8	0.91 673	0.81 674	0.65 649	0.94 679	0.69 678	0.90 672	0.67 677	1.07 683	1.83 688	1.06 678	1.45 685	1.30 675	1.07 681	0.84 672	0.78 676	0.74 681	0.53 679	0.86 679	0.75 681	0.69 677	0.62 678

Venus	0.91 673	0.81 674	0.65 649	0.94 679	0.69 678	0.90 672	0.67 677	1.07 683	1.83 688	1.06 678	1.45 685	1.30 675	1.07 681	0.84 672	0.78 676	0.74 681	0.53 679	0.86 679	0.75 681	0.69 677	0.62 678

UNDER WATER-64	0.95 675	0.94 678	1.43 682	0.87 677	0.56 669	1.18 684	0.87 683	0.77 667	0.94 670	1.04 676	0.85 664	1.58 685	1.21 686	0.94 680	0.96 681	0.87 685	0.57 684	1.03 685	0.88 686	0.78 681	0.73 682

UNDER WATER	0.97 676	0.97 680	1.42 681	0.99 681	0.70 681	1.12 683	0.84 682	0.80 668	1.08 672	1.01 675	0.90 666	1.55 684	1.22 687	1.03 683	1.00 682	0.78 683	0.53 679	1.02 684	0.87 685	0.80 682	0.74 683

notaker	0.97 676	1.11 681	0.98 674	1.13 684	0.81 682	0.73 663	0.68 679	0.93 673	1.16 674	1.18 683	1.18 681	1.41 681	1.16 685	1.08 685	0.69 674	0.81 684	0.64 687	1.17 687	0.79 683	0.98 684	0.80 685

ktn	1.01 678	1.21 683	0.80 669	1.23 686	0.86 684	1.01 679	0.87 683	0.94 674	1.39 680	1.04 676	1.12 678	1.15 672	1.07 681	0.94 680	0.59 666	1.28 691	0.71 688	1.38 691	0.83 684	1.02 686	0.75 684

KSHMR	1.09 679	1.17 682	0.88 672	1.25 687	1.00 686	0.99 677	0.96 685	1.13 685	1.37 679	1.16 682	1.29 684	1.41 681	0.96 678	1.01 682	0.92 680	1.03 688	1.08 690	1.20 688	1.03 689	1.01 685	0.97 687

DPSimNet_ROB	1.11 680	1.23 684	0.78 666	1.13 684	0.88 685	1.10 682	1.13 687	1.16 687	1.23 676	1.43 685	1.02 672	1.41 681	1.10 684	0.90 678	1.60 685	1.46 692	0.51 678	1.21 689	1.03 689	0.90 683	1.01 689

HanzoNet	1.29 681	1.26 685	1.19 679	1.12 683	0.85 683	1.02 680	0.83 681	1.03 679	1.48 684	1.64 686	1.61 687	2.50 690	1.72 688	1.61 687	1.61 686	1.26 690	0.80 689	1.31 690	1.01 688	1.02 686	0.86 686

JetRed	1.62 682	1.46 686	2.98 685	0.92 678	1.21 687	4.99 689	1.53 691	1.27 688	1.39 680	1.83 687	1.74 688	1.60 686	0.95 677	1.41 686	2.45 691	0.90 687	1.60 692	0.93 682	0.90 687	1.35 688	0.99 688

MADNet++	1.95 683	1.75 687	1.59 683	1.82 689	1.69 689	2.33 687	1.40 690	2.35 690	2.09 690	2.57 690	2.36 690	2.24 689	2.17 690	2.28 688	2.34 689	1.87 693	1.66 693	1.54 692	1.34 692	1.92 690	1.77 692

Selective-IGEV-i1pa	2.80 684	3.51 693	0.67 657	0.28 627	0.14 569	10.22 694	0.43 662	4.36 691	3.63 691	3.53 691	6.92 693	3.47 691	1.97 689	13.41 705	2.26 688	0.36 659	0.15 621	0.13 580	0.10 529	0.15 607	0.35 660

coex-ft	3.30 685	0.34 649	59.09 717	0.18 377	0.13 548	0.26 584	0.22 562	0.27 476	0.72 658	1.90 688	0.70 654	0.44 628	0.45 648	0.29 596	0.41 651	0.09 463	0.09 541	0.12 565	0.09 489	0.14 591	0.13 583

