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

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

ADCMid	0.08 26	0.02 14	0.13 69	0.03 23	0.02 15	0.03 22	0.02 15	0.02 15	0.02 15	1.32 170	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

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	1.03 149	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

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

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

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	1.63 216	0.03 23	0.03 24	0.04 28	0.03 22	0.04 28

BEATNet_4x	0.08 26	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 177	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 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 177	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

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	1.46 176	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

AnyNet_C32	0.12 48	0.03 23	0.07 33	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.02 15	2.33 210	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

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	1.32 170	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

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 35	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 34	0.05 32	0.04 29	1.53 215	0.04 29	0.05 33	0.05 33	0.06 38	0.05 32

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	1.79 222	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 34	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 34	0.05 32	0.04 29	1.74 220	0.04 29	0.04 28	0.05 33	0.04 27	0.05 32

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	2.46 213	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

ADCP+	0.12 48	0.04 29	0.07 33	0.04 29	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	2.28 204	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

APVNet	0.09 31	0.06 34	0.04 21	0.06 34	0.04 28	0.05 32	0.04 28	0.05 32	1.08 199	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

BEATNet-Init1	0.15 64	0.07 35	0.10 42	0.08 39	0.07 38	0.07 38	0.07 37	0.07 35	0.07 37	2.19 201	0.08 39	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 39	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 39	0.07 38	0.07 39	0.07 39

DeepPrunerF	0.15 64	0.07 35	0.10 42	0.08 39	0.07 38	0.07 38	0.07 37	0.07 35	0.07 37	2.19 201	0.08 39	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 39	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 39	0.07 38	0.07 39	0.07 39

AASNet	0.05 21	0.08 37	0.08 36	0.07 36	0.05 31	0.05 32	0.05 33	0.07 35	0.05 33	0.05 24	0.05 31	0.05 31	0.05 36	0.06 36	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 34	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 36	0.07 36	0.05 31	0.05 32	0.05 33	0.07 35	0.05 33	0.05 24	0.05 31	0.05 31	0.05 36	0.06 36	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 34	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 36	0.07 36	0.05 31	0.05 32	0.05 33	0.07 35	0.05 33	0.05 24	0.05 31	0.05 31	0.05 36	0.06 36	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

FINET	0.07 25	0.08 37	0.07 33	0.08 39	0.07 38	0.08 40	0.07 37	0.08 41	0.07 37	0.08 30	0.07 38	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.07 38	0.07 39	0.07 37	0.07 39	0.08 40	0.07 38	0.07 35	0.06 39	0.07 38	0.07 38	0.08 41	0.06 38

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

AnonymousM	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

PVD	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

SHD	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

SAMSARA	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

XQC	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

RTSC	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

RTS	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

RTSA	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

MADNet+	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

MADNet++	0.10 33	0.10 42	0.10 42	0.10 43	0.10 43	0.10 42	0.10 44	0.10 43	0.10 43	0.10 32	0.10 44	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 42	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 41	0.10 42	0.10 42	0.10 45

JetRed	0.22 78	0.11 52	0.12 61	0.11 53	0.11 55	0.11 52	0.11 54	0.11 53	0.11 54	2.93 220	0.11 55	0.11 52	0.11 56	0.11 59	0.11 55	0.12 64	0.11 53	0.11 58	0.11 52	0.11 56	0.11 53	0.11 56	0.11 53	0.11 57	0.11 52	0.11 55	0.11 53	0.11 56

JetBlue	0.23 79	0.12 53	0.13 69	0.12 54	0.12 67	0.12 53	0.11 54	0.14 56	0.12 64	3.07 221	0.12 67	0.12 54	0.11 56	0.11 59	0.13 71	0.13 70	0.12 54	0.12 68	0.13 53	0.11 56	0.12 54	0.13 71	0.12 64	0.14 72	0.13 54	0.12 65	0.12 54	0.11 56

LRCNet_RVC	0.11 45	0.12 53	0.09 39	0.12 54	0.09 41	0.12 53	0.09 41	0.12 54	0.09 41	0.12 42	0.09 42	0.11 52	0.09 42	0.09 43	0.09 43	0.09 42	0.12 54	0.16 74	0.21 74	0.09 43	0.12 54	0.09 43	0.09 38	0.09 42	0.12 53	0.28 104	0.12 54	0.09 41

GMStereo	0.14 59	0.13 55	0.14 72	0.14 57	0.14 71	0.14 57	0.14 70	0.14 56	0.14 71	0.14 43	0.14 72	0.14 56	0.14 73	0.14 72	0.14 73	0.14 72	0.14 57	0.14 72	0.14 55	0.14 73	0.14 56	0.14 73	0.14 69	0.14 72	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
UNet	0.19 71	0.13 55	0.09 39	0.13 56	0.09 41	0.13 55	0.09 41	0.13 55	0.09 41	0.90 141	0.09 42	0.13 55	0.09 42	0.10 46	0.09 43	0.70 174	0.13 56	0.09 43	0.13 53	0.10 44	0.91 176	0.09 43	0.10 41	0.09 42	0.13 54	0.10 42	0.13 56	0.09 41

CIPLG	0.13 53	0.15 57	0.12 61	0.14 57	0.11 55	0.14 57	0.11 54	0.15 64	0.11 54	0.15 47	0.11 55	0.15 64	0.11 56	0.12 63	0.12 66	0.11 55	0.15 63	0.11 58	0.15 62	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 61	0.12 65	0.15 63	0.12 64

IPLG	0.12 48	0.15 57	0.12 61	0.14 57	0.11 55	0.14 57	0.11 54	0.14 56	0.11 54	0.15 47	0.11 55	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 55	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 56	0.11 55	0.14 57	0.11 56

MIPNet	0.12 48	0.15 57	0.12 61	0.14 57	0.11 55	0.14 57	0.11 54	0.14 56	0.11 54	0.15 47	0.11 55	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.15 62	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 56	0.11 55	0.14 57	0.11 56

IPLGR	0.13 53	0.15 57	0.12 61	0.14 57	0.11 55	0.14 57	0.11 54	0.14 56	0.13 69	0.15 47	0.11 55	0.14 56	0.12 69	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 55	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 61	0.11 55	0.14 57	0.11 56

PDISCO_ROB	0.50 127	0.15 57	0.11 55	0.16 65	3.16 234	0.13 55	0.12 65	0.14 56	0.12 64	0.15 47	0.11 55	2.55 223	0.11 56	2.20 223	0.13 71	0.12 64	0.16 65	0.10 44	0.14 55	0.12 68	0.15 64	0.12 67	0.12 64	0.12 65	0.15 61	0.10 42	2.75 223	0.09 41

IPLGR_C	0.13 53	0.16 62	0.14 72	0.15 64	0.11 55	0.14 57	0.11 54	0.14 56	0.11 54	0.14 43	0.11 55	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 55	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 56	0.11 55	0.15 63	0.11 56

ACRE	0.13 53	0.16 62	0.12 61	0.14 57	0.11 55	0.14 57	0.11 54	0.15 64	0.11 54	0.14 43	0.11 55	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 55	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 56	0.11 55	0.14 57	0.11 56

ICVP	0.13 53	0.16 62	0.11 55	0.16 65	0.11 55	0.16 65	0.11 54	0.16 66	0.11 54	0.16 53	0.11 55	0.16 66	0.11 56	0.11 59	0.11 55	0.11 55	0.16 65	0.11 58	0.16 64	0.11 56	0.16 65	0.11 56	0.11 53	0.11 57	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)
HSM	0.14 59	0.17 65	0.11 55	0.17 67	0.11 55	0.17 66	0.12 65	0.17 69	0.11 54	0.17 54	0.11 55	0.17 68	0.11 56	0.12 63	0.12 66	0.12 64	0.17 68	0.12 68	0.17 65	0.12 68	0.17 66	0.12 67	0.12 64	0.12 65	0.17 66	0.12 65	0.17 66	0.12 64

ProNet	0.12 48	0.18 66	0.11 55	0.14 57	0.10 43	0.14 57	0.11 54	0.14 56	0.11 54	0.14 43	0.10 44	0.14 56	0.10 45	0.10 46	0.11 55	0.10 44	0.15 63	0.10 44	0.14 55	0.10 44	0.14 56	0.10 45	0.11 53	0.10 45	0.15 61	0.10 42	0.14 57	0.10 45

SFCPSM	0.23 79	0.18 66	0.13 69	0.18 68	0.12 67	0.18 67	0.80 183	0.17 69	0.12 64	0.88 140	0.12 67	0.17 68	0.12 69	0.13 70	0.12 66	0.12 64	0.18 70	0.12 68	0.18 67	0.12 68	1.18 194	0.13 71	0.12 64	0.12 65	0.18 67	0.13 69	0.18 67	0.12 64

