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	deliv. area 1l	deliv. area 1s	deliv. area 2l	deliv. area 2s	deliv. area 3l	deliv. area 3s	elect. 1l	elect. 1s	elect. 2l	elect. 2s	elect. 3l	elect. 3s	facade 1s	forest 1s	forest 2s	playg. 1l	playg. 1s	playg. 2l	playg. 2s	playg. 3l	playg. 3s	terra. 1s	terra. 2s	terra. 1l	terra. 1s	terra. 2l	terra. 2s

CREStereo++_RVC	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

TANstereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

XX-TBD	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

CREStereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
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	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

MEDIAN_ROB	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

AVERAGE_ROB	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

HITNet	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9
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
STStereo	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

NVstereo2D	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWC_ROB	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWCDC_ROB	0.01 9	0.02 14	0.02 14	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWCK	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

iinet-f	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MFN_U_SF_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MSC_U_SF_DS_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MFN_U_SF_DS_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

RYNet	0.02 15	0.02 14	0.02 14	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.03 23	0.02 15	0.02 16	0.03 23	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

LSM0	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

AASNet	0.05 21	0.08 37	0.08 35	0.07 35	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.05 35	0.06 35	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

SACVNet	0.05 21	0.08 37	0.08 35	0.07 35	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.05 35	0.06 35	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

AACVNet	0.05 21	0.08 37	0.08 35	0.07 35	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.05 35	0.06 35	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

ADCS	0.06 24	0.02 14	0.04 21	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	1.03 146	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.02 15	0.01 9	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.02 15	0.04 27	0.02 15

FINET	0.07 25	0.08 37	0.07 32	0.08 38	0.07 38	0.08 40	0.07 37	0.08 40	0.07 37	0.08 29	0.07 38	0.08 38	0.07 38	0.07 38	0.07 35	0.07 38	0.07 38	0.07 38	0.07 37	0.07 38	0.08 40	0.07 38	0.07 34	0.06 38	0.07 38	0.07 38	0.08 41	0.06 38

BEATNet_4x	0.08 26	0.03 23	0.06 30	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 174	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCL	0.08 26	0.03 23	0.06 30	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 174	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCMid	0.08 26	0.02 14	0.13 68	0.03 23	0.02 15	0.03 22	0.02 15	0.02 15	0.02 15	1.32 167	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.07 37	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 23

AnyNet_C01	0.08 26	0.03 23	0.04 21	0.02 15	0.03 21	0.03 22	0.02 15	0.02 15	0.02 15	1.46 173	0.02 15	0.03 23	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.02 15	0.03 22	0.02 16	0.02 15	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.03 22	0.03 23

ADCPNet	0.08 26	0.03 23	0.04 21	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.32 167	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.04 27	0.03 23

SepStereo	0.09 31	0.09 41	0.09 38	0.09 41	0.10 43	0.09 41	0.08 40	0.09 41	0.08 40	0.09 30	0.08 39	0.09 41	0.09 41	0.08 41	0.08 41	0.09 42	0.09 41	0.08 41	0.09 41	0.08 39	0.09 41	0.08 41	0.09 37	0.09 41	0.10 41	0.08 41	0.10 42	0.09 41

APVNet	0.09 31	0.06 34	0.04 21	0.06 33	0.04 28	0.05 32	0.04 28	0.05 32	1.08 197	0.05 24	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.05 32	0.04 29	0.04 28	0.04 29	0.05 33	0.04 28	0.05 33	0.04 28

AnonymousM	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

FADNet-RVC-Resample	0.10 33	0.04 29	0.05 26	0.04 29	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.04 29	1.53 212	0.04 29	0.05 33	0.05 33	0.06 38	0.05 32

FADNet_RVC	0.10 33	0.03 23	0.04 21	0.03 23	0.04 28	0.05 32	0.04 28	0.04 28	0.04 28	0.03 21	0.04 27	0.04 27	0.03 21	0.04 28	0.03 24	0.03 24	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.03 24	1.63 213	0.03 23	0.03 24	0.04 28	0.03 22	0.04 28

PVD	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

SHD	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

SAMSARA	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

XQC	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

RTSC	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

RTS	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

RTSA	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

MADNet+	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

MADNet++	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 44	0.10 42	0.10 43	0.10 42	0.10 43	0.10 43	0.10 45	0.10 40	0.10 44	0.10 41	0.10 42	0.10 42	0.10 45

LRCNet_RVC	0.11 45	0.12 53	0.09 38	0.12 53	0.09 41	0.12 53	0.09 41	0.12 53	0.09 41	0.12 41	0.09 42	0.11 52	0.09 41	0.09 42	0.09 42	0.09 42	0.12 53	0.16 73	0.21 74	0.09 42	0.12 54	0.09 43	0.09 37	0.09 41	0.12 53	0.28 103	0.12 54	0.09 41

FADNet-RVC	0.11 45	0.04 29	0.05 26	0.04 29	0.05 31	0.04 28	0.04 28	0.05 32	0.04 28	0.04 22	0.04 27	0.04 27	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	1.79 219	0.04 29	0.04 28	0.04 28	0.04 27	0.05 32

FADNet	0.11 45	0.04 29	0.05 26	0.06 33	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	0.04 22	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.05 33	0.05 32	0.04 29	1.74 217	0.04 29	0.04 28	0.05 33	0.04 27	0.05 32

ProNet	0.12 48	0.18 66	0.11 54	0.14 56	0.10 43	0.14 57	0.11 54	0.14 55	0.11 54	0.14 42	0.10 44	0.14 56	0.10 44	0.10 45	0.11 54	0.10 44	0.15 62	0.10 43	0.14 55	0.10 43	0.14 56	0.10 45	0.11 52	0.10 44	0.15 61	0.10 42	0.14 57	0.10 45

IPLG	0.12 48	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.14 55	0.11 54	0.15 46	0.11 55	0.14 56	0.11 55	0.12 62	0.11 54	0.11 55	0.14 56	0.11 57	0.14 55	0.11 55	0.14 56	0.11 56	0.11 52	0.11 56	0.14 56	0.11 55	0.14 57	0.11 56

MIPNet	0.12 48	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.14 55	0.11 54	0.15 46	0.11 55	0.14 56	0.11 55	0.12 62	0.11 54	0.11 55	0.14 56	0.11 57	0.15 62	0.11 55	0.14 56	0.11 56	0.11 52	0.11 56	0.14 56	0.11 55	0.14 57	0.11 56

AnyNet_C32	0.12 48	0.03 23	0.07 32	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.02 15	2.33 207	0.04 27	0.04 27	0.03 21	0.02 15	0.03 24	0.04 28	0.04 25	0.04 27	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.04 28	0.03 24	0.03 22	0.02 15

ADCP+	0.12 48	0.04 29	0.07 32	0.04 29	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	2.28 201	0.05 31	0.05 31	0.04 29	0.04 28	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

CIPLG	0.13 53	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.15 63	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.12 62	0.12 65	0.11 55	0.15 62	0.11 57	0.15 62	0.11 55	0.14 56	0.11 56	0.11 52	0.12 64	0.15 61	0.12 65	0.15 63	0.12 64

IPLGR_C	0.13 53	0.16 62	0.14 71	0.15 63	0.11 55	0.14 57	0.11 54	0.14 55	0.11 54	0.14 42	0.11 55	0.14 56	0.11 55	0.12 62	0.11 54	0.11 55	0.14 56	0.11 57	0.14 55	0.11 55	0.14 56	0.11 56	0.11 52	0.11 56	0.14 56	0.11 55	0.15 63	0.11 56

IPLGR	0.13 53	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.14 55	0.13 69	0.15 46	0.11 55	0.14 56	0.12 68	0.12 62	0.11 54	0.11 55	0.14 56	0.11 57	0.14 55	0.11 55	0.14 56	0.11 56	0.11 52	0.12 64	0.15 61	0.11 55	0.14 57	0.11 56

ACRE	0.13 53	0.16 62	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.15 63	0.11 54	0.14 42	0.11 55	0.14 56	0.11 55	0.12 62	0.11 54	0.11 55	0.14 56	0.11 57	0.14 55	0.11 55	0.14 56	0.11 56	0.11 52	0.11 56	0.14 56	0.11 55	0.14 57	0.11 56

ICVP	0.13 53	0.16 62	0.11 54	0.16 64	0.11 55	0.16 65	0.11 54	0.16 65	0.11 54	0.16 52	0.11 55	0.16 66	0.11 55	0.11 58	0.11 54	0.11 55	0.16 64	0.11 57	0.16 64	0.11 55	0.16 65	0.11 56	0.11 52	0.11 56	0.16 65	0.11 55	0.16 65	0.11 56
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ADCRef	0.13 53	0.04 29	0.05 26	0.04 29	0.04 28	0.04 28	0.09 41	0.04 28	0.04 28	2.46 210	0.04 27	0.04 27	0.04 29	0.04 28	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

GMStereo	0.14 59	0.13 55	0.14 71	0.14 56	0.14 71	0.14 57	0.14 70	0.14 55	0.14 71	0.14 42	0.14 72	0.14 56	0.14 72	0.14 71	0.14 72	0.14 72	0.14 56	0.14 71	0.14 55	0.14 72	0.14 56	0.14 73	0.14 68	0.14 71	0.14 56	0.14 70	0.14 57	0.14 72
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HSM	0.14 59	0.17 65	0.11 54	0.17 66	0.11 55	0.17 66	0.12 65	0.17 68	0.11 54	0.17 53	0.11 55	0.17 68	0.11 55	0.12 62	0.12 65	0.12 64	0.17 67	0.12 67	0.17 65	0.12 67	0.17 66	0.12 67	0.12 63	0.12 64	0.17 66	0.12 65	0.17 66	0.12 64

ELAS_RVC	0.14 59	0.18 66	0.11 54	0.19 69	0.11 55	0.18 67	0.13 69	0.16 65	0.11 54	0.17 53	0.11 55	0.14 56	0.11 55	0.09 42	0.11 54	0.12 64	0.17 67	0.10 43	0.18 67	0.11 55	0.18 67	0.11 56	0.10 40	0.11 56	0.19 70	0.11 55	0.19 69	0.12 64
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM_RVC	0.14 59	0.19 70	0.11 54	0.20 71	0.11 55	0.20 70	0.12 65	0.18 70	0.12 64	0.18 55	0.12 67	0.19 71	0.11 55	0.11 58	0.11 54	0.11 55	0.18 69	0.11 57	0.19 70	0.11 55	0.19 69	0.11 56	0.11 52	0.11 56	0.20 71	0.11 55	0.20 71	0.12 64
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ELAS	0.14 59	0.23 79	0.10 41	0.19 69	0.11 55	0.20 70	0.11 54	0.16 65	0.10 43	0.15 46	0.11 55	0.15 64	0.11 55	0.09 42	0.11 54	0.11 55	0.16 64	0.10 43	0.17 65	0.11 55	0.18 67	0.11 56	0.09 37	0.10 44	0.18 67	0.11 55	0.19 69	0.12 64
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
BEATNet-Init1	0.15 64	0.07 35	0.10 41	0.08 38	0.07 38	0.07 38	0.07 37	0.07 34	0.07 37	2.19 198	0.08 39	0.08 38	0.07 38	0.07 38	0.07 35	0.07 38	0.08 39	0.07 38	0.08 39	0.08 39	0.07 38	0.07 38	0.07 34	0.07 39	0.08 39	0.07 38	0.07 39	0.07 39

DeepPrunerF	0.15 64	0.07 35	0.10 41	0.08 38	0.07 38	0.07 38	0.07 37	0.07 34	0.07 37	2.19 198	0.08 39	0.08 38	0.07 38	0.07 38	0.07 35	0.07 38	0.08 39	0.07 38	0.08 39	0.08 39	0.07 38	0.07 38	0.07 34	0.07 39	0.08 39	0.07 38	0.07 39	0.07 39

DeepPruner_ROB	0.15 64	0.18 66	0.12 60	0.18 67	0.12 67	0.18 67	0.12 65	0.18 70	0.13 69	0.18 55	0.12 67	0.18 70	0.12 68	0.13 69	0.12 65	0.13 70	0.18 69	0.13 70	0.18 67	0.12 67	0.19 69	0.12 67	0.13 67	0.12 64	0.18 67	0.12 65	0.18 67	0.12 64