ASD4	3.54 686	3.38 692	2.05 684	1.72 688	2.51 691	9.03 693	17.71 697	2.25 689	5.51 693	2.46 689	2.81 691	2.03 687	3.36 692	2.73 689	5.06 692	1.22 689	1.34 691	1.13 686	1.33 691	1.68 689	1.49 691

TCMNet-wrong-test	3.67 687	5.48 701	3.89 691	12.18 703	11.75 704	4.65 688	3.88 692	1.06 682	0.72 658	1.09 680	2.15 689	6.30 696	0.53 653	3.43 691	2.36 690	0.89 686	0.20 638	1.87 694	1.69 693	5.57 698	3.62 698

tt	4.67 688	0.06 99	3.55 689	2.02 690	1.55 688	10.25 695	16.71 696	8.91 700	5.03 692	1.31 684	0.94 669	4.71 692	4.76 693	3.33 690	5.87 694	6.06 701	10.30 707	1.88 695	2.11 695	2.75 692	1.21 690

USTest	6.22 689	2.73 690	3.00 686	6.57 697	7.29 696	14.37 697	21.57 698	7.00 699	9.56 698	5.34 696	6.10 692	5.72 695	7.64 696	6.41 695	6.96 696	1.97 694	3.42 699	1.64 693	2.15 696	2.66 691	2.36 693

xxxxx1	7.79 690	5.02 698	7.31 694	3.12 691	3.85 692	16.35 699	22.88 699	5.86 696	8.69 695	7.97 697	8.54 694	9.12 700	8.27 697	10.18 697	10.92 697	2.42 695	2.45 695	3.56 698	12.37 704	3.77 693	3.06 695

tt_ll	7.79 690	5.02 698	7.31 694	3.12 691	3.85 692	16.35 699	22.88 699	5.86 696	8.69 695	7.97 697	8.54 694	9.12 700	8.27 697	10.18 697	10.92 697	2.42 695	2.45 695	3.56 698	12.37 704	3.77 693	3.06 695

ff	7.79 690	5.02 698	7.31 694	3.12 691	3.85 692	16.35 699	22.88 699	5.86 696	8.69 695	7.97 697	8.54 694	9.12 700	8.27 697	10.18 697	10.92 697	2.42 695	2.45 695	3.56 698	12.37 704	3.77 693	3.06 695

EDNetEfficientorigin	7.91 693	0.31 645	153.02 718	0.19 445	0.09 329	0.21 533	0.16 379	0.22 375	0.59 637	0.72 660	0.67 650	0.42 622	0.50 652	0.24 567	0.39 645	0.08 403	0.07 478	0.08 383	0.07 369	0.12 558	0.10 520

DPSMNet_ROB	8.06 694	4.48 694	8.63 702	5.37 696	10.74 699	8.32 691	22.98 703	5.46 693	13.36 703	5.12 694	9.92 699	5.08 693	10.40 700	5.53 694	12.58 700	3.80 699	8.00 700	3.50 696	7.02 701	3.83 696	7.14 702

DGTPSM_ROB	8.06 694	4.48 694	8.63 702	5.35 694	10.72 698	8.32 691	22.97 702	5.46 693	13.35 702	5.12 694	9.92 699	5.08 693	10.40 700	5.52 693	12.58 700	3.79 698	8.00 700	3.50 696	7.02 701	3.83 696	7.14 702

PML	8.91 696	9.34 707	6.13 692	5.35 694	6.41 695	14.99 698	23.38 704	5.27 692	6.83 694	18.04 709	28.19 717	7.67 697	6.83 695	7.85 696	5.75 693	5.35 700	1.83 694	5.95 706	1.93 694	8.64 703	2.52 694