DeepPruner_ROB	0.15 64	0.18 66	0.12 61	0.18 68	0.12 67	0.18 67	0.12 65	0.18 71	0.13 69	0.18 56	0.12 67	0.18 70	0.12 69	0.13 70	0.12 66	0.13 70	0.18 70	0.13 71	0.18 67	0.12 68	0.19 69	0.12 67	0.13 68	0.12 65	0.18 67	0.12 65	0.18 67	0.12 64

ELAS_RVC	0.14 59	0.18 66	0.11 55	0.19 70	0.11 55	0.18 67	0.13 69	0.16 66	0.11 54	0.17 54	0.11 55	0.14 56	0.11 56	0.09 43	0.11 55	0.12 64	0.17 68	0.10 44	0.18 67	0.11 56	0.18 67	0.11 56	0.10 41	0.11 57	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 55	0.20 72	0.11 55	0.20 70	0.12 65	0.18 71	0.12 64	0.18 56	0.12 67	0.19 71	0.11 56	0.11 59	0.11 55	0.11 55	0.18 70	0.11 58	0.19 70	0.11 56	0.19 69	0.11 56	0.11 53	0.11 57	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
DAS	0.20 75	0.20 71	0.20 87	0.20 72	0.20 86	0.20 70	0.20 86	0.20 73	0.20 85	0.20 58	0.20 86	0.20 72	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 71	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 71	0.20 85	0.20 71	0.20 85

ASD4	0.20 75	0.20 71	0.20 87	0.20 72	0.20 86	0.20 70	0.20 86	0.20 73	0.20 85	0.20 58	0.20 86	0.20 72	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 71	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 71	0.20 85	0.20 71	0.20 85

MSKI-zero shot	0.19 71	0.21 73	0.16 74	0.22 77	0.16 74	0.23 84	0.17 77	0.22 79	0.17 78	0.22 62	0.17 77	0.22 77	0.16 76	0.19 85	0.16 76	0.17 76	0.23 83	0.16 74	0.22 75	0.16 76	0.22 77	0.17 80	0.16 71	0.17 77	0.22 77	0.19 84	0.22 76	0.16 73

LALA_ROB	0.15 64	0.21 73	0.12 61	0.21 75	0.12 67	0.20 70	0.14 70	0.20 73	0.12 64	0.22 62	0.12 67	0.16 66	0.12 69	0.10 46	0.12 66	0.12 64	0.21 76	0.11 58	0.22 75	0.12 68	0.20 71	0.12 67	0.11 53	0.12 65	0.21 75	0.14 70	0.21 75	0.13 71

WAO-6	0.30 92	0.22 75	0.23 91	0.22 77	0.23 93	0.23 84	0.22 91	0.22 79	0.23 92	2.21 203	0.22 91	0.22 77	0.22 92	0.22 90	0.22 93	0.23 88	0.22 78	0.23 95	0.22 75	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.23 81	0.23 92	0.22 76	0.22 90

IGEV_Zeroshot_test	0.18 68	0.22 75	0.18 82	0.21 75	0.18 81	0.20 70	0.17 77	0.20 73	0.16 73	0.25 69	0.16 75	0.21 74	0.17 78	0.16 76	0.18 82	0.15 74	0.20 73	0.16 74	0.20 71	0.18 83	0.21 74	0.17 80	0.17 73	0.17 77	0.20 71	0.17 77	0.20 71	0.16 73

dd	0.18 68	0.22 75	0.16 74	0.22 77	0.15 72	0.22 77	0.15 72	0.21 77	0.15 72	0.21 60	0.15 73	0.21 74	0.15 74	0.15 73	0.15 75	0.15 74	0.22 78	0.14 72	0.22 75	0.14 73	0.22 77	0.15 74	0.16 71	0.15 74	0.23 81	0.15 72	0.22 76	0.16 73

iResNetv2_ROB	0.20 75	0.22 75	0.19 86	0.23 83	0.19 84	0.22 77	0.17 77	0.22 79	0.17 78	0.22 62	0.17 77	0.22 77	0.17 78	0.18 82	0.18 82	0.19 82	0.22 78	0.17 78	0.23 82	0.17 78	0.25 85	0.18 85	0.17 73	0.18 84	0.23 81	0.17 77	0.25 90	0.17 78

IMH-64-1	0.29 89	0.23 79	0.23 91	0.23 83	0.22 89	0.22 77	0.23 92	0.22 79	0.22 90	2.02 195	0.23 92	0.23 82	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 82	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 77	0.22 90	0.22 76	0.22 90

IMH-64	0.29 89	0.23 79	0.23 91	0.23 83	0.22 89	0.22 77	0.23 92	0.22 79	0.22 90	2.02 195	0.23 92	0.23 82	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 82	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 77	0.22 90	0.22 76	0.22 90

MIM_Stereo	0.19 71	0.23 79	0.18 82	0.22 77	0.16 74	0.22 77	0.16 75	0.21 77	0.16 73	0.22 62	0.17 77	0.21 74	0.17 78	0.20 86	0.18 82	0.17 76	0.22 78	0.18 85	0.22 75	0.16 76	0.21 74	0.16 76	0.17 73	0.17 77	0.21 75	0.16 75	0.22 76	0.20 85

dad	0.18 68	0.23 79	0.16 74	0.22 77	0.15 72	0.22 77	0.15 72	0.22 79	0.16 73	0.21 60	0.15 73	0.22 77	0.15 74	0.15 73	0.16 76	0.17 76	0.23 83	0.17 78	0.23 82	0.15 75	0.22 77	0.15 74	0.15 70	0.15 74	0.22 77	0.15 72	0.22 76	0.16 73

GEStereo_RVC	0.36 108	0.23 79	0.18 82	0.23 83	0.18 81	0.23 84	0.19 84	0.22 79	0.19 84	0.24 67	0.20 86	0.24 87	0.18 85	0.18 82	0.18 82	0.21 85	0.25 91	0.18 85	0.22 75	0.18 83	0.23 83	0.18 85	0.19 82	0.20 87	0.23 81	0.20 85	4.43 239	0.19 84

iResNet	0.19 71	0.23 79	0.17 78	0.22 77	0.17 77	0.22 77	0.19 84	0.22 79	0.17 78	0.22 62	0.17 77	0.22 77	0.17 78	0.17 77	0.17 79	0.17 76	0.22 78	0.17 78	0.22 75	0.17 78	0.23 83	0.17 80	0.18 80	0.17 77	0.23 81	0.17 77	0.23 83	0.17 78

ELAS	0.14 59	0.23 79	0.10 42	0.19 70	0.11 55	0.20 70	0.11 54	0.16 66	0.10 43	0.15 47	0.11 55	0.15 64	0.11 56	0.09 43	0.11 55	0.11 55	0.16 65	0.10 44	0.17 65	0.11 56	0.18 67	0.11 56	0.09 38	0.10 45	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
MMNet	0.30 92	0.24 86	0.17 78	0.24 87	0.17 77	0.24 87	0.17 77	0.23 87	0.18 82	1.21 164	0.17 77	0.23 82	0.17 78	0.17 77	0.17 79	0.89 183	0.24 87	0.17 78	0.24 86	0.17 78	1.22 198	0.16 76	0.17 73	0.17 77	0.24 86	0.17 77	0.24 84	0.17 78

delet	0.30 92	0.24 86	0.17 78	0.24 87	0.17 77	0.24 87	0.17 77	0.23 87	0.16 73	1.21 164	0.17 77	0.24 87	0.17 78	0.17 77	0.17 79	0.91 187	0.24 87	0.17 78	0.24 86	0.17 78	1.23 200	0.17 80	0.17 73	0.17 77	0.24 86	0.17 77	0.24 84	0.17 78

psm_up	0.30 92	0.24 86	0.17 78	0.25 90	0.17 77	0.24 87	0.17 77	0.24 90	0.17 78	1.20 163	0.17 77	0.23 82	0.17 78	0.17 77	0.18 82	0.90 186	0.24 87	0.17 78	0.25 90	0.17 78	1.24 203	0.17 80	0.17 73	0.17 77	0.24 86	0.17 77	0.24 84	0.17 78

UPFNet	0.29 89	0.24 86	0.16 74	0.24 87	0.16 74	0.24 87	0.16 75	0.23 87	0.16 73	1.19 162	0.16 75	0.23 82	0.16 76	0.17 77	0.16 76	0.89 183	0.24 87	0.16 74	0.24 86	0.18 83	1.20 196	0.16 76	0.17 73	0.16 76	0.24 86	0.16 75	0.24 84	0.16 73

UNDER WATER-64	0.31 100	0.25 90	0.25 97	0.26 95	0.26 97	0.25 92	0.26 99	0.25 91	0.26 101	1.69 182	0.26 102	0.25 89	0.25 98	0.25 98	0.26 104	0.26 96	0.25 91	0.26 102	0.26 93	0.26 103	0.25 85	0.25 96	0.25 95	0.25 98	0.26 95	0.26 100	0.25 90	0.26 102

