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

LACA2	0.07 4	0.05 28	0.06 4	0.15 92	0.06 17	0.09 99	0.11 56	0.11 38	0.10 49	0.05 2	0.05 7	0.06 25	0.08 173	0.09 42	0.07 1	0.07 277	0.04 24	0.04 1	0.04 44	0.04 23	0.04 50

LG-Stereo_L1	0.07 4	0.05 28	0.11 188	0.14 46	0.06 17	0.07 34	0.13 128	0.09 13	0.07 10	0.05 2	0.04 1	0.05 4	0.04 1	0.08 19	0.07 1	0.05 35	0.04 24	0.05 36	0.03 1	0.04 23	0.04 50

GREAT-IGEV	0.07 4	0.06 83	0.08 43	0.13 14	0.07 87	0.07 34	0.14 181	0.09 13	0.09 31	0.06 16	0.07 52	0.06 25	0.05 13	0.10 86	0.07 1	0.05 35	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
SCV_C0	0.08 60	0.07 176	0.07 10	0.16 175	0.09 275	0.08 60	0.15 259	0.11 38	0.12 107	0.08 90	0.07 52	0.06 25	0.05 13	0.11 138	0.07 1	0.05 35	0.05 212	0.05 36	0.04 44	0.06 233	0.05 152

FoundationStereo	0.06 1	0.04 1	0.08 43	0.12 5	0.05 1	0.09 99	0.13 128	0.06 1	0.09 31	0.05 2	0.05 7	0.06 25	0.04 1	0.06 1	0.07 1	0.06 127	0.04 24	0.05 36	0.03 1	0.05 125	0.04 50

GIP-stereo	0.08 60	0.06 83	0.11 188	0.14 46	0.06 17	0.09 99	0.13 128	0.14 97	0.11 77	0.07 51	0.08 93	0.05 4	0.04 1	0.10 86	0.07 1	0.05 35	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

IGEV-BASED-STEREO-	0.09 111	0.10 417	0.31 531	0.15 92	0.06 17	0.08 60	0.14 181	0.10 22	0.10 49	0.07 51	0.07 52	0.06 25	0.04 1	0.11 138	0.07 1	0.12 501	0.04 24	0.07 233	0.05 135	0.05 125	0.05 152

ACVNet-DCA	0.10 180	0.08 282	0.12 227	0.17 251	0.09 275	0.13 292	0.15 259	0.23 340	0.16 217	0.09 128	0.09 115	0.06 25	0.06 48	0.10 86	0.07 1	0.06 127	0.04 24	0.06 132	0.05 135	0.07 305	0.07 327

xx1	0.11 227	0.08 282	0.12 227	0.17 251	0.09 275	0.13 292	0.15 259	0.16 164	0.18 274	0.09 128	0.09 115	0.16 329	0.16 410	0.10 86	0.07 1	0.06 127	0.04 24	0.08 324	0.08 384	0.07 305	0.07 327

cc1	0.10 180	0.08 282	0.12 227	0.17 251	0.09 275	0.13 292	0.15 259	0.16 164	0.18 274	0.09 128	0.09 115	0.06 25	0.06 48	0.10 86	0.07 1	0.06 127	0.04 24	0.06 132	0.05 135	0.06 233	0.06 244

ffm	0.12 297	0.09 358	0.14 310	0.16 175	0.08 154	0.17 402	0.17 362	0.15 133	0.19 291	0.15 316	0.25 414	0.19 376	0.13 342	0.10 86	0.07 1	0.06 127	0.04 24	0.09 407	0.08 384	0.06 233	0.06 244

tt1	0.10 180	0.08 282	0.12 227	0.17 251	0.09 275	0.12 241	0.16 325	0.15 133	0.19 291	0.09 128	0.08 93	0.06 25	0.06 48	0.10 86	0.07 1	0.06 127	0.04 24	0.06 132	0.05 135	0.06 233	0.06 244

GMOStereo	0.11 227	0.09 358	0.07 10	0.19 393	0.08 154	0.12 241	0.28 563	0.13 77	0.17 244	0.11 197	0.17 286	0.14 286	0.12 303	0.07 4	0.07 1	0.05 35	0.05 212	0.09 407	0.07 313	0.04 23	0.04 50

error version	0.11 227	0.09 358	0.07 10	0.19 393	0.08 154	0.12 241	0.28 563	0.13 77	0.17 244	0.11 197	0.17 286	0.14 286	0.12 303	0.07 4	0.07 1	0.05 35	0.05 212	0.09 407	0.07 313	0.04 23	0.04 50

test-v	0.11 227	0.09 358	0.07 10	0.19 393	0.08 154	0.12 241	0.28 563	0.13 77	0.17 244	0.11 197	0.17 286	0.14 286	0.12 303	0.07 4	0.07 1	0.05 35	0.05 212	0.09 407	0.07 313	0.04 23	0.04 50

CroCo-Stereo	0.09 111	0.08 282	0.08 43	0.22 500	0.09 275	0.09 99	0.19 449	0.15 133	0.12 107	0.07 51	0.07 52	0.08 132	0.06 48	0.08 19	0.07 1	0.07 277	0.05 212	0.06 132	0.04 44	0.05 125	0.04 50
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 227	0.09 358	0.07 10	0.19 393	0.08 154	0.12 241	0.28 563	0.13 77	0.17 244	0.11 197	0.17 286	0.14 286	0.12 303	0.07 4	0.07 1	0.05 35	0.05 212	0.09 407	0.07 313	0.04 23	0.04 50

Pro-Stereo	0.07 4	0.05 28	0.08 43	0.15 92	0.07 87	0.08 60	0.12 80	0.07 2	0.07 10	0.06 16	0.06 18	0.05 4	0.05 13	0.09 42	0.08 18	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

VIP-Stereo	0.07 4	0.07 176	0.07 10	0.15 92	0.06 17	0.12 241	0.10 31	0.11 38	0.11 77	0.06 16	0.07 52	0.06 25	0.05 13	0.10 86	0.08 18	0.05 35	0.04 24	0.05 36	0.03 1	0.03 1	0.02 1

GEAStereo	0.08 60	0.05 28	0.08 43	0.13 14	0.08 154	0.08 60	0.14 181	0.10 22	0.09 31	0.08 90	0.10 145	0.06 25	0.05 13	0.11 138	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.05 152

BridgeDepth	0.07 4	0.07 176	0.08 43	0.18 333	0.06 17	0.07 34	0.11 56	0.09 13	0.06 4	0.04 1	0.07 52	0.10 195	0.09 204	0.08 19	0.08 18	0.04 11	0.03 1	0.04 1	0.04 44	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
GSStereo	0.08 60	0.05 28	0.08 43	0.13 14	0.08 154	0.08 60	0.14 181	0.11 38	0.12 107	0.08 90	0.10 145	0.05 4	0.05 13	0.11 138	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.05 152

GS-Stereo							0.14 181	0.11 38	0.12 107	0.08 90	0.10 145	0.05 4	0.05 13	0.11 138	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.05 152

gasm-f	0.08 60	0.05 28	0.07 10	0.13 14	0.08 154	0.08 60	0.14 181	0.10 22	0.09 31	0.08 90	0.10 145	0.06 25	0.05 13	0.10 86	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.06 233	0.05 152

Zero-FE251	0.07 4	0.05 28	0.09 95	0.13 14	0.06 17	0.12 241	0.12 80	0.11 38	0.10 49	0.07 51	0.08 93	0.06 25	0.06 48	0.09 42	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.04 50

GASTEREO	0.08 60	0.05 28	0.09 95	0.19 393	0.07 87	0.07 34	0.12 80	0.14 97	0.11 77	0.10 165	0.09 115	0.07 85	0.04 1	0.12 228	0.08 18	0.06 127	0.05 212	0.05 36	0.04 44	0.04 23	0.05 152

MSCF	0.08 60	0.05 28	0.08 43	0.19 393	0.08 154	0.06 11	0.12 80	0.14 97	0.11 77	0.10 165	0.09 115	0.07 85	0.04 1	0.11 138	0.08 18	0.06 127	0.05 212	0.05 36	0.04 44	0.05 125	0.05 152

water-stereo	0.09 111	0.06 83	0.08 43	0.16 175	0.07 87	0.09 99	0.13 128	0.15 133	0.13 141	0.11 197	0.12 206	0.08 132	0.09 204	0.07 4	0.08 18	0.06 127	0.05 212	0.05 36	0.05 135	0.04 23	0.04 50

monsters	0.07 4	0.06 83	0.06 4	0.15 92	0.06 17	0.08 60	0.09 18	0.12 60	0.08 18	0.09 128	0.07 52	0.06 25	0.06 48	0.08 19	0.08 18	0.05 35	0.04 24	0.04 1	0.04 44	0.03 1	0.03 2

LG-Stereo_L2	0.07 4	0.05 28	0.10 143	0.14 46	0.06 17	0.07 34	0.12 80	0.09 13	0.09 31	0.06 16	0.04 1	0.05 4	0.05 13	0.08 19	0.08 18	0.05 35	0.04 24	0.05 36	0.03 1	0.04 23	0.03 2

LG-G_1	0.07 4	0.04 1	0.11 188	0.15 92	0.06 17	0.09 99	0.08 7	0.08 6	0.06 4	0.06 16	0.05 7	0.07 85	0.07 132	0.11 138	0.08 18	0.07 277	0.04 24	0.05 36	0.04 44	0.05 125	0.05 152

LG-G	0.07 4	0.04 1	0.11 188	0.15 92	0.06 17	0.09 99	0.08 7	0.08 6	0.06 4	0.06 16	0.05 7	0.07 85	0.07 132	0.11 138	0.08 18	0.07 277	0.04 24	0.05 36	0.04 44	0.05 125	0.05 152

SGD-Stereo	0.08 60	0.05 28	0.10 143	0.14 46	0.05 1	0.12 241	0.12 80	0.11 38	0.12 107	0.07 51	0.09 115	0.09 162	0.09 204	0.08 19	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.03 2

MM-Stereo_test3	0.10 180	0.07 176	0.07 10	0.18 333	0.07 87	0.12 241	0.19 449	0.24 363	0.19 291	0.06 16	0.10 145	0.08 132	0.06 48	0.11 138	0.08 18	0.06 127	0.06 349	0.07 233	0.05 135	0.05 125	0.04 50

HART	0.08 60	0.07 176	0.09 95	0.17 251	0.07 87	0.10 153	0.16 325	0.13 77	0.11 77	0.08 90	0.10 145	0.07 85	0.05 13	0.10 86	0.08 18	0.05 35	0.04 24	0.06 132	0.04 44	0.05 125	0.04 50

Reg-Stereo(zero)	0.08 60	0.05 28	0.08 43	0.16 175	0.06 17	0.12 241	0.11 56	0.15 133	0.10 49	0.12 237	0.09 115	0.10 195	0.08 173	0.11 138	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.05 152

HI	0.11 227	0.06 83	0.11 188	0.13 14	0.09 275	0.09 99	0.14 181	0.21 296	0.10 49	0.19 405	0.17 286	0.14 286	0.09 204	0.16 364	0.08 18	0.05 35	0.04 24	0.07 233	0.08 384	0.07 305	0.06 244

CoSv	0.11 227	0.06 83	0.11 188	0.13 14	0.09 275	0.09 99	0.14 181	0.21 296	0.10 49	0.19 405	0.17 286	0.14 286	0.09 204	0.16 364	0.08 18	0.05 35	0.04 24	0.07 233	0.08 384	0.07 305	0.06 244

SCV	0.08 60	0.09 358	0.08 43	0.15 92	0.08 154	0.10 153	0.13 128	0.10 22	0.12 107	0.07 51	0.07 52	0.06 25	0.04 1	0.09 42	0.08 18	0.05 35	0.04 24	0.06 132	0.04 44	0.06 233	0.04 50

StereoAnything_RVC	0.07 4	0.15 511	0.17 423	0.11 1	0.05 1	0.05 4	0.11 56	0.08 6	0.08 18	0.06 16	0.06 18	0.05 4	0.05 13	0.09 42	0.08 18	0.08 348	0.04 24	0.05 36	0.03 1	0.05 125	0.04 50

AIO_rvc	0.07 4	0.06 83	0.08 43	0.15 92	0.06 17	0.08 60	0.14 181	0.09 13	0.08 18	0.07 51	0.08 93	0.07 85	0.04 1	0.10 86	0.08 18	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

AIO-test2	0.10 180	0.08 282	0.10 143	0.23 524	0.08 154	0.11 199	0.10 31	0.23 340	0.23 356	0.08 90	0.09 115	0.08 132	0.05 13	0.10 86	0.08 18	0.06 127	0.05 212	0.08 324	0.09 430	0.05 125	0.05 152

castereo++	0.08 60	0.05 28	0.08 43	0.15 92	0.05 1	0.14 325	0.12 80	0.11 38	0.15 187	0.07 51	0.07 52	0.07 85	0.06 48	0.08 19	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

IGEV-RUCA	0.08 60	0.06 83	0.11 188	0.14 46	0.09 275	0.10 153	0.12 80	0.10 22	0.12 107	0.06 16	0.07 52	0.07 85	0.06 48	0.09 42	0.08 18	0.06 127	0.05 212	0.05 36	0.04 44	0.05 125	0.06 244

PAM_32	0.09 111	0.05 28	0.17 423	0.15 92	0.08 154	0.10 153	0.15 259	0.14 97	0.15 187	0.09 128	0.08 93	0.09 162	0.07 132	0.14 307	0.08 18	0.06 127	0.05 212	0.06 132	0.06 219	0.05 125	0.06 244

PAM	0.10 180	0.05 28	0.16 393	0.15 92	0.08 154	0.09 99	0.16 325	0.15 133	0.16 217	0.12 237	0.09 115	0.09 162	0.07 132	0.13 278	0.08 18	0.06 127	0.05 212	0.06 132	0.06 219	0.05 125	0.06 244

WCG-NET	0.08 60	0.05 28	0.09 95	0.15 92	0.06 17	0.11 199	0.14 181	0.13 77	0.13 141	0.06 16	0.09 115	0.07 85	0.06 48	0.13 278	0.08 18	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

RAStereo	0.10 180	0.09 358	0.08 43	0.20 454	0.08 154	0.13 292	0.18 410	0.15 133	0.17 244	0.10 165	0.12 206	0.05 4	0.06 48	0.09 42	0.08 18	0.07 277	0.05 212	0.07 233	0.05 135	0.05 125	0.04 50

AIO-Stereo-zeroshot1	0.11 227	0.05 28	0.14 310	0.15 92	0.20 567	0.09 99	0.17 362	0.21 296	0.15 187	0.11 197	0.14 234	0.10 195	0.07 132	0.10 86	0.08 18	0.06 127	0.05 212	0.07 233	0.07 313	0.07 305	0.09 435

U	0.08 60	0.07 176	0.09 95	0.19 393	0.10 384	0.10 153	0.13 128	0.12 60	0.17 244	0.07 51	0.07 52	0.06 25	0.05 13	0.07 4	0.08 18	0.06 127	0.04 24	0.06 132	0.04 44	0.06 233	0.05 152

IGEV-Stereo+	0.07 4	0.04 1	0.08 43	0.15 92	0.06 17	0.04 1	0.09 18	0.10 22	0.09 31	0.06 16	0.06 18	0.06 25	0.06 48	0.06 1	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.06 233	0.06 244

AIO-Stereo	0.08 60	0.06 83	0.09 95	0.18 333	0.06 17	0.08 60	0.12 80	0.15 133	0.09 31	0.08 90	0.08 93	0.07 85	0.05 13	0.11 138	0.08 18	0.05 35	0.05 212	0.05 36	0.04 44	0.04 23	0.04 50

WCG-NET（raft）	0.08 60	0.05 28	0.10 143	0.15 92	0.06 17	0.11 199	0.13 128	0.15 133	0.12 107	0.08 90	0.07 52	0.06 25	0.06 48	0.13 278	0.08 18	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.04 50

test_for_model	0.08 60	0.05 28	0.09 95	0.14 46	0.07 87	0.08 60	0.14 181	0.17 202	0.21 330	0.08 90	0.12 206	0.06 25	0.04 1	0.09 42	0.08 18	0.06 127	0.04 24	0.05 36	0.04 44	0.03 1	0.03 2

GCAPDPT-zeroshot4090	0.09 111	0.05 28	0.11 188	0.13 14	0.07 87	0.11 199	0.14 181	0.14 97	0.16 217	0.07 51	0.10 145	0.08 132	0.06 48	0.13 278	0.08 18	0.07 277	0.05 212	0.05 36	0.05 135	0.04 23	0.04 50

MoCha-V2	0.08 60	0.05 28	0.10 143	0.20 454	0.07 87	0.09 99	0.14 181	0.11 38	0.08 18	0.07 51	0.08 93	0.07 85	0.06 48	0.09 42	0.08 18	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.04 50

IGEVStereo-DCA	0.09 111	0.06 83	0.11 188	0.15 92	0.10 384	0.11 199	0.15 259	0.16 164	0.12 107	0.10 165	0.06 18	0.08 132	0.06 48	0.10 86	0.08 18	0.06 127	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244

rrr	0.09 111	0.06 83	0.12 227	0.15 92	0.10 384	0.11 199	0.16 325	0.16 164	0.15 187	0.10 165	0.06 18	0.08 132	0.06 48	0.10 86	0.08 18	0.06 127	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244

MIM_Stereo	0.09 111	0.07 176	0.11 188	0.15 92	0.07 87	0.06 11	0.12 80	0.20 273	0.14 167	0.13 267	0.13 221	0.09 162	0.05 13	0.12 228	0.08 18	0.05 35	0.06 349	0.07 233	0.06 219	0.06 233	0.05 152

testlalala	0.09 111	0.05 28	0.11 188	0.13 14	0.07 87	0.11 199	0.14 181	0.14 97	0.16 217	0.07 51	0.10 145	0.08 132	0.06 48	0.13 278	0.08 18	0.07 277	0.05 212	0.05 36	0.05 135	0.04 23	0.04 50

GCAPDPT-zeroshot	0.09 111	0.05 28	0.11 188	0.13 14	0.07 87	0.11 199	0.14 181	0.14 97	0.16 217	0.07 51	0.10 145	0.08 132	0.06 48	0.13 278	0.08 18	0.07 277	0.05 212	0.05 36	0.05 135	0.04 23	0.04 50

CAS	0.08 60	0.04 1	0.07 10	0.17 251	0.08 154	0.10 153	0.13 128	0.12 60	0.09 31	0.09 128	0.10 145	0.08 132	0.06 48	0.09 42	0.08 18	0.08 348	0.04 24	0.05 36	0.03 1	0.05 125	0.04 50

CES	0.08 60	0.04 1	0.08 43	0.14 46	0.07 87	0.09 99	0.14 181	0.11 38	0.09 31	0.08 90	0.09 115	0.11 222	0.06 48	0.12 228	0.08 18	0.06 127	0.04 24	0.05 36	0.03 1	0.05 125	0.05 152

CroCo-Stereo Lap2	0.09 111	0.09 358	0.08 43	0.22 500	0.09 275	0.09 99	0.19 449	0.16 164	0.12 107	0.09 128	0.10 145	0.05 4	0.05 13	0.08 19	0.08 18	0.06 127	0.06 349	0.07 233	0.05 135	0.05 125	0.05 152

TRStereo	0.09 111	0.05 28	0.12 227	0.15 92	0.12 466	0.10 153	0.13 128	0.18 234	0.18 274	0.09 128	0.09 115	0.09 162	0.06 48	0.10 86	0.08 18	0.07 277	0.05 212	0.07 233	0.07 313	0.04 23	0.04 50

XX-Stereo	0.09 111	0.05 28	0.08 43	0.17 251	0.09 275	0.15 351	0.12 80	0.20 273	0.10 49	0.10 165	0.14 234	0.07 85	0.06 48	0.12 228	0.08 18	0.06 127	0.05 212	0.06 132	0.06 219	0.04 23	0.04 50

LACA1	0.07 4	0.07 176	0.07 10	0.14 46	0.05 1	0.09 99	0.11 56	0.10 22	0.07 10	0.05 2	0.05 7	0.06 25	0.07 132	0.08 19	0.09 67	0.06 127	0.04 24	0.04 1	0.04 44	0.03 1	0.04 50

Hybrid-DGEV-2	0.11 227	0.06 83	0.12 227	0.18 333	0.09 275	0.09 99	0.13 128	0.28 437	0.29 438	0.11 197	0.11 189	0.09 162	0.12 303	0.12 228	0.09 67	0.06 127	0.05 212	0.07 233	0.07 313	0.05 125	0.05 152

BTL-Stereo	0.07 4	0.04 1	0.08 43	0.15 92	0.07 87	0.06 11	0.14 181	0.07 2	0.10 49	0.05 2	0.05 7	0.04 1	0.06 48	0.07 4	0.09 67	0.04 11	0.04 24	0.05 36	0.05 135	0.04 23	0.04 50

MatchStereo	0.07 4	0.04 1	0.08 43	0.14 46	0.06 17	0.05 4	0.12 80	0.12 60	0.09 31	0.07 51	0.06 18	0.04 1	0.04 1	0.08 19	0.09 67	0.06 127	0.05 212	0.05 36	0.03 1	0.04 23	0.04 50
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
WQFJX1	0.10 180	0.07 176	0.08 43	0.22 500	0.09 275	0.12 241	0.17 362	0.18 234	0.17 244	0.10 165	0.09 115	0.07 85	0.10 242	0.11 138	0.09 67	0.07 277	0.08 450	0.07 233	0.06 219	0.05 125	0.04 50

CSFM-Stereo	0.07 4	0.05 28	0.07 10	0.14 46	0.06 17	0.09 99	0.13 128	0.15 133	0.06 4	0.07 51	0.08 93	0.06 25	0.08 173	0.09 42	0.09 67	0.06 127	0.05 212	0.04 1	0.03 1	0.04 23	0.04 50

FE-Mocha	0.09 111	0.06 83	0.14 310	0.16 175	0.09 275	0.10 153	0.15 259	0.18 234	0.16 217	0.10 165	0.09 115	0.07 85	0.07 132	0.09 42	0.09 67	0.06 127	0.04 24	0.06 132	0.06 219	0.05 125	0.05 152

DLNR-FE	10.43 636	1.83 628	19.53 648	120.75 653	13.06 640	0.06 11	0.13 128	0.23 340	0.10 49	0.07 51	0.10 145	0.09 162	0.06 48	0.10 86	0.09 67	0.13 526	0.04 24	0.06 132	0.04 44	52.01 654	0.04 50

Select-FE	0.11 227	0.06 83	0.20 469	0.15 92	0.11 434	0.11 199	0.13 128	0.21 296	0.18 274	0.09 128	0.11 189	0.10 195	0.06 48	0.12 228	0.09 67	0.07 277	0.05 212	0.07 233	0.08 384	0.06 233	0.08 391

IGEV-FE	0.09 111	0.05 28	0.12 227	0.13 14	0.08 154	0.12 241	0.13 128	0.17 202	0.11 77	0.10 165	0.06 18	0.09 162	0.06 48	0.11 138	0.09 67	0.06 127	0.04 24	0.06 132	0.06 219	0.05 125	0.05 152

MonStereo	0.07 4	0.06 83	0.05 1	0.15 92	0.05 1	0.08 60	0.10 31	0.15 133	0.15 187	0.05 2	0.06 18	0.05 4	0.06 48	0.07 4	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Wavelet-MonSter	0.07 4	0.05 28	0.07 10	0.16 175	0.06 17	0.07 34	0.11 56	0.10 22	0.08 18	0.06 16	0.06 18	0.07 85	0.07 132	0.09 42	0.09 67	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 83	0.05 1	0.15 92	0.05 1	0.08 60	0.10 31	0.15 133	0.15 187	0.05 2	0.06 18	0.05 4	0.06 48	0.07 4	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 4	0.04 1	0.09 95	0.13 14	0.06 17	0.05 4	0.09 18	0.11 38	0.07 10	0.06 16	0.06 18	0.05 4	0.06 48	0.09 42	0.09 67	0.06 127	0.04 24	0.04 1	0.03 1	0.05 125	0.05 152

S2M2_XL	0.08 60	0.06 83	0.12 227	0.12 5	0.08 154	0.09 99	0.09 18	0.07 2	0.07 10	0.08 90	0.07 52	0.07 85	0.06 48	0.09 42	0.09 67	0.08 348	0.06 349	0.07 233	0.05 135	0.08 367	0.06 244
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
asd	0.07 4	0.08 282	0.07 10	0.16 175	0.07 87	0.08 60	0.08 7	0.11 38	0.08 18	0.07 51	0.07 52	0.06 25	0.06 48	0.10 86	0.09 67	0.03 1	0.03 1	0.04 1	0.04 44	0.04 23	0.03 2

qwe	0.07 4	0.08 282	0.07 10	0.15 92	0.06 17	0.07 34	0.10 31	0.18 234	0.11 77	0.07 51	0.07 52	0.06 25	0.06 48	0.10 86	0.09 67	0.03 1	0.03 1	0.04 1	0.04 44	0.04 23	0.03 2

depthmonostereo	0.09 111	0.06 83	0.09 95	0.15 92	0.06 17	0.10 153	0.13 128	0.14 97	0.14 167	0.10 165	0.10 145	0.09 162	0.11 272	0.08 19	0.09 67	0.06 127	0.05 212	0.06 132	0.04 44	0.04 23	0.03 2