DLNR_Zeroshot_test	10.40 697	1.82 688	19.49 712	120.77 719	13.11 706	0.06 12	0.13 163	0.23 396	0.10 66	0.07 67	0.10 185	0.09 210	0.06 62	0.10 120	0.09 101	0.13 586	0.04 25	0.06 180	0.04 54	51.54 718	0.04 71

DLNR-FE	10.43 698	1.83 689	19.53 713	120.75 718	13.06 705	0.06 12	0.13 163	0.23 396	0.10 66	0.07 67	0.10 185	0.09 210	0.06 62	0.10 120	0.09 101	0.13 586	0.04 25	0.06 180	0.04 54	52.01 719	0.04 71

iinet-test	10.48 699	8.09 703	7.54 698	10.26 698	10.94 700	18.00 703	25.26 705	11.33 704	13.28 700	9.69 701	9.85 697	9.42 703	11.17 702	11.02 701	12.78 703	6.59 703	8.30 702	5.56 701	6.56 697	6.89 699	7.02 700

IINet	10.48 699	8.09 703	7.54 698	10.26 698	10.94 700	18.00 703	25.26 705	11.33 704	13.28 700	9.69 701	9.85 697	9.42 703	11.17 702	11.02 701	12.78 703	6.59 703	8.30 702	5.56 701	6.56 697	6.89 699	7.02 700

LRCNet_RVC	10.62 701	13.42 708	7.30 693	18.92 707	2.07 690	0.33 618	0.30 641	5.59 695	0.48 607	13.03 705	17.94 705	8.87 699	5.65 694	4.79 692	1.89 687	23.51 715	2.73 698	27.55 718	25.71 718	16.07 712	16.33 713

Anonymous_1	10.96 702	7.92 702	7.46 697	10.33 700	10.06 697	18.65 705	26.34 707	11.06 703	13.44 704	9.40 700	10.05 701	9.67 705	11.23 704	10.73 700	12.72 702	6.42 702	8.38 704	5.77 703	10.61 703	12.12 704	6.77 699

DPSM_ROB	11.15 703	8.58 705	8.00 700	10.88 701	11.58 702	19.10 706	26.71 708	12.05 706	14.07 707	10.36 703	10.84 702	10.33 706	11.86 705	11.70 703	13.54 705	6.99 705	8.79 705	5.89 704	6.95 699	7.29 701	7.42 704

DPSM	11.15 703	8.58 705	8.00 700	10.88 701	11.58 702	19.10 706	26.71 708	12.05 706	14.07 707	10.36 703	10.84 702	10.33 706	11.86 705	11.70 703	13.54 705	6.99 705	8.79 705	5.89 704	6.95 699	7.29 701	7.42 704

HaxPig	15.71 705	18.52 716	19.18 711	16.89 706	15.89 707	7.73 690	7.60 693	13.31 708	10.82 699	15.42 706	14.91 704	15.98 708	14.92 707	15.58 706	15.98 707	18.95 714	16.73 708	19.46 714	18.08 714	19.26 713	19.05 716

Selective-IGEV-i16pa	18.58 706	3.30 691	1.09 676	0.21 544	0.18 622	103.68 718	0.28 624	19.87 710	40.73 718	4.16 692	56.45 718	8.07 698	2.59 691	123.95 719	5.89 695	0.18 627	0.12 591	0.09 466	0.12 583	0.12 558	0.51 669

RSGM-EC	20.36 707	4.73 696	0.68 658	16.76 704	16.92 708	21.28 708	27.18 710	10.46 701	14.04 705	18.00 707	21.31 708	22.24 717	21.82 709	22.57 708	17.63 708	62.81 718	33.79 718	20.14 715	18.10 715	20.18 714	16.45 714

acva	20.36 707	4.73 696	0.68 658	16.76 704	16.92 708	21.28 708	27.18 710	10.46 701	14.04 705	18.00 707	21.31 708	22.24 717	21.82 709	22.57 708	17.63 708	62.81 718	33.79 718	20.14 715	18.10 715	20.18 714	16.45 714