LoS_RVC	0.25 81	0.25 90	0.25 97	0.25 90	0.25 95	0.25 92	0.25 97	0.25 91	0.25 95	0.25 69	0.25 98	0.25 89	0.25 98	0.26 100	0.25 99	0.26 96	0.25 91	0.25 98	0.26 93	0.25 99	0.25 85	0.25 96	0.25 95	0.25 98	0.25 91	0.25 96	0.25 90	0.25 97

tt_ll	0.25 81	0.25 90	0.25 97	0.25 90	0.25 95	0.25 92	0.25 97	0.25 91	0.25 95	0.25 69	0.25 98	0.25 89	0.25 98	0.26 100	0.25 99	0.26 96	0.25 91	0.25 98	0.26 93	0.25 99	0.25 85	0.25 96	0.25 95	0.25 98	0.25 91	0.25 96	0.25 90	0.25 97

CAS	0.25 81	0.25 90	0.25 97	0.25 90	0.26 97	0.26 97	0.26 99	0.25 91	0.25 95	0.25 69	0.25 98	0.25 89	0.25 98	0.25 98	0.25 99	0.25 93	0.26 97	0.25 98	0.26 93	0.26 103	0.25 85	0.25 96	0.25 95	0.26 101	0.25 91	0.26 100	0.25 90	0.25 97

LoS	0.25 81	0.25 90	0.27 101	0.27 96	0.26 97	0.25 92	0.26 99	0.26 96	0.25 95	0.26 75	0.25 98	0.25 89	0.25 98	0.26 100	0.25 99	0.25 93	0.25 91	0.25 98	0.25 90	0.25 99	0.27 91	0.25 96	0.26 99	0.26 101	0.26 95	0.25 96	0.25 90	0.25 97

HGLStereo	0.27 85	0.25 90	0.21 89	0.35 112	0.21 88	0.35 108	0.21 89	0.34 108	0.21 88	0.39 92	0.21 89	0.34 104	0.21 91	0.22 90	0.21 90	0.21 85	0.35 109	0.22 92	0.35 108	0.22 92	0.35 104	0.22 90	0.21 86	0.21 90	0.35 108	0.21 88	0.35 107	0.21 89

CFNet	0.55 141	0.25 90	0.18 82	0.25 90	0.18 81	0.25 92	0.18 83	0.25 91	0.18 82	0.25 69	0.18 84	0.25 89	0.18 85	0.18 82	0.18 82	0.18 80	0.25 91	0.18 85	0.25 90	0.18 83	5.31 249	4.36 249	0.18 80	0.18 84	0.25 91	0.18 83	0.25 90	0.18 83

SQANet	0.33 103	0.28 97	0.28 104	0.28 100	0.28 105	0.29 99	0.28 107	0.28 97	0.28 107	1.59 180	0.28 108	0.28 98	0.28 106	0.28 109	0.28 109	0.28 104	0.28 100	0.28 105	0.29 99	0.28 106	0.28 93	0.28 107	0.28 103	0.28 107	0.28 98	0.28 104	0.28 97	0.28 106

RAFT + AFF	0.34 105	0.29 98	0.32 119	0.31 102	0.30 119	0.39 126	0.32 125	0.39 124	0.30 117	0.39 92	0.32 122	0.39 121	0.32 120	0.35 120	0.36 128	0.32 121	0.38 118	0.31 119	0.38 116	0.31 122	0.38 111	0.28 107	0.37 129	0.34 125	0.38 115	0.30 119	0.38 114	0.28 106

DISCO	0.59 146	0.29 98	0.22 90	0.27 96	5.05 251	0.30 100	0.21 89	0.28 97	0.21 88	0.27 76	0.21 89	0.27 96	0.20 87	0.21 89	0.21 90	0.21 85	0.27 99	0.21 91	0.27 97	0.21 91	0.27 91	0.23 94	0.21 86	0.21 90	0.27 97	0.21 88	5.06 245	0.22 90

DLNR_Zeroshot_test	0.27 85	0.30 100	0.23 91	0.30 101	0.22 89	0.31 101	0.24 95	0.29 99	0.23 92	0.38 89	0.23 92	0.29 99	0.23 95	0.22 90	0.23 94	0.23 88	0.30 102	0.34 123	0.29 99	0.23 96	0.29 95	0.29 117	0.22 88	0.23 95	0.30 100	0.23 92	0.30 99	0.23 94

FCDSN-DC	0.44 120	0.31 101	0.35 121	0.34 107	0.28 105	0.35 108	0.30 122	0.32 102	0.25 95	1.32 170	0.24 95	1.00 184	0.32 120	0.35 120	0.34 123	0.30 114	0.72 169	0.37 130	0.48 149	0.32 124	0.53 152	0.49 159	0.23 92	0.29 115	0.50 149	0.42 145	0.61 160	0.71 177
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
AANet_RVC	0.61 147	0.31 101	5.05 241	0.31 102	0.19 84	0.24 87	0.20 86	5.86 237	0.20 85	0.24 67	0.18 84	0.25 89	0.20 87	0.23 93	0.21 90	0.18 80	0.37 116	0.18 85	0.24 86	0.19 87	0.25 85	0.19 87	0.19 82	0.19 86	0.24 86	0.15 72	0.24 84	0.20 85

iResNet_ROB	0.28 88	0.32 103	0.24 96	0.33 105	0.26 97	0.32 103	0.24 95	0.33 103	0.25 95	0.33 78	0.24 95	0.35 107	0.24 97	0.23 93	0.24 98	0.25 93	0.32 104	0.24 97	0.36 111	0.24 98	0.32 97	0.28 107	0.24 94	0.24 97	0.32 102	0.24 95	0.33 101	0.24 96

SPstereo	0.27 85	0.33 104	0.23 91	0.32 104	0.23 93	0.31 101	0.23 92	0.31 100	0.23 92	0.31 77	0.24 95	0.31 101	0.23 95	0.23 93	0.23 94	0.23 88	0.31 103	0.23 95	0.31 101	0.23 96	0.31 96	0.23 94	0.23 92	0.23 95	0.31 101	0.23 92	0.31 100	0.23 94

MLCV	0.30 92	0.33 104	0.28 104	0.34 107	0.28 105	0.33 104	0.28 107	0.33 103	0.29 115	0.33 78	0.27 105	0.33 102	0.28 106	0.26 100	0.29 117	0.28 104	0.33 105	0.28 105	0.33 102	0.28 106	0.33 98	0.27 103	0.28 103	0.28 107	0.33 103	0.28 104	0.33 101	0.28 106

CES	0.38 112	0.34 106	0.44 137	0.43 140	0.33 125	0.37 117	0.44 148	0.37 116	0.38 132	0.45 108	0.35 126	0.35 107	0.41 141	0.45 140	0.36 128	0.36 127	0.36 114	0.45 146	0.43 135	0.35 129	0.34 99	0.46 145	0.36 127	0.36 131	0.42 133	0.34 125	0.35 107	0.38 132

anonymity	0.30 92	0.34 106	0.27 101	0.33 105	0.27 102	0.33 104	0.28 107	0.33 103	0.28 107	0.33 78	0.28 108	0.33 102	0.28 106	0.28 109	0.28 109	0.28 104	0.34 106	0.28 105	0.34 105	0.28 106	0.34 99	0.27 103	0.27 101	0.27 104	0.34 105	0.28 104	0.34 105	0.28 106

DN-CSS_ROB	0.30 92	0.34 106	0.29 109	0.34 107	0.27 102	0.34 106	0.28 107	0.33 103	0.27 103	0.34 81	0.27 105	0.34 104	0.28 106	0.29 111	0.27 106	0.26 96	0.35 109	0.29 114	0.33 102	0.28 106	0.34 99	0.28 107	0.28 103	0.27 104	0.34 105	0.28 104	0.33 101	0.28 106

ETE_ROB	0.35 107	0.35 109	0.35 121	0.35 112	0.35 129	0.35 108	0.35 128	0.35 111	0.35 128	0.35 83	0.35 126	0.35 107	0.35 127	0.35 120	0.35 125	0.35 125	0.35 109	0.35 127	0.35 108	0.35 129	0.35 104	0.35 126	0.35 125	0.35 129	0.35 108	0.35 126	0.35 107	0.35 127

XPNet_ROB	0.37 111	0.37 110	0.37 123	0.37 117	0.37 132	0.37 117	0.37 134	0.37 116	0.37 131	0.37 88	0.37 131	0.37 114	0.37 132	0.37 125	0.37 131	0.37 129	0.37 116	0.37 130	0.37 113	0.37 134	0.37 109	0.37 129	0.37 129	0.37 134	0.37 113	0.37 133	0.37 113	0.37 130