2.5w	0.07 4	0.07 176	0.07 10	0.16 175	0.06 17	0.08 60	0.12 80	0.10 22	0.10 49	0.07 51	0.06 18	0.09 162	0.06 48	0.08 19	0.09 67	0.04 11	0.03 1	0.04 1	0.04 44	0.03 1	0.03 2

3.25w_new	0.07 4	0.06 83	0.07 10	0.15 92	0.06 17	0.10 153	0.07 3	0.12 60	0.11 77	0.08 90	0.06 18	0.07 85	0.06 48	0.11 138	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 4	0.06 83	0.07 10	0.15 92	0.06 17	0.10 153	0.07 3	0.12 60	0.11 77	0.08 90	0.06 18	0.07 85	0.06 48	0.11 138	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 4	0.07 176	0.07 10	0.15 92	0.07 87	0.09 99	0.06 1	0.13 77	0.11 77	0.07 51	0.07 52	0.06 25	0.07 132	0.10 86	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3w_stereo	0.08 60	0.09 358	0.10 143	0.17 251	0.07 87	0.08 60	0.10 31	0.20 273	0.13 141	0.06 16	0.07 52	0.05 4	0.06 48	0.08 19	0.09 67	0.03 1	0.03 1	0.04 1	0.03 1	0.04 23	0.03 2

2w_stereo	0.08 60	0.08 282	0.09 95	0.16 175	0.06 17	0.08 60	0.10 31	0.20 273	0.15 187	0.08 90	0.07 52	0.06 25	0.06 48	0.06 1	0.09 67	0.04 11	0.03 1	0.04 1	0.04 44	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 83	0.07 10	0.16 175	0.06 17	0.07 34	0.10 31	0.14 97	0.14 167	0.07 51	0.08 93	0.05 4	0.06 48	0.09 42	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 50

monsterstereo	0.07 4	0.06 83	0.06 4	0.16 175	0.06 17	0.08 60	0.10 31	0.16 164	0.11 77	0.07 51	0.08 93	0.06 25	0.07 132	0.08 19	0.09 67	0.04 11	0.04 24	0.05 36	0.04 44	0.03 1	0.03 2

IGEV	0.07 4	0.04 1	0.08 43	0.13 14	0.06 17	0.09 99	0.12 80	0.14 97	0.10 49	0.06 16	0.09 115	0.07 85	0.05 13	0.09 42	0.09 67	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

111111	0.07 4	0.04 1	0.09 95	0.17 251	0.06 17	0.05 4	0.10 31	0.11 38	0.09 31	0.06 16	0.06 18	0.07 85	0.05 13	0.09 42	0.09 67	0.06 127	0.04 24	0.05 36	0.04 44	0.07 305	0.06 244

MLG-Stereo_test2	0.06 1	0.04 1	0.10 143	0.15 92	0.05 1	0.07 34	0.11 56	0.09 13	0.04 2	0.06 16	0.05 7	0.06 25	0.04 1	0.08 19	0.09 67	0.06 127	0.04 24	0.05 36	0.03 1	0.05 125	0.05 152

MLG-Stereo_test1	0.06 1	0.05 28	0.08 43	0.17 251	0.05 1	0.06 11	0.11 56	0.08 6	0.03 1	0.05 2	0.04 1	0.06 25	0.05 13	0.09 42	0.09 67	0.05 35	0.04 24	0.05 36	0.03 1	0.04 23	0.04 50

MLG-Stereo	0.07 4	0.05 28	0.08 43	0.17 251	0.05 1	0.07 34	0.11 56	0.08 6	0.04 2	0.05 2	0.04 1	0.06 25	0.05 13	0.10 86	0.09 67	0.05 35	0.04 24	0.05 36	0.03 1	0.04 23	0.04 50

LGtest1	0.07 4	0.04 1	0.10 143	0.15 92	0.06 17	0.07 34	0.09 18	0.08 6	0.06 4	0.05 2	0.04 1	0.06 25	0.06 48	0.10 86	0.09 67	0.07 277	0.04 24	0.05 36	0.04 44	0.06 233	0.06 244

LG-Stereo_Zeroshot	0.07 4	0.06 83	0.10 143	0.16 175	0.07 87	0.04 1	0.13 128	0.10 22	0.10 49	0.05 2	0.11 189	0.07 85	0.05 13	0.07 4	0.09 67	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

LG-Stereo	0.08 60	0.07 176	0.10 143	0.18 333	0.07 87	0.10 153	0.17 362	0.11 38	0.08 18	0.05 2	0.07 52	0.05 4	0.07 132	0.09 42	0.09 67	0.04 11	0.05 212	0.07 233	0.07 313	0.04 23	0.04 50

MM-Stereo_test2	0.09 111	0.06 83	0.09 95	0.19 393	0.08 154	0.12 241	0.18 410	0.15 133	0.14 167	0.07 51	0.10 145	0.07 85	0.06 48	0.12 228	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.03 2

DEFOM-Stereo_RVC	0.08 60	0.06 83	0.09 95	0.22 500	0.06 17	0.08 60	0.12 80	0.10 22	0.10 49	0.07 51	0.07 52	0.06 25	0.05 13	0.11 138	0.09 67	0.06 127	0.04 24	0.05 36	0.03 1	0.06 233	0.04 50

HUF	0.08 60	0.05 28	0.08 43	0.14 46	0.06 17	0.09 99	0.13 128	0.13 77	0.13 141	0.07 51	0.07 52	0.08 132	0.06 48	0.10 86	0.09 67	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

AIO-test1	0.10 180	0.07 176	0.10 143	0.23 524	0.07 87	0.09 99	0.13 128	0.21 296	0.14 167	0.11 197	0.12 206	0.09 162	0.07 132	0.11 138	0.09 67	0.06 127	0.05 212	0.09 407	0.10 470	0.03 1	0.06 244

MonSter	0.07 4	0.06 83	0.05 1	0.15 92	0.05 1	0.07 34	0.10 31	0.15 133	0.15 187	0.05 2	0.06 18	0.05 4	0.06 48	0.07 4	0.09 67	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DEFOM-Stereo	0.07 4	0.05 28	0.07 10	0.14 46	0.06 17	0.10 153	0.13 128	0.07 2	0.13 141	0.06 16	0.07 52	0.06 25	0.05 13	0.10 86	0.09 67	0.04 11	0.04 24	0.05 36	0.03 1	0.04 23	0.04 50

dual_stereo	0.07 4	0.04 1	0.08 43	0.15 92	0.05 1	0.05 4	0.13 128	0.12 60	0.08 18	0.07 51	0.06 18	0.05 4	0.05 13	0.07 4	0.09 67	0.06 127	0.04 24	0.05 36	0.03 1	0.04 23	0.04 50

UGAM-zero	0.09 111	0.05 28	0.15 359	0.15 92	0.08 154	0.09 99	0.13 128	0.19 262	0.15 187	0.11 197	0.15 252	0.07 85	0.07 132	0.09 42	0.09 67	0.06 127	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244

rvit_stereo_0081_aga	0.11 227	0.09 358	0.14 310	0.18 333	0.09 275	0.13 292	0.14 181	0.14 97	0.19 291	0.10 165	0.18 311	0.16 329	0.09 204	0.12 228	0.09 67	0.10 448	0.06 349	0.08 324	0.07 313	0.07 305	0.06 244

IGEV-Stereo++	0.07 4	0.06 83	0.08 43	0.18 333	0.06 17	0.04 1	0.10 31	0.11 38	0.11 77	0.06 16	0.07 52	0.07 85	0.06 48	0.09 42	0.09 67	0.05 35	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

Pointernet	0.09 111	0.04 1	0.09 95	0.16 175	0.08 154	0.13 292	0.10 31	0.15 133	0.17 244	0.09 128	0.07 52	0.06 25	0.06 48	0.11 138	0.09 67	0.08 348	0.04 24	0.05 36	0.03 1	0.06 233	0.05 152

AIO-Stereo-zeroshot	0.11 227	0.05 28	0.11 188	0.15 92	0.13 489	0.13 292	0.16 325	0.23 340	0.17 244	0.10 165	0.12 206	0.10 195	0.07 132	0.11 138	0.09 67	0.06 127	0.05 212	0.06 132	0.06 219	0.07 305	0.08 391

RSM++	0.08 60	0.06 83	0.09 95	0.17 251	0.07 87	0.09 99	0.12 80	0.11 38	0.11 77	0.08 90	0.06 18	0.07 85	0.05 13	0.10 86	0.09 67	0.04 11	0.04 24	0.06 132	0.05 135	0.05 125	0.03 2

RSM	0.08 60	0.06 83	0.09 95	0.17 251	0.06 17	0.08 60	0.12 80	0.12 60	0.10 49	0.08 90	0.07 52	0.06 25	0.05 13	0.11 138	0.09 67	0.04 11	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

CAS++	0.11 227	0.07 176	0.11 188	0.14 46	0.09 275	0.12 241	0.14 181	0.24 363	0.14 167	0.11 197	0.09 115	0.11 222	0.07 132	0.14 307	0.09 67	0.11 477	0.09 482	0.09 407	0.07 313	0.07 305	0.08 391
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
gcap-zeroshot	0.09 111	0.05 28	0.10 143	0.16 175	0.07 87	0.13 292	0.13 128	0.11 38	0.12 107	0.13 267	0.12 206	0.09 162	0.08 173	0.09 42	0.09 67	0.06 127	0.05 212	0.06 132	0.05 135	0.04 23	0.04 50

MGS-Stereo	0.09 111	0.07 176	0.12 227	0.15 92	0.08 154	0.09 99	0.15 259	0.12 60	0.12 107	0.07 51	0.10 145	0.08 132	0.06 48	0.10 86	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.06 233	0.05 152

IGEV++	0.08 60	0.06 83	0.08 43	0.18 333	0.07 87	0.09 99	0.13 128	0.10 22	0.09 31	0.08 90	0.08 93	0.06 25	0.06 48	0.13 278	0.09 67	0.05 35	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

MyStereo07	0.10 180	0.07 176	0.10 143	0.17 251	0.09 275	0.14 325	0.18 410	0.15 133	0.15 187	0.09 128	0.06 18	0.06 25	0.07 132	0.12 228	0.09 67	0.06 127	0.05 212	0.08 324	0.07 313	0.06 233	0.06 244

MyStereo06	0.10 180	0.07 176	0.12 227	0.17 251	0.09 275	0.13 292	0.18 410	0.19 262	0.12 107	0.12 237	0.08 93	0.07 85	0.07 132	0.11 138	0.09 67	0.06 127	0.05 212	0.07 233	0.07 313	0.06 233	0.06 244

ff7	0.09 111	0.07 176	0.11 188	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.12 107	0.10 165	0.06 18	0.06 25	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

ffff	0.09 111	0.07 176	0.11 188	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.12 107	0.10 165	0.06 18	0.06 25	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

11t	0.09 111	0.07 176	0.11 188	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.12 107	0.10 165	0.06 18	0.06 25	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

IGEV_Zeroshot_test	0.09 111	0.05 28	0.12 227	0.13 14	0.08 154	0.12 241	0.13 128	0.17 202	0.11 77	0.10 165	0.06 18	0.09 162	0.06 48	0.11 138	0.09 67	0.06 127	0.04 24	0.06 132	0.06 219	0.05 125	0.05 152

UniTT-Stereo	0.09 111	0.07 176	0.08 43	0.18 333	0.08 154	0.13 292	0.11 56	0.12 60	0.11 77	0.10 165	0.12 206	0.05 4	0.07 132	0.09 42	0.09 67	0.07 277	0.05 212	0.05 36	0.05 135	0.05 125	0.05 152

DLNR_Zeroshot_test	10.40 635	1.82 627	19.49 647	120.77 654	13.11 641	0.06 11	0.13 128	0.23 340	0.10 49	0.07 51	0.10 145	0.09 162	0.06 48	0.10 86	0.09 67	0.13 526	0.04 24	0.06 132	0.04 44	51.54 653	0.04 50

AEACV	0.08 60	0.05 28	0.08 43	0.14 46	0.13 489	0.14 325	0.13 128	0.14 97	0.09 31	0.07 51	0.09 115	0.07 85	0.08 173	0.10 86	0.09 67	0.06 127	0.04 24	0.06 132	0.05 135	0.05 125	0.04 50

Any-RAFT	0.10 180	0.05 28	0.09 95	0.14 46	0.07 87	0.13 292	0.14 181	0.21 296	0.15 187	0.11 197	0.12 206	0.12 240	0.09 204	0.12 228	0.09 67	0.07 277	0.04 24	0.05 36	0.04 44	0.06 233	0.05 152

RAFT-Test	0.09 111	0.06 83	0.10 143	0.15 92	0.07 87	0.11 199	0.15 259	0.16 164	0.13 141	0.09 128	0.10 145	0.10 195	0.09 204	0.12 228	0.09 67	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.05 152

HH	0.09 111	0.06 83	0.13 274	0.17 251	0.08 154	0.10 153	0.16 325	0.14 97	0.10 49	0.08 90	0.09 115	0.08 132	0.07 132	0.10 86	0.09 67	0.06 127	0.04 24	0.06 132	0.05 135	0.05 125	0.04 50

HanStereo	0.09 111	0.06 83	0.13 274	0.17 251	0.08 154	0.10 153	0.16 325	0.14 97	0.10 49	0.08 90	0.09 115	0.08 132	0.07 132	0.10 86	0.09 67	0.06 127	0.04 24	0.06 132	0.05 135	0.05 125	0.04 50

4D-IteraStereo	0.09 111	0.07 176	0.10 143	0.18 333	0.07 87	0.09 99	0.15 259	0.17 202	0.15 187	0.10 165	0.11 189	0.10 195	0.07 132	0.11 138	0.09 67	0.05 35	0.03 1	0.08 324	0.07 313	0.06 233	0.05 152

LoS_RVC	0.08 60	0.05 28	0.07 10	0.15 92	0.07 87	0.08 60	0.15 259	0.11 38	0.10 49	0.08 90	0.09 115	0.06 25	0.09 204	0.10 86	0.09 67	0.05 35	0.04 24	0.05 36	0.03 1	0.04 23	0.03 2

anonymousdsp	0.09 111	0.07 176	0.11 188	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.12 107	0.09 128	0.06 18	0.06 25	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

Selective-IGEV	0.07 4	0.06 83	0.08 43	0.17 251	0.06 17	0.08 60	0.12 80	0.13 77	0.07 10	0.08 90	0.07 52	0.06 25	0.04 1	0.10 86	0.09 67	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

ProNet	0.09 111	0.07 176	0.10 143	0.17 251	0.08 154	0.10 153	0.15 259	0.15 133	0.12 107	0.09 128	0.06 18	0.07 85	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.06 244

ccc-4	0.09 111	0.07 176	0.11 188	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.12 107	0.10 165	0.06 18	0.06 25	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

RAFT_CTSACE	0.12 297	0.09 358	0.10 143	0.22 500	0.08 154	0.12 241	0.24 525	0.18 234	0.16 217	0.20 428	0.27 440	0.13 266	0.07 132	0.13 278	0.09 67	0.05 35	0.06 349	0.08 324	0.07 313	0.04 23	0.04 50

IGEV-Stereo	0.09 111	0.07 176	0.11 188	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.12 107	0.09 128	0.06 18	0.06 25	0.06 48	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 111	0.05 28	0.13 274	0.14 46	0.08 154	0.12 241	0.15 259	0.18 234	0.10 49	0.11 197	0.08 93	0.08 132	0.05 13	0.10 86	0.09 67	0.06 127	0.04 24	0.06 132	0.05 135	0.06 233	0.05 152

RAFT	0.13 322	0.09 358	0.11 188	0.18 333	0.08 154	0.15 351	0.24 525	0.20 273	0.19 291	0.21 442	0.21 354	0.17 349	0.12 303	0.16 364	0.09 67	0.06 127	0.07 421	0.10 454	0.09 430	0.05 125	0.05 152

test-1	0.10 180	0.07 176	0.16 393	0.19 393	0.08 154	0.11 199	0.24 525	0.14 97	0.18 274	0.09 128	0.07 52	0.09 162	0.08 173	0.07 4	0.09 67	0.06 127	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

TANstereo	0.09 111	0.04 1	0.08 43	0.13 14	0.06 17	0.11 199	0.14 181	0.15 133	0.19 291	0.11 197	0.15 252	0.10 195	0.06 48	0.12 228	0.09 67	0.07 277	0.05 212	0.05 36	0.04 44	0.06 233	0.05 152

test_xeample3	0.09 111	0.06 83	0.12 227	0.16 175	0.09 275	0.11 199	0.15 259	0.16 164	0.13 141	0.10 165	0.06 18	0.08 132	0.06 48	0.10 86	0.09 67	0.05 35	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

RAFT-Stereo + iAFF	0.09 111	0.06 83	0.10 143	0.17 251	0.06 17	0.10 153	0.16 325	0.17 202	0.14 167	0.09 128	0.10 145	0.08 132	0.09 204	0.11 138	0.09 67	0.05 35	0.04 24	0.06 132	0.06 219	0.04 23	0.03 2

AFF-stereo	0.09 111	0.06 83	0.10 143	0.17 251	0.07 87	0.10 153	0.16 325	0.17 202	0.09 31	0.10 165	0.12 206	0.09 162	0.09 204	0.12 228	0.09 67	0.05 35	0.04 24	0.07 233	0.07 313	0.04 23	0.03 2

CFNet-RSSM	0.09 111	0.07 176	0.09 95	0.16 175	0.07 87	0.09 99	0.15 259	0.16 164	0.17 244	0.08 90	0.12 206	0.10 195	0.09 204	0.11 138	0.09 67	0.06 127	0.04 24	0.06 132	0.04 44	0.04 23	0.04 50

Gwc-CoAtRS	0.09 111	0.06 83	0.10 143	0.16 175	0.07 87	0.10 153	0.14 181	0.17 202	0.17 244	0.08 90	0.10 145	0.12 240	0.09 204	0.12 228	0.09 67	0.06 127	0.04 24	0.06 132	0.04 44	0.04 23	0.04 50

Test_v1	0.07 4	0.04 1	0.06 4	0.13 14	0.06 17	0.08 60	0.11 56	0.15 133	0.12 107	0.06 16	0.05 7	0.04 1	0.05 13	0.08 19	0.10 149	0.07 277	0.04 24	0.05 36	0.04 44	0.04 23	0.04 50

VMStereo-Base	0.09 111	0.05 28	0.10 143	0.13 14	0.07 87	0.10 153	0.10 31	0.16 164	0.13 141	0.10 165	0.15 252	0.10 195	0.09 204	0.11 138	0.10 149	0.07 277	0.05 212	0.05 36	0.04 44	0.05 125	0.06 244

gcap_with_dpt	0.09 111	0.06 83	0.09 95	0.16 175	0.08 154	0.12 241	0.14 181	0.16 164	0.16 217	0.08 90	0.14 234	0.10 195	0.06 48	0.11 138	0.10 149	0.06 127	0.05 212	0.05 36	0.04 44	0.05 125	0.04 50

WQFJA1++	0.08 60	0.04 1	0.11 188	0.14 46	0.07 87	0.11 199	0.11 56	0.11 38	0.07 10	0.07 51	0.07 52	0.07 85	0.06 48	0.10 86	0.10 149	0.06 127	0.04 24	0.05 36	0.04 44	0.06 233	0.06 244

BridgeDepth_RVC	0.07 4	0.04 1	0.09 95	0.11 1	0.05 1	0.10 153	0.10 31	0.14 97	0.09 31	0.06 16	0.07 52	0.06 25	0.07 132	0.07 4	0.10 149	0.06 127	0.04 24	0.04 1	0.04 44	0.04 23	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
WQFJX	0.10 180	0.07 176	0.09 95	0.21 485	0.09 275	0.12 241	0.16 325	0.18 234	0.17 244	0.12 237	0.10 145	0.07 85	0.09 204	0.12 228	0.10 149	0.06 127	0.07 421	0.06 132	0.05 135	0.06 233	0.05 152

LCMNet	0.08 60	0.05 28	0.10 143	0.13 14	0.07 87	0.09 99	0.12 80	0.10 22	0.11 77	0.06 16	0.08 93	0.06 25	0.07 132	0.11 138	0.10 149	0.06 127	0.05 212	0.04 1	0.03 1	0.04 23	0.04 50

NLCSM	0.11 227	0.09 358	0.09 95	0.23 524	0.11 434	0.12 241	0.19 449	0.18 234	0.18 274	0.12 237	0.11 189	0.07 85	0.09 204	0.11 138	0.10 149	0.07 277	0.08 450	0.07 233	0.07 313	0.06 233	0.05 152

DDF-Stereo	0.08 60	0.04 1	0.09 95	0.15 92	0.10 384	0.06 11	0.13 128	0.09 13	0.14 167	0.06 16	0.06 18	0.07 85	0.06 48	0.09 42	0.10 149	0.06 127	0.04 24	0.06 132	0.04 44	0.08 367	0.05 152

252Zero-FE	0.08 60	0.04 1	0.09 95	0.13 14	0.07 87	0.12 241	0.11 56	0.13 77	0.14 167	0.06 16	0.05 7	0.06 25	0.05 13	0.09 42	0.10 149	0.06 127	0.04 24	0.04 1	0.03 1	0.05 125	0.06 244

DA	0.08 60	0.07 176	0.07 10	0.19 393	0.08 154	0.09 99	0.12 80	0.13 77	0.12 107	0.08 90	0.10 145	0.10 195	0.08 173	0.09 42	0.10 149	0.05 35	0.04 24	0.06 132	0.04 44	0.05 125	0.03 2

Replicate-Monster	0.07 4	0.05 28	0.09 95	0.14 46	0.06 17	0.08 60	0.09 18	0.13 77	0.13 141	0.05 2	0.07 52	0.06 25	0.06 48	0.08 19	0.10 149	0.05 35	0.04 24	0.05 36	0.03 1	0.04 23	0.04 50

zero-FE	0.08 60	0.04 1	0.09 95	0.15 92	0.10 384	0.05 4	0.14 181	0.09 13	0.14 167	0.07 51	0.06 18	0.07 85	0.06 48	0.09 42	0.10 149	0.06 127	0.04 24	0.06 132	0.04 44	0.08 367	0.05 152

GGEV	0.08 60	0.07 176	0.07 10	0.19 393	0.08 154	0.09 99	0.12 80	0.13 77	0.12 107	0.08 90	0.10 145	0.10 195	0.08 173	0.09 42	0.10 149	0.05 35	0.04 24	0.06 132	0.04 44	0.05 125	0.03 2

AdaDepth	0.07 4	0.06 83	0.07 10	0.18 333	0.06 17	0.11 199	0.12 80	0.09 13	0.07 10	0.06 16	0.05 7	0.07 85	0.06 48	0.09 42	0.10 149	0.04 11	0.05 212	0.05 36	0.04 44	0.04 23	0.04 50

asda	0.07 4	0.08 282	0.08 43	0.16 175	0.06 17	0.06 11	0.10 31	0.16 164	0.10 49	0.06 16	0.06 18	0.05 4	0.05 13	0.10 86	0.10 149	0.03 1	0.03 1	0.04 1	0.03 1	0.04 23	0.03 2

DilatedVolume-Stereo	0.09 111	0.05 28	0.08 43	0.15 92	0.06 17	0.11 199	0.12 80	0.14 97	0.16 217	0.11 197	0.11 189	0.09 162	0.09 204	0.11 138	0.10 149	0.06 127	0.05 212	0.05 36	0.04 44	0.03 1	0.03 2

2.25w	0.07 4	0.06 83	0.07 10	0.14 46	0.06 17	0.08 60	0.08 7	0.10 22	0.15 187	0.08 90	0.10 145	0.07 85	0.06 48	0.08 19	0.10 149	0.05 35	0.03 1	0.04 1	0.04 44	0.03 1	0.04 50

4.25_new	0.07 4	0.08 282	0.09 95	0.15 92	0.06 17	0.09 99	0.08 7	0.14 97	0.08 18	0.07 51	0.07 52	0.06 25	0.06 48	0.12 228	0.10 149	0.03 1	0.03 1	0.04 1	0.03 1	0.04 23	0.03 2

4.5w_new	0.07 4	0.08 282	0.09 95	0.15 92	0.06 17	0.09 99	0.08 7	0.14 97	0.08 18	0.07 51	0.07 52	0.06 25	0.06 48	0.12 228	0.10 149	0.03 1	0.03 1	0.04 1	0.03 1	0.04 23	0.03 2

4.5_new	0.07 4	0.09 358	0.08 43	0.15 92	0.07 87	0.06 11	0.10 31	0.14 97	0.11 77	0.06 16	0.08 93	0.06 25	0.06 48	0.08 19	0.10 149	0.03 1	0.03 1	0.04 1	0.04 44	0.04 23	0.03 2

4.5w-stereo	0.07 4	0.09 358	0.08 43	0.15 92	0.07 87	0.06 11	0.10 31	0.14 97	0.11 77	0.06 16	0.08 93	0.06 25	0.06 48	0.08 19	0.10 149	0.03 1	0.03 1	0.04 1	0.04 44	0.04 23	0.03 2

4.25w-stereo	0.07 4	0.08 282	0.09 95	0.15 92	0.06 17	0.09 99	0.08 7	0.14 97	0.08 18	0.07 51	0.07 52	0.06 25	0.06 48	0.12 228	0.10 149	0.03 1	0.03 1	0.04 1	0.03 1	0.04 23	0.03 2

4w-stereo	0.07 4	0.08 282	0.08 43	0.16 175	0.06 17	0.07 34	0.08 7	0.12 60	0.08 18	0.07 51	0.07 52	0.05 4	0.06 48	0.09 42	0.10 149	0.03 1	0.03 1	0.04 1	0.04 44	0.04 23	0.03 2