LALA_ROB	0.15 64	0.21 73	0.12 60	0.21 74	0.12 67	0.20 70	0.14 70	0.20 72	0.12 64	0.22 61	0.12 67	0.16 66	0.12 68	0.10 45	0.12 65	0.12 64	0.21 75	0.11 57	0.22 75	0.12 67	0.20 71	0.12 67	0.11 52	0.12 64	0.21 75	0.14 70	0.21 75	0.13 71

IGEV_Zeroshot_test	0.18 68	0.22 75	0.18 81	0.21 74	0.18 81	0.20 70	0.17 77	0.20 72	0.16 73	0.25 68	0.16 75	0.21 74	0.17 77	0.16 75	0.18 81	0.15 74	0.20 72	0.16 73	0.20 71	0.18 82	0.21 74	0.17 80	0.17 72	0.17 76	0.20 71	0.17 77	0.20 71	0.16 73

dd	0.18 68	0.22 75	0.16 73	0.22 76	0.15 72	0.22 77	0.15 72	0.21 76	0.15 72	0.21 59	0.15 73	0.21 74	0.15 73	0.15 72	0.15 74	0.15 74	0.22 77	0.14 71	0.22 75	0.14 72	0.22 77	0.15 74	0.16 70	0.15 73	0.23 81	0.15 72	0.22 76	0.16 73

dad	0.18 68	0.23 79	0.16 73	0.22 76	0.15 72	0.22 77	0.15 72	0.22 78	0.16 73	0.21 59	0.15 73	0.22 77	0.15 73	0.15 72	0.16 75	0.17 76	0.23 82	0.17 77	0.23 82	0.15 74	0.22 77	0.15 74	0.15 69	0.15 73	0.22 77	0.15 72	0.22 76	0.16 73

MSKI-zero shot	0.19 71	0.21 73	0.16 73	0.22 76	0.16 74	0.23 84	0.17 77	0.22 78	0.17 78	0.22 61	0.17 77	0.22 77	0.16 75	0.19 84	0.16 75	0.17 76	0.23 82	0.16 73	0.22 75	0.16 75	0.22 77	0.17 80	0.16 70	0.17 76	0.22 77	0.19 84	0.22 76	0.16 73

MIM_Stereo	0.19 71	0.23 79	0.18 81	0.22 76	0.16 74	0.22 77	0.16 75	0.21 76	0.16 73	0.22 61	0.17 77	0.21 74	0.17 77	0.20 85	0.18 81	0.17 76	0.22 77	0.18 84	0.22 75	0.16 75	0.21 74	0.16 76	0.17 72	0.17 76	0.21 75	0.16 75	0.22 76	0.20 85

UNet	0.19 71	0.13 55	0.09 38	0.13 55	0.09 41	0.13 55	0.09 41	0.13 54	0.09 41	0.90 138	0.09 42	0.13 55	0.09 41	0.10 45	0.09 42	0.70 172	0.13 55	0.09 42	0.13 53	0.10 43	0.91 174	0.09 43	0.10 40	0.09 41	0.13 54	0.10 42	0.13 56	0.09 41

iResNet	0.19 71	0.23 79	0.17 77	0.22 76	0.17 77	0.22 77	0.19 84	0.22 78	0.17 78	0.22 61	0.17 77	0.22 77	0.17 77	0.17 76	0.17 78	0.17 76	0.22 77	0.17 77	0.22 75	0.17 77	0.23 83	0.17 80	0.18 79	0.17 76	0.23 81	0.17 77	0.23 83	0.17 78

DAS	0.20 75	0.20 71	0.20 86	0.20 71	0.20 86	0.20 70	0.20 86	0.20 72	0.20 85	0.20 57	0.20 86	0.20 72	0.20 86	0.20 85	0.20 87	0.20 83	0.20 72	0.20 88	0.20 71	0.20 87	0.20 71	0.20 88	0.20 83	0.20 86	0.20 71	0.20 85	0.20 71	0.20 85

ASD4	0.20 75	0.20 71	0.20 86	0.20 71	0.20 86	0.20 70	0.20 86	0.20 72	0.20 85	0.20 57	0.20 86	0.20 72	0.20 86	0.20 85	0.20 87	0.20 83	0.20 72	0.20 88	0.20 71	0.20 87	0.20 71	0.20 88	0.20 83	0.20 86	0.20 71	0.20 85	0.20 71	0.20 85

iResNetv2_ROB	0.20 75	0.22 75	0.19 85	0.23 82	0.19 84	0.22 77	0.17 77	0.22 78	0.17 78	0.22 61	0.17 77	0.22 77	0.17 77	0.18 81	0.18 81	0.19 82	0.22 77	0.17 77	0.23 82	0.17 77	0.25 85	0.18 85	0.17 72	0.18 83	0.23 81	0.17 77	0.25 90	0.17 78

JetRed	0.22 78	0.11 52	0.12 60	0.11 52	0.11 55	0.11 52	0.11 54	0.11 52	0.11 54	2.93 217	0.11 55	0.11 52	0.11 55	0.11 58	0.11 54	0.12 64	0.11 52	0.11 57	0.11 52	0.11 55	0.11 53	0.11 56	0.11 52	0.11 56	0.11 52	0.11 55	0.11 53	0.11 56

JetBlue	0.23 79	0.12 53	0.13 68	0.12 53	0.12 67	0.12 53	0.11 54	0.14 55	0.12 64	3.07 218	0.12 67	0.12 54	0.11 55	0.11 58	0.13 70	0.13 70	0.12 53	0.12 67	0.13 53	0.11 55	0.12 54	0.13 71	0.12 63	0.14 71	0.13 54	0.12 65	0.12 54	0.11 56

SFCPSM	0.23 79	0.18 66	0.13 68	0.18 67	0.12 67	0.18 67	0.80 181	0.17 68	0.12 64	0.88 137	0.12 67	0.17 68	0.12 68	0.13 69	0.12 65	0.12 64	0.18 69	0.12 67	0.18 67	0.12 67	1.18 192	0.13 71	0.12 63	0.12 64	0.18 67	0.13 69	0.18 67	0.12 64

LoS_RVC	0.25 81	0.25 90	0.25 96	0.25 89	0.25 95	0.25 92	0.25 97	0.25 90	0.25 95	0.25 68	0.25 98	0.25 89	0.25 97	0.26 99	0.25 98	0.26 96	0.25 90	0.25 97	0.26 93	0.25 98	0.25 85	0.25 96	0.25 94	0.25 97	0.25 91	0.25 96	0.25 90	0.25 97

tt_ll	0.25 81	0.25 90	0.25 96	0.25 89	0.25 95	0.25 92	0.25 97	0.25 90	0.25 95	0.25 68	0.25 98	0.25 89	0.25 97	0.26 99	0.25 98	0.26 96	0.25 90	0.25 97	0.26 93	0.25 98	0.25 85	0.25 96	0.25 94	0.25 97	0.25 91	0.25 96	0.25 90	0.25 97

CAS	0.25 81	0.25 90	0.25 96	0.25 89	0.26 97	0.26 97	0.26 99	0.25 90	0.25 95	0.25 68	0.25 98	0.25 89	0.25 97	0.25 97	0.25 98	0.25 93	0.26 96	0.25 97	0.26 93	0.26 102	0.25 85	0.25 96	0.25 94	0.26 100	0.25 91	0.26 100	0.25 90	0.25 97

LoS	0.25 81	0.25 90	0.27 100	0.27 95	0.26 97	0.25 92	0.26 99	0.26 95	0.25 95	0.26 74	0.25 98	0.25 89	0.25 97	0.26 99	0.25 98	0.25 93	0.25 90	0.25 97	0.25 90	0.25 98	0.27 91	0.25 96	0.26 98	0.26 100	0.26 95	0.25 96	0.25 90	0.25 97

DLNR_Zeroshot_test	0.27 85	0.30 100	0.23 90	0.30 100	0.22 89	0.31 101	0.24 95	0.29 98	0.23 92	0.38 88	0.23 92	0.29 99	0.23 94	0.22 89	0.23 93	0.23 88	0.30 101	0.34 121	0.29 99	0.23 95	0.29 95	0.29 116	0.22 87	0.23 94	0.30 100	0.23 92	0.30 99	0.23 94

SPstereo	0.27 85	0.33 104	0.23 90	0.32 103	0.23 93	0.31 101	0.23 92	0.31 99	0.23 92	0.31 76	0.24 95	0.31 101	0.23 94	0.23 92	0.23 93	0.23 88	0.31 102	0.23 94	0.31 101	0.23 95	0.31 96	0.23 94	0.23 91	0.23 94	0.31 101	0.23 92	0.31 100	0.23 94

HGLStereo	0.27 85	0.25 90	0.21 88	0.35 111	0.21 88	0.35 108	0.21 89	0.34 107	0.21 88	0.39 91	0.21 89	0.34 104	0.21 90	0.22 89	0.21 89	0.21 85	0.35 108	0.22 91	0.35 108	0.22 91	0.35 104	0.22 90	0.21 85	0.21 89	0.35 108	0.21 88	0.35 107	0.21 89

iResNet_ROB	0.28 88	0.32 103	0.24 95	0.33 104	0.26 97	0.32 103	0.24 95	0.33 102	0.25 95	0.33 77	0.24 95	0.35 107	0.24 96	0.23 92	0.24 97	0.25 93	0.32 103	0.24 96	0.36 111	0.24 97	0.32 97	0.28 106	0.24 93	0.24 96	0.32 102	0.24 95	0.33 101	0.24 96

IMH-64-1	0.29 89	0.23 79	0.23 90	0.23 82	0.22 89	0.22 77	0.23 92	0.22 78	0.22 90	2.02 192	0.23 92	0.23 82	0.22 91	0.23 92	0.23 93	0.23 88	0.23 82	0.22 91	0.23 82	0.22 91	0.22 77	0.22 90	0.22 87	0.22 91	0.22 77	0.22 90	0.22 76	0.22 90

IMH-64	0.29 89	0.23 79	0.23 90	0.23 82	0.22 89	0.22 77	0.23 92	0.22 78	0.22 90	2.02 192	0.23 92	0.23 82	0.22 91	0.23 92	0.23 93	0.23 88	0.23 82	0.22 91	0.23 82	0.22 91	0.22 77	0.22 90	0.22 87	0.22 91	0.22 77	0.22 90	0.22 76	0.22 90

UPFNet	0.29 89	0.24 86	0.16 73	0.24 86	0.16 74	0.24 87	0.16 75	0.23 86	0.16 73	1.19 159	0.16 75	0.23 82	0.16 75	0.17 76	0.16 75	0.89 181	0.24 86	0.16 73	0.24 86	0.18 82	1.20 194	0.16 76	0.17 72	0.16 75	0.24 86	0.16 75	0.24 84	0.16 73

WAO-6	0.30 92	0.22 75	0.23 90	0.22 76	0.23 93	0.23 84	0.22 91	0.22 78	0.23 92	2.21 200	0.22 91	0.22 77	0.22 91	0.22 89	0.22 92	0.23 88	0.22 77	0.23 94	0.22 75	0.22 91	0.22 77	0.22 90	0.22 87	0.22 91	0.23 81	0.23 92	0.22 76	0.22 90

anonymity	0.30 92	0.34 106	0.27 100	0.33 104	0.27 102	0.33 104	0.28 106	0.33 102	0.28 106	0.33 77	0.28 107	0.33 102	0.28 104	0.28 107	0.28 107	0.28 103	0.34 105	0.28 103	0.34 105	0.28 105	0.34 99	0.27 103	0.27 100	0.27 103	0.34 105	0.28 103	0.34 105	0.28 105

iRaft-Stereo_20w	0.30 92	0.46 126	0.27 100	0.34 106	0.26 97	0.35 108	0.28 106	0.34 107	0.26 101	0.34 80	0.26 102	0.34 104	0.26 103	0.26 99	0.26 103	0.26 96	0.34 105	0.26 101	0.34 105	0.26 102	0.34 99	0.26 102	0.26 98	0.26 100	0.34 105	0.26 100	0.34 105	0.26 102