MEDIAN_ROB	20.38 709	24.04 717	23.31 714	21.23 708	21.71 710	10.40 696	7.92 694	17.64 709	15.50 709	20.12 710	19.70 706	20.34 709	20.32 708	21.19 707	21.13 710	23.81 716	21.81 716	24.98 717	23.76 717	24.71 716	23.93 717

CasAABBNet	22.42 710	17.33 710	16.01 706	22.01 710	23.28 712	38.32 710	53.80 714	24.14 714	28.41 714	20.60 712	21.77 712	20.89 715	23.91 713	23.43 712	27.36 713	14.07 708	17.69 710	11.83 709	14.01 708	14.67 707	14.95 709

RAFT-FEzeroshot	22.43 711	17.33 710	15.98 704	22.02 711	23.31 714	38.34 711	53.82 716	24.05 712	28.39 712	20.61 713	21.76 710	20.88 712	23.92 715	23.41 710	27.42 715	14.07 708	17.69 710	11.83 709	14.02 709	14.69 708	14.97 710

RAFT-FE	22.43 711	17.33 710	15.98 704	22.02 711	23.31 714	38.34 711	53.82 716	24.05 712	28.39 712	20.61 713	21.76 710	20.88 712	23.92 715	23.41 710	27.42 715	14.07 708	17.69 710	11.83 709	14.02 709	14.69 708	14.97 710

FlowAnything	22.44 713	17.35 713	16.14 708	22.07 714	23.23 711	38.39 714	53.77 713	24.25 715	28.44 715	20.96 717	21.82 714	20.70 710	23.84 711	23.49 714	27.14 712	14.04 707	17.79 715	11.75 707	14.15 713	14.65 705	14.89 706

Hybrid-DGEV	22.47 714	17.40 715	16.14 708	22.00 709	23.29 713	38.36 713	53.80 714	24.43 718	28.63 717	20.59 711	21.81 713	20.88 712	23.91 713	23.45 713	27.42 715	14.08 711	17.69 710	11.83 709	14.06 712	14.65 705	14.93 708

Selective-RAFT-Error	22.47 714	17.37 714	16.09 707	22.06 713	23.34 716	38.39 714	53.83 718	24.29 717	28.47 716	20.74 715	21.83 715	20.81 711	23.90 712	23.54 716	27.53 718	14.08 711	17.69 710	11.82 708	14.00 707	14.69 708	15.00 712

LSM0	22.87 716	17.28 709	18.96 710	22.19 715	29.04 718	38.42 716	53.71 712	24.28 716	28.31 711	20.78 716	21.00 707	21.43 716	24.16 717	23.50 715	27.39 714	14.09 713	17.38 709	11.84 713	14.04 711	14.73 711	14.89 706

AVERAGE_ROB	24.90 717	29.20 718	28.14 715	24.89 716	24.64 717	17.75 702	11.12 695	21.45 711	19.93 710	25.12 718	24.46 716	25.12 719	25.46 718	24.69 717	22.83 711	29.76 717	27.13 717	28.97 719	27.95 719	29.91 717	29.47 718

test_example2	98.32 718	94.13 719	45.89 716	96.35 717	109.85 719	88.61 717	95.45 719	25.75 719	94.37 719	130.00 720	126.06 720	58.17 720	74.63 719	88.51 718	79.96 719	150.23 720	221.02 720	77.62 720	99.10 720	113.75 720	96.94 719

ccccc	245.47 719	285.66 720	306.18 719	368.85 720	370.60 720	123.16 719	145.33 720	115.05 720	110.08 720	126.68 719	110.87 719	122.83 721	165.88 720	252.94 720	276.56 720	384.56 721	353.86 721	254.69 721	223.00 721	425.87 721	386.83 720

GS-Stereo							0.14 228	0.11 54	0.12 134	0.08 120	0.10 185	0.05 5	0.05 14	0.11 188	0.08 25	0.06 166	0.04 25	0.05 45	0.04 54	0.05 161	0.05 200

FADE		0.33 647		0.33 643	0.25 646							0.42 622				0.30 653	0.21 650	0.41 659	0.38 660	0.23 637

Low-res two-view benchmark