3.75w	0.07 4	0.07 176	0.08 43	0.16 175	0.07 87	0.07 34	0.09 18	0.16 164	0.09 31	0.07 51	0.06 18	0.05 4	0.06 48	0.09 42	0.10 149	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

MLG-Stereo_test3	0.07 4	0.05 28	0.10 143	0.14 46	0.06 17	0.07 34	0.11 56	0.08 6	0.06 4	0.06 16	0.04 1	0.06 25	0.06 48	0.07 4	0.10 149	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.06 244

MM-Stereo_test1	0.10 180	0.07 176	0.08 43	0.18 333	0.07 87	0.12 241	0.18 410	0.21 296	0.20 314	0.09 128	0.11 189	0.08 132	0.06 48	0.10 86	0.10 149	0.06 127	0.05 212	0.07 233	0.06 219	0.05 125	0.04 50

AIO_test	0.07 4	0.05 28	0.07 10	0.15 92	0.07 87	0.06 11	0.14 181	0.10 22	0.10 49	0.07 51	0.07 52	0.06 25	0.05 13	0.08 19	0.10 149	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

castereo	0.09 111	0.06 83	0.11 188	0.15 92	0.06 17	0.11 199	0.15 259	0.14 97	0.18 274	0.08 90	0.10 145	0.11 222	0.08 173	0.09 42	0.10 149	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.03 2

SMoEStereo_RVC	0.08 60	0.06 83	0.12 227	0.16 175	0.07 87	0.09 99	0.14 181	0.11 38	0.13 141	0.09 128	0.07 52	0.07 85	0.07 132	0.12 228	0.10 149	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

tt45	0.09 111	0.06 83	0.11 188	0.15 92	0.07 87	0.11 199	0.16 325	0.13 77	0.11 77	0.09 128	0.06 18	0.08 132	0.06 48	0.13 278	0.10 149	0.06 127	0.04 24	0.06 132	0.05 135	0.05 125	0.06 244

999	0.09 111	0.05 28	0.13 274	0.15 92	0.08 154	0.10 153	0.14 181	0.15 133	0.11 77	0.10 165	0.08 93	0.08 132	0.08 173	0.16 364	0.10 149	0.06 127	0.04 24	0.06 132	0.05 135	0.04 23	0.05 152

tg	0.10 180	0.06 83	0.10 143	0.18 333	0.08 154	0.11 199	0.16 325	0.20 273	0.12 107	0.08 90	0.11 189	0.11 222	0.07 132	0.11 138	0.10 149	0.05 35	0.04 24	0.08 324	0.08 384	0.04 23	0.04 50

model_zeroshot	0.10 180	0.04 1	0.11 188	0.15 92	0.09 275	0.12 241	0.14 181	0.20 273	0.13 141	0.11 197	0.10 145	0.12 240	0.07 132	0.12 228	0.10 149	0.07 277	0.06 349	0.06 132	0.05 135	0.06 233	0.06 244

GCAP-BAT	0.09 111	0.07 176	0.14 310	0.15 92	0.08 154	0.10 153	0.13 128	0.14 97	0.10 49	0.11 197	0.10 145	0.08 132	0.07 132	0.12 228	0.10 149	0.06 127	0.05 212	0.06 132	0.04 44	0.04 23	0.04 50

Occ-G	0.08 60	0.05 28	0.06 4	0.14 46	0.07 87	0.08 60	0.14 181	0.13 77	0.15 187	0.07 51	0.11 189	0.07 85	0.05 13	0.09 42	0.10 149	0.06 127	0.05 212	0.05 36	0.04 44	0.05 125	0.05 152

rvit_stereo_0080	0.10 180	0.08 282	0.14 310	0.15 92	0.09 275	0.07 34	0.15 259	0.16 164	0.16 217	0.11 197	0.10 145	0.14 286	0.08 173	0.12 228	0.10 149	0.09 407	0.07 421	0.07 233	0.06 219	0.07 305	0.05 152

trnet	0.08 60	0.05 28	0.07 10	0.12 5	0.05 1	0.12 241	0.11 56	0.13 77	0.10 49	0.08 90	0.13 221	0.09 162	0.08 173	0.11 138	0.10 149	0.08 348	0.05 212	0.05 36	0.03 1	0.06 233	0.05 152

H2IRNET	0.10 180	0.09 358	0.09 95	0.18 333	0.09 275	0.12 241	0.15 259	0.14 97	0.21 330	0.10 165	0.10 145	0.10 195	0.10 242	0.10 86	0.10 149	0.05 35	0.04 24	0.08 324	0.08 384	0.06 233	0.05 152

AE-Stereo	0.10 180	0.08 282	0.10 143	0.18 333	0.09 275	0.10 153	0.15 259	0.14 97	0.19 291	0.09 128	0.14 234	0.12 240	0.08 173	0.11 138	0.10 149	0.05 35	0.06 349	0.07 233	0.06 219	0.05 125	0.04 50

whm_eth	0.10 180	0.08 282	0.14 310	0.15 92	0.09 275	0.07 34	0.15 259	0.16 164	0.16 217	0.11 197	0.10 145	0.14 286	0.08 173	0.12 228	0.10 149	0.09 407	0.07 421	0.07 233	0.06 219	0.07 305	0.05 152

MSKI-zero shot	0.09 111	0.05 28	0.09 95	0.15 92	0.07 87	0.10 153	0.13 128	0.14 97	0.13 141	0.09 128	0.09 115	0.09 162	0.06 48	0.12 228	0.10 149	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.04 50

StereoVision	0.13 322	0.12 461	0.09 95	0.24 533	0.10 384	0.15 351	0.21 492	0.21 296	0.20 314	0.12 237	0.24 386	0.10 195	0.10 242	0.16 364	0.10 149	0.09 407	0.11 515	0.12 504	0.12 522	0.06 233	0.05 152

CASnet	0.09 111	0.09 358	0.09 95	0.19 393	0.06 17	0.07 34	0.11 56	0.18 234	0.14 167	0.11 197	0.10 145	0.09 162	0.07 132	0.10 86	0.10 149	0.06 127	0.04 24	0.10 454	0.08 384	0.05 125	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 111	0.07 176	0.13 274	0.18 333	0.06 17	0.11 199	0.07 3	0.13 77	0.12 107	0.09 128	0.10 145	0.07 85	0.09 204	0.13 278	0.10 149	0.06 127	0.05 212	0.05 36	0.04 44	0.04 23	0.05 152

LL-Strereo2	0.10 180	0.10 417	0.15 359	0.18 333	0.08 154	0.15 351	0.09 18	0.17 202	0.14 167	0.14 289	0.10 145	0.09 162	0.07 132	0.16 364	0.10 149	0.05 35	0.05 212	0.10 454	0.07 313	0.06 233	0.05 152

LoS	0.09 111	0.05 28	0.11 188	0.13 14	0.07 87	0.14 325	0.11 56	0.15 133	0.15 187	0.09 128	0.09 115	0.12 240	0.09 204	0.15 329	0.10 149	0.07 277	0.05 212	0.05 36	0.03 1	0.05 125	0.05 152
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
MC-Stereo	0.08 60	0.06 83	0.09 95	0.17 251	0.06 17	0.10 153	0.14 181	0.12 60	0.10 49	0.09 128	0.12 206	0.09 162	0.06 48	0.11 138	0.10 149	0.06 127	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

DisPM	0.11 227	0.07 176	0.12 227	0.16 175	0.09 275	0.06 11	0.13 128	0.17 202	0.17 244	0.14 289	0.20 332	0.12 240	0.10 242	0.11 138	0.10 149	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.11 488

Sa-1000	0.12 297	0.08 282	0.08 43	0.18 333	0.08 154	0.14 325	0.22 502	0.22 320	0.18 274	0.15 316	0.20 332	0.17 349	0.11 272	0.10 86	0.10 149	0.06 127	0.05 212	0.09 407	0.09 430	0.05 125	0.05 152

test-3	0.08 60	0.06 83	0.09 95	0.17 251	0.07 87	0.07 34	0.14 181	0.12 60	0.15 187	0.09 128	0.08 93	0.07 85	0.08 173	0.11 138	0.10 149	0.05 35	0.04 24	0.07 233	0.05 135	0.04 23	0.04 50

test_1	0.08 60	0.06 83	0.09 95	0.17 251	0.07 87	0.07 34	0.14 181	0.12 60	0.15 187	0.09 128	0.08 93	0.07 85	0.08 173	0.11 138	0.10 149	0.05 35	0.04 24	0.07 233	0.05 135	0.04 23	0.04 50

HHNet	0.11 227	0.06 83	0.16 393	0.15 92	0.14 509	0.07 34	0.13 128	0.20 273	0.17 244	0.14 289	0.25 414	0.11 222	0.08 173	0.13 278	0.10 149	0.05 35	0.04 24	0.08 324	0.06 219	0.05 125	0.09 435

Patchmatch Stereo++	0.11 227	0.09 358	0.16 393	0.18 333	0.08 154	0.06 11	0.11 56	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327
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
TransformOpticalFlow	0.10 180	0.08 282	0.13 274	0.18 333	0.07 87	0.09 99	0.15 259	0.19 262	0.15 187	0.12 237	0.17 286	0.11 222	0.11 272	0.11 138	0.10 149	0.05 35	0.04 24	0.06 132	0.06 219	0.05 125	0.05 152

NRIStereo	0.11 227	0.08 282	0.14 310	0.18 333	0.08 154	0.10 153	0.14 181	0.16 164	0.15 187	0.12 237	0.14 234	0.13 266	0.12 303	0.13 278	0.10 149	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.07 327

PSM-adaLoss	0.11 227	0.09 358	0.16 393	0.18 333	0.08 154	0.06 11	0.12 80	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

PSM-AAD	0.11 227	0.07 176	0.10 143	0.19 393	0.09 275	0.10 153	0.15 259	0.20 273	0.13 141	0.12 237	0.14 234	0.18 362	0.11 272	0.11 138	0.10 149	0.05 35	0.05 212	0.09 407	0.08 384	0.06 233	0.14 540

ROB_FTStereo_v2	0.11 227	0.09 358	0.16 393	0.19 393	0.08 154	0.06 11	0.12 80	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

ROB_FTStereo	0.11 227	0.09 358	0.16 393	0.19 393	0.08 154	0.06 11	0.11 56	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

KYRaft	0.11 227	0.07 176	0.10 143	0.19 393	0.09 275	0.08 60	0.15 259	0.22 320	0.12 107	0.13 267	0.16 264	0.20 388	0.10 242	0.12 228	0.10 149	0.05 35	0.04 24	0.08 324	0.08 384	0.06 233	0.16 558

HUI-Stereo	0.11 227	0.09 358	0.16 393	0.18 333	0.08 154	0.06 11	0.12 80	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

ASMatch	0.11 227	0.06 83	0.13 274	0.16 175	0.10 384	0.07 34	0.14 181	0.17 202	0.17 244	0.12 237	0.16 264	0.16 329	0.10 242	0.13 278	0.10 149	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.08 391

iGMRVC	0.11 227	0.09 358	0.16 393	0.19 393	0.08 154	0.06 11	0.12 80	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

IRAFT_RVC	0.12 297	0.08 282	0.16 393	0.19 393	0.08 154	0.07 34	0.15 259	0.24 363	0.23 356	0.14 289	0.14 234	0.15 315	0.12 303	0.12 228	0.10 149	0.06 127	0.04 24	0.09 407	0.06 219	0.06 233	0.06 244

iRAFT	0.11 227	0.09 358	0.16 393	0.18 333	0.08 154	0.06 11	0.11 56	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

AnonymousM	0.09 111	0.05 28	0.10 143	0.14 46	0.06 17	0.09 99	0.13 128	0.19 262	0.14 167	0.13 267	0.11 189	0.09 162	0.08 173	0.13 278	0.10 149	0.08 348	0.05 212	0.08 324	0.05 135	0.05 125	0.05 152

RAFT-IKP	0.11 227	0.09 358	0.16 393	0.19 393	0.08 154	0.06 11	0.12 80	0.16 164	0.13 141	0.15 316	0.16 264	0.14 286	0.12 303	0.11 138	0.10 149	0.06 127	0.04 24	0.08 324	0.06 219	0.08 367	0.07 327

Prome-Stereo	0.11 227	0.06 83	0.10 143	0.18 333	0.08 154	0.12 241	0.15 259	0.22 320	0.13 141	0.12 237	0.17 286	0.13 266	0.08 173	0.12 228	0.10 149	0.05 35	0.04 24	0.07 233	0.06 219	0.06 233	0.09 435

iRaftStereo_RVC	0.10 180	0.07 176	0.09 95	0.17 251	0.09 275	0.11 199	0.17 362	0.18 234	0.12 107	0.09 128	0.12 206	0.10 195	0.07 132	0.11 138	0.10 149	0.05 35	0.04 24	0.08 324	0.08 384	0.04 23	0.04 50

XX-TBD	0.09 111	0.06 83	0.07 10	0.14 46	0.07 87	0.12 241	0.16 325	0.14 97	0.13 141	0.11 197	0.12 206	0.09 162	0.08 173	0.10 86	0.10 149	0.06 127	0.04 24	0.05 36	0.03 1	0.06 233	0.05 152

raftrobust	0.09 111	0.06 83	0.10 143	0.17 251	0.08 154	0.09 99	0.10 31	0.18 234	0.16 217	0.10 165	0.09 115	0.12 240	0.07 132	0.12 228	0.10 149	0.08 348	0.05 212	0.06 132	0.05 135	0.05 125	0.05 152

sAnonymous2	0.13 322	0.12 461	0.24 497	0.20 454	0.12 466	0.17 402	0.13 128	0.26 397	0.21 330	0.11 197	0.11 189	0.13 266	0.08 173	0.10 86	0.10 149	0.09 407	0.05 212	0.08 324	0.06 219	0.15 546	0.10 462

CroCo_RVC	0.13 322	0.12 461	0.24 497	0.20 454	0.12 466	0.17 402	0.13 128	0.26 397	0.21 330	0.11 197	0.11 189	0.13 266	0.08 173	0.10 86	0.10 149	0.09 407	0.05 212	0.08 324	0.06 219	0.15 546	0.10 462

111	0.10 180	0.06 83	0.12 227	0.15 92	0.07 87	0.10 153	0.14 181	0.21 296	0.23 356	0.11 197	0.12 206	0.14 286	0.11 272	0.13 278	0.10 149	0.06 127	0.04 24	0.06 132	0.04 44	0.05 125	0.05 152

CREStereo	0.09 111	0.04 1	0.08 43	0.11 1	0.06 17	0.13 292	0.14 181	0.14 97	0.10 49	0.08 90	0.13 221	0.09 162	0.08 173	0.11 138	0.10 149	0.08 348	0.04 24	0.05 36	0.03 1	0.06 233	0.06 244
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	0.09 111	0.05 28	0.09 95	0.12 5	0.06 17	0.12 241	0.14 181	0.15 133	0.11 77	0.09 128	0.13 221	0.10 195	0.07 132	0.13 278	0.10 149	0.15 544	0.04 24	0.05 36	0.03 1	0.07 305	0.06 244

Hybrid-DGEV-03	0.10 180	0.06 83	0.09 95	0.18 333	0.08 154	0.16 380	0.14 181	0.15 133	0.14 167	0.13 267	0.16 264	0.12 240	0.09 204	0.13 278	0.11 226	0.06 127	0.04 24	0.08 324	0.06 219	0.05 125	0.04 50

BStereo	0.08 60	0.06 83	0.16 393	0.15 92	0.08 154	0.07 34	0.09 18	0.15 133	0.16 217	0.06 16	0.07 52	0.07 85	0.05 13	0.09 42	0.11 226	0.04 11	0.05 212	0.05 36	0.07 313	0.04 23	0.04 50

Wave_Phase_stereo	0.09 111	0.06 83	0.16 393	0.15 92	0.08 154	0.11 199	0.09 18	0.18 234	0.16 217	0.06 16	0.07 52	0.07 85	0.05 13	0.09 42	0.11 226	0.04 11	0.05 212	0.05 36	0.07 313	0.04 23	0.04 50

WQFJA1	0.10 180	0.07 176	0.08 43	0.20 454	0.09 275	0.12 241	0.17 362	0.17 202	0.17 244	0.09 128	0.10 145	0.08 132	0.10 242	0.12 228	0.11 226	0.06 127	0.07 421	0.07 233	0.06 219	0.06 233	0.05 152

NLMM1	0.11 227	0.09 358	0.07 10	0.22 500	0.10 384	0.12 241	0.20 472	0.18 234	0.20 314	0.12 237	0.11 189	0.07 85	0.09 204	0.11 138	0.11 226	0.08 348	0.08 450	0.07 233	0.06 219	0.04 23	0.04 50

NLMM	0.10 180	0.07 176	0.08 43	0.20 454	0.09 275	0.12 241	0.17 362	0.17 202	0.17 244	0.09 128	0.10 145	0.08 132	0.10 242	0.12 228	0.11 226	0.06 127	0.07 421	0.07 233	0.06 219	0.06 233	0.05 152

NLSM3	0.09 111	0.06 83	0.08 43	0.19 393	0.08 154	0.11 199	0.16 325	0.18 234	0.16 217	0.06 16	0.08 93	0.07 85	0.08 173	0.09 42	0.11 226	0.04 11	0.04 24	0.06 132	0.07 313	0.03 1	0.03 2

NLSM1	0.10 180	0.07 176	0.07 10	0.19 393	0.08 154	0.13 292	0.16 325	0.21 296	0.15 187	0.11 197	0.10 145	0.06 25	0.10 242	0.10 86	0.11 226	0.07 277	0.08 450	0.08 324	0.07 313	0.05 125	0.05 152

MonSter++	0.08 60	0.04 1	0.10 143	0.13 14	0.06 17	0.09 99	0.12 80	0.13 77	0.08 18	0.06 16	0.07 52	0.06 25	0.08 173	0.10 86	0.11 226	0.06 127	0.05 212	0.04 1	0.03 1	0.04 23	0.04 50

HiDET	0.08 60	0.04 1	0.10 143	0.13 14	0.06 17	0.08 60	0.12 80	0.12 60	0.11 77	0.06 16	0.07 52	0.07 85	0.07 132	0.11 138	0.11 226	0.06 127	0.04 24	0.04 1	0.03 1	0.04 23	0.04 50

FlowAnything_test	0.11 227	0.08 282	0.14 310	0.15 92	0.09 275	0.07 34	0.14 181	0.20 273	0.11 77	0.09 128	0.09 115	0.12 240	0.12 303	0.13 278	0.11 226	0.09 407	0.06 349	0.09 407	0.09 430	0.06 233	0.09 435

2.75w_new	0.07 4	0.07 176	0.07 10	0.13 14	0.06 17	0.08 60	0.08 7	0.18 234	0.12 107	0.07 51	0.08 93	0.06 25	0.06 48	0.09 42	0.11 226	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 50

xyz-stereo-finetune2	0.11 227	0.07 176	0.13 274	0.13 14	0.07 87	0.11 199	0.19 449	0.17 202	0.12 107	0.15 316	0.15 252	0.17 349	0.12 303	0.13 278	0.11 226	0.05 35	0.04 24	0.07 233	0.05 135	0.04 23	0.06 244

xyz-stereo-finetune	0.11 227	0.08 282	0.13 274	0.14 46	0.06 17	0.10 153	0.19 449	0.17 202	0.19 291	0.12 237	0.14 234	0.15 315	0.10 242	0.13 278	0.11 226	0.05 35	0.04 24	0.07 233	0.05 135	0.04 23	0.05 152

S2M2_L	0.09 111	0.08 282	0.11 188	0.13 14	0.10 384	0.08 60	0.06 1	0.10 22	0.10 49	0.10 165	0.09 115	0.10 195	0.09 204	0.11 138	0.11 226	0.13 526	0.07 421	0.08 324	0.09 430	0.10 461	0.08 391
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
fffy	0.09 111	0.08 282	0.09 95	0.16 175	0.07 87	0.13 292	0.17 362	0.13 77	0.12 107	0.08 90	0.09 115	0.08 132	0.09 204	0.13 278	0.11 226	0.05 35	0.05 212	0.07 233	0.05 135	0.04 23	0.05 152

RAFT-Stereo-weight	0.09 111	0.06 83	0.10 143	0.16 175	0.07 87	0.09 99	0.14 181	0.19 262	0.16 217	0.11 197	0.10 145	0.08 132	0.06 48	0.10 86	0.11 226	0.06 127	0.04 24	0.06 132	0.04 44	0.04 23	0.04 50

qqq1	0.13 322	0.07 176	0.17 423	0.14 46	0.08 154	0.16 380	0.17 362	0.26 397	0.27 417	0.19 405	0.20 332	0.18 362	0.15 384	0.15 329	0.11 226	0.08 348	0.05 212	0.05 36	0.05 135	0.06 233	0.06 244

fff1	0.13 322	0.07 176	0.17 423	0.14 46	0.08 154	0.16 380	0.17 362	0.26 397	0.27 417	0.19 405	0.20 332	0.18 362	0.15 384	0.15 329	0.11 226	0.08 348	0.05 212	0.05 36	0.05 135	0.06 233	0.06 244

CoDeX	0.12 297	0.07 176	0.12 227	0.17 251	0.08 154	0.12 241	0.15 259	0.23 340	0.27 417	0.13 267	0.17 286	0.16 329	0.11 272	0.14 307	0.11 226	0.07 277	0.05 212	0.07 233	0.06 219	0.06 233	0.05 152

LL-Strereo	0.13 322	0.09 358	0.11 188	0.20 454	0.10 384	0.11 199	0.18 410	0.32 485	0.24 372	0.15 316	0.15 252	0.14 286	0.13 342	0.19 432	0.11 226	0.06 127	0.04 24	0.09 407	0.08 384	0.04 23	0.05 152

anonymousdsp2	0.11 227	0.07 176	0.10 143	0.16 175	0.09 275	0.13 292	0.14 181	0.18 234	0.22 345	0.13 267	0.14 234	0.12 240	0.09 204	0.14 307	0.11 226	0.05 35	0.04 24	0.05 36	0.04 44	0.06 233	0.05 152

EGLCR-Stereo	0.08 60	0.05 28	0.08 43	0.14 46	0.06 17	0.10 153	0.12 80	0.11 38	0.16 217	0.06 16	0.05 7	0.07 85	0.05 13	0.10 86	0.11 226	0.06 127	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

DCRE	0.11 227	0.07 176	0.13 274	0.16 175	0.11 434	0.11 199	0.17 362	0.18 234	0.17 244	0.11 197	0.18 311	0.10 195	0.10 242	0.15 329	0.11 226	0.06 127	0.05 212	0.06 132	0.06 219	0.05 125	0.04 50

knoymous	0.11 227	0.05 28	0.12 227	0.13 14	0.07 87	0.15 351	0.14 181	0.19 262	0.13 141	0.11 197	0.17 286	0.13 266	0.09 204	0.13 278	0.11 226	0.08 348	0.05 212	0.06 132	0.05 135	0.08 367	0.07 327

Selective-RAFT	0.11 227	0.10 417	0.11 188	0.21 485	0.08 154	0.16 380	0.13 128	0.20 273	0.22 345	0.10 165	0.10 145	0.11 222	0.10 242	0.15 329	0.11 226	0.05 35	0.05 212	0.06 132	0.05 135	0.06 233	0.05 152

RCA-Stereo	0.09 111	0.06 83	0.09 95	0.16 175	0.06 17	0.09 99	0.13 128	0.18 234	0.14 167	0.09 128	0.10 145	0.08 132	0.07 132	0.12 228	0.11 226	0.06 127	0.04 24	0.06 132	0.05 135	0.05 125	0.04 50

SA	0.12 297	0.09 358	0.08 43	0.18 333	0.08 154	0.12 241	0.24 525	0.23 340	0.18 274	0.17 359	0.27 440	0.14 286	0.11 272	0.11 138	0.11 226	0.05 35	0.05 212	0.09 407	0.08 384	0.05 125	0.04 50

test_4	0.10 180	0.10 417	0.08 43	0.19 393	0.09 275	0.08 60	0.22 502	0.15 133	0.17 244	0.12 237	0.18 311	0.12 240	0.09 204	0.08 19	0.11 226	0.04 11	0.04 24	0.08 324	0.08 384	0.04 23	0.03 2

CIPLG	0.11 227	0.08 282	0.14 310	0.17 251	0.08 154	0.12 241	0.15 259	0.17 202	0.15 187	0.14 289	0.11 189	0.16 329	0.09 204	0.16 364	0.11 226	0.07 277	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244

GLC_STEREO	0.11 227	0.07 176	0.11 188	0.17 251	0.07 87	0.09 99	0.13 128	0.15 133	0.24 372	0.12 237	0.13 221	0.12 240	0.08 173	0.18 417	0.11 226	0.06 127	0.08 450	0.08 324	0.06 219	0.05 125	0.05 152

IPLGR_C	0.11 227	0.08 282	0.14 310	0.17 251	0.08 154	0.12 241	0.15 259	0.17 202	0.15 187	0.14 289	0.10 145	0.16 329	0.09 204	0.16 364	0.11 226	0.07 277	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244

ACRE	0.11 227	0.08 282	0.14 310	0.17 251	0.08 154	0.12 241	0.15 259	0.17 202	0.14 167	0.14 289	0.10 145	0.16 329	0.09 204	0.16 364	0.11 226	0.07 277	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244

test_3	0.10 180	0.09 358	0.10 143	0.20 454	0.08 154	0.13 292	0.26 550	0.14 97	0.21 330	0.10 165	0.10 145	0.09 162	0.09 204	0.08 19	0.11 226	0.05 35	0.04 24	0.08 324	0.07 313	0.04 23	0.04 50