MMNet	0.30 92	0.24 86	0.17 77	0.24 86	0.17 77	0.24 87	0.17 77	0.23 86	0.18 82	1.21 161	0.17 77	0.23 82	0.17 77	0.17 76	0.17 78	0.89 181	0.24 86	0.17 77	0.24 86	0.17 77	1.22 196	0.16 76	0.17 72	0.17 76	0.24 86	0.17 77	0.24 84	0.17 78

delet	0.30 92	0.24 86	0.17 77	0.24 86	0.17 77	0.24 87	0.17 77	0.23 86	0.16 73	1.21 161	0.17 77	0.24 87	0.17 77	0.17 76	0.17 78	0.91 185	0.24 86	0.17 77	0.24 86	0.17 77	1.23 198	0.17 80	0.17 72	0.17 76	0.24 86	0.17 77	0.24 84	0.17 78

psm_up	0.30 92	0.24 86	0.17 77	0.25 89	0.17 77	0.24 87	0.17 77	0.24 89	0.17 78	1.20 160	0.17 77	0.23 82	0.17 77	0.17 76	0.18 81	0.90 184	0.24 86	0.17 77	0.25 90	0.17 77	1.24 201	0.17 80	0.17 72	0.17 76	0.24 86	0.17 77	0.24 84	0.17 78

MLCV	0.30 92	0.33 104	0.28 103	0.34 106	0.28 104	0.33 104	0.28 106	0.33 102	0.29 114	0.33 77	0.27 105	0.33 102	0.28 104	0.26 99	0.29 115	0.28 103	0.33 104	0.28 103	0.33 102	0.28 105	0.33 98	0.27 103	0.28 101	0.28 105	0.33 103	0.28 103	0.33 101	0.28 105

DN-CSS_ROB	0.30 92	0.34 106	0.29 108	0.34 106	0.27 102	0.34 106	0.28 106	0.33 102	0.27 103	0.34 80	0.27 105	0.34 104	0.28 104	0.29 109	0.27 105	0.26 96	0.35 108	0.29 112	0.33 102	0.28 105	0.34 99	0.28 106	0.28 101	0.27 103	0.34 105	0.28 103	0.33 101	0.28 105

UNDER WATER-64	0.31 100	0.25 90	0.25 96	0.26 94	0.26 97	0.25 92	0.26 99	0.25 90	0.26 101	1.69 179	0.26 102	0.25 89	0.25 97	0.25 97	0.26 103	0.26 96	0.25 90	0.26 101	0.26 93	0.26 102	0.25 85	0.25 96	0.25 94	0.25 97	0.26 95	0.26 100	0.25 90	0.26 102

CASnet	0.32 101	0.53 141	0.34 119	0.27 95	0.31 120	0.34 106	0.29 118	0.31 99	0.32 119	0.25 68	0.31 120	0.27 96	0.40 137	0.45 137	0.27 105	0.30 113	0.26 96	0.40 135	0.28 98	0.37 131	0.28 93	0.39 134	0.29 107	0.40 137	0.29 99	0.28 103	0.24 84	0.30 119
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.32 101	0.45 124	0.29 108	0.36 115	0.29 113	0.36 113	0.29 118	0.36 114	0.29 114	0.35 82	0.29 115	0.35 107	0.28 104	0.27 105	0.28 107	0.28 103	0.35 108	0.28 103	0.35 108	0.28 105	0.35 104	0.28 106	0.29 107	0.29 113	0.36 111	0.29 116	0.36 111	0.29 114

SQANet	0.33 103	0.28 97	0.28 103	0.28 99	0.28 104	0.29 99	0.28 106	0.28 96	0.28 106	1.59 177	0.28 107	0.28 98	0.28 104	0.28 107	0.28 107	0.28 103	0.28 99	0.28 103	0.29 99	0.28 105	0.28 93	0.28 106	0.28 101	0.28 105	0.28 98	0.28 103	0.28 97	0.28 105

DGSMNet	0.33 103	0.42 121	0.28 103	0.40 129	0.28 104	0.40 129	0.28 106	0.40 125	0.28 106	0.40 96	0.28 107	0.39 121	0.28 104	0.27 105	0.28 107	0.28 103	0.40 130	0.28 103	0.42 134	0.29 114	0.41 124	0.31 119	0.29 107	0.28 105	0.41 128	0.28 103	0.42 131	0.29 114

RAFT-Test	0.34 105	0.45 124	0.30 112	0.38 119	0.32 122	0.40 129	0.32 124	0.39 123	0.32 119	0.39 91	0.30 118	0.37 114	0.29 113	0.30 112	0.30 117	0.29 111	0.38 117	0.30 115	0.38 116	0.29 114	0.38 111	0.29 116	0.29 107	0.30 117	0.38 115	0.30 118	0.38 114	0.30 119

RAFT + AFF	0.34 105	0.29 98	0.32 118	0.31 101	0.30 118	0.39 126	0.32 124	0.39 123	0.30 116	0.39 91	0.32 121	0.39 121	0.32 118	0.35 118	0.36 125	0.32 120	0.38 117	0.31 117	0.38 116	0.31 120	0.38 111	0.28 106	0.37 127	0.34 123	0.38 115	0.30 118	0.38 114	0.28 105

ETE_ROB	0.35 107	0.35 109	0.35 120	0.35 111	0.35 128	0.35 108	0.35 126	0.35 110	0.35 126	0.35 82	0.35 125	0.35 107	0.35 124	0.35 118	0.35 123	0.35 124	0.35 108	0.35 125	0.35 108	0.35 127	0.35 104	0.35 125	0.35 123	0.35 127	0.35 108	0.35 125	0.35 107	0.35 126

EKT-Stereo	0.36 108	0.50 138	0.30 112	0.40 129	0.29 113	0.40 129	0.29 118	0.35 110	0.30 116	0.47 109	0.30 118	0.35 107	0.32 118	0.29 109	0.34 121	0.33 121	0.59 156	0.31 117	0.39 126	0.29 114	0.37 109	0.38 129	0.29 107	0.31 118	0.58 159	0.28 103	0.51 149	0.29 114

GEStereo_RVC	0.36 108	0.23 79	0.18 81	0.23 82	0.18 81	0.23 84	0.19 84	0.22 78	0.19 84	0.24 66	0.20 86	0.24 87	0.18 84	0.18 81	0.18 81	0.21 85	0.25 90	0.18 84	0.22 75	0.18 82	0.23 83	0.18 85	0.19 81	0.20 86	0.23 81	0.20 85	4.43 237	0.19 84

DMCA	0.36 108	0.38 111	0.37 122	0.35 111	0.35 128	0.35 108	0.36 128	0.35 110	0.36 128	0.36 86	0.37 130	0.36 113	0.36 128	0.36 122	0.35 123	0.37 127	0.36 113	0.36 126	0.36 111	0.36 130	0.36 108	0.35 125	0.36 125	0.36 129	0.37 113	0.36 127	0.36 111	0.36 128

XPNet_ROB	0.37 111	0.37 110	0.37 122	0.37 116	0.37 130	0.37 117	0.37 132	0.37 115	0.37 129	0.37 87	0.37 130	0.37 114	0.37 129	0.37 123	0.37 128	0.37 127	0.37 115	0.37 128	0.37 113	0.37 131	0.37 109	0.37 128	0.37 127	0.37 131	0.37 113	0.37 131	0.37 113	0.37 129

CES	0.38 112	0.34 106	0.44 135	0.43 139	0.33 124	0.37 117	0.44 146	0.37 115	0.38 130	0.45 106	0.35 125	0.35 107	0.41 138	0.45 137	0.36 125	0.36 125	0.36 113	0.45 143	0.43 135	0.35 127	0.34 99	0.46 143	0.36 125	0.36 129	0.42 133	0.34 124	0.35 107	0.38 130

PML	0.39 113	0.56 143	0.29 108	0.55 157	0.28 104	0.56 158	0.28 106	0.51 150	0.28 106	0.50 110	0.28 107	0.51 149	0.28 104	0.29 109	0.28 107	0.29 111	0.56 154	0.29 112	0.57 161	0.28 105	0.56 152	0.28 106	0.28 101	0.29 113	0.56 156	0.28 103	0.56 154	0.28 105

GwcNet-ADL	0.41 114	0.41 116	0.41 128	0.41 135	0.41 138	0.41 132	0.41 139	0.41 127	0.41 137	0.41 97	0.41 138	0.41 126	0.41 138	0.41 130	0.41 139	0.41 134	0.41 131	0.41 137	0.41 130	0.41 138	0.41 124	0.41 137	0.41 135	0.41 138	0.41 128	0.41 138	0.41 127	0.41 137

PSMNet-ADL	0.41 114	0.41 116	0.41 128	0.41 135	0.41 138	0.41 132	0.41 139	0.41 127	0.41 137	0.41 97	0.41 138	0.41 126	0.41 138	0.41 130	0.41 139	0.41 134	0.41 131	0.41 137	0.41 130	0.41 138	0.41 124	0.41 137	0.41 135	0.41 138	0.41 128	0.41 138	0.41 127	0.41 137

GANet-ADL	0.41 114	0.41 116	0.41 128	0.41 135	0.41 138	0.41 132	0.41 139	0.41 127	0.41 137	0.41 97	0.41 138	0.41 126	0.41 138	0.41 130	0.41 139	0.41 134	0.41 131	0.41 137	0.41 130	0.41 138	0.41 124	0.41 137	0.41 135	0.41 138	0.41 128	0.41 138	0.41 127	0.41 137

ADLNet	0.41 114	0.41 116	0.41 128	0.41 135	0.41 138	0.41 132	0.41 139	0.41 127	0.41 137	0.41 97	0.41 138	0.41 126	0.41 138	0.41 130	0.41 139	0.41 134	0.41 131	0.41 137	0.41 130	0.41 138	0.41 124	0.41 137	0.41 135	0.41 138	0.41 128	0.41 138	0.41 127	0.41 137

GES	0.43 118	0.41 116	0.31 115	0.35 111	0.30 118	0.47 145	0.28 106	0.33 102	0.28 106	0.35 82	0.29 115	2.95 222	0.38 130	0.35 118	0.30 117	0.34 122	0.34 105	0.30 115	0.33 102	0.30 119	0.35 104	0.30 118	0.33 119	0.33 121	0.33 103	0.31 120	0.33 101	0.29 114

FCDSN-DC	0.44 119	0.31 101	0.35 120	0.34 106	0.28 104	0.35 108	0.30 121	0.32 101	0.25 95	1.32 167	0.24 95	1.00 182	0.32 118	0.35 118	0.34 121	0.30 113	0.72 166	0.37 128	0.48 147	0.32 122	0.53 150	0.49 157	0.23 91	0.29 113	0.50 147	0.42 143	0.61 158	0.71 175
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
WAO-7	0.46 120	0.38 111	0.38 124	0.38 119	0.38 133	0.38 120	0.38 134	0.38 117	0.38 130	2.57 211	0.38 132	0.38 117	0.38 130	0.38 124	0.38 129	0.38 129	0.38 117	0.38 130	0.38 116	0.38 133	0.38 111	0.38 129	0.38 129	0.38 132	0.38 115	0.38 132	0.38 114	0.38 130

Venus	0.46 120	0.38 111	0.40 127	0.38 119	0.38 133	0.39 126	0.38 134	0.38 117	0.38 130	2.71 213	0.38 132	0.38 117	0.38 130	0.38 124	0.38 129	0.38 129	0.38 117	0.38 130	0.38 116	0.38 133	0.38 111	0.38 129	0.38 129	0.38 132	0.38 115	0.38 132	0.39 123	0.38 130

MyStereo	0.47 122	3.97 211	0.31 115	0.34 106	0.32 122	0.36 113	0.30 121	0.35 110	0.31 118	0.51 112	0.45 144	0.35 107	0.31 115	0.31 113	0.32 120	0.31 115	0.35 108	0.31 117	0.34 105	0.31 120	0.34 99	0.32 121	0.31 116	0.32 119	0.35 108	0.31 120	0.35 107	0.30 119

HanzoNet	0.47 122	0.39 114	0.38 124	0.38 119	0.38 133	0.38 120	0.38 134	0.40 125	0.38 130	2.63 212	0.38 132	0.38 117	0.38 130	0.38 124	0.38 129	0.39 133	0.38 117	0.38 130	0.38 116	0.42 143	0.38 111	0.39 134	0.39 133	0.38 132	0.38 115	0.38 132	0.38 114	0.39 135