WAO-7	0.46 121	0.38 111	0.38 125	0.38 120	0.38 135	0.38 120	0.38 136	0.38 118	0.38 132	2.57 214	0.38 133	0.38 117	0.38 133	0.38 126	0.38 132	0.38 131	0.38 118	0.38 133	0.38 116	0.38 136	0.38 111	0.38 130	0.38 131	0.38 135	0.38 115	0.38 134	0.38 114	0.38 132

Venus	0.46 121	0.38 111	0.40 129	0.38 120	0.38 135	0.39 126	0.38 136	0.38 118	0.38 132	2.71 216	0.38 133	0.38 117	0.38 133	0.38 126	0.38 132	0.38 131	0.38 118	0.38 133	0.38 116	0.38 136	0.38 111	0.38 130	0.38 131	0.38 135	0.38 115	0.38 134	0.39 123	0.38 132

DMCA	0.36 108	0.38 111	0.37 123	0.35 112	0.35 129	0.35 108	0.36 130	0.35 111	0.36 130	0.36 87	0.37 131	0.36 113	0.36 131	0.36 124	0.35 125	0.37 129	0.36 114	0.36 128	0.36 111	0.36 133	0.36 108	0.35 126	0.36 127	0.36 131	0.37 113	0.36 128	0.36 111	0.36 129

HanzoNet	0.47 123	0.39 114	0.38 125	0.38 120	0.38 135	0.38 120	0.38 136	0.40 126	0.38 132	2.63 215	0.38 133	0.38 117	0.38 133	0.38 126	0.38 132	0.39 135	0.38 118	0.38 133	0.38 116	0.42 146	0.38 111	0.39 135	0.39 135	0.38 135	0.38 115	0.38 134	0.38 114	0.39 137

IMH	0.47 123	0.40 115	0.39 128	0.38 120	0.38 135	0.38 120	0.38 136	0.38 118	0.40 137	2.79 218	0.38 133	0.38 117	0.38 133	0.38 126	0.38 132	0.38 131	0.39 127	0.38 133	0.38 116	0.40 140	0.38 111	0.38 130	0.38 131	0.38 135	0.38 115	0.38 134	0.38 114	0.38 132

GwcNet-ADL	0.41 115	0.41 116	0.41 130	0.41 136	0.41 140	0.41 132	0.41 141	0.41 128	0.41 139	0.41 98	0.41 139	0.41 126	0.41 141	0.41 132	0.41 142	0.41 136	0.41 132	0.41 140	0.41 130	0.41 141	0.41 124	0.41 138	0.41 138	0.41 141	0.41 128	0.41 140	0.41 127	0.41 139

PSMNet-ADL	0.41 115	0.41 116	0.41 130	0.41 136	0.41 140	0.41 132	0.41 141	0.41 128	0.41 139	0.41 98	0.41 139	0.41 126	0.41 141	0.41 132	0.41 142	0.41 136	0.41 132	0.41 140	0.41 130	0.41 141	0.41 124	0.41 138	0.41 138	0.41 141	0.41 128	0.41 140	0.41 127	0.41 139

GANet-ADL	0.41 115	0.41 116	0.41 130	0.41 136	0.41 140	0.41 132	0.41 141	0.41 128	0.41 139	0.41 98	0.41 139	0.41 126	0.41 141	0.41 132	0.41 142	0.41 136	0.41 132	0.41 140	0.41 130	0.41 141	0.41 124	0.41 138	0.41 138	0.41 141	0.41 128	0.41 140	0.41 127	0.41 139

ADLNet	0.41 115	0.41 116	0.41 130	0.41 136	0.41 140	0.41 132	0.41 141	0.41 128	0.41 139	0.41 98	0.41 139	0.41 126	0.41 141	0.41 132	0.41 142	0.41 136	0.41 132	0.41 140	0.41 130	0.41 141	0.41 124	0.41 138	0.41 138	0.41 141	0.41 128	0.41 140	0.41 127	0.41 139

GES	0.43 119	0.41 116	0.31 116	0.35 112	0.30 119	0.47 146	0.28 107	0.33 103	0.28 107	0.35 83	0.29 116	2.95 224	0.38 133	0.35 120	0.30 119	0.34 123	0.34 106	0.30 117	0.33 102	0.30 120	0.35 104	0.30 119	0.33 121	0.33 123	0.33 103	0.31 121	0.33 101	0.29 115

DGSMNet	0.33 103	0.42 121	0.28 104	0.40 130	0.28 105	0.40 129	0.28 107	0.40 126	0.28 107	0.40 97	0.28 108	0.39 121	0.28 106	0.27 106	0.28 109	0.28 104	0.40 131	0.28 105	0.42 134	0.29 115	0.41 124	0.31 120	0.29 109	0.28 107	0.41 128	0.28 104	0.42 131	0.29 115

GMOStereo	0.50 127	0.44 122	2.38 229	0.40 130	0.34 126	0.42 136	0.36 130	1.96 209	0.34 124	0.41 98	0.36 128	0.42 130	0.35 127	0.34 116	0.38 132	0.31 116	0.39 127	0.34 123	0.40 127	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 124	0.36 128	0.40 124	0.32 124

error version	0.50 127	0.44 122	2.38 229	0.40 130	0.34 126	0.42 136	0.36 130	1.96 209	0.34 124	0.41 98	0.36 128	0.42 130	0.35 127	0.34 116	0.38 132	0.31 116	0.39 127	0.34 123	0.40 127	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 124	0.36 128	0.40 124	0.32 124

Any-RAFT	0.32 101	0.45 124	0.29 109	0.36 116	0.29 114	0.36 113	0.29 119	0.36 115	0.29 115	0.35 83	0.29 116	0.35 107	0.28 106	0.27 106	0.28 109	0.28 104	0.35 109	0.28 105	0.35 108	0.28 106	0.35 104	0.28 107	0.29 109	0.29 115	0.36 111	0.29 117	0.36 111	0.29 115

RAFT-Test	0.34 105	0.45 124	0.30 113	0.38 120	0.32 123	0.40 129	0.32 125	0.39 124	0.32 120	0.39 92	0.30 119	0.37 114	0.29 115	0.30 114	0.30 119	0.29 112	0.38 118	0.30 117	0.38 116	0.29 115	0.38 111	0.29 117	0.29 109	0.30 119	0.38 115	0.30 119	0.38 114	0.30 120

otaku	0.52 131	0.46 126	0.48 144	0.46 143	0.46 147	0.46 140	0.46 150	0.46 134	0.47 152	1.88 185	0.46 147	0.46 135	0.46 149	0.46 142	0.46 149	0.46 143	0.47 141	0.46 147	0.46 139	0.46 149	0.47 136	0.46 145	0.46 144	0.46 148	0.47 142	0.46 147	0.46 135	0.47 148

Dean	0.52 131	0.46 126	0.48 144	0.46 143	0.46 147	0.46 140	0.46 150	0.46 134	0.46 148	1.90 186	0.46 147	0.47 139	0.46 149	0.46 142	0.46 149	0.46 143	0.48 146	0.46 147	0.46 139	0.46 149	0.46 132	0.46 145	0.46 144	0.46 148	0.46 136	0.46 147	0.46 135	0.46 145

ACVNet_1	0.53 135	0.46 126	0.48 144	0.47 148	0.47 151	0.46 140	0.48 158	0.48 143	0.48 156	2.07 198	0.47 151	0.48 144	0.48 156	0.47 146	0.47 153	0.46 143	0.49 150	0.47 153	0.47 143	0.47 154	0.48 142	0.46 145	0.46 144	0.48 155	0.47 142	0.47 153	0.48 144	0.47 148

ACVNet-4b	0.53 135	0.46 126	0.47 139	0.46 143	0.46 147	0.46 140	0.46 150	0.46 134	0.46 148	2.17 200	0.46 147	0.46 135	0.47 152	0.46 142	0.46 149	0.46 143	0.46 137	0.46 147	0.46 139	0.46 149	0.46 132	0.46 145	0.46 144	0.47 151	0.46 136	0.46 147	0.46 135	0.46 145

iRaft-Stereo_20w	0.30 92	0.46 126	0.27 101	0.34 107	0.26 97	0.35 108	0.28 107	0.34 108	0.26 101	0.34 81	0.26 102	0.34 104	0.26 104	0.26 100	0.26 104	0.26 96	0.34 106	0.26 102	0.34 105	0.26 103	0.34 99	0.26 102	0.26 99	0.26 101	0.34 105	0.26 100	0.34 105	0.26 102

Ntro	0.53 135	0.47 131	0.50 150	0.46 143	0.48 156	0.47 146	0.47 154	0.46 134	0.46 148	2.05 197	0.47 151	0.47 139	0.49 160	0.47 146	0.47 153	0.46 143	0.48 146	0.46 147	0.49 152	0.46 149	0.47 136	0.46 145	0.46 144	0.47 151	0.46 136	0.46 147	0.47 139	0.47 148