PFNet+	0.11 227	0.06 83	0.13 274	0.16 175	0.09 275	0.05 4	0.12 80	0.17 202	0.21 330	0.16 344	0.19 320	0.14 286	0.10 242	0.11 138	0.11 226	0.08 348	0.05 212	0.09 407	0.08 384	0.06 233	0.11 488

LCNet	0.11 227	0.07 176	0.09 95	0.19 393	0.09 275	0.08 60	0.15 259	0.21 296	0.15 187	0.11 197	0.15 252	0.16 329	0.11 272	0.12 228	0.11 226	0.05 35	0.04 24	0.08 324	0.07 313	0.06 233	0.15 547

NF-Stereo	0.11 227	0.07 176	0.13 274	0.17 251	0.09 275	0.10 153	0.14 181	0.23 340	0.19 291	0.12 237	0.17 286	0.12 240	0.11 272	0.11 138	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.12 501

OCTAStereo	0.11 227	0.07 176	0.13 274	0.17 251	0.09 275	0.10 153	0.14 181	0.23 340	0.19 291	0.12 237	0.17 286	0.12 240	0.11 272	0.11 138	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.12 501

PSM-softLoss	0.12 297	0.07 176	0.15 359	0.17 251	0.09 275	0.08 60	0.13 128	0.24 363	0.17 244	0.14 289	0.19 320	0.13 266	0.11 272	0.11 138	0.11 226	0.07 277	0.05 212	0.08 324	0.07 313	0.06 233	0.12 501

KMStereo	0.12 297	0.07 176	0.15 359	0.17 251	0.09 275	0.08 60	0.13 128	0.24 363	0.17 244	0.14 289	0.19 320	0.13 266	0.11 272	0.11 138	0.11 226	0.07 277	0.05 212	0.08 324	0.07 313	0.06 233	0.12 501

SST-Stereo	0.10 180	0.07 176	0.15 359	0.18 333	0.09 275	0.06 11	0.12 80	0.17 202	0.11 77	0.15 316	0.17 286	0.13 266	0.12 303	0.10 86	0.11 226	0.06 127	0.04 24	0.09 407	0.06 219	0.06 233	0.05 152

RAFT_R40	0.11 227	0.07 176	0.14 310	0.18 333	0.09 275	0.06 11	0.13 128	0.17 202	0.16 217	0.14 289	0.18 311	0.15 315	0.12 303	0.10 86	0.11 226	0.06 127	0.04 24	0.09 407	0.06 219	0.06 233	0.05 152

PFNet	0.12 297	0.06 83	0.17 423	0.17 251	0.08 154	0.09 99	0.15 259	0.26 397	0.20 314	0.16 344	0.16 264	0.14 286	0.11 272	0.12 228	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.05 125	0.05 152

GrayStereo	0.11 227	0.06 83	0.11 188	0.19 393	0.09 275	0.09 99	0.16 325	0.18 234	0.17 244	0.14 289	0.17 286	0.17 349	0.11 272	0.12 228	0.11 226	0.05 35	0.05 212	0.07 233	0.06 219	0.05 125	0.10 462

RE-Stereo	0.11 227	0.07 176	0.13 274	0.17 251	0.09 275	0.10 153	0.14 181	0.23 340	0.19 291	0.12 237	0.17 286	0.12 240	0.11 272	0.11 138	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.12 501

Pruner-Stereo	0.11 227	0.07 176	0.12 227	0.17 251	0.09 275	0.06 11	0.12 80	0.17 202	0.17 244	0.13 267	0.19 320	0.13 266	0.09 204	0.11 138	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.08 391

TVStereo	0.11 227	0.07 176	0.13 274	0.17 251	0.09 275	0.10 153	0.14 181	0.23 340	0.19 291	0.12 237	0.17 286	0.12 240	0.11 272	0.11 138	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.06 233	0.12 501

DeepStereo_RVC	0.11 227	0.08 282	0.16 393	0.18 333	0.08 154	0.08 60	0.12 80	0.17 202	0.12 107	0.13 267	0.14 234	0.12 240	0.12 303	0.12 228	0.11 226	0.06 127	0.04 24	0.07 233	0.06 219	0.07 305	0.08 391

CRE-IMP	0.11 227	0.09 358	0.16 393	0.19 393	0.08 154	0.10 153	0.12 80	0.18 234	0.10 49	0.14 289	0.13 221	0.13 266	0.12 303	0.12 228	0.11 226	0.07 277	0.04 24	0.08 324	0.06 219	0.08 367	0.08 391

cross-raft	0.10 180	0.09 358	0.09 95	0.19 393	0.07 87	0.11 199	0.25 541	0.13 77	0.15 187	0.08 90	0.11 189	0.12 240	0.10 242	0.09 42	0.11 226	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

GMM-Stereo	0.11 227	0.07 176	0.10 143	0.18 333	0.09 275	0.08 60	0.15 259	0.23 340	0.16 217	0.11 197	0.15 252	0.13 266	0.11 272	0.11 138	0.11 226	0.05 35	0.04 24	0.08 324	0.07 313	0.06 233	0.09 435

CREStereo++_RVC	0.08 60	0.04 1	0.06 4	0.13 14	0.07 87	0.09 99	0.12 80	0.14 97	0.14 167	0.10 165	0.14 234	0.08 132	0.07 132	0.09 42	0.11 226	0.06 127	0.04 24	0.05 36	0.05 135	0.04 23	0.04 50
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
RALCasStereoNet	0.10 180	0.06 83	0.09 95	0.16 175	0.08 154	0.12 241	0.14 181	0.17 202	0.11 77	0.12 237	0.17 286	0.14 286	0.10 242	0.12 228	0.11 226	0.07 277	0.06 349	0.06 132	0.05 135	0.08 367	0.07 327

RALAANet	0.11 227	0.08 282	0.10 143	0.17 251	0.09 275	0.14 325	0.10 31	0.20 273	0.15 187	0.14 289	0.13 221	0.16 329	0.09 204	0.12 228	0.11 226	0.06 127	0.05 212	0.07 233	0.06 219	0.05 125	0.04 50

sCroCo_RVC	0.12 297	0.09 358	0.23 493	0.24 533	0.11 434	0.19 444	0.14 181	0.17 202	0.14 167	0.10 165	0.13 221	0.12 240	0.07 132	0.14 307	0.11 226	0.08 348	0.08 450	0.08 324	0.08 384	0.05 125	0.07 327

EAI-Stereo	0.09 111	0.07 176	0.11 188	0.15 92	0.06 17	0.10 153	0.15 259	0.16 164	0.09 31	0.08 90	0.09 115	0.08 132	0.07 132	0.09 42	0.11 226	0.05 35	0.04 24	0.05 36	0.05 135	0.05 125	0.04 50

SFCPSM	0.13 322	0.07 176	0.14 310	0.17 251	0.09 275	0.15 351	0.16 325	0.28 437	0.27 417	0.14 289	0.17 286	0.12 240	0.13 342	0.14 307	0.11 226	0.08 348	0.05 212	0.07 233	0.07 313	0.07 305	0.06 244

R-Stereo Train	0.10 180	0.06 83	0.10 143	0.17 251	0.08 154	0.11 199	0.14 181	0.23 340	0.11 77	0.12 237	0.19 320	0.11 222	0.08 173	0.09 42	0.11 226	0.07 277	0.05 212	0.06 132	0.05 135	0.05 125	0.05 152

RAFT-Stereo	0.10 180	0.06 83	0.10 143	0.17 251	0.08 154	0.11 199	0.14 181	0.23 340	0.11 77	0.12 237	0.19 320	0.11 222	0.08 173	0.09 42	0.11 226	0.07 277	0.05 212	0.06 132	0.05 135	0.05 125	0.05 152
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
DispViT+	0.08 60	0.08 282	0.13 274	0.15 92	0.07 87	0.08 60	0.10 31	0.14 97	0.09 31	0.09 128	0.06 18	0.06 25	0.07 132	0.10 86	0.12 285	0.05 35	0.05 212	0.05 36	0.04 44	0.05 125	0.05 152

xyz-stereo	0.13 322	0.07 176	0.20 469	0.15 92	0.05 1	0.20 459	0.15 259	0.17 202	0.31 455	0.15 316	0.29 466	0.26 463	0.16 410	0.13 278	0.12 285	0.05 35	0.05 212	0.06 132	0.05 135	0.04 23	0.04 50

fffft	0.09 111	0.06 83	0.12 227	0.16 175	0.07 87	0.09 99	0.17 362	0.12 60	0.11 77	0.08 90	0.07 52	0.09 162	0.06 48	0.11 138	0.12 285	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.05 152
1: 1. 1
mms	0.09 111	0.07 176	0.08 43	0.16 175	0.08 154	0.10 153	0.16 325	0.12 60	0.11 77	0.08 90	0.09 115	0.08 132	0.06 48	0.11 138	0.12 285	0.05 35	0.04 24	0.07 233	0.05 135	0.04 23	0.03 2

ours_stereo	0.09 111	0.07 176	0.09 95	0.17 251	0.08 154	0.11 199	0.16 325	0.11 38	0.12 107	0.08 90	0.10 145	0.08 132	0.06 48	0.12 228	0.12 285	0.05 35	0.04 24	0.06 132	0.05 135	0.04 23	0.03 2

rvit_0105_6	0.14 356	0.09 358	0.18 445	0.17 251	0.10 384	0.10 153	0.16 325	0.19 262	0.26 407	0.12 237	0.18 311	0.17 349	0.12 303	0.18 417	0.12 285	0.15 544	0.11 515	0.12 504	0.10 470	0.09 430	0.06 244

UGAM	0.13 322	0.10 417	0.09 95	0.22 500	0.08 154	0.12 241	0.20 472	0.17 202	0.23 356	0.21 442	0.16 264	0.13 266	0.13 342	0.19 432	0.12 285	0.07 277	0.05 212	0.13 519	0.11 502	0.07 305	0.05 152

rvit_stereo_0083	0.12 297	0.08 282	0.17 423	0.16 175	0.09 275	0.11 199	0.15 259	0.14 97	0.26 407	0.11 197	0.14 234	0.13 266	0.10 242	0.12 228	0.12 285	0.10 448	0.08 450	0.09 407	0.07 313	0.07 305	0.05 152

rvit_stereo_0081	0.11 227	0.08 282	0.15 359	0.16 175	0.09 275	0.10 153	0.14 181	0.14 97	0.24 372	0.11 197	0.13 221	0.13 266	0.09 204	0.11 138	0.12 285	0.10 448	0.07 421	0.08 324	0.07 313	0.07 305	0.05 152

rvit_stereo_0082	0.11 227	0.08 282	0.15 359	0.16 175	0.09 275	0.10 153	0.14 181	0.14 97	0.24 372	0.11 197	0.13 221	0.13 266	0.09 204	0.11 138	0.12 285	0.10 448	0.07 421	0.08 324	0.07 313	0.07 305	0.05 152

test_sample2	0.12 297	0.07 176	0.12 227	0.14 46	0.08 154	0.16 380	0.18 410	0.21 296	0.16 217	0.14 289	0.20 332	0.19 376	0.15 384	0.15 329	0.12 285	0.08 348	0.05 212	0.07 233	0.06 219	0.08 367	0.07 327

Former-RAFT_DAM_RVC	0.10 180	0.08 282	0.12 227	0.16 175	0.08 154	0.15 351	0.16 325	0.18 234	0.18 274	0.10 165	0.09 115	0.09 162	0.08 173	0.11 138	0.12 285	0.07 277	0.05 212	0.08 324	0.06 219	0.07 305	0.06 244

plain	0.10 180	0.08 282	0.10 143	0.19 393	0.09 275	0.10 153	0.15 259	0.14 97	0.13 141	0.13 267	0.15 252	0.09 162	0.12 303	0.13 278	0.12 285	0.07 277	0.05 212	0.09 407	0.06 219	0.06 233	0.06 244

MIF-Stereo (partial)	0.11 227	0.06 83	0.10 143	0.19 393	0.10 384	0.10 153	0.11 56	0.17 202	0.18 274	0.14 289	0.16 264	0.09 162	0.11 272	0.12 228	0.12 285	0.08 348	0.05 212	0.08 324	0.07 313	0.06 233	0.07 327

EKT-Stereo	0.11 227	0.07 176	0.14 310	0.15 92	0.10 384	0.13 292	0.14 181	0.18 234	0.21 330	0.11 197	0.08 93	0.12 240	0.09 204	0.11 138	0.12 285	0.08 348	0.06 349	0.07 233	0.06 219	0.08 367	0.07 327

riskmin	0.11 227	0.06 83	0.13 274	0.14 46	0.08 154	0.14 325	0.14 181	0.18 234	0.14 167	0.11 197	0.14 234	0.16 329	0.11 272	0.14 307	0.12 285	0.09 407	0.05 212	0.07 233	0.05 135	0.08 367	0.08 391

DCANet-4	0.10 180	0.06 83	0.12 227	0.16 175	0.06 17	0.09 99	0.17 362	0.18 234	0.19 291	0.13 267	0.16 264	0.09 162	0.14 366	0.11 138	0.12 285	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.05 152

fff	0.10 180	0.06 83	0.12 227	0.15 92	0.07 87	0.09 99	0.17 362	0.16 164	0.20 314	0.13 267	0.16 264	0.10 195	0.11 272	0.11 138	0.12 285	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.05 152

ADStereo(finetuned)	0.10 180	0.06 83	0.12 227	0.16 175	0.06 17	0.09 99	0.17 362	0.15 133	0.19 291	0.13 267	0.17 286	0.10 195	0.12 303	0.11 138	0.12 285	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

raft_robust	0.13 322	0.10 417	0.07 10	0.18 333	0.08 154	0.13 292	0.24 525	0.28 437	0.33 469	0.20 428	0.19 320	0.14 286	0.10 242	0.11 138	0.12 285	0.05 35	0.05 212	0.07 233	0.07 313	0.05 125	0.04 50

RAFT+CT+SA	0.13 322	0.11 443	0.09 95	0.19 393	0.09 275	0.15 351	0.28 563	0.22 320	0.22 345	0.15 316	0.26 431	0.10 195	0.10 242	0.11 138	0.12 285	0.05 35	0.04 24	0.07 233	0.08 384	0.07 305	0.06 244

hknet	0.15 399	0.11 443	0.13 274	0.22 500	0.11 434	0.14 325	0.15 259	0.34 514	0.25 393	0.17 359	0.22 365	0.22 415	0.18 447	0.17 396	0.12 285	0.07 277	0.06 349	0.10 454	0.09 430	0.07 305	0.07 327

DAS	0.15 399	0.08 282	0.18 445	0.19 393	0.10 384	0.19 444	0.17 362	0.27 418	0.29 438	0.18 389	0.25 414	0.21 397	0.15 384	0.16 364	0.12 285	0.08 348	0.06 349	0.06 132	0.06 219	0.07 305	0.07 327

SepStereo	0.15 399	0.08 282	0.18 445	0.19 393	0.10 384	0.19 444	0.17 362	0.27 418	0.29 438	0.18 389	0.25 414	0.21 397	0.15 384	0.25 512	0.12 285	0.08 348	0.06 349	0.06 132	0.06 219	0.07 305	0.07 327

MIPNet	0.11 227	0.08 282	0.14 310	0.17 251	0.09 275	0.12 241	0.14 181	0.20 273	0.24 372	0.11 197	0.10 145	0.09 162	0.07 132	0.13 278	0.12 285	0.06 127	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

IPLGR	0.11 227	0.09 358	0.16 393	0.18 333	0.08 154	0.12 241	0.17 362	0.21 296	0.24 372	0.11 197	0.12 206	0.11 222	0.08 173	0.12 228	0.12 285	0.06 127	0.05 212	0.06 132	0.06 219	0.04 23	0.04 50

CrosDoStereo	0.12 297	0.06 83	0.12 227	0.14 46	0.08 154	0.12 241	0.15 259	0.17 202	0.22 345	0.19 405	0.24 386	0.15 315	0.11 272	0.11 138	0.12 285	0.06 127	0.04 24	0.07 233	0.07 313	0.05 125	0.05 152

STrans-v2	0.10 180	0.07 176	0.12 227	0.18 333	0.07 87	0.10 153	0.14 181	0.21 296	0.11 77	0.11 197	0.15 252	0.12 240	0.10 242	0.11 138	0.12 285	0.05 35	0.04 24	0.06 132	0.06 219	0.04 23	0.04 50

IIG-Stereo	0.11 227	0.06 83	0.13 274	0.17 251	0.08 154	0.11 199	0.12 80	0.22 320	0.17 244	0.14 289	0.17 286	0.11 222	0.12 303	0.12 228	0.12 285	0.06 127	0.05 212	0.07 233	0.06 219	0.05 125	0.04 50

DeepStereo_LL	0.12 297	0.06 83	0.12 227	0.14 46	0.08 154	0.12 241	0.15 259	0.17 202	0.22 345	0.19 405	0.24 386	0.15 315	0.11 272	0.11 138	0.12 285	0.06 127	0.04 24	0.07 233	0.07 313	0.05 125	0.05 152

DRaft	0.12 297	0.06 83	0.11 188	0.14 46	0.09 275	0.14 325	0.17 362	0.21 296	0.30 448	0.17 359	0.28 454	0.10 195	0.15 384	0.10 86	0.12 285	0.05 35	0.04 24	0.07 233	0.06 219	0.05 125	0.05 152

RAFT-RH_RVC	0.11 227	0.06 83	0.14 310	0.16 175	0.09 275	0.12 241	0.12 80	0.17 202	0.12 107	0.13 267	0.41 546	0.11 222	0.10 242	0.13 278	0.12 285	0.05 35	0.04 24	0.08 324	0.05 135	0.04 23	0.06 244

RAFT-345	0.11 227	0.07 176	0.15 359	0.16 175	0.08 154	0.08 60	0.12 80	0.15 133	0.10 49	0.11 197	0.36 509	0.09 162	0.09 204	0.11 138	0.12 285	0.05 35	0.05 212	0.07 233	0.06 219	0.04 23	0.05 152

rafts_anoy	0.11 227	0.06 83	0.10 143	0.17 251	0.08 154	0.10 153	0.14 181	0.17 202	0.14 167	0.13 267	0.13 221	0.12 240	0.10 242	0.11 138	0.12 285	0.07 277	0.04 24	0.09 407	0.11 502	0.07 305	0.06 244

Anonymous3	0.16 422	0.13 489	0.33 538	0.26 550	0.14 509	0.27 536	0.17 362	0.28 437	0.28 431	0.15 316	0.17 286	0.14 286	0.10 242	0.15 329	0.12 285	0.08 348	0.08 450	0.08 324	0.08 384	0.08 367	0.11 488

s12784h	0.09 111	0.06 83	0.07 10	0.15 92	0.05 1	0.16 380	0.18 410	0.15 133	0.15 187	0.10 165	0.11 189	0.11 222	0.11 272	0.10 86	0.12 285	0.05 35	0.04 24	0.05 36	0.04 44	0.04 23	0.04 50

DCANet	0.10 180	0.06 83	0.12 227	0.16 175	0.06 17	0.09 99	0.17 362	0.15 133	0.19 291	0.13 267	0.17 286	0.10 195	0.11 272	0.11 138	0.12 285	0.06 127	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

csc	0.10 180	0.06 83	0.12 227	0.15 92	0.07 87	0.09 99	0.17 362	0.16 164	0.20 314	0.13 267	0.16 264	0.10 195	0.11 272	0.11 138	0.12 285	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.05 152

cscssc	0.10 180	0.06 83	0.12 227	0.15 92	0.07 87	0.09 99	0.17 362	0.16 164	0.20 314	0.13 267	0.16 264	0.10 195	0.11 272	0.11 138	0.12 285	0.06 127	0.04 24	0.05 36	0.04 44	0.04 23	0.05 152

ARAFT	0.12 297	0.08 282	0.17 423	0.19 393	0.09 275	0.14 325	0.18 410	0.20 273	0.12 107	0.12 237	0.13 221	0.14 286	0.11 272	0.15 329	0.12 285	0.06 127	0.05 212	0.10 454	0.09 430	0.05 125	0.04 50

RAFT + AFF	0.13 322	0.07 176	0.20 469	0.20 454	0.10 384	0.14 325	0.24 525	0.26 397	0.20 314	0.11 197	0.10 145	0.12 240	0.10 242	0.15 329	0.12 285	0.07 277	0.06 349	0.09 407	0.08 384	0.06 233	0.08 391

FACV-RUCA	0.13 322	0.11 443	0.12 227	0.19 393	0.12 466	0.15 351	0.15 259	0.22 320	0.20 314	0.15 316	0.16 264	0.14 286	0.16 410	0.14 307	0.13 326	0.07 277	0.05 212	0.08 324	0.06 219	0.10 461	0.08 391

rvit_0105_4	0.14 356	0.09 358	0.17 423	0.17 251	0.10 384	0.12 241	0.19 449	0.23 340	0.27 417	0.14 289	0.20 332	0.17 349	0.13 342	0.17 396	0.13 326	0.15 544	0.11 515	0.11 485	0.10 470	0.09 430	0.06 244

rvit_stereo_0075_2	0.17 443	0.12 461	0.25 502	0.23 524	0.16 539	0.13 292	0.10 31	0.30 464	0.27 417	0.20 428	0.28 454	0.22 415	0.15 384	0.18 417	0.13 326	0.16 560	0.10 502	0.17 554	0.10 470	0.10 461	0.09 435

rvit_stereo_ft	0.12 297	0.07 176	0.13 274	0.19 393	0.10 384	0.12 241	0.17 362	0.16 164	0.16 217	0.12 237	0.13 221	0.15 315	0.10 242	0.14 307	0.13 326	0.09 407	0.06 349	0.08 324	0.07 313	0.07 305	0.05 152

test_sample6	0.14 356	0.08 282	0.13 274	0.16 175	0.08 154	0.17 402	0.19 449	0.25 379	0.17 244	0.17 359	0.27 440	0.19 376	0.14 366	0.15 329	0.13 326	0.08 348	0.05 212	0.08 324	0.07 313	0.08 367	0.08 391

test_sample5	0.14 356	0.08 282	0.14 310	0.16 175	0.08 154	0.18 421	0.18 410	0.25 379	0.17 244	0.17 359	0.27 440	0.18 362	0.14 366	0.16 364	0.13 326	0.08 348	0.05 212	0.08 324	0.07 313	0.08 367	0.08 391

test_sample4	0.14 356	0.08 282	0.14 310	0.15 92	0.08 154	0.19 444	0.18 410	0.26 397	0.17 244	0.16 344	0.25 414	0.18 362	0.14 366	0.16 364	0.13 326	0.08 348	0.06 349	0.08 324	0.06 219	0.08 367	0.08 391

test_sample3	0.14 356	0.08 282	0.15 359	0.14 46	0.09 275	0.19 444	0.17 362	0.26 397	0.18 274	0.16 344	0.22 365	0.19 376	0.15 384	0.17 396	0.13 326	0.08 348	0.06 349	0.07 233	0.06 219	0.09 430	0.08 391

MyStereo05	0.13 322	0.07 176	0.10 143	0.17 251	0.09 275	0.13 292	0.18 410	0.27 418	0.35 490	0.17 359	0.14 234	0.15 315	0.11 272	0.15 329	0.13 326	0.06 127	0.05 212	0.07 233	0.07 313	0.06 233	0.06 244

MyStereo04	0.13 322	0.07 176	0.10 143	0.17 251	0.09 275	0.14 325	0.18 410	0.29 450	0.38 509	0.17 359	0.14 234	0.16 329	0.10 242	0.15 329	0.13 326	0.06 127	0.05 212	0.08 324	0.07 313	0.06 233	0.06 244

11t1	0.12 297	0.06 83	0.13 274	0.14 46	0.08 154	0.17 402	0.15 259	0.18 234	0.15 187	0.15 316	0.15 252	0.16 329	0.16 410	0.15 329	0.13 326	0.08 348	0.05 212	0.06 132	0.05 135	0.08 367	0.07 327

DualNet	0.14 356	0.08 282	0.14 310	0.16 175	0.08 154	0.18 421	0.18 410	0.25 379	0.17 244	0.17 359	0.27 440	0.18 362	0.14 366	0.16 364	0.13 326	0.08 348	0.05 212	0.08 324	0.07 313	0.08 367	0.08 391

MaDis-Stereo	0.09 111	0.09 358	0.08 43	0.17 251	0.09 275	0.13 292	0.10 31	0.16 164	0.16 217	0.09 128	0.11 189	0.06 25	0.06 48	0.09 42	0.13 326	0.07 277	0.06 349	0.07 233	0.05 135	0.05 125	0.04 50

PCWNet_CMD	0.14 356	0.08 282	0.15 359	0.17 251	0.09 275	0.14 325	0.14 181	0.29 450	0.36 495	0.14 289	0.20 332	0.21 397	0.12 303	0.17 396	0.13 326	0.07 277	0.05 212	0.07 233	0.07 313	0.07 305	0.07 327

TestStereo1	0.13 322	0.08 282	0.08 43	0.19 393	0.08 154	0.18 421	0.29 572	0.23 340	0.16 217	0.17 359	0.20 332	0.16 329	0.10 242	0.12 228	0.13 326	0.06 127	0.06 349	0.08 324	0.06 219	0.05 125	0.05 152