IMH	0.47 122	0.40 115	0.39 126	0.38 119	0.38 133	0.38 120	0.38 134	0.38 117	0.40 135	2.79 215	0.38 132	0.38 117	0.38 130	0.38 124	0.38 129	0.38 129	0.39 126	0.38 130	0.38 116	0.40 137	0.38 111	0.38 129	0.38 129	0.38 132	0.38 115	0.38 132	0.38 114	0.38 130

LL-Strereo2	0.47 122	2.60 202	0.51 151	0.38 119	0.28 104	0.37 117	0.28 106	0.55 154	0.35 126	0.44 105	0.34 124	0.44 134	0.34 122	0.34 114	0.36 125	0.36 125	0.47 139	0.36 126	0.47 141	0.35 127	0.47 134	0.35 125	0.35 123	0.35 127	0.46 135	0.35 125	0.47 137	0.35 126

GMOStereo	0.50 126	0.44 122	2.38 226	0.40 129	0.34 125	0.42 136	0.36 128	1.96 206	0.34 122	0.41 97	0.36 127	0.42 130	0.35 124	0.34 114	0.38 129	0.31 115	0.39 126	0.34 121	0.40 127	0.33 124	0.39 119	0.33 122	0.33 119	0.34 123	0.40 124	0.36 127	0.40 124	0.32 123

error version	0.50 126	0.44 122	2.38 226	0.40 129	0.34 125	0.42 136	0.36 128	1.96 206	0.34 122	0.41 97	0.36 127	0.42 130	0.35 124	0.34 114	0.38 129	0.31 115	0.39 126	0.34 121	0.40 127	0.33 124	0.39 119	0.33 122	0.33 119	0.34 123	0.40 124	0.36 127	0.40 124	0.32 123

SANet	0.50 126	0.50 138	0.50 148	0.50 154	0.50 161	0.50 154	0.50 161	0.50 147	0.50 159	0.50 110	0.50 157	0.50 147	0.50 159	0.50 153	0.50 160	0.50 157	0.50 149	0.50 159	0.50 153	0.50 160	0.50 145	0.50 161	0.50 154	0.50 156	0.50 147	0.50 159	0.50 147	0.50 155

PDISCO_ROB	0.50 126	0.15 57	0.11 54	0.16 64	3.16 232	0.13 55	0.12 65	0.14 55	0.12 64	0.15 46	0.11 55	2.55 221	0.11 55	2.20 220	0.13 70	0.12 64	0.16 64	0.10 43	0.14 55	0.12 67	0.15 64	0.12 67	0.12 63	0.12 64	0.15 61	0.10 42	2.75 221	0.09 41

otaku	0.52 130	0.46 126	0.48 142	0.46 141	0.46 145	0.46 140	0.46 148	0.46 132	0.47 150	1.88 182	0.46 145	0.46 135	0.46 146	0.46 139	0.46 146	0.46 141	0.47 139	0.46 144	0.46 137	0.46 146	0.47 134	0.46 143	0.46 141	0.46 145	0.47 140	0.46 145	0.46 133	0.47 146

HaxPig	0.52 130	0.48 134	0.47 137	0.47 146	0.47 149	0.47 145	0.47 152	0.47 137	0.47 150	1.80 180	0.47 149	0.47 138	0.47 149	0.47 143	0.47 150	0.47 148	0.47 139	0.47 150	0.47 141	0.47 151	0.47 134	0.47 151	0.47 147	0.47 148	0.47 140	0.47 151	0.47 137	0.47 146

UNDER WATER	0.52 130	0.47 131	0.47 137	0.47 146	0.47 149	0.47 145	0.47 152	0.47 137	0.47 150	1.90 183	0.47 149	0.47 138	0.47 149	0.47 143	0.47 150	0.47 148	0.46 136	0.47 150	0.47 141	0.47 151	0.46 131	0.47 151	0.47 147	0.48 152	0.47 140	0.47 151	0.47 137	0.47 146

Dean	0.52 130	0.46 126	0.48 142	0.46 141	0.46 145	0.46 140	0.46 148	0.46 132	0.46 146	1.90 183	0.46 145	0.47 138	0.46 146	0.46 139	0.46 146	0.46 141	0.48 143	0.46 144	0.46 137	0.46 146	0.46 131	0.46 143	0.46 141	0.46 145	0.46 135	0.46 145	0.46 133	0.46 143

Ntro	0.53 134	0.47 131	0.50 148	0.46 141	0.48 154	0.47 145	0.47 152	0.46 132	0.46 146	2.05 194	0.47 149	0.47 138	0.49 157	0.47 143	0.47 150	0.46 141	0.48 143	0.46 144	0.49 150	0.46 146	0.47 134	0.46 143	0.46 141	0.47 148	0.46 135	0.46 145	0.47 137	0.47 146

RainbowNet	0.53 134	0.48 134	0.48 142	0.48 150	0.48 154	0.48 151	0.48 156	0.48 140	0.48 154	1.92 185	0.48 154	0.48 143	0.48 153	0.48 148	0.48 155	0.48 151	0.48 143	0.48 154	0.48 147	0.48 155	0.48 140	0.48 154	0.48 150	0.48 152	0.48 145	0.48 155	0.48 142	0.48 152

LVE	0.53 134	0.47 131	0.48 142	0.47 146	0.47 149	0.47 145	0.47 152	0.48 140	0.47 150	1.96 189	0.47 149	0.47 138	0.47 149	0.47 143	0.47 150	0.47 148	0.47 139	0.47 150	0.47 141	0.47 151	0.47 134	0.47 151	0.47 147	0.47 148	0.47 140	0.47 151	0.47 137	0.47 146

ACVNet_1	0.53 134	0.46 126	0.48 142	0.47 146	0.47 149	0.46 140	0.48 156	0.48 140	0.48 154	2.07 195	0.47 149	0.48 143	0.48 153	0.47 143	0.47 150	0.46 141	0.49 147	0.47 150	0.47 141	0.47 151	0.48 140	0.46 143	0.46 141	0.48 152	0.47 140	0.47 151	0.48 142	0.47 146

ACVNet-4b	0.53 134	0.46 126	0.47 137	0.46 141	0.46 145	0.46 140	0.46 148	0.46 132	0.46 146	2.17 197	0.46 145	0.46 135	0.47 149	0.46 139	0.46 146	0.46 141	0.46 136	0.46 144	0.46 137	0.46 146	0.46 131	0.46 143	0.46 141	0.47 148	0.46 135	0.46 145	0.46 133	0.46 143

notaker	0.54 139	0.48 134	0.48 142	0.48 150	0.48 154	0.48 151	0.49 159	0.48 140	0.48 154	1.95 188	0.48 154	0.48 143	0.48 153	0.48 148	0.48 155	0.48 151	0.48 143	0.48 154	0.48 147	0.48 155	0.49 143	0.48 154	0.48 150	0.49 155	0.48 145	0.48 155	0.48 142	0.49 153

ACVNet_2	0.55 140	0.49 137	0.50 148	0.49 152	0.49 158	0.49 153	0.49 159	0.49 144	0.49 158	2.14 196	0.49 156	0.50 147	0.49 157	0.49 150	0.49 158	0.49 154	0.50 149	0.49 158	0.50 153	0.49 158	0.49 143	0.49 157	0.49 152	0.50 156	0.50 147	0.49 157	0.50 147	0.49 153

CFNet	0.55 140	0.25 90	0.18 81	0.25 89	0.18 81	0.25 92	0.18 83	0.25 90	0.18 82	0.25 68	0.18 84	0.25 89	0.18 84	0.18 81	0.18 81	0.18 80	0.25 90	0.18 84	0.25 90	0.18 82	5.31 247	4.36 247	0.18 79	0.18 83	0.25 91	0.18 83	0.25 90	0.18 83

PSMNet_ROB	0.55 140	0.55 142	0.56 158	0.56 158	0.55 164	0.56 158	0.55 165	0.55 154	0.55 162	0.55 114	0.55 162	0.55 152	0.55 164	0.55 155	0.56 163	0.55 161	0.55 153	0.55 163	0.55 158	0.55 163	0.55 151	0.55 164	0.55 158	0.55 163	0.55 155	0.55 164	0.55 153	0.55 159

IER	0.56 143	2.72 203	2.20 221	0.38 119	0.29 113	0.38 120	0.27 102	2.77 219	0.27 103	0.38 88	0.28 107	0.37 114	0.25 97	0.26 99	0.25 98	0.26 96	0.38 117	0.29 112	0.38 116	0.25 98	0.39 119	0.25 96	0.29 107	0.29 113	0.40 124	0.25 96	0.38 114	0.25 97

CASS	0.58 144	0.89 158	0.55 156	0.56 158	0.55 164	0.60 162	0.57 168	0.57 156	0.56 164	0.55 114	0.56 163	0.56 153	0.50 159	0.63 164	0.56 163	0.56 162	0.62 158	0.62 170	0.59 162	0.56 164	0.56 152	0.48 154	0.60 163	0.56 164	0.57 158	0.60 168	0.57 156	0.59 162
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DISCO	0.59 145	0.29 98	0.22 89	0.27 95	5.05 249	0.30 100	0.21 89	0.28 96	0.21 88	0.27 75	0.21 89	0.27 96	0.20 86	0.21 88	0.21 89	0.21 85	0.27 98	0.21 90	0.27 97	0.21 90	0.27 91	0.23 94	0.21 85	0.21 89	0.27 97	0.21 88	5.06 243	0.22 90

LMCR-Stereo	0.61 146	0.61 144	0.61 163	0.61 162	0.61 170	0.67 167	0.61 172	0.61 157	0.61 170	0.61 117	0.61 169	0.61 156	0.61 169	0.61 160	0.61 169	0.61 166	0.61 157	0.61 169	0.61 163	0.61 169	0.61 155	0.61 170	0.61 164	0.61 170	0.61 161	0.61 170	0.61 158	0.61 168

AANet_RVC	0.61 146	0.31 101	5.05 238	0.31 101	0.19 84	0.24 87	0.20 86	5.86 234	0.20 85	0.24 66	0.18 84	0.25 89	0.20 86	0.23 92	0.21 89	0.18 80	0.37 115	0.18 84	0.24 86	0.19 86	0.25 85	0.19 87	0.19 81	0.19 85	0.24 86	0.15 72	0.24 84	0.20 85

iRaftStereo_RVC	0.62 148	1.76 186	2.24 223	0.52 156	0.37 130	0.53 157	0.38 134	2.51 217	0.38 130	0.51 112	0.38 132	0.51 149	0.38 130	0.38 124	0.38 129	0.38 129	0.52 151	0.38 130	0.52 157	0.38 133	0.52 148	0.38 129	0.38 129	0.38 132	0.52 153	0.39 136	0.52 151	0.38 130

ARAFT	0.64 149	0.74 151	0.62 164	0.70 170	0.56 166	0.72 170	0.55 165	0.72 163	0.54 161	0.73 125	0.56 163	0.72 167	0.56 165	0.56 156	0.62 170	0.63 168	0.73 168	0.53 162	0.73 170	0.54 162	0.72 164	0.65 173	0.62 165	0.56 164	0.72 167	0.54 162	0.72 165	0.57 160

test_1	0.65 150	4.37 215	2.38 226	0.40 129	0.34 125	0.42 136	0.36 128	1.96 206	0.34 122	0.41 97	0.36 127	0.42 130	0.35 124	0.34 114	0.38 129	0.31 115	0.39 126	0.34 121	0.40 127	0.33 124	0.39 119	0.33 122	0.33 119	0.34 123	0.40 124	0.36 127	0.40 124	0.32 123

HH	0.66 151	2.13 192	0.47 137	0.37 116	0.29 113	0.36 113	0.27 102	0.49 144	0.44 143	0.78 129	0.68 174	0.67 161	0.90 184	0.62 161	0.90 184	0.53 159	0.88 178	0.48 154	0.37 113	0.29 114	0.63 158	0.66 176	0.66 170	0.51 158	1.06 188	0.61 170	1.08 187	0.60 164

HanStereo	0.66 151	2.13 192	0.47 137	0.37 116	0.29 113	0.36 113	0.27 102	0.49 144	0.44 143	0.78 129	0.68 174	0.67 161	0.90 184	0.62 161	0.90 184	0.53 159	0.88 178	0.48 154	0.37 113	0.29 114	0.63 158	0.66 176	0.66 170	0.51 158	1.06 188	0.61 170	1.08 187	0.60 164