UNDER WATER	0.52 131	0.47 131	0.47 139	0.47 148	0.47 151	0.47 146	0.47 154	0.47 140	0.47 152	1.90 186	0.47 151	0.47 139	0.47 152	0.47 146	0.47 153	0.47 150	0.46 137	0.47 153	0.47 143	0.47 154	0.46 132	0.47 153	0.47 150	0.48 155	0.47 142	0.47 153	0.47 139	0.47 148

LVE	0.53 135	0.47 131	0.48 144	0.47 148	0.47 151	0.47 146	0.47 154	0.48 143	0.47 152	1.96 192	0.47 151	0.47 139	0.47 152	0.47 146	0.47 153	0.47 150	0.47 141	0.47 153	0.47 143	0.47 154	0.47 136	0.47 153	0.47 150	0.47 151	0.47 142	0.47 153	0.47 139	0.47 148

RainbowNet	0.53 135	0.48 134	0.48 144	0.48 152	0.48 156	0.48 152	0.48 158	0.48 143	0.48 156	1.92 188	0.48 156	0.48 144	0.48 156	0.48 151	0.48 158	0.48 153	0.48 146	0.48 157	0.48 149	0.48 158	0.48 142	0.48 156	0.48 153	0.48 155	0.48 147	0.48 157	0.48 144	0.48 154

HaxPig	0.52 131	0.48 134	0.47 139	0.47 148	0.47 151	0.47 146	0.47 154	0.47 140	0.47 152	1.80 183	0.47 151	0.47 139	0.47 152	0.47 146	0.47 153	0.47 150	0.47 141	0.47 153	0.47 143	0.47 154	0.47 136	0.47 153	0.47 150	0.47 151	0.47 142	0.47 153	0.47 139	0.47 148

notaker	0.54 140	0.48 134	0.48 144	0.48 152	0.48 156	0.48 152	0.49 161	0.48 143	0.48 156	1.95 191	0.48 156	0.48 144	0.48 156	0.48 151	0.48 158	0.48 153	0.48 146	0.48 157	0.48 149	0.48 158	0.49 145	0.48 156	0.48 153	0.49 158	0.48 147	0.48 157	0.48 144	0.49 155

ACVNet_2	0.55 141	0.49 137	0.50 150	0.49 154	0.49 160	0.49 154	0.49 161	0.49 147	0.49 160	2.14 199	0.49 158	0.50 148	0.49 160	0.49 153	0.49 161	0.49 156	0.50 152	0.49 161	0.50 155	0.49 161	0.49 145	0.49 159	0.49 155	0.50 159	0.50 149	0.49 159	0.50 149	0.49 155

EKT-Stereo	0.36 108	0.50 138	0.30 113	0.40 130	0.29 114	0.40 129	0.29 119	0.35 111	0.30 117	0.47 112	0.30 119	0.35 107	0.32 120	0.29 111	0.34 123	0.33 122	0.59 159	0.31 119	0.39 126	0.29 115	0.37 109	0.38 130	0.29 109	0.31 120	0.58 161	0.28 104	0.51 151	0.29 115

SANet	0.50 127	0.50 138	0.50 150	0.50 156	0.50 163	0.50 156	0.50 163	0.50 150	0.50 161	0.50 113	0.50 159	0.50 148	0.50 162	0.50 156	0.50 163	0.50 159	0.50 152	0.50 162	0.50 155	0.50 163	0.50 147	0.50 163	0.50 157	0.50 159	0.50 149	0.50 161	0.50 149	0.50 157

AEACV	0.74 166	0.52 140	3.10 233	0.60 164	0.48 156	0.56 160	0.48 158	3.02 223	0.83 185	0.61 120	0.62 172	0.72 169	0.50 162	0.49 153	0.49 161	0.48 153	0.58 158	0.50 162	0.55 160	0.48 158	0.56 154	0.50 163	0.50 157	0.51 161	0.58 161	0.51 163	0.60 159	0.51 159

CASnet	0.32 101	0.53 141	0.34 120	0.27 96	0.31 121	0.34 106	0.29 119	0.31 100	0.32 120	0.25 69	0.31 121	0.27 96	0.40 140	0.45 140	0.27 106	0.30 114	0.26 97	0.40 138	0.28 98	0.37 134	0.28 93	0.39 135	0.29 109	0.40 140	0.29 99	0.28 104	0.24 84	0.30 120
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
PSMNet_ROB	0.55 141	0.55 142	0.56 161	0.56 160	0.55 166	0.56 160	0.55 167	0.55 157	0.55 164	0.55 117	0.55 164	0.55 154	0.55 167	0.55 158	0.56 166	0.55 163	0.55 156	0.55 166	0.55 160	0.55 166	0.55 153	0.55 166	0.55 161	0.55 166	0.55 157	0.55 166	0.55 155	0.55 161

PML	0.39 114	0.56 143	0.29 109	0.55 159	0.28 105	0.56 160	0.28 107	0.51 153	0.28 107	0.50 113	0.28 108	0.51 151	0.28 106	0.29 111	0.28 109	0.29 112	0.56 157	0.29 114	0.57 163	0.28 106	0.56 154	0.28 107	0.28 103	0.29 115	0.56 158	0.28 104	0.56 156	0.28 106

LMCR-Stereo	0.61 147	0.61 144	0.61 166	0.61 165	0.61 172	0.67 169	0.61 174	0.61 160	0.61 172	0.61 120	0.61 171	0.61 158	0.61 172	0.61 163	0.61 172	0.61 168	0.61 160	0.61 172	0.61 165	0.61 172	0.61 157	0.61 172	0.61 167	0.61 173	0.61 163	0.61 172	0.61 160	0.61 170

PA-Net	0.71 162	0.62 145	0.55 159	0.69 170	0.71 179	0.70 170	0.69 179	0.69 163	0.74 179	0.73 128	0.75 180	0.59 157	0.72 179	0.82 182	0.79 182	0.83 181	0.67 165	0.76 181	0.81 180	0.67 177	0.61 157	0.76 181	0.68 177	0.65 178	0.82 177	0.76 182	0.71 165	0.69 175
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TorneroNet-64	0.69 158	0.65 146	0.30 113	0.27 96	0.47 151	0.28 98	0.35 128	0.34 108	0.80 181	7.93 255	0.29 116	0.30 100	0.31 117	0.81 181	0.28 109	0.27 103	0.29 101	0.28 105	0.85 181	0.83 186	0.62 159	0.28 107	0.30 117	0.28 107	0.52 155	0.29 117	0.29 98	0.27 105

KSHMR	0.85 176	0.72 147	0.51 153	0.49 154	0.49 160	0.51 157	1.07 199	0.50 150	0.48 156	6.04 249	0.52 161	0.66 161	0.98 193	0.49 153	0.77 180	0.49 156	1.17 198	0.51 164	0.49 152	1.06 198	0.51 148	0.49 159	0.49 155	0.51 161	1.04 188	0.49 159	0.81 176	0.72 178

DMCA-RVC	0.71 162	0.72 147	0.72 171	0.71 174	0.70 178	0.70 170	0.70 180	0.70 164	0.71 178	0.70 125	0.71 178	0.71 168	0.70 178	0.70 176	0.71 179	0.70 174	0.70 166	0.71 180	0.70 169	0.71 178	0.70 164	0.70 180	0.71 180	0.71 180	0.70 167	0.72 180	0.71 165	0.70 176

AFF-stereo	0.71 162	0.73 149	0.65 169	0.82 182	0.63 175	0.83 179	0.63 175	0.73 167	0.65 174	0.82 137	0.73 179	0.74 172	0.64 174	0.63 167	0.62 173	0.62 169	0.73 171	0.63 175	0.74 174	0.72 180	0.80 170	0.58 168	0.70 179	0.71 180	0.79 173	0.69 179	0.78 171	0.72 178

DSFCA	0.66 152	0.73 149	0.74 172	0.68 169	0.65 176	0.64 166	0.65 177	0.65 162	0.65 174	0.66 123	0.65 174	0.65 160	0.64 174	0.65 172	0.65 177	0.65 172	0.65 163	0.65 177	0.65 167	0.65 175	0.65 163	0.65 175	0.65 172	0.65 178	0.66 165	0.66 177	0.65 163	0.65 174

ARAFT	0.64 150	0.74 151	0.62 167	0.70 173	0.56 168	0.72 172	0.55 167	0.72 166	0.54 163	0.73 128	0.56 165	0.72 169	0.56 168	0.56 159	0.62 173	0.63 170	0.73 171	0.53 165	0.73 172	0.54 165	0.72 166	0.65 175	0.62 168	0.56 167	0.72 169	0.54 164	0.72 167	0.57 162