BUS	0.14 356	0.09 358	0.14 310	0.22 500	0.10 384	0.19 444	0.14 181	0.34 514	0.19 291	0.17 359	0.22 365	0.16 329	0.13 342	0.15 329	0.13 326	0.08 348	0.06 349	0.10 454	0.09 430	0.07 305	0.07 327

test_5	0.14 356	0.12 461	0.08 43	0.20 454	0.10 384	0.14 325	0.29 572	0.21 296	0.24 372	0.18 389	0.28 454	0.11 222	0.15 384	0.12 228	0.13 326	0.06 127	0.05 212	0.07 233	0.08 384	0.08 367	0.07 327

NINENet	0.16 422	0.10 417	0.15 359	0.17 251	0.11 434	0.19 444	0.14 181	0.40 559	0.36 495	0.18 389	0.21 354	0.16 329	0.13 342	0.15 329	0.13 326	0.08 348	0.08 450	0.10 454	0.07 313	0.10 461	0.09 435

SA-5K	0.13 322	0.08 282	0.08 43	0.19 393	0.08 154	0.18 421	0.29 572	0.23 340	0.16 217	0.17 359	0.20 332	0.16 329	0.10 242	0.12 228	0.13 326	0.06 127	0.06 349	0.08 324	0.06 219	0.05 125	0.05 152

UDGNet	0.14 356	0.13 489	0.16 393	0.17 251	0.10 384	0.12 241	0.16 325	0.21 296	0.27 417	0.20 428	0.20 332	0.16 329	0.13 342	0.16 364	0.13 326	0.10 448	0.06 349	0.09 407	0.07 313	0.06 233	0.07 327

IPLG	0.10 180	0.07 176	0.15 359	0.17 251	0.08 154	0.11 199	0.14 181	0.20 273	0.15 187	0.12 237	0.17 286	0.07 85	0.07 132	0.14 307	0.13 326	0.06 127	0.04 24	0.06 132	0.05 135	0.04 23	0.04 50

GANet-ADL	0.13 322	0.07 176	0.15 359	0.17 251	0.10 384	0.18 421	0.15 259	0.30 464	0.20 314	0.13 267	0.18 311	0.19 376	0.12 303	0.16 364	0.13 326	0.08 348	0.06 349	0.06 132	0.05 135	0.07 305	0.08 391

OMP-Stereo	0.11 227	0.06 83	0.14 310	0.18 333	0.08 154	0.09 99	0.12 80	0.21 296	0.21 330	0.13 267	0.14 234	0.11 222	0.12 303	0.11 138	0.13 326	0.06 127	0.04 24	0.07 233	0.06 219	0.05 125	0.04 50

FTStereo	0.12 297	0.06 83	0.14 310	0.18 333	0.09 275	0.07 34	0.15 259	0.21 296	0.18 274	0.12 237	0.24 386	0.12 240	0.12 303	0.13 278	0.13 326	0.05 35	0.05 212	0.07 233	0.06 219	0.06 233	0.10 462

DEmStereo	0.12 297	0.06 83	0.14 310	0.14 46	0.10 384	0.16 380	0.15 259	0.16 164	0.24 372	0.17 359	0.24 386	0.13 266	0.14 366	0.12 228	0.13 326	0.05 35	0.04 24	0.07 233	0.06 219	0.05 125	0.05 152

raft+_RVC	0.11 227	0.07 176	0.09 95	0.16 175	0.07 87	0.10 153	0.11 56	0.24 363	0.20 314	0.12 237	0.15 252	0.12 240	0.08 173	0.12 228	0.13 326	0.07 277	0.04 24	0.07 233	0.06 219	0.05 125	0.05 152

GES	0.14 356	0.08 282	0.16 393	0.15 92	0.10 384	0.13 292	0.13 128	0.28 437	0.25 393	0.16 344	0.23 374	0.18 362	0.13 342	0.16 364	0.13 326	0.08 348	0.07 421	0.07 233	0.06 219	0.08 367	0.09 435

HCRNet	0.16 422	0.24 565	0.12 227	0.35 584	0.11 434	0.15 351	0.17 362	0.26 397	0.22 345	0.19 405	0.24 386	0.21 397	0.14 366	0.15 329	0.13 326	0.11 477	0.07 421	0.11 485	0.10 470	0.09 430	0.07 327

GMStereo	0.13 322	0.14 501	0.14 310	0.18 333	0.09 275	0.15 351	0.16 325	0.20 273	0.24 372	0.16 344	0.17 286	0.10 195	0.10 242	0.16 364	0.13 326	0.07 277	0.06 349	0.06 132	0.06 219	0.07 305	0.06 244
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 356	0.07 176	0.13 274	0.15 92	0.08 154	0.13 292	0.16 325	0.24 363	0.24 372	0.16 344	0.28 454	0.22 415	0.14 366	0.15 329	0.13 326	0.11 477	0.06 349	0.09 407	0.12 522	0.08 367	0.07 327

DIP-Stereo	0.11 227	0.07 176	0.14 310	0.17 251	0.09 275	0.13 292	0.09 18	0.16 164	0.16 217	0.11 197	0.16 264	0.14 286	0.12 303	0.15 329	0.13 326	0.06 127	0.05 212	0.06 132	0.05 135	0.05 125	0.06 244
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 356	0.08 282	0.11 188	0.15 92	0.08 154	0.15 351	0.15 259	0.27 418	0.29 438	0.19 405	0.21 354	0.29 489	0.14 366	0.17 396	0.13 326	0.06 127	0.06 349	0.06 132	0.06 219	0.07 305	0.06 244
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HITNet	0.10 180	0.06 83	0.12 227	0.14 46	0.06 17	0.11 199	0.10 31	0.18 234	0.18 274	0.13 267	0.16 264	0.14 286	0.11 272	0.15 329	0.13 326	0.06 127	0.04 24	0.04 1	0.04 44	0.06 233	0.05 152
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
MLCV	0.12 297	0.07 176	0.16 393	0.18 333	0.06 17	0.15 351	0.17 362	0.19 262	0.21 330	0.18 389	0.25 414	0.17 349	0.13 342	0.14 307	0.13 326	0.05 35	0.04 24	0.05 36	0.04 44	0.05 125	0.04 50

iResNet_ROB	0.14 356	0.07 176	0.13 274	0.14 46	0.07 87	0.18 421	0.14 181	0.26 397	0.31 455	0.22 458	0.25 414	0.23 433	0.15 384	0.15 329	0.13 326	0.07 277	0.05 212	0.05 36	0.04 44	0.08 367	0.08 391

DN-CSS_ROB	0.13 322	0.13 489	0.16 393	0.18 333	0.10 384	0.16 380	0.08 7	0.22 320	0.18 274	0.17 359	0.22 365	0.13 266	0.13 342	0.12 228	0.13 326	0.05 35	0.05 212	0.10 454	0.10 470	0.08 367	0.06 244

DStereoRT	0.16 422	0.06 83	0.11 188	0.19 393	0.09 275	0.12 241	0.12 80	0.28 437	0.22 345	0.12 237	0.20 332	0.11 222	0.10 242	0.15 329	0.14 362	0.06 127	0.05 212	0.96 620	0.09 430	0.05 125	0.04 50

DFGA-Net	0.13 322	0.11 443	0.18 445	0.17 251	0.10 384	0.12 241	0.13 128	0.22 320	0.25 393	0.16 344	0.16 264	0.13 266	0.12 303	0.16 364	0.14 362	0.07 277	0.05 212	0.08 324	0.07 313	0.05 125	0.05 152

rvit_0105_5	0.14 356	0.09 358	0.13 274	0.17 251	0.09 275	0.14 325	0.23 513	0.24 363	0.27 417	0.14 289	0.15 252	0.18 362	0.12 303	0.17 396	0.14 362	0.14 540	0.11 515	0.10 454	0.10 470	0.08 367	0.06 244

rvit_0105_3	0.15 399	0.09 358	0.14 310	0.19 393	0.12 466	0.15 351	0.25 541	0.25 379	0.29 438	0.15 316	0.17 286	0.20 388	0.13 342	0.17 396	0.14 362	0.13 526	0.11 515	0.12 504	0.14 536	0.07 305	0.06 244

DCVSM-stereo	0.14 356	0.09 358	0.16 393	0.16 175	0.10 384	0.15 351	0.09 18	0.19 262	0.23 356	0.20 428	0.23 374	0.26 463	0.15 384	0.18 417	0.14 362	0.09 407	0.07 421	0.09 407	0.08 384	0.10 461	0.12 501

GCST	0.37 576	0.42 595	0.26 505	1.02 619	0.39 594	0.18 421	0.08 7	0.20 273	0.17 244	0.28 520	0.25 414	0.15 315	0.12 303	0.16 364	0.14 362	0.64 614	0.43 603	0.75 610	0.65 614	0.63 607	0.46 606

test_sample1	0.13 322	0.07 176	0.14 310	0.13 14	0.08 154	0.19 444	0.16 325	0.20 273	0.15 187	0.14 289	0.22 365	0.18 362	0.16 410	0.17 396	0.14 362	0.07 277	0.06 349	0.06 132	0.06 219	0.08 367	0.07 327

GMStereo_Zeroshot	0.16 422	0.13 489	0.24 497	0.20 454	0.10 384	0.17 402	0.13 128	0.29 450	0.25 393	0.23 471	0.32 485	0.25 453	0.11 272	0.19 432	0.14 362	0.09 407	0.06 349	0.11 485	0.06 219	0.12 499	0.08 391

CASS	0.13 322	0.12 461	0.11 188	0.23 524	0.09 275	0.15 351	0.17 362	0.18 234	0.19 291	0.17 359	0.18 311	0.15 315	0.15 384	0.14 307	0.14 362	0.09 407	0.06 349	0.10 454	0.08 384	0.09 430	0.07 327
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 322	0.07 176	0.13 274	0.18 333	0.09 275	0.13 292	0.17 362	0.19 262	0.29 438	0.15 316	0.24 386	0.15 315	0.14 366	0.14 307	0.14 362	0.07 277	0.05 212	0.07 233	0.09 430	0.05 125	0.06 244

IER	0.14 356	0.07 176	0.13 274	0.17 251	0.09 275	0.14 325	0.16 325	0.25 379	0.26 407	0.18 389	0.25 414	0.17 349	0.20 475	0.16 364	0.14 362	0.08 348	0.05 212	0.07 233	0.06 219	0.08 367	0.07 327

BSDual-CNN	0.15 399	0.09 358	0.14 310	0.22 500	0.10 384	0.14 325	0.15 259	0.34 514	0.19 291	0.17 359	0.22 365	0.25 453	0.16 410	0.15 329	0.14 362	0.08 348	0.06 349	0.10 454	0.09 430	0.07 305	0.07 327

psmg	0.14 356	0.09 358	0.14 310	0.17 251	0.10 384	0.15 351	0.17 362	0.29 450	0.19 291	0.17 359	0.21 354	0.25 453	0.16 410	0.15 329	0.14 362	0.08 348	0.06 349	0.08 324	0.08 384	0.07 305	0.06 244

GwcNet-ADL	0.13 322	0.08 282	0.14 310	0.20 454	0.09 275	0.11 199	0.20 472	0.30 464	0.24 372	0.13 267	0.14 234	0.18 362	0.14 366	0.13 278	0.14 362	0.07 277	0.05 212	0.06 132	0.05 135	0.07 305	0.06 244

AAGNet	0.11 227	0.07 176	0.16 393	0.19 393	0.09 275	0.08 60	0.13 128	0.18 234	0.13 141	0.16 344	0.21 354	0.13 266	0.14 366	0.11 138	0.14 362	0.06 127	0.04 24	0.09 407	0.06 219	0.06 233	0.05 152

THIR-Stereo	0.12 297	0.07 176	0.11 188	0.15 92	0.08 154	0.14 325	0.16 325	0.17 202	0.25 393	0.16 344	0.24 386	0.14 286	0.12 303	0.12 228	0.14 362	0.06 127	0.04 24	0.07 233	0.07 313	0.05 125	0.05 152

ICVP	0.15 399	0.09 358	0.12 227	0.22 500	0.09 275	0.17 402	0.21 492	0.25 379	0.23 356	0.18 389	0.30 473	0.26 463	0.18 447	0.17 396	0.14 362	0.09 407	0.07 421	0.08 324	0.07 313	0.07 305	0.07 327
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
TestStereo	0.13 322	0.14 501	0.11 188	0.23 524	0.08 154	0.15 351	0.21 492	0.20 273	0.23 356	0.14 289	0.24 386	0.16 329	0.12 303	0.16 364	0.14 362	0.05 35	0.06 349	0.08 324	0.06 219	0.09 430	0.05 152

CFNet_pseudo	0.14 356	0.08 282	0.15 359	0.16 175	0.09 275	0.13 292	0.14 181	0.27 418	0.34 481	0.14 289	0.21 354	0.22 415	0.13 342	0.18 417	0.14 362	0.07 277	0.05 212	0.08 324	0.06 219	0.07 305	0.07 327

cf-r	0.13 322	0.07 176	0.12 227	0.16 175	0.08 154	0.14 325	0.19 449	0.20 273	0.25 393	0.17 359	0.25 414	0.21 397	0.16 410	0.14 307	0.14 362	0.10 448	0.05 212	0.06 132	0.08 384	0.06 233	0.06 244

CFNet-ft	0.14 356	0.07 176	0.15 359	0.12 5	0.09 275	0.16 380	0.18 410	0.22 320	0.24 372	0.17 359	0.26 431	0.24 439	0.14 366	0.16 364	0.14 362	0.11 477	0.06 349	0.08 324	0.09 430	0.09 430	0.08 391

MSMDNet	0.14 356	0.08 282	0.15 359	0.17 251	0.09 275	0.14 325	0.14 181	0.29 450	0.36 495	0.14 289	0.21 354	0.21 397	0.12 303	0.17 396	0.14 362	0.07 277	0.05 212	0.07 233	0.07 313	0.07 305	0.07 327

CFNet	0.15 399	0.10 417	0.17 423	0.17 251	0.08 154	0.18 421	0.09 18	0.28 437	0.25 393	0.19 405	0.24 386	0.24 439	0.17 433	0.17 396	0.14 362	0.08 348	0.06 349	0.09 407	0.10 470	0.07 305	0.06 244

CFNet_RVC	0.14 356	0.07 176	0.15 359	0.12 5	0.09 275	0.16 380	0.18 410	0.22 320	0.24 372	0.17 359	0.26 431	0.24 439	0.14 366	0.16 364	0.14 362	0.11 477	0.06 349	0.08 324	0.09 430	0.09 430	0.08 391

ccs_rob	0.14 356	0.08 282	0.15 359	0.16 175	0.09 275	0.12 241	0.14 181	0.27 418	0.34 481	0.14 289	0.21 354	0.22 415	0.13 342	0.18 417	0.14 362	0.07 277	0.05 212	0.08 324	0.07 313	0.07 305	0.07 327

AdaStereo	0.15 399	0.11 443	0.15 359	0.18 333	0.09 275	0.20 459	0.11 56	0.32 485	0.28 431	0.20 428	0.23 374	0.20 388	0.13 342	0.19 432	0.14 362	0.12 501	0.05 212	0.10 454	0.07 313	0.09 430	0.07 327
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.
iResNetv2_ROB	0.14 356	0.08 282	0.15 359	0.16 175	0.08 154	0.16 380	0.12 80	0.25 379	0.35 490	0.21 442	0.29 466	0.24 439	0.13 342	0.14 307	0.14 362	0.06 127	0.05 212	0.06 132	0.04 44	0.09 430	0.08 391

iResNet	0.13 322	0.10 417	0.18 445	0.19 393	0.08 154	0.13 292	0.18 410	0.20 273	0.26 407	0.15 316	0.23 374	0.15 315	0.13 342	0.14 307	0.14 362	0.06 127	0.04 24	0.06 132	0.05 135	0.06 233	0.05 152

DDVS	0.15 399	0.10 417	0.21 478	0.16 175	0.12 466	0.15 351	0.14 181	0.25 379	0.19 291	0.18 389	0.29 466	0.27 471	0.12 303	0.19 432	0.15 390	0.09 407	0.06 349	0.09 407	0.07 313	0.11 484	0.11 488

DispNO	0.14 356	0.08 282	0.17 423	0.19 393	0.12 466	0.11 199	0.21 492	0.23 340	0.29 438	0.17 359	0.23 374	0.18 362	0.17 433	0.15 329	0.15 390	0.07 277	0.05 212	0.08 324	0.08 384	0.07 305	0.06 244

CFNet_ucs	0.15 399	0.08 282	0.16 393	0.16 175	0.11 434	0.14 325	0.14 181	0.30 464	0.34 481	0.16 344	0.24 386	0.23 433	0.14 366	0.18 417	0.15 390	0.09 407	0.06 349	0.08 324	0.07 313	0.09 430	0.09 435

SDNR	0.19 469	0.08 282	0.19 457	0.16 175	0.12 466	0.77 609	0.14 181	0.25 379	0.32 462	0.19 405	0.24 386	0.19 376	0.13 342	0.19 432	0.15 390	0.16 560	0.18 570	0.14 531	0.11 502	0.08 367	0.11 488

gwcnet-sp	0.14 356	0.07 176	0.12 227	0.18 333	0.09 275	0.16 380	0.17 362	0.24 363	0.24 372	0.18 389	0.24 386	0.15 315	0.16 410	0.15 329	0.15 390	0.08 348	0.06 349	0.07 233	0.08 384	0.08 367	0.07 327

scenet	0.14 356	0.07 176	0.12 227	0.18 333	0.09 275	0.16 380	0.17 362	0.24 363	0.24 372	0.18 389	0.24 386	0.15 315	0.16 410	0.15 329	0.15 390	0.08 348	0.06 349	0.07 233	0.08 384	0.08 367	0.07 327

ssnet	0.14 356	0.07 176	0.12 227	0.18 333	0.09 275	0.16 380	0.17 362	0.24 363	0.24 372	0.18 389	0.24 386	0.15 315	0.16 410	0.15 329	0.15 390	0.08 348	0.06 349	0.07 233	0.08 384	0.08 367	0.07 327

FENet	0.13 322	0.08 282	0.12 227	0.16 175	0.08 154	0.14 325	0.15 259	0.22 320	0.23 356	0.17 359	0.23 374	0.16 329	0.12 303	0.14 307	0.15 390	0.08 348	0.05 212	0.08 324	0.08 384	0.07 305	0.07 327

GANet-RSSM	0.14 356	0.07 176	0.13 274	0.13 14	0.08 154	0.14 325	0.17 362	0.22 320	0.21 330	0.17 359	0.24 386	0.23 433	0.15 384	0.16 364	0.15 390	0.10 448	0.06 349	0.07 233	0.08 384	0.08 367	0.07 327

GwcNet-RSSM	0.14 356	0.07 176	0.12 227	0.15 92	0.08 154	0.15 351	0.20 472	0.21 296	0.27 417	0.18 389	0.27 440	0.22 415	0.16 410	0.14 307	0.15 390	0.10 448	0.05 212	0.07 233	0.09 430	0.07 305	0.07 327

FADNet-RVC-Resample	0.16 422	0.11 443	0.31 531	0.22 500	0.11 434	0.19 444	0.14 181	0.25 379	0.24 372	0.24 480	0.27 440	0.20 388	0.15 384	0.16 364	0.15 390	0.07 277	0.08 450	0.12 504	0.10 470	0.09 430	0.10 462

FADNet	0.21 493	0.22 560	0.36 547	0.18 333	0.17 554	0.24 505	0.13 128	0.31 474	0.31 455	0.23 471	0.25 414	0.27 471	0.21 479	0.19 432	0.15 390	0.13 526	0.15 560	0.12 504	0.15 553	0.16 554	0.18 570

BEATNet_4x	0.12 297	0.08 282	0.14 310	0.18 333	0.07 87	0.15 351	0.07 3	0.22 320	0.18 274	0.16 344	0.19 320	0.18 362	0.14 366	0.16 364	0.15 390	0.07 277	0.05 212	0.05 36	0.05 135	0.06 233	0.06 244

UCFNet_RVC	0.14 356	0.08 282	0.13 274	0.11 1	0.10 384	0.20 459	0.10 31	0.24 363	0.22 345	0.17 359	0.20 332	0.23 433	0.15 384	0.17 396	0.15 390	0.12 501	0.07 421	0.10 454	0.13 532	0.11 484	0.10 462

DeepPruner_ROB	0.16 422	0.11 443	0.15 359	0.17 251	0.10 384	0.17 402	0.15 259	0.32 485	0.21 330	0.19 405	0.21 354	0.22 415	0.18 447	0.20 457	0.15 390	0.13 526	0.09 482	0.09 407	0.09 430	0.11 484	0.10 462

HSM	0.15 399	0.08 282	0.14 310	0.16 175	0.09 275	0.16 380	0.14 181	0.28 437	0.25 393	0.19 405	0.23 374	0.37 544	0.16 410	0.20 457	0.15 390	0.07 277	0.05 212	0.07 233	0.06 219	0.07 305	0.06 244

G2L-ROB	0.13 322	0.06 83	0.13 274	0.13 14	0.08 154	0.14 325	0.16 325	0.25 379	0.18 274	0.19 405	0.18 311	0.20 388	0.14 366	0.17 396	0.16 406	0.08 348	0.05 212	0.06 132	0.05 135	0.08 367	0.09 435

ITSA-stereo	0.15 399	0.10 417	0.14 310	0.19 393	0.08 154	0.12 241	0.14 181	0.30 464	0.49 555	0.17 359	0.19 320	0.22 415	0.15 384	0.17 396	0.16 406	0.10 448	0.06 349	0.08 324	0.08 384	0.08 367	0.08 391

DualNet (step1)	0.16 422	0.12 461	0.20 469	0.12 5	0.14 509	0.17 402	0.13 128	0.27 418	0.23 356	0.20 428	0.20 332	0.24 439	0.19 463	0.16 364	0.16 406	0.15 544	0.06 349	0.14 531	0.14 536	0.14 530	0.12 501

test_sample7	0.15 399	0.10 417	0.16 393	0.14 46	0.11 434	0.16 380	0.16 325	0.27 418	0.23 356	0.20 428	0.20 332	0.24 439	0.19 463	0.16 364	0.16 406	0.12 501	0.06 349	0.10 454	0.09 430	0.10 461	0.10 462

1test111	0.11 227	0.08 282	0.12 227	0.17 251	0.09 275	0.13 292	0.15 259	0.23 340	0.16 217	0.09 128	0.09 115	0.06 25	0.06 48	0.15 329	0.16 406	0.06 127	0.04 24	0.06 132	0.05 135	0.07 305	0.07 327

qqq	0.13 322	0.09 358	0.15 359	0.16 175	0.08 154	0.13 292	0.15 259	0.23 340	0.16 217	0.15 316	0.19 320	0.16 329	0.16 410	0.15 329	0.16 406	0.07 277	0.06 349	0.08 324	0.08 384	0.07 305	0.07 327

iRaft-Stereo_5w	0.12 297	0.09 358	0.12 227	0.19 393	0.08 154	0.09 99	0.12 80	0.21 296	0.21 330	0.19 405	0.14 234	0.11 222	0.09 204	0.20 457	0.16 406	0.05 35	0.05 212	0.07 233	0.06 219	0.05 125	0.06 244

dd	0.15 399	0.16 519	0.16 393	0.19 393	0.09 275	0.15 351	0.18 410	0.21 296	0.25 393	0.23 471	0.20 332	0.21 397	0.09 204	0.21 474	0.16 406	0.10 448	0.06 349	0.08 324	0.06 219	0.08 367	0.06 244

dad	0.17 443	0.20 550	0.20 469	0.16 175	0.11 434	0.20 459	0.18 410	0.21 296	0.28 431	0.30 534	0.24 386	0.29 489	0.13 342	0.19 432	0.16 406	0.18 567	0.09 482	0.11 485	0.09 430	0.11 484	0.07 327

AACVNet	0.16 422	0.08 282	0.14 310	0.15 92	0.10 384	0.18 421	0.15 259	0.23 340	0.24 372	0.27 505	0.27 440	0.28 481	0.17 433	0.19 432	0.16 406	0.09 407	0.07 421	0.09 407	0.07 313	0.10 461	0.09 435

GEStereo_RVC	0.17 443	0.12 461	0.15 359	0.22 500	0.11 434	0.19 444	0.17 362	0.32 485	0.48 548	0.20 428	0.25 414	0.17 349	0.13 342	0.21 474	0.16 406	0.10 448	0.06 349	0.08 324	0.07 313	0.09 430	0.08 391

FADNet_RVC	0.16 422	0.14 501	0.40 557	0.20 454	0.11 434	0.13 292	0.13 128	0.26 397	0.22 345	0.21 442	0.23 374	0.20 388	0.17 433	0.14 307	0.16 406	0.08 348	0.08 450	0.12 504	0.09 430	0.11 484	0.10 462

AANet_RVC	0.16 422	0.10 417	0.10 143	0.18 333	0.09 275	0.18 421	0.19 449	0.26 397	0.31 455	0.22 458	0.35 506	0.21 397	0.21 479	0.22 487	0.16 406	0.06 127	0.05 212	0.06 132	0.06 219	0.07 305	0.06 244

CBMV_ROB	0.19 469	0.13 489	0.17 423	0.16 175	0.11 434	0.15 351	0.13 128	0.26 397	0.28 431	0.27 505	0.30 473	0.27 471	0.24 502	0.23 498	0.16 406	0.15 544	0.17 568	0.22 572	0.20 570	0.10 461	0.11 488