DSFCA	0.66 151	0.73 149	0.74 169	0.68 166	0.65 174	0.64 164	0.65 175	0.65 159	0.65 172	0.66 120	0.65 172	0.65 158	0.64 171	0.65 169	0.65 174	0.65 170	0.65 160	0.65 174	0.65 165	0.65 172	0.65 161	0.65 173	0.65 169	0.65 175	0.66 163	0.66 175	0.65 161	0.65 172

STTRV1_RVC	0.66 151	1.59 184	0.52 154	0.69 167	0.61 170	0.66 166	0.43 145	0.88 171	0.45 145	0.71 123	0.62 170	0.69 165	0.45 145	0.62 161	0.40 138	0.44 140	0.80 173	0.59 166	0.76 174	0.63 170	0.80 168	0.46 143	0.64 167	0.61 170	0.72 167	0.54 162	0.80 171	0.60 164

4D-IteraStereo	0.67 155	3.40 207	1.05 186	0.71 171	0.83 183	0.47 145	0.27 102	0.47 137	0.27 103	0.35 82	0.26 102	0.68 163	0.84 182	0.41 130	0.54 162	0.89 181	0.74 170	0.88 185	0.73 170	0.87 185	0.42 129	0.27 103	0.28 101	0.28 105	0.36 111	0.28 103	0.68 162	0.90 183

RAFT-Stereo + iAFF	0.67 155	0.74 151	0.60 161	0.79 176	0.61 170	0.76 171	0.57 168	0.71 162	0.56 164	0.71 123	0.54 161	0.72 167	0.66 174	0.65 169	0.65 174	0.64 169	0.74 170	0.64 173	0.74 172	0.63 170	0.73 165	0.65 173	0.64 167	0.64 174	0.74 169	0.61 170	0.73 166	0.64 170

TorneroNet-64	0.69 157	0.65 146	0.30 112	0.27 95	0.47 149	0.28 98	0.35 126	0.34 107	0.80 179	7.93 252	0.29 115	0.30 100	0.31 115	0.81 178	0.28 107	0.27 102	0.29 100	0.28 103	0.85 179	0.83 183	0.62 157	0.28 106	0.30 115	0.28 105	0.52 153	0.29 116	0.29 98	0.27 104

DDUNet	0.69 157	0.84 156	0.59 160	0.84 180	0.59 168	0.87 180	0.57 168	0.84 169	0.59 169	0.82 134	0.58 166	0.85 177	0.57 166	0.59 159	0.59 166	0.57 163	0.87 177	0.59 166	0.85 179	0.59 167	0.85 172	0.59 168	0.59 162	0.59 166	0.87 176	0.59 167	0.84 175	0.59 162

UDG	0.70 159	0.87 157	0.56 158	0.87 181	0.59 168	0.84 178	0.59 171	0.85 170	0.57 166	0.84 136	0.59 167	0.84 176	0.60 168	0.58 157	0.60 167	0.59 164	0.85 176	0.59 166	0.87 181	0.58 165	0.87 173	0.60 169	0.57 160	0.59 166	0.87 176	0.58 166	0.86 176	0.60 164

MaskLacGwcNet_RVC	0.70 159	6.91 228	0.46 136	0.46 141	0.46 145	0.46 140	0.46 148	0.46 132	0.46 146	0.46 108	0.46 145	0.46 135	0.46 146	0.46 139	0.46 146	0.46 141	0.46 136	0.46 144	0.46 137	0.46 146	0.47 134	0.46 143	0.46 141	0.46 145	0.46 135	0.46 145	0.46 133	0.46 143

HCRNet	0.71 161	6.06 226	3.15 231	0.50 154	0.22 89	0.21 76	0.15 72	3.04 221	0.34 122	0.43 104	0.33 123	0.43 133	0.33 121	0.15 72	0.14 72	0.14 72	0.21 75	0.17 77	0.47 141	0.20 87	0.21 74	0.16 76	0.32 117	0.33 121	0.50 147	0.33 123	0.49 146	0.28 105

AFF-stereo	0.71 161	0.73 149	0.65 166	0.82 179	0.63 173	0.83 177	0.63 173	0.73 164	0.65 172	0.82 134	0.73 177	0.74 170	0.64 171	0.63 164	0.62 170	0.62 167	0.73 168	0.63 172	0.74 172	0.72 177	0.80 168	0.58 166	0.70 176	0.71 177	0.79 171	0.69 177	0.78 169	0.72 176

DMCA-RVC	0.71 161	0.72 147	0.72 168	0.71 171	0.70 176	0.70 168	0.70 178	0.70 161	0.71 176	0.70 122	0.71 176	0.71 166	0.70 175	0.70 173	0.71 176	0.70 172	0.70 163	0.71 177	0.70 167	0.71 175	0.70 162	0.70 178	0.71 177	0.71 177	0.70 165	0.72 178	0.71 163	0.70 174

PA-Net	0.71 161	0.62 145	0.55 156	0.69 167	0.71 177	0.70 168	0.69 177	0.69 160	0.74 177	0.73 125	0.75 178	0.59 155	0.72 176	0.82 179	0.79 179	0.83 179	0.67 162	0.76 178	0.81 178	0.67 174	0.61 155	0.76 179	0.68 174	0.65 175	0.82 175	0.76 180	0.71 163	0.69 173
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
AEACV	0.74 165	0.52 140	3.10 230	0.60 161	0.48 154	0.56 158	0.48 156	3.02 220	0.83 183	0.61 117	0.62 170	0.72 167	0.50 159	0.49 150	0.49 158	0.48 151	0.58 155	0.50 159	0.55 158	0.48 155	0.56 152	0.50 161	0.50 154	0.51 158	0.58 159	0.51 161	0.60 157	0.51 157

MyStereo04	0.76 166	4.78 220	0.62 164	0.63 164	0.54 163	0.65 165	0.56 167	0.61 157	0.58 167	0.61 117	0.56 163	0.63 157	0.57 166	0.63 164	0.60 167	0.60 165	0.64 159	0.56 165	0.63 164	0.58 165	0.63 158	0.62 171	0.55 158	0.60 168	0.63 162	0.57 165	0.64 160	0.58 161

test-3	0.78 167	4.38 216	1.80 212	0.62 163	0.49 158	0.62 163	0.50 161	1.86 202	0.64 171	0.69 121	0.52 159	0.66 159	0.38 130	0.58 157	0.57 165	0.46 141	0.66 161	0.46 144	0.50 153	0.44 145	0.48 140	0.58 166	0.54 157	0.60 168	0.70 165	0.46 145	0.48 142	0.50 155

MyStereo03	0.79 168	4.96 223	0.60 161	0.72 173	0.58 167	0.77 172	0.44 146	0.51 150	0.55 162	0.73 125	0.60 168	0.68 163	0.61 169	0.63 164	0.62 170	0.66 171	0.70 163	0.55 163	0.69 166	0.65 172	0.71 163	0.57 165	0.58 161	0.61 170	0.68 164	0.60 168	0.75 168	0.63 169

CroCo-Stereo	0.80 169	2.51 201	0.41 128	1.27 203	0.41 138	1.27 202	0.41 139	1.27 193	0.41 137	1.27 164	0.41 138	1.27 201	0.41 138	0.41 130	0.41 139	0.41 134	1.28 201	0.41 137	1.27 202	0.41 138	1.27 202	0.41 137	0.42 139	0.41 138	1.27 203	0.41 138	1.27 201	0.41 137
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
NaN_ROB	0.80 169	0.80 153	0.80 173	0.80 177	0.80 180	0.80 174	0.80 181	0.80 167	0.80 179	0.80 132	0.80 181	0.80 174	0.80 179	0.80 176	0.80 180	0.80 177	0.80 173	0.80 181	0.80 176	0.80 181	0.80 168	0.80 181	0.80 180	0.80 180	0.80 173	0.80 182	0.80 171	0.80 180

CSAN	0.80 169	0.80 153	0.80 173	0.80 177	0.80 180	0.80 174	0.80 181	0.80 167	0.80 179	0.80 132	0.80 181	0.80 174	0.80 179	0.80 176	0.80 180	0.80 177	0.80 173	0.80 181	0.80 176	0.80 181	0.80 168	0.80 181	0.80 180	0.80 180	0.80 173	0.80 182	0.80 171	0.80 180

G-Net	0.82 172	1.77 187	0.78 171	0.78 175	0.78 178	0.78 173	0.78 179	0.78 165	0.79 178	0.79 131	0.78 179	0.78 171	0.78 178	0.78 175	0.78 178	0.78 174	0.79 172	0.79 179	0.79 175	0.79 180	0.79 167	0.79 180	0.79 179	0.79 179	0.79 171	0.79 181	0.79 170	0.79 179

MyStereo02	0.84 173	4.69 219	0.69 167	0.73 174	0.65 174	0.80 174	0.66 176	0.79 166	0.67 175	0.77 128	0.66 173	0.78 171	0.65 173	0.63 164	0.63 173	0.79 176	0.72 166	0.62 170	0.72 169	0.59 167	0.74 166	0.62 171	0.63 166	0.62 173	0.78 170	0.62 174	0.74 167	0.64 170

ktn	0.84 173	1.15 171	0.54 155	1.16 199	1.26 208	0.51 155	0.53 164	0.51 150	0.66 174	4.54 236	0.51 158	0.52 151	0.52 163	0.66 171	0.51 161	0.51 158	1.37 206	1.17 202	0.49 150	0.51 161	1.23 198	0.51 163	0.67 172	0.51 158	0.51 151	0.68 176	0.51 149	0.51 157

KSHMR	0.85 175	0.72 147	0.51 151	0.49 152	0.49 158	0.51 155	1.07 197	0.50 147	0.48 154	6.04 246	0.52 159	0.66 159	0.98 190	0.49 150	0.77 177	0.49 154	1.17 195	0.51 161	0.49 150	1.06 195	0.51 146	0.49 157	0.49 152	0.51 158	1.04 186	0.49 157	0.81 174	0.72 176

CroCo-Stereo Lap2	0.85 175	2.86 205	0.43 134	1.33 205	0.43 144	1.31 203	0.42 144	1.32 194	0.42 142	1.31 166	0.44 143	1.32 202	0.44 144	0.43 136	0.44 145	0.43 139	1.35 202	0.43 142	1.32 204	0.43 144	1.31 203	0.43 142	0.43 140	0.42 144	1.31 204	0.42 143	1.31 202	0.43 142

DGTPSM_ROB	0.92 177	0.93 162	0.91 176	0.93 183	0.91 184	0.92 181	0.93 186	0.92 173	0.92 185	0.92 139	0.91 185	0.91 178	0.93 187	0.91 181	0.92 188	0.92 188	0.92 180	0.92 186	0.92 182	0.90 186	0.91 174	0.92 186	0.93 184	0.94 188	0.92 180	0.91 185	0.92 177	0.97 187

pmcnn	0.92 177	0.92 159	0.92 177	0.92 182	0.92 185	0.92 181	0.92 185	0.92 173	0.92 185	0.92 139	0.92 186	0.92 181	0.92 186	0.92 183	0.92 188	0.92 188	0.92 180	0.92 186	0.92 182	0.92 189	0.92 176	0.92 186	0.92 183	0.92 187	0.92 180	0.92 186	0.92 177	0.92 186

HSM-Net_RVC	0.93 179	1.09 169	0.79 172	1.10 192	0.78 178	1.09 190	0.79 180	1.16 187	0.80 179	1.14 151	0.79 180	1.17 194	0.77 177	0.73 174	0.83 182	0.78 174	1.19 197	0.79 179	1.18 197	0.72 177	1.19 193	0.80 181	0.72 178	0.80 180	1.18 198	0.74 179	1.14 191	0.73 178
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.93 179	8.54 241	0.41 128	0.56 158	0.37 130	0.56 158	0.37 132	0.50 147	0.40 135	0.56 116	5.24 250	0.56 153	0.34 122	0.40 129	0.41 139	0.34 122	0.53 152	0.40 135	0.56 160	0.38 133	0.52 148	0.40 136	0.40 134	0.41 138	0.56 156	0.40 137	0.56 154	0.40 136