RAFT-Stereo + iAFF	0.67 156	0.74 151	0.60 164	0.79 179	0.61 172	0.76 173	0.57 170	0.71 165	0.56 166	0.71 126	0.54 163	0.72 169	0.66 177	0.65 172	0.65 177	0.64 171	0.74 173	0.64 176	0.74 174	0.63 173	0.73 167	0.65 175	0.64 170	0.64 177	0.74 171	0.61 172	0.73 168	0.64 172

NaN_ROB	0.80 170	0.80 153	0.80 176	0.80 180	0.80 182	0.80 176	0.80 183	0.80 170	0.80 181	0.80 135	0.80 183	0.80 176	0.80 182	0.80 179	0.80 183	0.80 179	0.80 176	0.80 184	0.80 178	0.80 184	0.80 170	0.80 183	0.80 183	0.80 183	0.80 175	0.80 184	0.80 173	0.80 182

CSAN	0.80 170	0.80 153	0.80 176	0.80 180	0.80 182	0.80 176	0.80 183	0.80 170	0.80 181	0.80 135	0.80 183	0.80 176	0.80 182	0.80 179	0.80 183	0.80 179	0.80 176	0.80 184	0.80 178	0.80 184	0.80 170	0.80 183	0.80 183	0.80 183	0.80 175	0.80 184	0.80 173	0.80 182

FC-DCNN	1.10 194	0.81 155	0.77 173	0.63 167	0.42 145	0.86 181	0.64 176	0.91 175	0.96 191	1.11 152	0.80 183	1.07 190	0.81 184	0.67 175	1.75 221	1.30 211	1.41 210	0.85 187	1.28 205	0.71 178	2.12 219	1.32 211	0.52 159	0.81 186	1.64 212	1.40 216	2.39 221	1.75 222

DDUNet	0.69 158	0.84 156	0.59 163	0.84 183	0.59 170	0.87 182	0.57 170	0.84 172	0.59 171	0.82 137	0.58 168	0.85 179	0.57 169	0.59 162	0.59 169	0.57 165	0.87 180	0.59 169	0.85 181	0.59 170	0.85 174	0.59 170	0.59 165	0.59 169	0.87 178	0.59 169	0.84 177	0.59 164

UDG	0.70 160	0.87 157	0.56 161	0.87 184	0.59 170	0.84 180	0.59 173	0.85 173	0.57 168	0.84 139	0.59 169	0.84 178	0.60 171	0.58 160	0.60 170	0.59 166	0.85 179	0.59 169	0.87 183	0.58 168	0.87 175	0.60 171	0.57 163	0.59 169	0.87 178	0.58 168	0.86 178	0.60 166

CASS	0.58 145	0.89 158	0.55 159	0.56 160	0.55 166	0.60 164	0.57 170	0.57 159	0.56 166	0.55 117	0.56 165	0.56 155	0.50 162	0.63 167	0.56 166	0.56 164	0.62 161	0.62 173	0.59 164	0.56 167	0.56 154	0.48 156	0.60 166	0.56 167	0.57 160	0.60 170	0.57 158	0.59 164
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DPSM_ROB	0.93 180	0.92 159	0.94 181	0.96 187	1.02 191	0.92 183	0.98 189	0.95 178	0.92 187	0.92 142	0.92 188	0.91 180	0.97 191	0.92 186	0.91 189	0.91 187	0.96 185	0.94 191	0.93 186	0.91 190	0.93 179	0.92 188	0.93 187	0.91 188	0.91 180	0.99 189	0.92 179	0.91 186

DPSM	0.93 180	0.92 159	0.94 181	0.96 187	1.02 191	0.92 183	0.98 189	0.95 178	0.92 187	0.92 142	0.92 188	0.91 180	0.97 191	0.92 186	0.91 189	0.91 187	0.96 185	0.94 191	0.93 186	0.91 190	0.93 179	0.92 188	0.93 187	0.91 188	0.91 180	0.99 189	0.92 179	0.91 186

pmcnn	0.92 178	0.92 159	0.92 180	0.92 185	0.92 187	0.92 183	0.92 187	0.92 176	0.92 187	0.92 142	0.92 188	0.92 183	0.92 189	0.92 186	0.92 191	0.92 190	0.92 183	0.92 189	0.92 184	0.92 192	0.92 178	0.92 188	0.92 186	0.92 190	0.92 182	0.92 188	0.92 179	0.92 188

DGTPSM_ROB	0.92 178	0.93 162	0.91 179	0.93 186	0.91 186	0.92 183	0.93 188	0.92 176	0.92 187	0.92 142	0.91 187	0.91 180	0.93 190	0.91 184	0.92 191	0.92 190	0.92 183	0.92 189	0.92 184	0.90 189	0.91 176	0.92 188	0.93 187	0.94 191	0.92 182	0.91 187	0.92 179	0.97 189

GANet	1.00 185	1.00 163	1.00 183	1.00 189	1.00 188	1.00 187	1.00 192	1.00 180	1.00 192	1.00 146	1.00 191	1.00 184	1.00 194	1.00 191	1.00 193	1.00 193	1.00 187	1.00 193	1.00 188	1.00 193	1.00 181	1.00 192	1.00 191	1.00 193	1.00 184	1.00 192	1.00 183	1.00 190

TDLM	1.00 185	1.00 163	1.00 183	1.00 189	1.00 188	1.00 187	1.00 192	1.00 180	1.00 192	1.00 146	1.00 191	1.00 184	1.00 194	1.00 191	1.00 193	1.00 193	1.00 187	1.00 193	1.00 188	1.00 193	1.00 181	1.00 192	1.00 191	1.00 193	1.00 184	1.00 192	1.00 183	1.00 190

CVANet_RVC	1.00 185	1.00 163	1.00 183	1.00 189	1.00 188	1.00 187	1.00 192	1.00 180	1.00 192	1.00 146	1.00 191	1.00 184	1.00 194	1.00 191	1.00 193	1.00 193	1.00 187	1.00 193	1.00 188	1.00 193	1.00 181	1.00 192	1.00 191	1.00 193	1.00 184	1.00 192	1.00 183	1.00 190

GLC_STEREO	1.05 193	1.01 166	1.02 186	1.02 192	1.02 191	1.05 191	1.06 196	1.05 184	1.05 195	1.04 151	1.05 194	1.05 189	1.04 197	1.06 196	1.05 196	1.06 197	1.06 190	1.05 197	1.06 191	1.05 197	1.06 185	1.06 196	1.04 195	1.05 196	1.04 188	1.05 195	1.06 187	1.06 193

DPSimNet_ROB	0.93 180	1.04 167	0.83 178	1.05 193	0.82 184	1.04 190	0.83 186	1.03 183	0.89 186	1.03 149	0.84 186	1.03 188	0.84 185	0.83 183	0.84 186	0.83 181	1.14 193	0.84 186	1.12 195	0.84 187	1.04 184	0.88 187	0.83 185	0.84 187	1.07 192	0.83 186	1.15 194	0.88 184

Former-RAFT_DAM_RVC	0.38 112	1.06 168	0.54 157	0.59 163	0.27 102	0.46 140	0.27 102	0.46 134	0.27 103	0.46 110	0.27 105	0.46 135	0.26 104	0.27 106	0.27 106	0.26 96	0.46 137	0.26 102	0.45 138	0.30 120	0.46 132	0.27 103	0.27 101	0.27 104	0.46 136	0.27 103	0.45 134	0.26 102

HBP-ISP	1.47 207	1.07 169	1.03 187	1.30 207	1.08 196	1.36 206	1.06 196	1.44 201	1.25 212	1.97 193	1.51 216	1.65 210	1.58 217	0.98 189	1.58 217	1.68 219	1.98 216	1.32 212	2.02 216	1.28 214	2.95 224	1.89 227	0.97 190	1.06 198	1.26 204	0.99 189	1.94 211	1.43 216

HSM-Net_RVC	0.93 180	1.09 170	0.79 175	1.10 195	0.78 180	1.09 192	0.79 182	1.16 190	0.80 181	1.14 154	0.79 182	1.17 196	0.77 180	0.73 177	0.83 185	0.78 176	1.19 200	0.79 182	1.18 199	0.72 180	1.19 195	0.80 183	0.72 181	0.80 183	1.18 200	0.74 181	1.14 193	0.73 180
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
TorneroNet	1.15 197	1.10 171	0.51 153	0.69 170	0.51 164	1.10 193	0.50 163	0.51 153	0.51 162	13.92 256	1.17 205	0.49 147	0.51 165	0.54 157	0.48 158	0.49 156	0.49 150	0.65 177	0.70 169	0.49 161	0.51 148	0.49 159	0.67 175	1.36 214	0.51 153	0.50 161	0.52 153	1.23 207

ktn	0.84 174	1.15 172	0.54 157	1.16 202	1.26 210	0.51 157	0.53 166	0.51 153	0.66 176	4.54 239	0.51 160	0.52 153	0.52 166	0.66 174	0.51 164	0.51 160	1.37 209	1.17 205	0.49 152	0.51 164	1.23 200	0.51 165	0.67 175	0.51 161	0.51 153	0.68 178	0.51 151	0.51 159