NOSS_ROB	0.19 469	0.12 461	0.18 445	0.16 175	0.12 466	0.15 351	0.12 80	0.30 464	0.32 462	0.20 428	0.22 365	0.27 471	0.23 496	0.21 474	0.16 406	0.16 560	0.18 570	0.23 573	0.21 572	0.12 499	0.13 523

rvit_105_1	0.19 469	0.11 443	0.25 502	0.21 485	0.16 539	0.21 476	0.27 557	0.31 474	0.41 521	0.19 405	0.20 332	0.22 415	0.17 433	0.19 432	0.17 421	0.12 501	0.12 531	0.13 519	0.15 553	0.08 367	0.07 327

ACV-stereo	0.15 399	0.10 417	0.28 518	0.18 333	0.12 466	0.14 325	0.12 80	0.23 340	0.21 330	0.19 405	0.23 374	0.22 415	0.15 384	0.23 498	0.17 421	0.07 277	0.06 349	0.07 233	0.07 313	0.07 305	0.07 327

test_sample9	0.18 457	0.12 461	0.20 469	0.12 5	0.14 509	0.17 402	0.13 128	0.27 418	0.23 356	0.20 428	0.20 332	0.24 439	0.19 463	0.19 432	0.17 421	0.15 544	0.30 595	0.14 531	0.14 536	0.14 530	0.12 501

test_sample8	0.19 469	0.12 461	0.20 469	0.12 5	0.14 509	0.17 402	0.13 128	0.31 474	0.21 330	0.27 505	0.22 365	0.36 539	0.25 511	0.19 432	0.17 421	0.15 544	0.30 595	0.14 531	0.14 536	0.14 530	0.12 501

SMFormer	0.14 356	0.07 176	0.17 423	0.14 46	0.08 154	0.16 380	0.17 362	0.26 397	0.27 417	0.19 405	0.20 332	0.18 362	0.15 384	0.15 329	0.17 421	0.08 348	0.05 212	0.07 233	0.06 219	0.07 305	0.06 244

tta	0.14 356	0.07 176	0.17 423	0.14 46	0.08 154	0.16 380	0.17 362	0.26 397	0.27 417	0.19 405	0.20 332	0.18 362	0.15 384	0.15 329	0.17 421	0.08 348	0.05 212	0.07 233	0.06 219	0.06 233	0.06 244

mmm	0.14 356	0.08 282	0.17 423	0.17 251	0.09 275	0.17 402	0.18 410	0.21 296	0.15 187	0.15 316	0.23 374	0.21 397	0.16 410	0.16 364	0.17 421	0.08 348	0.05 212	0.08 324	0.07 313	0.07 305	0.07 327

HBP-ISP	0.18 457	0.13 489	0.16 393	0.15 92	0.11 434	0.08 60	0.13 128	0.28 437	0.29 438	0.22 458	0.33 497	0.21 397	0.25 511	0.23 498	0.17 421	0.14 540	0.16 563	0.21 568	0.17 564	0.10 461	0.08 391

CRFU-Net	0.16 422	0.08 282	0.14 310	0.17 251	0.09 275	0.19 444	0.14 181	0.26 397	0.20 314	0.28 520	0.27 440	0.29 489	0.17 433	0.19 432	0.17 421	0.09 407	0.09 482	0.07 233	0.07 313	0.08 367	0.08 391

SACVNet	0.18 457	0.12 461	0.14 310	0.17 251	0.13 489	0.22 485	0.18 410	0.31 474	0.30 448	0.23 471	0.31 481	0.30 499	0.22 488	0.22 487	0.17 421	0.11 477	0.08 450	0.10 454	0.10 470	0.12 499	0.14 540

PSMNet-ADL	0.15 399	0.12 461	0.13 274	0.22 500	0.09 275	0.13 292	0.20 472	0.26 397	0.23 356	0.18 389	0.20 332	0.24 439	0.16 410	0.18 417	0.17 421	0.08 348	0.08 450	0.08 324	0.11 502	0.08 367	0.07 327

LMCR-Stereo	0.15 399	0.08 282	0.13 274	0.21 485	0.09 275	0.17 402	0.20 472	0.27 418	0.19 291	0.24 480	0.24 386	0.23 433	0.17 433	0.20 457	0.17 421	0.07 277	0.06 349	0.08 324	0.06 219	0.10 461	0.08 391

FINET	0.21 493	0.18 541	0.26 505	0.18 333	0.16 539	0.23 500	0.23 513	0.32 485	0.48 548	0.25 493	0.32 485	0.22 415	0.22 488	0.22 487	0.17 421	0.18 567	0.16 563	0.11 485	0.10 470	0.15 546	0.13 523

DMCA	0.14 356	0.09 358	0.16 393	0.19 393	0.09 275	0.15 351	0.17 362	0.23 340	0.27 417	0.14 289	0.19 320	0.17 349	0.18 447	0.15 329	0.17 421	0.10 448	0.06 349	0.08 324	0.06 219	0.09 430	0.10 462

CVANet_RVC	0.18 457	0.10 417	0.14 310	0.21 485	0.10 384	0.18 421	0.17 362	0.34 514	0.33 469	0.22 458	0.31 481	0.28 481	0.18 447	0.23 498	0.17 421	0.12 501	0.08 450	0.12 504	0.11 502	0.09 430	0.07 327

NVstereo2D	0.19 469	0.10 417	0.15 359	0.17 251	0.15 528	0.28 543	0.23 513	0.44 576	0.42 529	0.15 316	0.27 440	0.25 453	0.19 463	0.22 487	0.17 421	0.09 407	0.06 349	0.10 454	0.08 384	0.15 546	0.09 435

SGM-Forest	0.20 481	0.14 501	0.18 445	0.19 393	0.13 489	0.20 459	0.22 502	0.33 505	0.30 448	0.24 480	0.29 466	0.28 481	0.19 463	0.23 498	0.17 421	0.15 544	0.16 563	0.15 543	0.14 536	0.12 499	0.12 501
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
pmcnn	0.15 399	0.07 176	0.19 457	0.15 92	0.07 87	0.20 459	0.15 259	0.24 363	0.26 407	0.21 442	0.34 501	0.28 481	0.18 447	0.18 417	0.17 421	0.07 277	0.05 212	0.05 36	0.04 44	0.07 305	0.06 244

MultiAttention	0.29 559	0.08 282	0.14 310	0.19 393	0.12 466	1.45 624	1.33 626	0.36 537	0.37 502	0.19 405	0.21 354	0.24 439	0.11 272	0.38 572	0.18 439	0.06 127	0.05 212	0.08 324	0.08 384	0.10 461	0.09 435

G2L-Stereo_test	0.14 356	0.07 176	0.11 188	0.13 14	0.08 154	0.12 241	0.16 325	0.30 464	0.28 431	0.20 428	0.23 374	0.20 388	0.16 410	0.17 396	0.18 439	0.07 277	0.05 212	0.05 36	0.05 135	0.07 305	0.06 244

coex_refinement	0.14 356	0.07 176	0.12 227	0.17 251	0.10 384	0.15 351	0.15 259	0.26 397	0.29 438	0.18 389	0.20 332	0.22 415	0.17 433	0.16 364	0.18 439	0.08 348	0.05 212	0.06 132	0.06 219	0.09 430	0.08 391

G2L-Stereo	0.14 356	0.07 176	0.13 274	0.17 251	0.09 275	0.13 292	0.12 80	0.27 418	0.22 345	0.16 344	0.27 440	0.21 397	0.13 342	0.17 396	0.18 439	0.09 407	0.08 450	0.08 324	0.07 313	0.07 305	0.07 327

MyStereo8	0.12 297	0.07 176	0.15 359	0.15 92	0.09 275	0.18 421	0.14 181	0.19 262	0.22 345	0.12 237	0.18 311	0.11 222	0.10 242	0.16 364	0.18 439	0.07 277	0.05 212	0.07 233	0.05 135	0.08 367	0.09 435

CBFPSM	0.14 356	0.06 83	0.26 505	0.17 251	0.09 275	0.13 292	0.15 259	0.22 320	0.23 356	0.20 428	0.27 440	0.24 439	0.16 410	0.16 364	0.18 439	0.06 127	0.06 349	0.06 132	0.07 313	0.07 305	0.07 327

GASNet	0.22 502	0.23 562	0.33 538	0.26 550	0.17 554	0.26 526	0.16 325	0.44 576	0.42 529	0.27 505	0.24 386	0.30 499	0.15 384	0.27 517	0.18 439	0.12 501	0.08 450	0.12 504	0.11 502	0.16 554	0.07 327

x	0.13 322	0.07 176	0.14 310	0.14 46	0.08 154	0.18 421	0.14 181	0.22 320	0.20 314	0.15 316	0.19 320	0.19 376	0.17 433	0.18 417	0.18 439	0.07 277	0.05 212	0.06 132	0.06 219	0.07 305	0.07 327

CSP-Net	0.16 422	0.09 358	0.14 310	0.16 175	0.09 275	0.19 444	0.17 362	0.25 379	0.32 462	0.25 493	0.30 473	0.24 439	0.15 384	0.21 474	0.18 439	0.09 407	0.06 349	0.07 233	0.07 313	0.08 367	0.07 327

UNet	0.17 443	0.09 358	0.18 445	0.19 393	0.12 466	0.27 536	0.19 449	0.33 505	0.29 438	0.21 442	0.24 386	0.23 433	0.19 463	0.19 432	0.18 439	0.07 277	0.06 349	0.08 324	0.07 313	0.08 367	0.06 244

acv_ft	0.15 399	0.09 358	0.15 359	0.19 393	0.10 384	0.16 380	0.17 362	0.25 379	0.33 469	0.19 405	0.26 431	0.21 397	0.17 433	0.17 396	0.18 439	0.07 277	0.06 349	0.06 132	0.06 219	0.08 367	0.06 244

TDLM	0.17 443	0.12 461	0.13 274	0.24 533	0.10 384	0.18 421	0.18 410	0.36 537	0.30 448	0.21 442	0.28 454	0.28 481	0.18 447	0.23 498	0.18 439	0.11 477	0.07 421	0.10 454	0.10 470	0.08 367	0.08 391

MDST_ROB	0.22 502	0.10 417	0.17 423	0.18 333	0.11 434	0.37 572	0.19 449	0.43 574	0.41 521	0.39 564	0.39 529	0.29 489	0.21 479	0.26 514	0.18 439	0.11 477	0.10 502	0.14 531	0.11 502	0.10 461	0.08 391

Wz-Net-LNSev-Ref	0.18 457	0.09 358	0.29 526	0.15 92	0.10 384	0.22 485	0.20 472	0.26 397	0.39 512	0.25 493	0.42 552	0.24 439	0.15 384	0.20 457	0.19 452	0.07 277	0.05 212	0.06 132	0.05 135	0.10 461	0.09 435

pcwnet_v2	0.19 469	0.10 417	0.26 505	0.17 251	0.14 509	0.18 421	0.15 259	0.37 543	0.46 546	0.19 405	0.24 386	0.21 397	0.19 463	0.20 457	0.19 452	0.13 526	0.10 502	0.10 454	0.10 470	0.11 484	0.13 523

FADNet-RVC	0.20 481	0.20 550	0.38 553	0.21 485	0.16 539	0.20 459	0.15 259	0.26 397	0.26 407	0.26 499	0.32 485	0.26 463	0.21 479	0.22 487	0.19 452	0.12 501	0.13 545	0.12 504	0.14 536	0.13 517	0.18 570

STTStereo	0.18 457	0.12 461	0.27 513	0.20 454	0.11 434	0.16 380	0.21 492	0.29 450	0.23 356	0.21 442	0.30 473	0.29 489	0.18 447	0.20 457	0.19 452	0.12 501	0.11 515	0.11 485	0.14 536	0.09 430	0.08 391

RASNet	0.14 356	0.07 176	0.14 310	0.16 175	0.08 154	0.18 421	0.14 181	0.29 450	0.20 314	0.17 359	0.25 414	0.21 397	0.18 447	0.20 457	0.19 452	0.07 277	0.06 349	0.06 132	0.08 384	0.06 233	0.06 244

CBMV	0.19 469	0.14 501	0.17 423	0.18 333	0.10 384	0.20 459	0.11 56	0.29 450	0.30 448	0.29 529	0.30 473	0.30 499	0.23 496	0.27 517	0.19 452	0.13 526	0.15 560	0.17 554	0.16 557	0.10 461	0.10 462
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ISRNet	0.18 457	0.08 282	0.19 457	0.19 393	0.13 489	0.15 351	0.12 80	0.30 464	0.32 462	0.21 442	0.25 414	0.27 471	0.17 433	0.17 396	0.20 458	0.20 574	0.08 450	0.14 531	0.14 536	0.14 530	0.17 567

PSMNet-RUCA	0.27 550	0.33 586	0.41 560	0.36 586	0.32 593	0.18 421	0.19 449	0.42 570	0.30 448	0.33 550	0.41 546	0.39 556	0.25 511	0.31 540	0.20 458	0.18 567	0.10 502	0.25 575	0.15 553	0.21 571	0.16 558

ff1	0.13 322	0.09 358	0.14 310	0.16 175	0.08 154	0.17 402	0.17 362	0.15 133	0.19 291	0.15 316	0.25 414	0.19 376	0.13 342	0.14 307	0.20 458	0.06 127	0.04 24	0.09 407	0.08 384	0.06 233	0.06 244

mmx	0.14 356	0.09 358	0.14 310	0.16 175	0.08 154	0.17 402	0.17 362	0.27 418	0.25 393	0.15 316	0.25 414	0.19 376	0.13 342	0.14 307	0.20 458	0.08 348	0.06 349	0.09 407	0.08 384	0.08 367	0.08 391

xxx	0.14 356	0.09 358	0.14 310	0.16 175	0.08 154	0.17 402	0.17 362	0.27 418	0.25 393	0.15 316	0.25 414	0.19 376	0.13 342	0.14 307	0.20 458	0.08 348	0.06 349	0.09 407	0.08 384	0.08 367	0.08 391

ToySt	0.17 443	0.11 443	0.18 445	0.17 251	0.11 434	0.16 380	0.25 541	0.24 363	0.33 469	0.19 405	0.24 386	0.26 463	0.24 502	0.19 432	0.20 458	0.07 277	0.08 450	0.09 407	0.10 470	0.09 430	0.08 391

ssnet_v2	0.17 443	0.10 417	0.17 423	0.17 251	0.11 434	0.21 476	0.21 492	0.33 505	0.25 393	0.22 458	0.22 365	0.27 471	0.18 447	0.22 487	0.20 458	0.11 477	0.09 482	0.09 407	0.09 430	0.08 367	0.08 391

DDUNet	0.22 502	0.17 530	0.21 478	0.22 500	0.15 528	0.25 516	0.24 525	0.29 450	0.30 448	0.31 540	0.36 509	0.33 526	0.25 511	0.24 507	0.20 458	0.18 567	0.13 545	0.17 554	0.11 502	0.16 554	0.16 558

AASNet	0.16 422	0.08 282	0.12 227	0.19 393	0.09 275	0.18 421	0.15 259	0.37 543	0.37 502	0.19 405	0.23 374	0.20 388	0.16 410	0.17 396	0.20 458	0.10 448	0.08 450	0.08 324	0.07 313	0.09 430	0.09 435

MMNet	0.17 443	0.09 358	0.16 393	0.20 454	0.11 434	0.27 536	0.20 472	0.25 379	0.41 521	0.22 458	0.30 473	0.21 397	0.20 475	0.17 396	0.20 458	0.06 127	0.06 349	0.07 233	0.07 313	0.08 367	0.07 327

HGLStereo	0.17 443	0.08 282	0.19 457	0.17 251	0.12 466	0.18 421	0.18 410	0.31 474	0.32 462	0.21 442	0.32 485	0.25 453	0.18 447	0.19 432	0.20 458	0.09 407	0.09 482	0.07 233	0.07 313	0.09 430	0.10 462

FAT-Stereo	0.20 481	0.12 461	0.22 484	0.21 485	0.12 466	0.17 402	0.18 410	0.34 514	0.39 512	0.27 505	0.37 515	0.34 533	0.32 557	0.21 474	0.20 458	0.09 407	0.11 515	0.10 454	0.09 430	0.11 484	0.14 540

DSFCA	0.16 422	0.09 358	0.14 310	0.16 175	0.10 384	0.20 459	0.19 449	0.28 437	0.31 455	0.23 471	0.24 386	0.22 415	0.15 384	0.19 432	0.20 458	0.10 448	0.07 421	0.09 407	0.09 430	0.08 367	0.08 391

DMCA-RVC	0.17 443	0.10 417	0.15 359	0.24 533	0.11 434	0.18 421	0.18 410	0.25 379	0.24 372	0.21 442	0.26 431	0.25 453	0.27 525	0.18 417	0.20 458	0.12 501	0.08 450	0.13 519	0.10 470	0.10 461	0.08 391

NLCA_NET_v2_RVC	0.17 443	0.10 417	0.22 484	0.20 454	0.10 384	0.15 351	0.18 410	0.31 474	0.25 393	0.21 442	0.30 473	0.25 453	0.17 433	0.21 474	0.20 458	0.09 407	0.06 349	0.08 324	0.08 384	0.07 305	0.08 391
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 481	0.21 556	0.23 493	0.20 454	0.10 384	0.19 444	0.17 362	0.36 537	0.25 393	0.27 505	0.33 497	0.27 471	0.24 502	0.20 457	0.20 458	0.15 544	0.12 531	0.17 554	0.14 536	0.10 461	0.08 391

StereoDRNet-Refined	0.17 443	0.12 461	0.15 359	0.20 454	0.09 275	0.18 421	0.18 410	0.26 397	0.23 356	0.26 499	0.40 535	0.22 415	0.17 433	0.21 474	0.20 458	0.08 348	0.05 212	0.09 407	0.10 470	0.07 305	0.07 327
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
StereoDRNet	0.18 457	0.11 443	0.17 423	0.22 500	0.11 434	0.21 476	0.22 502	0.37 543	0.33 469	0.24 480	0.28 454	0.30 499	0.19 463	0.20 457	0.20 458	0.09 407	0.08 450	0.11 485	0.09 430	0.09 430	0.07 327

DLCB_ROB	0.18 457	0.10 417	0.15 359	0.23 524	0.11 434	0.24 505	0.18 410	0.29 450	0.28 431	0.27 505	0.28 454	0.28 481	0.24 502	0.19 432	0.20 458	0.08 348	0.08 450	0.09 407	0.09 430	0.07 305	0.07 327

PWCDC_ROB	0.20 481	0.13 489	0.22 484	0.24 533	0.11 434	0.19 444	0.15 259	0.33 505	0.54 567	0.29 529	0.50 568	0.21 397	0.15 384	0.27 517	0.20 458	0.11 477	0.09 482	0.10 454	0.08 384	0.11 484	0.09 435

iinet-f	0.16 422	0.06 83	0.45 564	0.14 46	0.10 384	0.21 476	0.14 181	0.27 418	0.23 356	0.21 442	0.24 386	0.21 397	0.15 384	0.18 417	0.21 478	0.09 407	0.07 421	0.07 233	0.06 219	0.09 430	0.10 462

ADLNet	0.16 422	0.08 282	0.15 359	0.16 175	0.10 384	0.16 380	0.17 362	0.32 485	0.27 417	0.22 458	0.27 440	0.24 439	0.16 410	0.18 417	0.21 478	0.10 448	0.06 349	0.10 454	0.10 470	0.08 367	0.09 435

delet	0.17 443	0.08 282	0.17 423	0.19 393	0.11 434	0.20 459	0.21 492	0.30 464	0.37 502	0.17 359	0.26 431	0.19 376	0.19 463	0.19 432	0.21 478	0.08 348	0.08 450	0.09 407	0.11 502	0.06 233	0.06 244

UPFNet	0.16 422	0.08 282	0.12 227	0.20 454	0.12 466	0.20 459	0.23 513	0.28 437	0.26 407	0.17 359	0.24 386	0.22 415	0.19 463	0.19 432	0.21 478	0.09 407	0.07 421	0.08 324	0.09 430	0.08 367	0.06 244

ACVNet	0.15 399	0.09 358	0.15 359	0.13 14	0.12 466	0.14 325	0.20 472	0.22 320	0.33 469	0.17 359	0.26 431	0.21 397	0.16 410	0.17 396	0.21 478	0.07 277	0.06 349	0.06 132	0.06 219	0.08 367	0.06 244

hitnet-ft	0.18 457	0.09 358	0.17 423	0.14 46	0.09 275	0.26 526	0.20 472	0.25 379	0.26 407	0.24 480	0.32 485	0.31 512	0.22 488	0.24 507	0.21 478	0.12 501	0.07 421	0.10 454	0.08 384	0.12 499	0.11 488

MaskLacGwcNet_RVC	0.22 502	0.21 556	0.24 497	0.26 550	0.11 434	0.23 500	0.14 181	0.39 555	0.24 372	0.32 546	0.36 509	0.30 499	0.21 479	0.19 432	0.21 478	0.17 565	0.14 554	0.21 568	0.16 557	0.12 499	0.12 501

SuperB	0.20 481	0.10 417	0.56 580	0.16 175	0.09 275	0.18 421	0.18 410	0.24 363	0.50 558	0.26 499	0.39 529	0.17 349	0.21 479	0.22 487	0.21 478	0.08 348	0.06 349	0.06 132	0.06 219	0.12 499	0.10 462

NaN_ROB	0.22 502	0.19 545	0.24 497	0.25 545	0.13 489	0.29 547	0.26 550	0.33 505	0.41 521	0.31 540	0.31 481	0.32 522	0.23 496	0.30 539	0.21 478	0.11 477	0.17 568	0.10 454	0.10 470	0.08 367	0.09 435

YMNet	0.20 481	0.12 461	0.19 457	0.20 454	0.14 509	0.26 526	0.23 513	0.32 485	0.34 481	0.27 505	0.34 501	0.30 499	0.18 447	0.18 417	0.22 487	0.10 448	0.13 545	0.10 454	0.10 470	0.08 367	0.09 435

YMNet_1	0.20 481	0.12 461	0.19 457	0.20 454	0.14 509	0.26 526	0.23 513	0.32 485	0.34 481	0.27 505	0.34 501	0.30 499	0.18 447	0.18 417	0.22 487	0.10 448	0.13 545	0.10 454	0.10 470	0.08 367	0.09 435

UDG	0.21 493	0.17 530	0.19 457	0.23 524	0.15 528	0.30 550	0.20 472	0.33 505	0.35 490	0.23 471	0.28 454	0.31 512	0.27 525	0.20 457	0.22 487	0.15 544	0.12 531	0.13 519	0.09 430	0.14 530	0.14 540

ADLNet2	0.16 422	0.09 358	0.13 274	0.16 175	0.09 275	0.20 459	0.16 325	0.31 474	0.39 512	0.16 344	0.20 332	0.20 388	0.18 447	0.21 474	0.22 487	0.08 348	0.06 349	0.07 233	0.07 313	0.09 430	0.07 327

psm_up	0.18 457	0.10 417	0.18 445	0.20 454	0.11 434	0.17 402	0.19 449	0.37 543	0.34 481	0.21 442	0.28 454	0.29 489	0.24 502	0.20 457	0.22 487	0.09 407	0.10 502	0.11 485	0.11 502	0.08 367	0.08 391

ac_64	0.16 422	0.08 282	0.15 359	0.18 333	0.10 384	0.22 485	0.18 410	0.24 363	0.21 330	0.18 389	0.24 386	0.29 489	0.18 447	0.19 432	0.22 487	0.09 407	0.07 421	0.08 324	0.09 430	0.07 305	0.06 244

S-Stereo	0.20 481	0.12 461	0.25 502	0.21 485	0.13 489	0.20 459	0.18 410	0.32 485	0.43 534	0.23 471	0.36 509	0.28 481	0.30 548	0.19 432	0.22 487	0.09 407	0.12 531	0.10 454	0.10 470	0.13 517	0.13 523

RGC	0.25 537	0.20 550	0.29 526	0.28 566	0.16 539	0.22 485	0.23 513	0.32 485	0.44 539	0.27 505	0.40 535	0.38 548	0.27 525	0.36 565	0.22 487	0.11 477	0.13 545	0.17 554	0.17 564	0.14 530	0.16 558

stereogan	0.22 502	0.11 443	0.21 478	0.20 454	0.12 466	0.31 552	0.19 449	0.35 530	0.44 539	0.22 458	0.39 529	0.35 537	0.27 525	0.33 550	0.22 487	0.10 448	0.12 531	0.10 454	0.10 470	0.14 530	0.13 523

DeepPrunerF	0.24 525	0.17 530	0.42 562	0.26 550	0.16 539	0.22 485	0.28 563	0.37 543	0.50 558	0.26 499	0.29 466	0.24 439	0.28 536	0.21 474	0.22 487	0.15 544	0.11 515	0.20 567	0.18 568	0.12 499	0.13 523

GANet	0.21 493	0.12 461	0.21 478	0.24 533	0.13 489	0.22 485	0.22 502	0.41 565	0.26 407	0.31 540	0.42 552	0.37 544	0.28 536	0.23 498	0.22 487	0.10 448	0.12 531	0.10 454	0.09 430	0.10 461	0.08 391