DPSimNet_ROB	0.93 179	1.04 167	0.83 175	1.05 190	0.82 182	1.04 188	0.83 184	1.03 180	0.89 184	1.03 146	0.84 184	1.03 186	0.84 182	0.83 180	0.84 183	0.83 179	1.14 190	0.84 183	1.12 193	0.84 184	1.04 182	0.88 185	0.83 182	0.84 184	1.07 190	0.83 184	1.15 192	0.88 182

DPSM_ROB	0.93 179	0.92 159	0.94 178	0.96 184	1.02 189	0.92 181	0.98 187	0.95 175	0.92 185	0.92 139	0.92 186	0.91 178	0.97 188	0.92 183	0.91 186	0.91 185	0.96 182	0.94 188	0.93 184	0.91 187	0.93 177	0.92 186	0.93 184	0.91 185	0.91 178	0.99 187	0.92 177	0.91 184

DPSM	0.93 179	0.92 159	0.94 178	0.96 184	1.02 189	0.92 181	0.98 187	0.95 175	0.92 185	0.92 139	0.92 186	0.91 178	0.97 188	0.92 183	0.91 186	0.91 185	0.96 182	0.94 188	0.93 184	0.91 187	0.93 177	0.92 186	0.93 184	0.91 185	0.91 178	0.99 187	0.92 177	0.91 184

GANet	1.00 184	1.00 163	1.00 180	1.00 186	1.00 186	1.00 185	1.00 190	1.00 177	1.00 190	1.00 143	1.00 189	1.00 182	1.00 191	1.00 188	1.00 190	1.00 191	1.00 184	1.00 190	1.00 186	1.00 190	1.00 179	1.00 190	1.00 188	1.00 190	1.00 182	1.00 190	1.00 181	1.00 188

TDLM	1.00 184	1.00 163	1.00 180	1.00 186	1.00 186	1.00 185	1.00 190	1.00 177	1.00 190	1.00 143	1.00 189	1.00 182	1.00 191	1.00 188	1.00 190	1.00 191	1.00 184	1.00 190	1.00 186	1.00 190	1.00 179	1.00 190	1.00 188	1.00 190	1.00 182	1.00 190	1.00 181	1.00 188

CVANet_RVC	1.00 184	1.00 163	1.00 180	1.00 186	1.00 186	1.00 185	1.00 190	1.00 177	1.00 190	1.00 143	1.00 189	1.00 182	1.00 191	1.00 188	1.00 190	1.00 191	1.00 184	1.00 190	1.00 186	1.00 190	1.00 179	1.00 190	1.00 188	1.00 190	1.00 182	1.00 190	1.00 181	1.00 188

ccs_rob	1.00 184	10.06 246	0.31 115	0.44 140	0.31 120	0.43 139	0.31 123	0.43 131	0.32 119	0.45 106	0.32 121	1.20 198	0.31 115	7.02 250	0.31 119	0.31 115	0.44 135	0.31 117	0.44 136	0.32 122	0.44 130	0.31 119	0.32 117	0.32 119	0.44 134	0.32 122	0.43 132	0.31 122

CFNet_pseudo	1.01 188	9.78 244	0.29 108	0.38 119	0.28 104	0.38 120	0.28 106	0.38 117	0.28 106	0.39 91	0.28 107	0.39 121	0.28 104	9.50 251	0.29 115	0.28 103	0.38 117	0.28 103	0.38 116	0.28 105	0.38 111	0.28 106	0.28 101	0.28 105	0.38 115	0.28 103	0.38 114	0.28 105

pcwnet_v2	1.01 188	9.73 243	0.28 103	0.38 119	0.28 104	0.38 120	0.28 106	0.38 117	0.28 106	0.38 88	0.28 107	0.39 121	0.28 104	9.61 252	0.28 107	0.28 103	0.38 117	0.28 103	0.38 116	0.28 105	0.38 111	0.28 106	0.29 107	0.28 105	0.38 115	0.28 103	0.38 114	0.28 105

WAO-8	1.02 190	1.50 183	1.49 205	0.40 129	0.40 137	1.56 209	0.98 187	1.55 200	0.58 167	4.18 233	0.40 137	0.79 173	0.48 153	0.91 181	0.39 137	0.99 190	0.71 165	0.70 176	0.51 156	0.77 179	1.07 184	0.82 184	0.69 175	0.96 189	1.01 185	1.30 209	1.10 189	1.38 212

UCFNet_RVC	1.03 191	10.10 247	0.28 103	0.38 119	0.28 104	0.39 126	0.28 106	0.38 117	0.28 106	0.39 91	0.28 107	0.39 121	0.29 113	9.62 253	0.28 107	0.28 103	0.38 117	0.28 103	0.38 116	0.28 105	0.39 119	0.28 106	0.29 107	0.28 105	0.39 123	0.28 103	0.38 114	0.29 114

GLC_STEREO	1.05 192	1.01 166	1.02 183	1.02 189	1.02 189	1.05 189	1.06 194	1.05 181	1.05 193	1.04 148	1.05 192	1.05 187	1.04 194	1.06 193	1.05 193	1.06 195	1.06 187	1.05 194	1.06 189	1.05 194	1.06 183	1.06 194	1.04 192	1.05 193	1.04 186	1.05 193	1.06 185	1.06 191

FC-DCNN	1.10 193	0.81 155	0.77 170	0.63 164	0.42 143	0.86 179	0.64 174	0.91 172	0.96 189	1.11 149	0.80 181	1.07 188	0.81 181	0.67 172	1.75 218	1.30 209	1.41 207	0.85 184	1.28 203	0.71 175	2.12 217	1.32 209	0.52 156	0.81 183	1.64 210	1.40 214	2.39 219	1.75 220

RP	1.14 194	1.16 173	1.15 192	1.17 200	1.10 196	1.16 194	1.15 199	1.10 182	1.16 202	1.15 152	1.08 194	1.16 192	1.15 200	1.15 200	1.14 200	1.16 200	1.16 193	1.10 196	1.10 190	1.10 198	1.16 188	1.11 197	1.10 195	1.19 205	1.14 194	1.19 205	1.07 186	1.10 194

Abc-Net	1.14 194	1.16 173	1.18 196	1.10 192	1.10 196	1.16 194	1.18 203	1.16 187	1.13 199	1.11 149	1.16 199	1.16 192	1.12 198	1.10 194	1.17 203	1.16 200	1.16 193	1.10 196	1.16 194	1.14 201	1.17 190	1.16 200	1.11 196	1.09 198	1.10 191	1.10 197	1.16 193	1.17 199
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
TorneroNet	1.15 196	1.10 170	0.51 151	0.69 167	0.51 162	1.10 191	0.50 161	0.51 150	0.51 160	13.92 253	1.17 203	0.49 146	0.51 162	0.54 154	0.48 155	0.49 154	0.49 147	0.65 174	0.70 167	0.49 158	0.51 146	0.49 157	0.67 172	1.36 211	0.51 151	0.50 159	0.52 151	1.23 205

RGC	1.15 196	1.16 173	1.17 195	1.15 197	1.11 198	1.21 199	1.21 209	1.10 182	1.15 200	1.16 155	1.11 196	1.17 194	1.09 196	1.14 199	1.11 197	1.16 200	1.19 197	1.11 199	1.10 190	1.15 203	1.11 185	1.19 203	1.16 199	1.12 200	1.17 196	1.10 197	1.16 193	1.17 199

NCC-stereo	1.15 196	1.17 176	1.12 191	1.10 192	1.15 199	1.14 192	1.15 199	1.15 185	1.12 198	1.17 158	1.17 203	1.11 190	1.17 204	1.11 196	1.10 196	1.16 200	1.12 189	1.11 199	1.16 194	1.13 200	1.23 198	1.16 200	1.19 203	1.11 199	1.18 198	1.17 202	1.17 196	1.13 197

edge stereo	1.15 196	1.18 177	1.11 190	1.12 195	1.17 203	1.17 198	1.17 201	1.16 187	1.18 206	1.16 155	1.17 203	1.17 194	1.13 199	1.11 196	1.11 197	1.12 197	1.17 195	1.17 202	1.11 192	1.17 204	1.17 190	1.17 202	1.18 201	1.14 201	1.11 192	1.18 203	1.12 190	1.11 195

Nwc_Net	1.15 196	1.15 171	1.15 192	1.09 191	1.19 204	1.16 194	1.17 201	1.15 185	1.16 202	1.16 155	1.16 199	1.08 189	1.16 201	1.11 196	1.15 202	1.18 204	1.11 188	1.10 196	1.16 194	1.17 204	1.16 188	1.13 199	1.18 201	1.20 206	1.11 192	1.15 200	1.16 193	1.20 202

stereogan	1.17 201	1.19 179	1.15 192	1.15 197	1.15 199	1.15 193	1.19 204	1.19 190	1.15 200	1.15 152	1.16 199	1.19 197	1.19 205	1.19 202	1.19 204	1.19 205	1.15 191	1.19 205	1.19 198	1.19 207	1.15 187	1.19 203	1.15 198	1.15 202	1.16 195	1.15 200	1.19 197	1.20 202

FAT-Stereo	1.22 202	1.23 180	1.19 198	1.21 202	1.24 207	1.24 201	1.19 204	1.25 192	1.24 209	1.25 163	1.19 206	1.20 198	1.24 208	1.20 203	1.21 205	1.25 208	1.22 199	1.21 206	1.25 201	1.23 209	1.22 196	1.19 203	1.19 203	1.24 208	1.25 201	1.20 206	1.19 197	1.25 207

S-Stereo	1.22 202	1.18 177	1.19 198	1.20 201	1.23 206	1.23 200	1.19 204	1.19 190	1.18 206	1.27 164	1.20 207	1.20 198	1.20 206	1.23 204	1.22 207	1.23 207	1.23 200	1.23 208	1.20 199	1.25 210	1.20 194	1.22 208	1.25 206	1.24 208	1.20 200	1.22 208	1.26 200	1.24 206

SPS-STEREO	1.25 204	1.47 182	1.06 188	1.54 209	1.08 194	1.52 208	1.20 208	1.44 198	1.06 195	1.49 176	1.10 195	1.41 206	1.10 197	0.98 186	1.08 195	1.12 197	1.47 208	1.04 193	1.53 208	1.14 201	1.52 207	1.07 195	1.02 191	1.05 193	1.48 208	1.07 195	1.55 206	1.11 195
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RASNet	1.39 205	1.37 181	1.35 201	1.38 207	1.40 210	1.39 206	1.77 219	1.36 195	1.74 219	1.36 170	1.36 210	1.36 205	1.36 210	1.36 205	1.35 208	1.41 214	1.36 204	1.36 213	1.36 205	1.35 212	1.36 205	1.35 211	1.36 208	1.35 210	1.36 206	1.35 211	1.36 205	1.35 208

HBP-ISP	1.47 206	1.07 168	1.03 184	1.30 204	1.08 194	1.36 204	1.06 194	1.44 198	1.25 210	1.97 190	1.51 214	1.65 208	1.58 214	0.98 186	1.58 214	1.68 217	1.98 213	1.32 209	2.02 214	1.28 211	2.95 222	1.89 225	0.97 187	1.06 195	1.26 202	0.99 187	1.94 209	1.43 214

PS-NSSS	1.48 207	4.46 218	1.35 201	1.35 206	1.35 209	1.41 207	1.34 211	1.36 195	1.35 212	1.40 171	1.35 209	1.33 203	1.35 209	1.37 206	1.40 210	1.35 210	1.35 202	1.35 211	1.39 206	1.44 216	1.35 204	1.34 210	1.35 207	1.38 214	1.35 205	1.33 210	1.34 203	1.38 212

CC-Net-ROB	1.51 208	4.40 217	1.69 209	1.39 208	1.40 210	1.37 205	1.40 214	1.36 195	1.39 213	1.41 172	1.36 210	1.35 204	1.38 211	1.39 207	1.39 209	1.36 211	1.36 204	1.35 211	1.39 206	1.39 213	1.37 206	1.36 212	1.41 211	1.48 215	1.39 207	1.42 215	1.35 204	1.35 208