Nwc_Net	1.15 197	1.15 172	1.15 195	1.09 194	1.19 206	1.16 196	1.17 203	1.15 188	1.16 204	1.16 158	1.16 201	1.08 191	1.16 204	1.11 199	1.15 205	1.18 206	1.11 191	1.10 199	1.16 196	1.17 207	1.16 190	1.13 201	1.18 204	1.20 209	1.11 194	1.15 202	1.16 195	1.20 204

RP	1.14 195	1.16 174	1.15 195	1.17 203	1.10 198	1.16 196	1.15 201	1.10 185	1.16 204	1.15 155	1.08 196	1.16 194	1.15 203	1.15 203	1.14 203	1.16 202	1.16 196	1.10 199	1.10 192	1.10 201	1.16 190	1.11 199	1.10 198	1.19 208	1.14 196	1.19 207	1.07 188	1.10 196

RGC	1.15 197	1.16 174	1.17 198	1.15 200	1.11 200	1.21 201	1.21 211	1.10 185	1.15 202	1.16 158	1.11 198	1.17 196	1.09 199	1.14 202	1.11 200	1.16 202	1.19 200	1.11 202	1.10 192	1.15 206	1.11 187	1.19 205	1.16 202	1.12 203	1.17 198	1.10 199	1.16 195	1.17 201

Abc-Net	1.14 195	1.16 174	1.18 199	1.10 195	1.10 198	1.16 196	1.18 205	1.16 190	1.13 201	1.11 152	1.16 201	1.16 194	1.12 201	1.10 197	1.17 206	1.16 202	1.16 196	1.10 199	1.16 196	1.14 204	1.17 192	1.16 202	1.11 199	1.09 201	1.10 193	1.10 199	1.16 195	1.17 201
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereo	1.15 197	1.17 177	1.12 194	1.10 195	1.15 201	1.14 194	1.15 201	1.15 188	1.12 200	1.17 161	1.17 205	1.11 192	1.17 207	1.11 199	1.10 199	1.16 202	1.12 192	1.11 202	1.16 196	1.13 203	1.23 200	1.16 202	1.19 206	1.11 202	1.18 200	1.17 204	1.17 198	1.13 199

S-Stereo	1.22 203	1.18 178	1.19 201	1.20 204	1.23 208	1.23 202	1.19 206	1.19 193	1.18 208	1.27 167	1.20 209	1.20 200	1.20 209	1.23 207	1.22 210	1.23 209	1.23 203	1.23 211	1.20 201	1.25 213	1.20 196	1.22 210	1.25 209	1.24 211	1.20 202	1.22 210	1.26 202	1.24 208

edge stereo	1.15 197	1.18 178	1.11 193	1.12 198	1.17 205	1.17 200	1.17 203	1.16 190	1.18 208	1.16 158	1.17 205	1.17 196	1.13 202	1.11 199	1.11 200	1.12 199	1.17 198	1.17 205	1.11 194	1.17 207	1.17 192	1.17 204	1.18 204	1.14 204	1.11 194	1.18 205	1.12 192	1.11 197

stereogan	1.17 202	1.19 180	1.15 195	1.15 200	1.15 201	1.15 195	1.19 206	1.19 193	1.15 202	1.15 155	1.16 201	1.19 199	1.19 208	1.19 205	1.19 207	1.19 207	1.15 194	1.19 208	1.19 200	1.19 210	1.15 189	1.19 205	1.15 201	1.15 205	1.16 197	1.15 202	1.19 199	1.20 204

FAT-Stereo	1.22 203	1.23 181	1.19 201	1.21 205	1.24 209	1.24 203	1.19 206	1.25 195	1.24 211	1.25 166	1.19 208	1.20 200	1.24 211	1.20 206	1.21 208	1.25 210	1.22 202	1.21 209	1.25 203	1.23 212	1.22 198	1.19 205	1.19 206	1.24 211	1.25 203	1.20 208	1.19 199	1.25 209

RASNet	1.39 206	1.37 182	1.35 204	1.38 210	1.40 212	1.39 208	1.77 221	1.36 198	1.74 221	1.36 173	1.36 212	1.36 207	1.36 213	1.36 208	1.35 211	1.41 216	1.36 207	1.36 216	1.36 207	1.35 215	1.36 207	1.35 213	1.36 211	1.35 213	1.36 208	1.35 213	1.36 207	1.35 210

SPS-STEREO	1.25 205	1.47 183	1.06 191	1.54 212	1.08 196	1.52 210	1.20 210	1.44 201	1.06 197	1.49 179	1.10 197	1.41 208	1.10 200	0.98 189	1.08 198	1.12 199	1.47 211	1.04 196	1.53 210	1.14 204	1.52 209	1.07 197	1.02 194	1.05 196	1.48 210	1.07 197	1.55 208	1.11 197
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-8	1.02 191	1.50 184	1.49 208	0.40 130	0.40 139	1.56 211	0.98 189	1.55 203	0.58 169	4.18 236	0.40 138	0.79 175	0.48 156	0.91 184	0.39 140	0.99 192	0.71 168	0.70 179	0.51 158	0.77 182	1.07 186	0.82 186	0.69 178	0.96 192	1.01 187	1.30 211	1.10 191	1.38 214

STTRV1_RVC	0.66 152	1.59 185	0.52 156	0.69 170	0.61 172	0.66 168	0.43 147	0.88 174	0.45 147	0.71 126	0.62 172	0.69 167	0.45 148	0.62 164	0.40 141	0.44 142	0.80 176	0.59 169	0.76 176	0.63 173	0.80 170	0.46 145	0.64 170	0.61 173	0.72 169	0.54 164	0.80 173	0.60 166

DPSMNet_ROB	1.62 212	1.60 186	1.59 209	1.61 213	1.69 216	1.66 212	1.61 217	1.70 204	1.65 219	1.62 181	1.60 218	1.61 209	1.60 218	1.60 213	1.59 218	1.62 217	1.60 212	1.63 219	1.62 211	1.68 222	1.70 210	1.60 217	1.64 217	1.60 219	1.61 211	1.60 218	1.60 209	1.59 218

iRaftStereo_RVC	0.62 149	1.76 187	2.24 226	0.52 158	0.37 132	0.53 159	0.38 136	2.51 220	0.38 132	0.51 115	0.38 133	0.51 151	0.38 133	0.38 126	0.38 132	0.38 131	0.52 154	0.38 133	0.52 159	0.38 136	0.52 150	0.38 130	0.38 131	0.38 135	0.52 155	0.39 138	0.52 153	0.38 132

G-Net	0.82 173	1.77 188	0.78 174	0.78 178	0.78 180	0.78 175	0.78 181	0.78 168	0.79 180	0.79 134	0.78 181	0.78 173	0.78 181	0.78 178	0.78 181	0.78 176	0.79 175	0.79 182	0.79 177	0.79 183	0.79 169	0.79 182	0.79 182	0.79 182	0.79 173	0.79 183	0.79 172	0.79 181

MFMNet_re	1.77 215	1.89 189	1.72 213	1.88 214	1.69 216	1.89 213	1.67 218	1.91 206	1.70 220	1.87 184	1.67 219	1.89 211	1.68 220	1.67 214	1.67 220	1.70 220	1.88 213	1.68 221	1.88 212	1.67 220	1.89 211	1.68 220	1.70 219	1.71 221	1.87 213	1.68 223	1.87 210	1.68 220

R-Stereo Train	1.62 212	2.01 190	1.41 206	1.97 215	1.40 212	1.96 214	1.39 214	1.93 207	1.39 215	1.92 188	1.38 214	1.94 212	1.39 215	1.40 211	1.45 214	1.38 214	1.96 214	1.37 217	1.97 213	1.39 216	1.98 212	1.41 215	1.40 212	1.37 215	1.97 214	1.38 214	1.96 212	1.37 212