PWC_ROB	0.21 493	0.16 519	0.26 505	0.18 333	0.11 434	0.22 485	0.13 128	0.32 485	0.49 555	0.30 534	0.40 535	0.32 522	0.24 502	0.31 540	0.22 487	0.10 448	0.07 421	0.11 485	0.08 384	0.11 484	0.10 462

z-ln-s-r	0.17 443	0.10 417	0.40 557	0.19 393	0.08 154	0.17 402	0.18 410	0.22 320	0.33 469	0.18 389	0.40 535	0.22 415	0.17 433	0.20 457	0.23 499	0.07 277	0.05 212	0.07 233	0.07 313	0.07 305	0.05 152

w-ln-seven-2	0.20 481	0.14 501	0.37 551	0.22 500	0.12 466	0.20 459	0.21 492	0.28 437	0.37 502	0.25 493	0.37 515	0.27 471	0.22 488	0.21 474	0.23 499	0.08 348	0.08 450	0.09 407	0.09 430	0.10 461	0.09 435

TCMNet	0.19 469	0.12 461	0.19 457	0.20 454	0.18 561	0.20 459	0.24 525	0.27 418	0.36 495	0.23 471	0.26 431	0.25 453	0.19 463	0.19 432	0.23 499	0.13 526	0.11 515	0.11 485	0.12 522	0.13 517	0.12 501

1111x	0.15 399	0.08 282	0.12 227	0.18 333	0.07 87	0.18 421	0.25 541	0.31 474	0.24 372	0.17 359	0.24 386	0.26 463	0.15 384	0.13 278	0.23 499	0.07 277	0.07 421	0.08 324	0.09 430	0.07 305	0.06 244

SQANet	0.23 518	0.23 562	0.30 529	0.30 576	0.19 564	0.27 536	0.13 128	0.29 450	0.33 469	0.24 480	0.37 515	0.31 512	0.22 488	0.27 517	0.23 499	0.15 544	0.10 502	0.21 568	0.16 557	0.21 571	0.15 547

fast-acv-ft	0.18 457	0.11 443	0.19 457	0.19 393	0.12 466	0.24 505	0.21 492	0.25 379	0.34 481	0.22 458	0.34 501	0.27 471	0.20 475	0.21 474	0.23 499	0.09 407	0.09 482	0.08 324	0.10 470	0.08 367	0.07 327

Anonymous_2	0.22 502	0.17 530	0.28 518	0.15 92	0.16 539	0.32 553	0.22 502	0.22 320	0.17 244	0.23 471	0.24 386	0.26 463	0.27 525	0.27 517	0.23 499	0.22 583	0.25 591	0.17 554	0.17 564	0.17 562	0.17 567

DGSMNet	0.24 525	0.19 545	0.33 538	0.21 485	0.24 578	0.24 505	0.20 472	0.35 530	0.41 521	0.24 480	0.32 485	0.38 548	0.21 479	0.29 536	0.23 499	0.12 501	0.11 515	0.14 531	0.16 557	0.23 575	0.23 581

aanetorigin	0.22 502	0.17 530	0.56 580	0.17 251	0.10 384	0.15 351	0.19 449	0.20 273	0.33 469	0.49 583	0.48 563	0.29 489	0.27 525	0.20 457	0.23 499	0.08 348	0.07 421	0.08 324	0.07 313	0.10 461	0.09 435

DANet	0.21 493	0.15 511	0.28 518	0.25 545	0.13 489	0.22 485	0.19 449	0.27 418	0.27 417	0.28 520	0.32 485	0.35 537	0.31 552	0.31 540	0.23 499	0.11 477	0.09 482	0.11 485	0.10 470	0.13 517	0.11 488
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 555	0.16 519	0.31 531	0.18 333	0.13 489	0.54 588	0.42 598	0.51 591	0.67 593	0.29 529	0.38 521	0.38 548	0.29 544	0.31 540	0.23 499	0.11 477	0.10 502	0.11 485	0.08 384	0.20 570	0.16 558

FBW_ROB	0.24 525	0.17 530	0.22 484	0.26 550	0.14 509	0.25 516	0.22 502	0.41 565	0.41 521	0.41 571	0.41 546	0.42 563	0.27 525	0.31 540	0.23 499	0.09 407	0.14 554	0.14 531	0.12 522	0.11 484	0.09 435

DispFullNet	0.27 550	0.21 556	0.65 589	0.28 566	0.16 539	0.26 526	0.17 362	0.33 505	0.58 576	0.27 505	0.38 521	0.43 567	0.23 496	0.38 572	0.23 499	0.12 501	0.06 349	0.19 565	0.11 502	0.21 571	0.15 547

FSD	0.25 537	0.27 574	0.26 505	0.24 533	0.22 573	0.25 516	0.25 541	0.27 418	0.26 407	0.25 493	0.26 431	0.25 453	0.27 525	0.27 517	0.24 512	0.21 578	0.20 576	0.27 579	0.26 582	0.25 583	0.24 582

ACVNet-4b	0.39 577	0.53 598	0.55 577	0.45 594	0.24 578	0.47 582	0.18 410	0.49 585	0.64 588	0.42 574	0.45 559	0.60 590	0.27 525	0.34 553	0.24 512	0.33 595	0.14 554	0.48 598	0.42 600	0.30 591	0.26 590

Syn2CoEx	0.21 493	0.16 519	0.27 513	0.29 574	0.14 509	0.26 526	0.20 472	0.33 505	0.31 455	0.28 520	0.36 509	0.27 471	0.25 511	0.19 432	0.24 512	0.16 560	0.12 531	0.14 531	0.11 502	0.09 430	0.08 391

GwcNet	0.20 481	0.13 489	0.19 457	0.18 333	0.12 466	0.24 505	0.19 449	0.35 530	0.43 534	0.20 428	0.32 485	0.33 526	0.20 475	0.22 487	0.24 512	0.11 477	0.09 482	0.09 407	0.09 430	0.09 430	0.10 462

edge stereo	0.22 502	0.13 489	0.20 469	0.21 485	0.13 489	0.23 500	0.16 325	0.32 485	0.42 529	0.32 546	0.40 535	0.38 548	0.35 566	0.25 512	0.24 512	0.13 526	0.11 515	0.14 531	0.11 502	0.12 499	0.13 523

ADCRef	0.19 469	0.12 461	0.41 560	0.20 454	0.12 466	0.22 485	0.18 410	0.32 485	0.36 495	0.26 499	0.32 485	0.17 349	0.23 496	0.24 507	0.24 512	0.07 277	0.06 349	0.09 407	0.09 430	0.08 367	0.08 391

DRN-Test	0.19 469	0.11 443	0.20 469	0.22 500	0.10 384	0.22 485	0.22 502	0.39 555	0.37 502	0.24 480	0.32 485	0.26 463	0.21 479	0.22 487	0.24 512	0.11 477	0.07 421	0.11 485	0.10 470	0.09 430	0.07 327

NCCL2	0.23 518	0.15 511	0.17 423	0.34 582	0.18 561	0.24 505	0.23 513	0.34 514	0.28 431	0.31 540	0.38 521	0.38 548	0.28 536	0.23 498	0.24 512	0.15 544	0.12 531	0.18 563	0.21 572	0.13 517	0.13 523

SANet	0.24 525	0.14 501	0.28 518	0.21 485	0.11 434	0.27 536	0.24 525	0.38 551	0.64 588	0.36 556	0.40 535	0.43 567	0.26 517	0.27 517	0.24 512	0.12 501	0.09 482	0.10 454	0.09 430	0.13 517	0.11 488

SGM_RVC	0.23 518	0.12 461	0.15 359	0.15 92	0.09 275	0.33 559	0.18 410	0.34 514	0.31 455	0.44 578	0.37 515	0.53 586	0.35 566	0.35 559	0.24 512	0.13 526	0.13 545	0.13 519	0.13 532	0.10 461	0.11 488
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
zh-mn7	0.25 537	0.14 501	0.56 580	0.19 393	0.14 509	0.24 505	0.22 502	0.34 514	0.62 584	0.35 553	0.65 587	0.31 512	0.25 511	0.31 540	0.25 522	0.09 407	0.08 450	0.09 407	0.09 430	0.09 430	0.11 488

z-mn7	0.24 525	0.14 501	0.45 564	0.19 393	0.13 489	0.28 543	0.25 541	0.34 514	0.62 584	0.27 505	0.56 579	0.29 489	0.24 502	0.32 547	0.25 522	0.08 348	0.08 450	0.08 324	0.08 384	0.10 461	0.10 462

Wz-Net-LNSev	0.22 502	0.16 519	0.38 553	0.21 485	0.13 489	0.25 516	0.23 513	0.32 485	0.43 534	0.30 534	0.41 546	0.31 512	0.18 447	0.22 487	0.25 522	0.10 448	0.09 482	0.08 324	0.08 384	0.12 499	0.11 488

Wz-Net-MNSev	0.22 502	0.13 489	0.31 531	0.20 454	0.14 509	0.36 571	0.24 525	0.33 505	0.44 539	0.28 520	0.40 535	0.38 548	0.19 463	0.24 507	0.25 522	0.09 407	0.07 421	0.09 407	0.09 430	0.12 499	0.10 462

APVNet	0.22 502	0.12 461	0.19 457	0.18 333	0.14 509	0.32 553	0.31 585	0.39 555	0.32 462	0.27 505	0.40 535	0.30 499	0.29 544	0.26 514	0.25 522	0.11 477	0.12 531	0.11 485	0.14 536	0.12 499	0.12 501

AF-Net	0.22 502	0.17 530	0.17 423	0.26 550	0.13 489	0.25 516	0.24 525	0.32 485	0.50 558	0.25 493	0.33 497	0.38 548	0.26 517	0.28 529	0.25 522	0.11 477	0.10 502	0.16 550	0.11 502	0.11 484	0.10 462

RP	0.21 493	0.13 489	0.21 478	0.23 524	0.11 434	0.21 476	0.20 472	0.25 379	0.44 539	0.21 442	0.38 521	0.36 539	0.24 502	0.27 517	0.25 522	0.11 477	0.12 531	0.13 519	0.12 522	0.12 499	0.14 540

Nwc_Net	0.23 518	0.16 519	0.21 478	0.25 545	0.14 509	0.24 505	0.26 550	0.37 543	0.38 509	0.22 458	0.41 546	0.30 499	0.28 536	0.28 529	0.25 522	0.11 477	0.10 502	0.17 554	0.20 570	0.10 461	0.10 462

STTRV1_RVC	0.25 537	0.26 571	0.39 555	0.19 393	0.26 585	0.30 550	0.24 525	0.34 514	0.35 490	0.36 556	0.34 501	0.31 512	0.31 552	0.28 529	0.25 522	0.17 565	0.10 502	0.16 550	0.14 536	0.17 562	0.12 501

PA-Net	0.23 518	0.18 541	0.33 538	0.28 566	0.22 573	0.21 476	0.38 594	0.29 450	0.39 512	0.22 458	0.32 485	0.25 453	0.26 517	0.20 457	0.25 522	0.09 407	0.23 589	0.15 543	0.22 575	0.09 430	0.13 523
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LSM	0.33 571	0.20 550	0.58 583	0.26 550	0.60 610	0.34 562	0.25 541	0.42 570	0.48 548	0.45 579	0.58 584	0.42 563	0.36 568	0.35 559	0.25 522	0.12 501	0.20 576	0.14 531	0.16 557	0.19 569	0.33 597

WCMA_ROB	0.24 525	0.11 443	0.22 484	0.17 251	0.14 509	0.32 553	0.15 259	0.32 485	0.32 462	0.38 562	0.53 570	0.40 560	0.34 563	0.34 553	0.25 522	0.11 477	0.12 531	0.12 504	0.10 470	0.14 530	0.14 540

w-ln-seven	0.24 525	0.14 501	0.55 577	0.19 393	0.14 509	0.26 526	0.22 502	0.35 530	0.60 581	0.29 529	0.39 529	0.30 499	0.22 488	0.21 474	0.26 534	0.09 407	0.09 482	0.11 485	0.10 470	0.11 484	0.10 462

xxxx	0.15 399	0.07 176	0.14 310	0.14 46	0.08 154	0.23 500	0.18 410	0.31 474	0.19 291	0.14 289	0.28 454	0.22 415	0.14 366	0.15 329	0.26 534	0.09 407	0.05 212	0.07 233	0.07 313	0.08 367	0.07 327

test_xeample	0.15 399	0.06 83	0.13 274	0.14 46	0.08 154	0.21 476	0.20 472	0.28 437	0.20 314	0.16 344	0.29 466	0.19 376	0.16 410	0.15 329	0.26 534	0.09 407	0.05 212	0.07 233	0.07 313	0.07 305	0.07 327

G-Net	0.24 525	0.16 519	0.36 547	0.22 500	0.16 539	0.51 586	0.23 513	0.29 450	0.34 481	0.36 556	0.38 521	0.31 512	0.29 544	0.27 517	0.26 534	0.11 477	0.09 482	0.12 504	0.09 430	0.16 554	0.13 523

CC-Net-ROB	0.28 555	0.31 584	0.36 547	0.29 574	0.15 528	0.25 516	0.19 449	0.45 579	0.33 469	0.39 564	0.37 515	0.39 556	0.31 552	0.27 517	0.26 534	0.24 589	0.19 573	0.30 589	0.23 579	0.18 566	0.15 547

ETE_ROB	0.23 518	0.17 530	0.22 484	0.25 545	0.13 489	0.26 526	0.29 572	0.31 474	0.36 495	0.28 520	0.36 509	0.45 571	0.26 517	0.27 517	0.26 534	0.11 477	0.08 450	0.12 504	0.09 430	0.14 530	0.13 523

PSMNet_ROB	0.21 493	0.11 443	0.15 359	0.27 563	0.15 528	0.24 505	0.35 589	0.43 574	0.37 502	0.27 505	0.32 485	0.32 522	0.22 488	0.21 474	0.26 534	0.12 501	0.08 450	0.13 519	0.11 502	0.09 430	0.09 435

MeshStereo	0.27 550	0.13 489	0.18 445	0.15 92	0.11 434	0.32 553	0.24 525	0.40 559	0.36 495	0.52 585	0.57 582	0.67 597	0.40 576	0.35 559	0.26 534	0.14 540	0.13 545	0.13 519	0.11 502	0.11 484	0.10 462
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
DStereoO	0.24 525	0.18 541	0.18 445	0.20 454	0.14 509	0.21 476	0.19 449	0.32 485	0.41 521	0.29 529	0.21 354	0.32 522	0.27 525	0.41 584	0.27 542	0.46 603	0.12 531	0.31 590	0.11 502	0.15 546	0.12 501

psmorigin	0.25 537	0.15 511	0.34 546	0.17 251	0.13 489	0.23 500	0.14 181	0.34 514	0.33 469	0.41 571	0.55 574	0.41 562	0.37 570	0.34 553	0.27 542	0.11 477	0.15 560	0.11 485	0.11 502	0.12 499	0.16 558

NCC-stereo	0.24 525	0.15 511	0.31 531	0.26 550	0.16 539	0.20 459	0.30 579	0.40 559	0.40 518	0.24 480	0.38 521	0.33 526	0.28 536	0.36 565	0.27 542	0.12 501	0.11 515	0.15 543	0.22 575	0.13 517	0.13 523

Abc-Net	0.24 525	0.15 511	0.31 531	0.26 550	0.16 539	0.20 459	0.30 579	0.40 559	0.40 518	0.24 480	0.38 521	0.33 526	0.28 536	0.36 565	0.27 542	0.12 501	0.11 515	0.15 543	0.22 575	0.13 517	0.13 523
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCP+	0.20 481	0.10 417	0.33 538	0.20 454	0.12 466	0.22 485	0.26 550	0.31 474	0.34 481	0.26 499	0.37 515	0.22 415	0.22 488	0.27 517	0.27 542	0.09 407	0.06 349	0.08 324	0.08 384	0.09 430	0.10 462

SGM-ForestM	0.32 568	0.12 461	0.16 393	0.16 175	0.11 434	0.39 576	0.19 449	0.41 565	0.50 558	0.52 585	0.54 572	1.32 617	0.42 584	0.40 581	0.27 542	0.14 540	0.16 563	0.16 550	0.16 557	0.12 499	0.12 501

LALA_ROB	0.25 537	0.16 519	0.22 484	0.26 550	0.17 554	0.27 536	0.27 557	0.42 570	0.37 502	0.33 550	0.38 521	0.51 582	0.26 517	0.28 529	0.27 542	0.16 560	0.09 482	0.12 504	0.11 502	0.13 517	0.12 501

MSMD_ROB	0.31 566	0.26 571	0.26 505	0.24 533	0.21 571	0.34 562	0.25 541	0.34 514	0.39 512	0.40 567	0.69 591	0.45 571	0.40 576	0.34 553	0.27 542	0.20 574	0.19 573	0.26 576	0.25 581	0.23 575	0.22 580

DStereoSA	0.25 537	0.19 545	0.37 551	0.26 550	0.17 554	0.22 485	0.20 472	0.49 585	0.59 577	0.22 458	0.29 466	0.29 489	0.33 558	0.39 576	0.28 550	0.12 501	0.11 515	0.16 550	0.14 536	0.14 530	0.12 501

MFN_U_SF_DS_RVC	0.30 565	0.24 565	0.29 526	0.36 586	0.16 539	0.34 562	0.30 579	0.32 485	0.42 529	0.40 567	0.46 560	0.38 548	0.31 552	0.34 553	0.28 550	0.19 572	0.20 576	0.26 576	0.29 589	0.18 566	0.19 575

DISCO	0.19 469	0.09 358	0.22 484	0.17 251	0.10 384	0.25 516	0.18 410	0.27 418	0.44 539	0.22 458	0.31 481	0.33 526	0.26 517	0.28 529	0.28 550	0.08 348	0.06 349	0.07 233	0.07 313	0.09 430	0.09 435

XPNet_ROB	0.22 502	0.11 443	0.19 457	0.22 500	0.13 489	0.22 485	0.19 449	0.34 514	0.40 518	0.30 534	0.39 529	0.39 556	0.26 517	0.26 514	0.28 550	0.15 544	0.10 502	0.10 454	0.10 470	0.13 517	0.12 501

DStereoFS	0.27 550	0.22 560	0.31 531	0.22 500	0.15 528	0.22 485	0.20 472	0.50 589	0.48 548	0.28 520	0.44 557	0.33 526	0.34 563	0.52 593	0.29 554	0.12 501	0.11 515	0.15 543	0.13 532	0.16 554	0.16 558

FC-DCNN v2	0.33 571	0.27 574	0.28 518	0.26 550	0.23 576	0.37 572	0.28 563	0.40 559	0.43 534	0.45 579	0.56 579	0.51 582	0.40 576	0.37 570	0.29 554	0.21 578	0.20 576	0.27 579	0.26 582	0.25 583	0.24 582

SHD	0.26 548	0.15 511	0.30 529	0.24 533	0.18 561	0.22 485	0.15 259	0.38 551	0.71 596	0.32 546	0.41 546	0.36 539	0.28 536	0.32 547	0.29 554	0.12 501	0.11 515	0.14 531	0.13 532	0.16 554	0.20 576

RTSC	0.23 518	0.12 461	0.28 518	0.21 485	0.13 489	0.28 543	0.16 325	0.35 530	0.66 592	0.27 505	0.33 497	0.30 499	0.21 479	0.31 540	0.29 554	0.10 448	0.08 450	0.09 407	0.10 470	0.13 517	0.13 523

ADCL	0.24 525	0.11 443	0.47 569	0.22 500	0.12 466	0.34 562	0.29 572	0.29 450	0.56 571	0.24 480	0.46 560	0.30 499	0.30 548	0.29 536	0.29 554	0.08 348	0.07 421	0.09 407	0.09 430	0.10 461	0.10 462

LE_ROB	0.50 592	0.07 176	0.14 310	0.15 92	0.08 154	0.24 505	0.16 325	0.22 320	1.81 626	4.63 630	0.67 589	0.47 578	0.44 586	0.20 457	0.29 554	0.07 277	0.06 349	0.06 132	0.06 219	0.08 367	0.06 244

Wz-Net-TNSev	0.29 559	0.20 550	0.65 589	0.19 393	0.15 528	0.38 575	0.27 557	0.35 530	0.55 568	0.34 552	0.42 552	0.45 571	0.38 571	0.32 547	0.30 560	0.12 501	0.13 545	0.10 454	0.12 522	0.15 546	0.14 540

Wz-Net-SNSev	0.25 537	0.17 530	0.44 563	0.25 545	0.14 509	0.26 526	0.23 513	0.38 551	0.56 571	0.30 534	0.55 574	0.39 556	0.26 517	0.23 498	0.30 560	0.10 448	0.09 482	0.09 407	0.10 470	0.11 484	0.11 488

FCDSN-DC	0.33 571	0.28 579	0.28 518	0.30 576	0.24 578	0.39 576	0.28 563	0.42 570	0.42 529	0.43 577	0.53 570	0.51 582	0.41 581	0.36 565	0.30 560	0.21 578	0.20 576	0.27 579	0.26 582	0.25 583	0.24 582
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
EDNetEfficient	0.29 559	0.24 565	1.13 614	0.18 333	0.10 384	0.19 444	0.20 472	0.20 273	0.60 581	0.74 603	0.56 579	0.31 512	0.39 573	0.22 487	0.30 560	0.09 407	0.07 421	0.08 324	0.07 313	0.11 484	0.09 435

RYNet	0.22 502	0.12 461	0.22 484	0.19 393	0.17 554	0.46 580	0.26 550	0.38 551	0.48 548	0.24 480	0.28 454	0.34 533	0.23 496	0.20 457	0.30 560	0.10 448	0.06 349	0.09 407	0.09 430	0.13 517	0.15 547

FC-DCNN	0.33 571	0.27 574	0.28 518	0.26 550	0.23 576	0.37 572	0.28 563	0.40 559	0.43 534	0.45 579	0.55 574	0.51 582	0.40 576	0.37 570	0.30 560	0.21 578	0.20 576	0.27 579	0.26 582	0.25 583	0.24 582

CSAN	0.29 559	0.24 565	0.27 513	0.34 582	0.19 564	0.33 559	0.42 598	0.37 543	0.50 558	0.38 562	0.40 535	0.44 569	0.33 558	0.28 529	0.30 560	0.20 574	0.16 563	0.19 565	0.19 569	0.14 530	0.15 547

Ntro	0.40 580	0.40 593	0.53 574	0.46 597	0.30 591	0.65 596	0.24 525	0.46 581	0.68 594	0.41 571	0.49 564	0.48 580	0.42 584	0.39 576	0.31 567	0.32 594	0.28 593	0.37 593	0.30 591	0.32 595	0.29 592

zh-sn7	0.25 537	0.17 530	0.50 571	0.24 533	0.13 489	0.25 516	0.24 525	0.34 514	0.48 548	0.28 520	0.54 572	0.28 481	0.31 552	0.36 565	0.32 568	0.10 448	0.10 502	0.11 485	0.10 470	0.12 499	0.12 501

otaku	0.39 577	0.37 591	0.52 573	0.44 593	0.28 587	0.58 590	0.24 525	0.41 565	0.62 584	0.40 567	0.49 564	0.46 575	0.33 558	0.40 581	0.32 568	0.30 592	0.30 595	0.39 594	0.33 594	0.29 590	0.28 591

ADCPNet	0.25 537	0.16 519	0.61 586	0.21 485	0.15 528	0.35 570	0.25 541	0.32 485	0.35 490	0.30 534	0.40 535	0.36 539	0.28 536	0.28 529	0.32 568	0.12 501	0.10 502	0.11 485	0.12 522	0.14 530	0.13 523

GANetREF_RVC	0.31 566	0.34 588	0.27 513	0.35 584	0.16 539	0.32 553	0.41 595	0.48 583	0.51 565	0.35 553	0.35 506	0.34 533	0.33 558	0.39 576	0.32 568	0.27 591	0.20 576	0.29 587	0.15 553	0.18 566	0.17 567
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
ADCMid	0.25 537	0.15 511	0.40 557	0.20 454	0.14 509	0.25 516	0.26 550	0.34 514	0.38 509	0.36 556	0.44 557	0.34 533	0.40 576	0.35 559	0.33 572	0.10 448	0.09 482	0.11 485	0.11 502	0.13 517	0.12 501

AnyNet_C32	0.26 548	0.16 519	0.36 547	0.20 454	0.16 539	0.25 516	0.30 579	0.32 485	0.44 539	0.31 540	0.49 564	0.30 499	0.33 558	0.40 581	0.33 572	0.12 501	0.12 531	0.12 504	0.14 536	0.14 530	0.15 547

PDISCO_ROB	0.27 550	0.16 519	0.26 505	0.28 566	0.20 567	0.32 553	0.26 550	0.44 576	0.57 573	0.28 520	0.40 535	0.45 571	0.29 544	0.33 550	0.34 574	0.12 501	0.09 482	0.17 554	0.16 557	0.17 562	0.13 523

ACVNet_1	0.44 585	0.49 597	0.60 585	0.45 594	0.28 587	0.49 585	0.27 557	0.57 599	0.72 597	0.62 592	0.58 584	0.74 601	0.49 590	0.50 589	0.35 575	0.26 590	0.24 590	0.39 594	0.29 589	0.31 594	0.24 582

WZ-Net	0.28 555	0.17 530	0.78 605	0.22 500	0.16 539	0.34 562	0.29 572	0.39 555	0.57 573	0.24 480	0.55 574	0.37 544	0.24 502	0.33 550	0.35 575	0.09 407	0.08 450	0.09 407	0.10 470	0.14 530	0.16 558

RTS	0.45 587	0.19 545	3.26 624	0.24 533	0.15 528	0.74 603	0.20 472	0.36 537	0.76 603	0.42 574	0.43 555	0.31 512	0.41 581	0.53 596	0.35 575	0.10 448	0.08 450	0.13 519	0.12 522	0.15 546	0.15 547