GANetREF_RVC	1.52 209	2.01 189	1.21 200	1.98 214	1.21 205	1.98 214	1.21 209	1.98 209	1.21 208	1.99 191	1.21 208	1.98 212	1.21 207	1.02 191	1.21 205	1.21 206	1.99 214	1.21 206	1.99 213	1.21 208	1.99 212	1.21 206	1.21 205	1.21 207	1.99 214	1.21 207	1.99 212	1.21 204
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
R-Stereo Train	1.62 210	2.01 189	1.41 203	1.97 212	1.40 210	1.96 212	1.39 212	1.93 204	1.39 213	1.92 185	1.38 212	1.94 210	1.39 212	1.40 208	1.45 211	1.38 212	1.96 211	1.37 214	1.97 211	1.39 213	1.98 210	1.41 213	1.40 209	1.37 212	1.97 212	1.38 212	1.96 210	1.37 210

RAFT-Stereo	1.62 210	2.01 189	1.41 203	1.97 212	1.40 210	1.96 212	1.39 212	1.93 204	1.39 213	1.92 185	1.38 212	1.94 210	1.39 212	1.40 208	1.45 211	1.38 212	1.96 211	1.37 214	1.97 211	1.39 213	1.98 210	1.41 213	1.40 209	1.37 212	1.97 212	1.38 212	1.96 210	1.37 210
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
DPSMNet_ROB	1.62 210	1.60 185	1.59 206	1.61 210	1.69 214	1.66 210	1.61 215	1.70 201	1.65 217	1.62 178	1.60 216	1.61 207	1.60 215	1.60 210	1.59 215	1.62 215	1.60 209	1.63 216	1.62 209	1.68 219	1.70 208	1.60 215	1.64 214	1.60 216	1.61 209	1.60 216	1.60 207	1.59 216

MFMNet_re	1.77 213	1.89 188	1.72 210	1.88 211	1.69 214	1.89 211	1.67 216	1.91 203	1.70 218	1.87 181	1.67 217	1.89 209	1.68 217	1.67 211	1.67 217	1.70 218	1.88 210	1.68 218	1.88 210	1.67 217	1.89 209	1.68 218	1.70 216	1.71 218	1.87 211	1.68 221	1.87 208	1.68 218

test croco	1.96 214	3.33 206	1.04 185	3.24 223	1.04 192	3.24 224	1.04 193	3.26 222	1.05 193	3.26 219	1.13 197	3.27 223	1.06 195	1.05 192	1.05 193	1.05 194	3.28 223	1.05 194	3.29 222	1.06 195	3.30 223	1.05 193	1.05 193	1.06 195	3.30 223	1.06 194	3.30 224	1.06 191

UDGNet	1.97 215	2.43 199	1.67 207	2.46 221	1.70 216	2.44 221	1.69 217	2.34 215	1.63 216	2.35 208	1.67 217	2.37 219	1.67 216	1.68 212	1.64 216	1.67 216	2.44 221	1.64 217	2.43 220	1.67 217	2.43 221	1.66 216	1.67 215	1.63 217	2.43 220	1.66 219	2.42 220	1.66 217

FBW_ROB	2.04 216	2.50 200	1.75 211	2.45 220	1.78 217	2.40 219	1.74 218	2.47 216	1.77 220	2.37 209	1.81 219	2.30 215	1.80 218	1.78 213	1.88 226	1.80 219	2.41 220	1.77 219	2.43 220	1.83 221	2.39 219	1.81 223	1.76 218	1.75 219	2.56 221	1.75 222	2.30 217	1.74 219

TRStereo	2.05 217	2.13 192	1.85 214	2.27 215	1.84 219	2.28 215	1.84 222	2.29 212	1.87 223	2.29 204	1.86 221	2.30 215	1.87 222	2.30 224	1.87 223	2.08 225	2.29 216	1.87 222	2.30 216	1.87 223	2.08 214	1.72 219	1.86 222	2.30 228	2.13 215	1.84 224	2.29 214	1.87 223

XX-Stereo	2.05 217	2.13 192	1.85 214	2.27 215	1.84 219	2.28 215	1.84 222	2.29 212	1.87 223	2.29 204	1.86 221	2.30 215	1.87 222	2.30 224	1.87 223	2.08 225	2.29 216	1.87 222	2.30 216	1.87 223	2.08 214	1.72 219	1.86 222	2.30 228	2.13 215	1.84 224	2.29 214	1.87 223

EAI-Stereo	2.05 217	2.13 192	1.85 214	2.27 215	1.84 219	2.28 215	1.84 222	2.29 212	1.87 223	2.29 204	1.86 221	2.30 215	1.87 222	2.30 224	1.87 223	2.08 225	2.29 216	1.87 222	2.30 216	1.87 223	2.08 214	1.72 219	1.86 222	2.30 228	2.13 215	1.84 224	2.29 214	1.87 223

AF-Net	2.06 220	25.73 261	1.18 196	1.12 195	1.16 202	1.16 194	1.19 204	1.10 182	1.17 205	1.15 152	1.14 198	1.11 190	1.16 201	1.16 201	1.14 200	1.11 196	1.15 191	1.13 201	1.21 200	1.17 204	1.11 185	1.21 206	1.17 200	1.17 203	1.17 196	1.11 199	1.20 199	1.13 197

MIF-Stereo	2.12 221	3.66 210	1.10 189	3.48 226	1.15 199	3.57 227	1.11 198	3.44 224	1.16 202	3.52 221	1.16 199	3.50 224	1.16 201	1.10 194	1.13 199	1.15 199	3.61 224	1.17 202	3.64 223	1.12 199	3.58 226	1.12 198	1.12 197	1.17 203	3.53 226	1.18 203	3.52 226	1.18 201

NCCL2	2.27 222	2.27 197	2.28 225	2.27 215	2.28 228	2.28 215	2.28 229	2.27 211	2.28 229	2.28 201	2.28 228	2.29 214	2.28 228	2.28 223	2.29 229	2.28 230	2.28 215	2.28 230	2.27 215	2.28 231	2.28 218	2.28 230	2.28 229	2.28 226	2.28 218	2.28 230	2.11 213	2.28 231

STTStereo	2.30 223	2.34 198	2.26 224	2.37 219	2.23 225	2.40 219	2.35 230	2.20 210	2.33 230	2.28 201	2.31 229	2.19 213	2.37 229	2.20 220	2.31 230	2.23 229	2.38 219	2.25 229	2.33 219	2.27 230	2.39 219	2.27 229	2.31 230	2.29 227	2.37 219	2.32 231	2.34 218	2.26 230

NLCA_NET_v2_RVC	2.50 224	2.85 204	1.90 219	2.90 222	2.77 229	2.88 222	2.85 231	2.51 217	2.85 232	2.88 216	1.99 226	2.50 220	2.76 231	2.20 220	1.57 213	2.64 231	2.89 222	2.63 231	5.69 247	1.03 193	2.01 213	2.71 231	2.74 233	2.73 231	2.87 222	1.64 217	1.00 181	1.49 215
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
MIF-Stereo (partial)	2.52 225	3.41 208	1.05 186	3.29 224	1.05 193	3.29 226	1.06 194	3.30 223	1.06 195	3.31 220	1.06 193	4.97 242	2.72 230	2.72 227	2.71 231	2.70 232	6.57 249	2.19 227	5.08 244	1.08 197	3.36 224	1.07 195	1.07 194	1.07 197	3.35 225	1.07 195	3.36 225	1.07 193

sCroCo_RVC	2.76 226	4.00 212	1.82 213	4.00 233	1.83 218	3.98 233	1.82 220	3.99 226	1.81 221	4.14 230	2.76 230	4.13 235	1.82 220	1.83 214	1.83 219	1.82 220	4.01 233	1.82 221	3.98 231	1.86 222	4.00 234	1.82 224	1.83 220	1.84 220	4.02 235	1.81 223	4.00 233	1.83 222

sAnonymous2	2.87 227	4.16 213	1.89 217	4.26 237	1.87 222	4.23 236	1.92 225	4.17 227	1.94 226	4.16 231	1.92 224	4.20 236	1.92 225	1.96 216	1.86 221	1.87 222	4.25 236	1.90 225	4.23 236	1.91 226	4.26 237	1.93 226	1.89 225	1.90 221	4.07 236	1.91 227	5.09 245	1.93 227

CroCo_RVC	2.87 227	4.16 213	1.89 217	4.26 237	1.87 222	4.23 236	1.92 225	4.17 227	1.94 226	4.16 231	1.92 224	4.20 236	1.92 225	1.96 216	1.86 221	1.87 222	4.25 236	1.90 225	4.23 236	1.91 226	4.26 237	1.93 226	1.89 225	1.90 221	4.07 236	1.91 227	5.09 245	1.93 227

Anonymous3	3.36 229	4.93 222	2.20 221	4.92 243	2.23 225	4.90 243	2.23 228	4.89 232	2.24 228	4.95 241	2.21 227	4.91 241	2.21 227	2.18 219	2.22 228	2.22 228	4.86 243	2.20 228	4.90 242	2.20 229	4.96 244	2.21 228	2.21 228	2.21 225	6.30 247	2.21 229	4.90 240	2.23 229

StereoVision	3.44 230	10.12 248	1.68 208	5.44 246	2.26 227	5.87 246	1.97 227	5.17 233	1.31 211	5.80 244	1.56 215	5.62 246	1.84 221	1.97 218	1.91 227	1.84 221	4.98 245	1.32 209	5.60 245	1.71 220	5.35 248	1.73 222	1.97 227	1.96 223	5.40 244	1.65 218	5.08 244	1.76 221

DPSNet	3.67 231	3.61 209	3.62 233	3.64 227	3.61 237	3.64 228	3.65 237	3.64 225	3.67 236	3.67 223	3.65 235	3.68 226	3.69 241	3.69 235	3.69 242	3.68 239	3.70 226	3.70 239	3.69 228	3.69 240	3.71 229	3.69 237	3.67 237	3.69 239	3.68 229	3.67 236	3.68 228	3.67 233

StereoIM	3.69 232	10.19 249	2.01 220	6.09 247	2.01 224	5.94 247	1.82 220	6.14 238	1.85 222	6.59 248	1.82 220	6.01 247	1.81 219	1.83 214	1.83 219	2.02 224	5.87 246	1.79 220	5.93 248	2.06 228	4.63 242	1.67 217	1.84 221	2.08 224	5.90 245	1.66 219	6.34 249	1.87 223

Sa-1000	3.84 233	7.71 233	6.81 248	4.15 235	2.86 230	3.27 225	3.87 243	5.99 235	4.35 247	2.78 214	3.71 236	3.88 228	3.56 237	3.88 238	3.64 235	2.71 233	3.72 227	3.27 234	3.67 227	3.15 233	3.51 225	3.36 235	2.70 232	3.49 233	3.32 224	3.76 240	2.87 222	3.76 240

SA	3.93 234	7.22 229	4.74 235	4.15 235	3.88 243	3.70 229	4.02 246	6.67 244	3.95 241	3.64 222	3.74 237	3.63 225	3.00 233	3.51 230	3.68 241	3.68 239	3.73 228	3.71 240	3.64 223	3.48 235	3.58 226	2.97 232	3.69 238	3.61 234	3.55 228	3.42 233	3.64 227	3.79 241

TestStereo1	4.11 235	7.79 235	6.72 246	3.93 230	3.81 240	3.96 231	3.58 235	6.96 247	3.74 238	3.90 225	3.76 238	3.89 229	3.57 238	3.70 236	3.66 238	3.34 236	3.80 229	3.62 236	3.66 225	3.68 238	3.91 231	3.70 238	3.65 235	3.67 236	3.88 230	3.53 234	3.89 230	3.68 236

SA-5K	4.11 235	7.79 235	6.72 246	3.93 230	3.81 240	3.96 231	3.58 235	6.96 247	3.74 238	3.90 225	3.76 238	3.89 229	3.57 238	3.70 236	3.66 238	3.34 236	3.80 229	3.62 236	3.66 225	3.68 238	3.91 231	3.70 238	3.65 235	3.67 236	3.88 230	3.53 234	3.89 230	3.68 236

test_4	4.11 235	8.05 238	6.64 244	4.52 240	3.68 238	3.00 223	3.40 234	6.21 242	3.29 233	4.07 229	3.84 241	4.04 233	3.76 243	3.56 233	3.67 240	3.76 242	4.04 234	3.79 242	4.10 232	3.53 236	3.98 233	3.74 241	3.55 234	3.61 234	3.94 234	3.75 239	3.73 229	3.73 239

test-1	4.11 235	7.65 232	4.93 236	3.65 228	3.58 235	4.70 242	3.74 241	4.73 230	4.06 243	3.72 224	4.11 245	3.70 227	3.49 236	3.36 229	3.65 237	4.17 247	3.92 231	4.04 246	4.19 235	3.75 241	4.69 243	4.18 244	3.88 241	3.90 241	4.73 240	3.77 241	3.12 223	3.68 236