RTSA	0.45 587	0.19 545	3.26 624	0.24 533	0.15 528	0.74 603	0.20 472	0.36 537	0.76 603	0.42 574	0.43 555	0.31 512	0.41 581	0.53 596	0.35 575	0.10 448	0.08 450	0.13 519	0.12 522	0.15 546	0.15 547

PASM	0.32 568	0.24 565	0.48 570	0.28 566	0.27 586	0.29 547	0.30 579	0.34 514	0.49 555	0.35 553	0.39 529	0.46 575	0.34 563	0.34 553	0.35 575	0.23 587	0.25 591	0.26 576	0.28 588	0.23 575	0.21 578

MFN_U_SF_RVC	0.32 568	0.21 556	0.55 577	0.30 576	0.15 528	0.34 562	0.17 362	0.52 592	0.46 546	0.46 582	0.55 574	0.59 589	0.39 573	0.35 559	0.37 580	0.15 544	0.14 554	0.18 563	0.21 572	0.16 554	0.15 547

MANE	0.45 587	0.27 574	0.27 513	0.27 563	0.24 578	0.47 582	0.31 585	0.55 596	0.59 577	0.72 599	1.13 618	1.15 611	0.61 601	0.52 593	0.37 580	0.21 578	0.20 576	0.27 579	0.31 593	0.25 583	0.24 582

PVD	0.39 577	0.20 550	0.39 555	0.31 580	0.22 573	0.29 547	0.43 600	0.52 592	0.96 610	0.55 589	0.79 601	0.53 586	0.59 600	0.52 593	0.38 582	0.19 572	0.14 554	0.17 554	0.14 536	0.24 582	0.31 595

XQC	0.28 555	0.23 562	0.51 572	0.28 566	0.19 564	0.34 562	0.27 557	0.36 537	0.57 573	0.31 540	0.30 473	0.37 544	0.30 548	0.38 572	0.38 582	0.13 526	0.09 482	0.15 543	0.12 522	0.17 562	0.18 570

MSAF-DinoV2	0.22 502	0.11 443	0.23 493	0.17 251	0.10 384	0.27 536	0.16 325	0.37 543	0.55 568	0.21 442	0.27 440	0.47 578	0.27 525	0.35 559	0.39 584	0.09 407	0.06 349	0.07 233	0.09 430	0.12 499	0.10 462

EDNetEfficientorigin	7.91 631	0.31 584	153.02 653	0.19 393	0.09 275	0.21 476	0.16 325	0.22 320	0.59 577	0.72 599	0.67 589	0.42 563	0.50 591	0.24 507	0.39 584	0.08 348	0.07 421	0.08 324	0.07 313	0.12 499	0.10 462

SAMSARA	0.40 580	0.28 579	0.33 538	0.55 600	0.39 594	0.82 610	1.23 625	0.47 582	0.51 565	0.36 556	0.35 506	0.55 588	0.39 573	0.38 572	0.39 584	0.15 544	0.20 576	0.15 543	0.14 536	0.23 575	0.20 576

222	0.16 422	0.07 176	0.14 310	0.14 46	0.08 154	0.24 505	0.18 410	0.30 464	0.20 314	0.17 359	0.28 454	0.17 349	0.16 410	0.15 329	0.40 587	0.10 448	0.05 212	0.07 233	0.06 219	0.07 305	0.08 391

ADCS	0.29 559	0.18 541	0.45 564	0.21 485	0.17 554	0.28 543	0.23 513	0.41 565	0.63 587	0.40 567	0.49 564	0.40 560	0.36 568	0.39 576	0.40 587	0.13 526	0.12 531	0.13 519	0.14 536	0.16 554	0.16 558

ELAS_RVC	0.41 582	0.29 582	0.33 538	0.28 566	0.24 578	0.54 588	0.36 590	0.49 585	0.59 577	0.72 599	0.74 597	0.65 595	0.54 593	0.54 598	0.40 587	0.22 583	0.20 576	0.27 579	0.26 582	0.26 588	0.25 588
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
coex-ft	3.30 623	0.34 588	59.09 652	0.18 333	0.13 489	0.26 526	0.22 502	0.27 418	0.72 597	1.90 627	0.70 593	0.44 569	0.45 587	0.29 536	0.41 590	0.09 407	0.09 482	0.12 504	0.09 430	0.14 530	0.13 523

ccnet	0.29 559	0.28 579	0.23 493	0.20 454	0.28 587	0.41 579	0.21 492	0.45 579	0.33 469	0.36 556	0.46 560	0.36 539	0.30 548	0.39 576	0.42 591	0.23 587	0.14 554	0.21 568	0.17 564	0.23 575	0.18 570

BEATNet-Init1	0.52 593	0.27 574	0.62 587	0.30 576	0.21 571	0.76 607	0.29 572	0.54 595	0.65 591	0.86 608	0.95 609	2.07 627	0.62 603	0.56 600	0.42 591	0.18 567	0.18 570	0.23 573	0.22 575	0.22 574	0.21 578

ELAS	0.41 582	0.29 582	0.33 538	0.27 563	0.24 578	0.60 593	0.36 590	0.50 589	0.50 558	0.71 597	0.79 601	0.67 597	0.54 593	0.51 591	0.42 591	0.22 583	0.20 576	0.27 579	0.26 582	0.26 588	0.25 588
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RainbowNet	0.54 595	0.61 602	0.70 603	0.57 601	0.43 598	0.65 596	0.37 593	0.60 601	0.87 607	0.50 584	0.66 588	0.64 593	0.47 588	0.49 588	0.43 594	0.47 604	0.48 609	0.52 602	0.41 599	0.52 601	0.40 603

MSC_U_SF_DS_RVC	0.43 584	0.39 592	0.54 575	0.40 589	0.20 567	0.64 595	0.32 587	0.53 594	0.72 597	0.71 597	0.72 594	0.61 591	0.54 593	0.51 591	0.46 595	0.20 574	0.19 573	0.29 587	0.30 591	0.23 575	0.18 570

ACVNet_2	0.66 601	0.66 606	0.68 597	0.63 602	0.41 596	0.71 601	0.49 602	0.96 614	1.39 619	0.89 609	1.09 614	1.04 607	0.73 607	0.54 598	0.47 596	0.43 601	0.40 602	0.53 603	0.44 601	0.47 599	0.35 600

AnyNet_C01	0.36 575	0.25 570	1.37 617	0.22 500	0.17 554	0.48 584	0.27 557	0.35 530	0.39 512	0.39 564	0.74 597	0.46 575	0.38 571	0.45 586	0.47 596	0.13 526	0.13 545	0.13 519	0.14 536	0.14 530	0.15 547

IMH-64-1	0.65 599	0.61 602	0.68 597	0.71 604	0.51 601	0.59 591	0.49 602	0.91 610	0.85 605	0.74 603	1.02 611	0.81 602	0.78 609	0.79 607	0.49 598	0.42 599	0.46 604	0.71 607	0.47 602	0.52 601	0.39 601

IMH-64	0.65 599	0.61 602	0.68 597	0.71 604	0.51 601	0.59 591	0.49 602	0.91 610	0.85 605	0.74 603	1.02 611	0.81 602	0.78 609	0.79 607	0.49 598	0.42 599	0.46 604	0.71 607	0.47 602	0.52 601	0.39 601

Consistency-Raft	0.44 585	0.40 593	0.45 564	0.37 588	0.43 598	0.46 580	0.41 595	0.57 599	0.55 568	0.32 546	0.73 595	0.33 526	0.48 589	0.42 585	0.49 598	0.39 597	0.35 600	0.45 597	0.51 607	0.42 598	0.29 592

anonymity	0.53 594	0.58 600	0.65 589	0.41 591	0.61 611	0.53 587	0.41 595	0.56 597	0.41 521	0.55 589	0.50 568	0.49 581	0.55 596	0.58 601	0.50 601	0.58 610	0.50 613	0.51 600	0.51 607	0.51 600	0.57 608

IMH	0.71 602	0.64 605	0.68 597	0.76 606	0.54 603	0.69 599	0.54 606	0.98 616	1.10 612	0.82 607	1.09 614	0.89 604	0.88 614	0.87 615	0.52 602	0.44 602	0.50 613	0.75 610	0.51 607	0.56 606	0.41 604

MonStereo1	0.47 591	0.26 571	0.58 583	0.28 566	0.20 567	0.39 576	0.18 410	0.49 585	0.64 588	0.52 585	0.87 604	1.01 606	0.57 598	0.50 589	0.56 603	0.53 607	0.31 598	0.54 604	0.40 598	0.33 596	0.34 598

SGM+DAISY	0.56 596	0.57 599	0.65 589	0.40 589	0.54 603	0.66 598	0.49 602	0.56 597	0.45 545	0.66 593	0.69 591	0.67 597	0.56 597	0.63 603	0.56 603	0.59 611	0.48 609	0.50 599	0.50 606	0.52 601	0.58 609

ktn	1.01 617	1.21 622	0.80 608	1.23 623	0.86 621	1.01 618	0.87 620	0.94 613	1.39 619	1.04 615	1.12 617	1.15 611	1.07 620	0.94 619	0.59 605	1.28 628	0.71 625	1.38 628	0.83 621	1.02 623	0.75 621

MFMNet_re	0.64 598	0.66 606	0.65 589	0.51 598	0.69 615	0.69 599	0.57 608	0.64 603	0.73 601	0.60 591	0.73 595	0.62 592	0.67 605	0.65 604	0.60 606	0.66 615	0.58 622	0.63 605	0.59 610	0.68 612	0.69 618

NVStereoNet_ROB	0.46 590	0.36 590	0.46 568	0.41 591	0.28 587	0.34 562	0.34 588	0.48 583	0.60 581	0.72 599	0.93 607	0.70 600	0.66 604	0.47 587	0.60 606	0.22 583	0.33 599	0.34 592	0.34 596	0.30 591	0.30 594
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	0.57 597	0.58 600	0.65 589	0.45 594	0.55 605	0.62 594	0.44 601	0.62 602	0.50 558	0.68 595	0.64 586	0.66 596	0.57 598	0.61 602	0.60 606	0.62 613	0.47 608	0.51 600	0.49 604	0.55 605	0.58 609
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-7	0.79 607	0.78 611	0.54 575	0.85 612	0.67 614	0.74 603	0.68 616	1.05 619	1.32 617	0.90 610	1.20 621	1.04 607	0.92 615	0.69 605	0.66 609	0.60 612	0.62 623	0.67 606	0.68 616	0.64 608	0.58 609

WAO-6	0.81 608	0.80 612	0.62 587	0.86 613	0.63 612	0.76 607	0.58 609	0.98 616	1.54 624	0.90 610	0.96 610	1.07 609	1.03 619	0.70 606	0.66 609	0.72 616	0.49 611	0.90 618	0.71 617	0.68 612	0.58 609

PWCK	0.71 602	0.94 617	0.95 612	0.76 606	0.31 592	0.74 603	0.36 590	0.90 609	0.90 608	0.96 612	0.75 599	0.95 605	0.61 601	0.87 615	0.66 609	0.72 616	0.46 604	0.75 610	0.49 604	0.69 614	0.44 605

TorneroNet-64	0.76 606	0.72 609	0.74 604	0.78 608	0.58 609	0.91 614	0.56 607	0.84 608	1.29 616	0.66 593	0.90 605	1.40 619	0.75 608	0.85 613	0.67 612	0.49 605	0.46 604	0.72 609	0.59 610	0.67 611	0.53 607

notaker	0.97 615	1.11 620	0.98 613	1.13 621	0.81 619	0.73 602	0.68 616	0.93 612	1.16 613	1.18 622	1.18 620	1.41 620	1.16 624	1.08 624	0.69 613	0.81 621	0.64 624	1.17 624	0.79 620	0.98 621	0.80 622

LVE	0.83 610	0.85 615	0.85 610	0.80 609	0.56 606	1.04 620	0.65 613	1.05 619	1.47 622	0.96 612	1.22 622	1.10 610	0.85 612	0.83 610	0.71 614	0.49 605	0.55 619	0.76 613	0.60 612	0.65 609	0.59 614

WAO-8	0.91 612	0.81 613	0.65 589	0.94 616	0.69 615	0.90 611	0.67 614	1.07 622	1.83 627	1.06 617	1.45 624	1.30 614	1.07 620	0.84 611	0.78 615	0.74 618	0.53 616	0.86 616	0.75 618	0.69 614	0.62 615

Venus	0.91 612	0.81 613	0.65 589	0.94 616	0.69 615	0.90 611	0.67 614	1.07 622	1.83 627	1.06 617	1.45 624	1.30 614	1.07 620	0.84 611	0.78 615	0.74 618	0.53 616	0.86 616	0.75 618	0.69 614	0.62 615

TorneroNet	0.82 609	0.74 610	0.81 609	0.84 611	0.63 612	0.99 616	0.63 610	0.96 614	1.16 613	0.80 606	1.11 616	1.36 618	0.86 613	0.93 618	0.80 617	0.56 608	0.49 611	0.78 615	0.66 615	0.73 617	0.63 617

Dean	0.87 611	0.86 616	0.79 607	0.81 610	0.56 606	0.90 611	0.63 610	1.15 625	1.73 625	1.15 620	1.15 619	1.31 616	0.99 618	0.81 609	0.81 618	0.57 609	0.56 620	0.77 614	0.64 613	0.66 610	0.58 609

KSHMR	1.09 618	1.17 621	0.88 611	1.25 624	1.00 623	0.99 616	0.96 622	1.13 624	1.37 618	1.16 621	1.29 623	1.41 620	0.96 617	1.01 621	0.92 619	1.03 625	1.08 627	1.20 625	1.03 626	1.01 622	0.97 624

UNDER WATER-64	0.95 614	0.94 617	1.43 619	0.87 614	0.56 606	1.18 623	0.87 620	0.77 606	0.94 609	1.04 615	0.85 603	1.58 624	1.21 625	0.94 619	0.96 620	0.87 622	0.57 621	1.03 622	0.88 623	0.78 618	0.73 619

UNDER WATER	0.97 615	0.97 619	1.42 618	0.99 618	0.70 618	1.12 622	0.84 619	0.80 607	1.08 611	1.01 614	0.90 605	1.55 623	1.22 626	1.03 622	1.00 621	0.78 620	0.53 616	1.02 621	0.87 622	0.80 619	0.74 620

JetBlue	0.71 602	0.45 596	1.14 615	0.51 598	0.47 600	2.02 625	0.64 612	0.75 605	0.70 595	0.69 596	0.77 600	1.22 613	0.83 611	1.03 622	1.01 622	0.40 598	0.28 593	0.33 591	0.33 594	0.30 591	0.34 598

MADNet+	0.75 605	0.71 608	3.70 627	0.66 603	0.41 596	0.98 615	0.97 623	0.69 604	0.73 601	0.52 585	0.57 582	0.64 593	0.68 606	0.86 614	1.01 622	0.34 596	0.36 601	0.28 586	0.23 579	0.36 597	0.31 595

DPSimNet_ROB	1.11 619	1.23 623	0.78 605	1.13 621	0.88 622	1.10 621	1.13 624	1.16 626	1.23 615	1.43 624	1.02 611	1.41 620	1.10 623	0.90 617	1.60 624	1.46 629	0.51 615	1.21 626	1.03 626	0.90 620	1.01 626

HanzoNet	1.29 620	1.26 624	1.19 616	1.12 620	0.85 620	1.02 619	0.83 618	1.03 618	1.48 623	1.64 625	1.61 626	2.50 629	1.72 627	1.61 626	1.61 625	1.26 627	0.80 626	1.31 627	1.01 625	1.02 623	0.86 623

LRCNet_RVC	10.62 637	13.42 643	7.30 630	18.92 642	2.07 627	0.33 559	0.30 579	5.59 633	0.48 548	13.03 640	17.94 641	8.87 636	5.65 631	4.79 631	1.89 626	23.51 650	2.73 635	27.55 653	25.71 653	16.07 647	16.33 648

MADNet++	1.95 622	1.75 626	1.59 620	1.82 626	1.69 626	2.33 626	1.40 627	2.35 629	2.09 629	2.57 629	2.36 629	2.24 628	2.17 628	2.28 627	2.34 627	1.87 630	1.66 630	1.54 629	1.34 629	1.92 627	1.77 629

TCMNet-wrong-test	3.67 625	5.48 638	3.89 628	12.18 638	11.75 639	4.65 627	3.88 629	1.06 621	0.72 597	1.09 619	2.15 628	6.30 634	0.53 592	3.43 630	2.36 628	0.89 623	0.20 576	1.87 631	1.69 630	5.57 635	3.62 635

JetRed	1.62 621	1.46 625	2.98 622	0.92 615	1.21 624	4.99 628	1.53 628	1.27 627	1.39 619	1.83 626	1.74 627	1.60 625	0.95 616	1.41 625	2.45 629	0.90 624	1.60 629	0.93 619	0.90 624	1.35 625	0.99 625

ASD4	3.54 624	3.38 630	2.05 621	1.72 625	2.51 628	9.03 632	17.71 634	2.25 628	5.51 631	2.46 628	2.81 630	2.03 626	3.36 629	2.73 628	5.06 630	1.22 626	1.34 628	1.13 623	1.33 628	1.68 626	1.49 628

PML	8.91 634	9.34 642	6.13 629	5.35 631	6.41 632	14.99 636	23.38 641	5.27 630	6.83 632	18.04 644	28.19 653	7.67 635	6.83 632	7.85 635	5.75 631	5.35 637	1.83 631	5.95 641	1.93 631	8.64 638	2.52 631

tt	4.67 626	0.06 83	3.55 626	2.02 627	1.55 625	10.25 633	16.71 633	8.91 638	5.03 630	1.31 623	0.94 608	4.71 630	4.76 630	3.33 629	5.87 632	6.06 638	10.30 642	1.88 632	2.11 632	2.75 629	1.21 627

USTest	6.22 627	2.73 629	3.00 623	6.57 634	7.29 633	14.37 635	21.57 635	7.00 637	9.56 636	5.34 633	6.10 631	5.72 633	7.64 633	6.41 634	6.96 633	1.97 631	3.42 636	1.64 630	2.15 633	2.66 628	2.36 630

xxxxx1	7.79 628	5.02 635	7.31 631	3.12 628	3.85 629	16.35 637	22.88 636	5.86 634	8.69 633	7.97 634	8.54 632	9.12 637	8.27 634	10.18 636	10.92 634	2.42 632	2.45 632	3.56 635	12.37 639	3.77 630	3.06 632

tt_ll	7.79 628	5.02 635	7.31 631	3.12 628	3.85 629	16.35 637	22.88 636	5.86 634	8.69 633	7.97 634	8.54 632	9.12 637	8.27 634	10.18 636	10.92 634	2.42 632	2.45 632	3.56 635	12.37 639	3.77 630	3.06 632

ff	7.79 628	5.02 635	7.31 631	3.12 628	3.85 629	16.35 637	22.88 636	5.86 634	8.69 633	7.97 634	8.54 632	9.12 637	8.27 634	10.18 636	10.92 634	2.42 632	2.45 632	3.56 635	12.37 639	3.77 630	3.06 632

DPSMNet_ROB	8.06 632	4.48 631	8.63 637	5.37 633	10.74 636	8.32 630	22.98 640	5.46 631	13.36 639	5.12 631	9.92 635	5.08 631	10.40 637	5.53 633	12.58 637	3.80 636	8.00 637	3.50 633	7.02 636	3.83 633	7.14 637

DGTPSM_ROB	8.06 632	4.48 631	8.63 637	5.35 631	10.72 635	8.32 630	22.97 639	5.46 631	13.35 638	5.12 631	9.92 635	5.08 631	10.40 637	5.52 632	12.58 637	3.79 635	8.00 637	3.50 633	7.02 636	3.83 633	7.14 637

Anonymous_1	10.96 638	7.92 639	7.46 634	10.33 635	10.06 634	18.65 641	26.34 642	11.06 641	13.44 640	9.40 637	10.05 637	9.67 640	11.23 639	10.73 639	12.72 639	6.42 639	8.38 639	5.77 638	10.61 638	12.12 639	6.77 636

DPSM_ROB	11.15 639	8.58 640	8.00 635	10.88 636	11.58 637	19.10 642	26.71 643	12.05 642	14.07 643	10.36 638	10.84 638	10.33 641	11.86 640	11.70 640	13.54 640	6.99 640	8.79 640	5.89 639	6.95 634	7.29 636	7.42 639

DPSM	11.15 639	8.58 640	8.00 635	10.88 636	11.58 637	19.10 642	26.71 643	12.05 642	14.07 643	10.36 638	10.84 638	10.33 641	11.86 640	11.70 640	13.54 640	6.99 640	8.79 640	5.89 639	6.95 634	7.29 636	7.42 639

HaxPig	15.71 641	18.52 651	19.18 646	16.89 641	15.89 642	7.73 629	7.60 630	13.31 644	10.82 637	15.42 641	14.91 640	15.98 643	14.92 642	15.58 642	15.98 642	18.95 649	16.73 643	19.46 649	18.08 649	19.26 648	19.05 651

RSGM-EC	20.36 642	4.73 633	0.68 597	16.76 639	16.92 643	21.28 644	27.18 645	10.46 639	14.04 641	18.00 642	21.31 644	22.24 652	21.82 644	22.57 644	17.63 643	62.81 653	33.79 653	20.14 650	18.10 650	20.18 649	16.45 649

acva	20.36 642	4.73 633	0.68 597	16.76 639	16.92 643	21.28 644	27.18 645	10.46 639	14.04 641	18.00 642	21.31 644	22.24 652	21.82 644	22.57 644	17.63 643	62.81 653	33.79 653	20.14 650	18.10 650	20.18 649	16.45 649

MEDIAN_ROB	20.38 644	24.04 652	23.31 649	21.23 643	21.71 645	10.40 634	7.92 631	17.64 645	15.50 645	20.12 645	19.70 642	20.34 644	20.32 643	21.19 643	21.13 645	23.81 651	21.81 651	24.98 652	23.76 652	24.71 651	23.93 652

AVERAGE_ROB	24.90 652	29.20 653	28.14 650	24.89 651	24.64 652	17.75 640	11.12 632	21.45 646	19.93 646	25.12 653	24.46 652	25.12 654	25.46 653	24.69 653	22.83 646	29.76 652	27.13 652	28.97 654	27.95 654	29.91 652	29.47 653

FlowAnything	22.44 648	17.35 648	16.14 643	22.07 649	23.23 646	38.39 650	53.77 648	24.25 650	28.44 651	20.96 652	21.82 650	20.70 645	23.84 646	23.49 650	27.14 647	14.04 642	17.79 650	11.75 642	14.15 648	14.65 640	14.89 641

CasAABBNet	22.42 645	17.33 645	16.01 641	22.01 645	23.28 647	38.32 646	53.80 649	24.14 649	28.41 650	20.60 647	21.77 648	20.89 650	23.91 648	23.43 648	27.36 648	14.07 643	17.69 645	11.83 644	14.01 643	14.67 642	14.95 644

LSM0	22.87 651	17.28 644	18.96 645	22.19 650	29.04 653	38.42 652	53.71 647	24.28 651	28.31 647	20.78 651	21.00 643	21.43 651	24.16 652	23.50 651	27.39 649	14.09 648	17.38 644	11.84 648	14.04 646	14.73 646	14.89 641

Hybrid-DGEV	22.47 649	17.40 650	16.14 643	22.00 644	23.29 648	38.36 649	53.80 649	24.43 653	28.63 653	20.59 646	21.81 649	20.88 647	23.91 648	23.45 649	27.42 650	14.08 646	17.69 645	11.83 644	14.06 647	14.65 640	14.93 643

RAFT-FEzeroshot	22.43 646	17.33 645	15.98 639	22.02 646	23.31 649	38.34 647	53.82 651	24.05 647	28.39 648	20.61 648	21.76 646	20.88 647	23.92 650	23.41 646	27.42 650	14.07 643	17.69 645	11.83 644	14.02 644	14.69 643	14.97 645

RAFT-FE	22.43 646	17.33 645	15.98 639	22.02 646	23.31 649	38.34 647	53.82 651	24.05 647	28.39 648	20.61 648	21.76 646	20.88 647	23.92 650	23.41 646	27.42 650	14.07 643	17.69 645	11.83 644	14.02 644	14.69 643	14.97 645

Selective-RAFT-Error	22.47 649	17.37 649	16.09 642	22.06 648	23.34 651	38.39 650	53.83 653	24.29 652	28.47 652	20.74 650	21.83 651	20.81 646	23.90 647	23.54 652	27.53 653	14.08 646	17.69 645	11.82 643	14.00 642	14.69 643	15.00 647

test_example2	98.32 653	94.13 654	45.89 651	96.35 652	109.85 654	88.61 653	95.45 654	25.75 654	94.37 654	130.00 655	126.06 655	58.17 655	74.63 654	88.51 654	79.96 654	150.23 655	221.02 655	77.62 655	99.10 655	113.75 655	96.94 654

ccccc	245.47 654	285.66 655	306.18 654	368.85 655	370.60 655	123.16 654	145.33 655	115.05 655	110.08 655	126.68 654	110.87 654	122.83 656	165.88 655	252.94 655	276.56 655	384.56 656	353.86 656	254.69 656	223.00 656	425.87 656	386.83 655

FADE		0.33 586		0.33 581	0.25 584							0.42 563				0.30 592	0.21 588	0.41 596	0.38 597	0.23 575

Low-res two-view benchmark