TESTraft	4.16 239	8.03 237	6.81 248	3.99 232	3.68 238	3.93 230	3.70 239	6.86 246	3.69 237	3.93 227	3.88 243	3.93 231	3.59 240	3.65 234	3.64 235	3.68 239	3.92 231	3.72 241	3.92 229	3.57 237	3.84 230	3.70 238	3.71 239	3.67 236	3.91 233	3.74 238	3.92 232	3.67 233

raft_robust	4.19 240	7.78 234	6.08 241	3.30 225	3.85 242	4.03 234	3.73 240	6.25 243	3.30 234	4.44 235	3.28 233	4.01 232	3.82 244	4.29 243	3.70 243	4.01 244	4.48 241	3.42 235	4.11 233	3.76 242	4.05 235	3.32 234	3.85 240	3.82 240	4.71 239	3.83 242	4.09 234	3.80 242

Anonymous	4.38 241	6.03 225	2.67 229	6.71 249	3.03 231	5.98 249	3.20 233	6.18 241	2.49 231	6.13 247	3.16 231	6.07 248	2.97 232	3.15 228	3.09 232	3.15 235	6.62 250	3.20 233	6.32 250	3.16 234	6.80 250	3.15 233	2.63 231	3.20 232	7.02 248	2.85 232	6.13 247	3.25 232

RAFT_CTSACE	4.43 242	8.26 240	6.10 242	4.62 241	4.01 245	4.54 241	3.65 237	6.09 237	3.93 240	4.64 238	4.14 246	4.26 238	4.13 246	3.91 239	3.88 244	4.06 246	4.30 238	4.03 245	4.27 238	3.92 243	4.26 237	3.67 236	3.91 242	4.16 244	4.82 241	4.08 246	4.20 236	3.67 233

RAFT+CT+SA	4.43 242	7.34 231	6.71 245	5.01 244	4.38 246	4.40 238	3.85 242	6.15 240	4.30 246	4.89 240	3.26 232	4.49 240	3.01 234	4.53 244	3.36 234	3.65 238	3.64 225	4.39 248	3.94 230	4.28 246	4.44 240	4.30 246	4.24 247	4.52 246	3.90 232	3.85 243	4.89 239	4.00 244

cross-raft	4.43 242	7.31 230	6.46 243	4.47 239	3.95 244	4.46 239	3.95 244	6.70 245	3.97 242	4.41 234	3.82 240	4.38 239	3.94 245	3.95 241	3.95 246	3.95 243	4.45 240	3.95 244	4.46 239	3.95 244	4.46 241	3.95 242	3.95 244	3.94 243	4.40 238	3.95 245	4.45 238	3.95 243

test_5	4.51 245	8.85 242	5.35 240	3.66 229	3.56 234	5.10 245	4.47 248	6.14 238	4.07 244	4.96 242	3.87 242	5.14 245	4.17 248	3.53 231	4.39 247	4.53 248	4.15 235	3.62 236	4.74 241	2.94 232	3.63 228	4.53 248	4.20 246	4.54 247	4.86 242	3.68 237	4.95 241	4.06 245

test_3	4.55 246	10.96 250	7.69 252	4.04 234	3.60 236	4.10 235	3.98 245	7.94 249	4.56 248	3.99 228	4.03 244	4.08 234	3.74 242	3.99 242	3.91 245	4.05 245	4.33 239	3.89 243	4.14 234	4.00 245	4.11 236	4.02 243	4.01 245	3.91 242	3.53 226	3.94 244	4.19 235	4.20 246

TestStereo	4.92 247	4.80 221	4.98 237	4.82 242	4.97 248	4.91 244	4.78 249	4.80 231	4.88 249	4.78 239	4.80 248	4.99 243	4.81 249	4.83 245	4.87 249	4.97 250	4.93 244	5.01 250	5.03 243	4.90 249	5.02 245	5.02 249	5.06 248	5.04 248	4.93 243	4.89 248	5.01 242	5.09 248

DispFullNet	4.96 248	5.67 224	3.30 232	5.01 244	3.21 233	4.50 240	3.11 232	4.43 229	3.44 235	4.60 237	3.46 234	5.13 244	3.44 235	3.53 231	3.20 233	2.87 234	4.80 242	3.15 232	4.70 240	4.83 248	9.02 254	5.98 252	5.95 252	6.21 250	8.84 253	5.85 250	9.76 254	5.91 250

SGM-Forest	5.07 249	6.74 227	4.17 234	6.46 248	4.68 247	6.21 250	4.38 247	6.00 236	4.14 245	5.84 245	4.44 247	6.28 249	4.16 247	3.92 240	4.56 248	4.60 249	6.15 247	4.27 247	6.12 249	4.31 247	5.99 249	4.27 245	3.92 243	4.27 245	6.13 246	4.10 247	6.18 248	4.49 247
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SGM+DAISY	6.35 250	8.16 239	5.14 239	8.12 253	5.08 250	8.12 253	5.16 250	8.01 250	5.18 251	7.92 251	5.14 249	7.89 253	5.14 250	4.95 246	5.33 250	5.32 251	8.14 253	5.16 251	8.16 253	5.16 250	8.21 253	5.19 250	5.12 249	5.12 249	8.18 252	5.24 249	8.12 253	5.11 249

RAFT	6.60 251	9.99 245	8.33 253	7.21 252	6.55 251	5.95 248	5.87 251	8.70 253	5.02 250	5.10 243	6.69 251	7.06 252	6.94 253	6.17 249	7.09 253	6.84 252	6.47 248	4.72 249	5.60 245	5.60 251	5.11 246	5.97 251	6.93 253	6.89 251	7.16 249	7.08 253	6.58 250	6.66 251

test-v	7.17 252	11.53 251	7.63 250	7.17 250	6.87 252	7.48 251	6.90 252	8.14 251	6.88 252	6.93 249	7.42 252	7.05 250	6.14 251	6.05 247	6.86 251	6.99 253	7.60 251	6.75 252	6.90 251	6.66 252	7.83 251	6.36 253	5.89 250	7.34 252	7.19 250	6.75 251	7.52 251	6.77 252

test-2	7.17 252	11.53 251	7.63 250	7.17 250	6.87 252	7.48 251	6.90 252	8.14 251	6.88 252	6.93 249	7.42 252	7.05 250	6.14 251	6.05 247	6.86 251	6.99 253	7.60 251	6.75 252	6.90 251	6.66 252	7.83 251	6.36 253	5.89 250	7.34 252	7.19 250	6.75 251	7.52 251	6.77 252

MANE	18.41 254	23.00 260	16.00 254	22.00 261	15.00 254	22.00 261	15.00 254	22.00 261	15.00 254	21.00 261	15.00 254	22.00 261	15.00 254	15.00 254	17.00 254	15.00 255	23.00 261	15.00 254	22.00 261	15.00 254	23.00 262	15.00 255	18.00 254	15.00 254	24.00 261	17.00 254	24.00 262	16.00 254

rafts_anoy	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

raft+_RVC	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

raftrobust	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

CasAABBNet	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

RALCasStereoNet	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

RALAANet	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

MSMDNet	20.00 255	20.00 253	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255	20.00 256	20.00 254	20.00 255	20.00 254	20.00 255	20.00 255	20.00 256	20.00 255	20.00 255	20.00 254	20.00 255	20.00 255	20.00 255

MDST_ROB	61.15 262	72.66 263	46.52 262	70.00 262	44.89 262	64.24 262	43.75 262	73.65 262	48.92 263	72.70 263	42.40 262	60.70 262	50.23 262	50.07 263	67.69 263	68.60 264	83.13 263	47.77 262	82.48 263	46.00 262	95.93 264	53.44 264	50.66 262	45.00 262	84.99 263	53.64 263	79.01 263	52.07 263

CBMV	101.59 263	71.60 262	48.40 263	72.70 263	49.00 263	79.60 263	48.40 263	80.90 263	46.90 262	68.90 262	49.00 263	78.00 263	572.10 270	49.50 262	51.30 262	48.40 263	72.20 262	639.60 270	79.40 262	48.90 263	79.50 263	51.40 263	52.30 263	48.30 263	80.20 262	49.10 262	79.60 264	47.60 262
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	151.99 264	131.36 264	140.69 264	151.38 264	151.40 264	150.79 264	151.72 264	149.36 264	159.46 264	146.42 264	150.73 264	149.06 266	176.22 263	143.94 264	133.10 265	133.45 266	153.30 265	154.22 264	154.67 265	153.95 265	156.90 267	156.53 267	160.21 264	162.72 264	154.57 264	160.59 264	153.47 265	163.50 264
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
NOSS_ROB	248.11 265	409.00 268	288.00 266	412.00 266	280.00 266	411.00 268	288.00 266	356.00 265	275.00 268	379.00 268	303.00 268	415.00 268	278.00 267	260.00 268	104.00 264	103.00 265	126.00 264	108.00 263	118.00 264	98.00 264	126.00 266	104.00 266	268.00 267	216.00 266	279.00 267	201.00 265	288.00 268	206.00 265

AE-Stereo	252.48 266	202.00 265	361.00 268	502.00 268	324.00 268	321.00 265	482.00 270	423.00 267	227.00 267	201.00 265	273.00 267	101.00 264	207.00 264	198.00 265	183.00 266	181.00 267	221.00 266	232.00 267	477.00 267	220.00 267	111.00 265	100.00 265	219.00 266	214.00 265	204.00 265	211.00 266	200.00 266	222.00 267

EGLCR-Stereo	276.81 267	209.00 266	366.00 269	514.00 269	354.00 269	336.00 266	422.00 268	440.00 268	220.00 266	231.00 266	245.00 266	135.00 265	237.00 266	218.00 267	197.00 267	222.00 269	223.00 267	230.00 266	487.00 269	255.00 268	250.00 268	273.00 269	272.00 268	228.00 268	241.00 266	220.00 268	214.00 267	235.00 268

DLCB_ROB	280.78 268	376.74 267	215.59 265	376.74 265	215.59 265	376.74 267	215.59 265	366.42 266	218.39 265	366.42 267	218.39 265	366.42 267	218.39 265	209.96 266	219.76 268	219.38 268	376.72 268	216.43 265	376.72 266	216.43 266	376.72 269	216.43 268	216.14 265	216.14 267	376.69 268	217.67 267	376.69 269	217.67 266

LE_ROB	387.11 269	453.07 269	321.39 267	500.23 267	323.05 267	493.99 269	324.56 267	477.63 269	322.28 269	465.51 269	322.97 269	486.37 269	334.17 268	305.26 269	320.63 269	327.66 270	476.08 269	315.70 268	483.76 268	335.15 269	469.64 270	309.74 270	315.90 269	318.85 269	498.41 269	328.85 269	491.00 270	330.08 269

SGM-ForestM	522.49 270	676.08 270	448.56 270	638.17 270	433.15 270	639.59 270	427.03 269	617.52 270	439.90 270	604.63 270	429.02 270	611.68 270	432.74 269	420.18 270	451.96 270	465.85 271	601.06 270	403.73 269	659.15 270	405.50 270	669.64 271	437.21 271	455.85 270	425.66 270	689.82 270	481.65 270	662.43 271	479.61 270

CBMV_ROB	1133.35 271	1280.38 271	976.92 271	1317.57 271	1021.62 271	1282.66 271	1022.22 271	1213.88 271	982.57 271	1194.12 271	975.90 271	1357.87 271	1090.02 271	943.32 271	1021.85 271	1006.47 272	1309.01 271	986.29 271	1499.40 271	986.35 271	1359.35 272	975.96 272	975.21 271	969.30 271	1337.82 271	1042.34 271	1398.25 272	1073.86 271

anonymousdsp2	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 272

anonymousdsp	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 272

AMNet	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 272	10000000.00 273	10000000.00 272

FADE																0.07 38					0.09 41	0.08 41					0.05 33

Low-res two-view benchmark