RAFT-Stereo	1.62 212	2.01 190	1.41 206	1.97 215	1.40 212	1.96 214	1.39 214	1.93 207	1.39 215	1.92 188	1.38 214	1.94 212	1.39 215	1.40 211	1.45 214	1.38 214	1.96 214	1.37 217	1.97 213	1.39 216	1.98 212	1.41 215	1.40 212	1.37 215	1.97 214	1.38 214	1.96 212	1.37 212
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
GANetREF_RVC	1.52 210	2.01 190	1.21 203	1.98 217	1.21 207	1.98 216	1.21 211	1.98 212	1.21 210	1.99 194	1.21 210	1.98 214	1.21 210	1.02 194	1.21 208	1.21 208	1.99 217	1.21 209	1.99 215	1.21 211	1.99 214	1.21 208	1.21 208	1.21 210	1.99 216	1.21 209	1.99 214	1.21 206
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
HH	0.66 152	2.13 193	0.47 139	0.37 117	0.29 114	0.36 113	0.27 102	0.49 147	0.44 145	0.78 132	0.68 176	0.67 163	0.90 187	0.62 164	0.90 187	0.53 161	0.88 181	0.48 157	0.37 113	0.29 115	0.63 160	0.66 178	0.66 173	0.51 161	1.06 190	0.61 172	1.08 189	0.60 166

HanStereo	0.66 152	2.13 193	0.47 139	0.37 117	0.29 114	0.36 113	0.27 102	0.49 147	0.44 145	0.78 132	0.68 176	0.67 163	0.90 187	0.62 164	0.90 187	0.53 161	0.88 181	0.48 157	0.37 113	0.29 115	0.63 160	0.66 178	0.66 173	0.51 161	1.06 190	0.61 172	1.08 189	0.60 166

TRStereo	2.05 219	2.13 193	1.85 217	2.27 218	1.84 221	2.28 217	1.84 224	2.29 215	1.87 225	2.29 207	1.86 223	2.30 217	1.87 225	2.30 227	1.87 226	2.08 227	2.29 219	1.87 225	2.30 218	1.87 226	2.08 216	1.72 221	1.86 225	2.30 231	2.13 217	1.84 226	2.29 216	1.87 225

XX-Stereo	2.05 219	2.13 193	1.85 217	2.27 218	1.84 221	2.28 217	1.84 224	2.29 215	1.87 225	2.29 207	1.86 223	2.30 217	1.87 225	2.30 227	1.87 226	2.08 227	2.29 219	1.87 225	2.30 218	1.87 226	2.08 216	1.72 221	1.86 225	2.30 231	2.13 217	1.84 226	2.29 216	1.87 225

EAI-Stereo	2.05 219	2.13 193	1.85 217	2.27 218	1.84 221	2.28 217	1.84 224	2.29 215	1.87 225	2.29 207	1.86 223	2.30 217	1.87 225	2.30 227	1.87 226	2.08 227	2.29 219	1.87 225	2.30 218	1.87 226	2.08 216	1.72 221	1.86 225	2.30 231	2.13 217	1.84 226	2.29 216	1.87 225

NCCL2	2.27 224	2.27 198	2.28 228	2.27 218	2.28 230	2.28 217	2.28 231	2.27 214	2.28 231	2.28 204	2.28 230	2.29 216	2.28 231	2.28 226	2.29 232	2.28 232	2.28 218	2.28 233	2.27 217	2.28 234	2.28 220	2.28 232	2.28 232	2.28 229	2.28 220	2.28 232	2.11 215	2.28 233

STTStereo	2.30 225	2.34 199	2.26 227	2.37 222	2.23 227	2.40 221	2.35 232	2.20 213	2.33 232	2.28 204	2.31 231	2.19 215	2.37 232	2.20 223	2.31 233	2.23 231	2.38 222	2.25 232	2.33 221	2.27 233	2.39 221	2.27 231	2.31 233	2.29 230	2.37 221	2.32 233	2.34 220	2.26 232

UDGNet	1.97 217	2.43 200	1.67 210	2.46 224	1.70 218	2.44 223	1.69 219	2.34 218	1.63 218	2.35 211	1.67 219	2.37 221	1.67 219	1.68 215	1.64 219	1.67 218	2.44 224	1.64 220	2.43 222	1.67 220	2.43 223	1.66 218	1.67 218	1.63 220	2.43 222	1.66 221	2.42 222	1.66 219

FBW_ROB	2.04 218	2.50 201	1.75 214	2.45 223	1.78 219	2.40 221	1.74 220	2.47 219	1.77 222	2.37 212	1.81 221	2.30 217	1.80 221	1.78 216	1.88 229	1.80 221	2.41 223	1.77 222	2.43 222	1.83 224	2.39 221	1.81 225	1.76 221	1.75 222	2.56 223	1.75 224	2.30 219	1.74 221

CroCo-Stereo	0.80 170	2.51 202	0.41 130	1.27 206	0.41 140	1.27 204	0.41 141	1.27 196	0.41 139	1.27 167	0.41 139	1.27 203	0.41 141	0.41 132	0.41 142	0.41 136	1.28 204	0.41 140	1.27 204	0.41 141	1.27 204	0.41 138	0.42 142	0.41 141	1.27 205	0.41 140	1.27 203	0.41 139
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
LL-Strereo2	0.47 123	2.60 203	0.51 153	0.38 120	0.28 105	0.37 117	0.28 107	0.55 157	0.35 128	0.44 106	0.34 125	0.44 134	0.34 124	0.34 116	0.36 128	0.36 127	0.47 141	0.36 128	0.47 143	0.35 129	0.47 136	0.35 126	0.35 125	0.35 129	0.46 136	0.35 126	0.47 139	0.35 127

IER	0.56 144	2.72 204	2.20 224	0.38 120	0.29 114	0.38 120	0.27 102	2.77 222	0.27 103	0.38 89	0.28 108	0.37 114	0.25 98	0.26 100	0.25 99	0.26 96	0.38 118	0.29 114	0.38 116	0.25 99	0.39 119	0.25 96	0.29 109	0.29 115	0.40 124	0.25 96	0.38 114	0.25 97

NLCA_NET_v2_RVC	2.50 226	2.85 205	1.90 222	2.90 225	2.77 231	2.88 224	2.85 233	2.51 220	2.85 234	2.88 219	1.99 228	2.50 222	2.76 234	2.20 223	1.57 216	2.64 233	2.89 225	2.63 234	5.69 249	1.03 196	2.01 215	2.71 233	2.74 236	2.73 234	2.87 224	1.64 219	1.00 183	1.49 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CroCo-Stereo Lap2	0.85 176	2.86 206	0.43 136	1.33 208	0.43 146	1.31 205	0.42 146	1.32 197	0.42 144	1.31 169	0.44 145	1.32 204	0.44 147	0.43 139	0.44 148	0.43 141	1.35 205	0.43 145	1.32 206	0.43 147	1.31 205	0.43 144	0.43 143	0.42 147	1.31 206	0.42 145	1.31 204	0.43 144

test croco	1.96 216	3.33 207	1.04 188	3.24 226	1.04 194	3.24 226	1.04 195	3.26 225	1.05 195	3.26 222	1.13 199	3.27 225	1.06 198	1.05 195	1.05 196	1.05 196	3.28 226	1.05 197	3.29 224	1.06 198	3.30 225	1.05 195	1.05 196	1.06 198	3.30 225	1.06 196	3.30 226	1.06 193

4D-IteraStereo	0.67 156	3.40 208	1.05 189	0.71 174	0.83 185	0.47 146	0.27 102	0.47 140	0.27 103	0.35 83	0.26 102	0.68 165	0.84 185	0.41 132	0.54 165	0.89 183	0.74 173	0.88 188	0.73 172	0.87 188	0.42 129	0.27 103	0.28 103	0.28 107	0.36 111	0.28 104	0.68 164	0.90 185

MIF-Stereo (partial)	2.52 227	3.41 209	1.05 189	3.29 227	1.05 195	3.29 228	1.06 196	3.30 226	1.06 197	3.31 223	1.06 195	4.97 244	2.72 233	2.72 230	2.71 234	2.70 234	6.57 252	2.19 230	5.08 246	1.08 200	3.36 226	1.07 197	1.07 197	1.07 200	3.35 227	1.07 197	3.36 227	1.07 195

DPSNet	3.67 233	3.61 210	3.62 236	3.64 230	3.61 239	3.64 230	3.65 239	3.64 228	3.67 238	3.67 226	3.65 237	3.68 228	3.69 244	3.69 238	3.69 245	3.68 241	3.70 229	3.70 242	3.69 230	3.69 243	3.71 231	3.69 239	3.67 240	3.69 242	3.68 231	3.67 238	3.68 230	3.67 235

MIF-Stereo	2.12 223	3.66 211	1.10 192	3.48 229	1.15 201	3.57 229	1.11 200	3.44 227	1.16 204	3.52 224	1.16 201	3.50 226	1.16 204	1.10 197	1.13 202	1.15 201	3.61 227	1.17 205	3.64 225	1.12 202	3.58 228	1.12 200	1.12 200	1.17 206	3.53 228	1.18 205	3.52 228	1.18 203

MyStereo	0.47 123	3.97 212	0.31 116	0.34 107	0.32 123	0.36 113	0.30 122	0.35 111	0.31 119	0.51 115	0.45 146	0.35 107	0.31 117	0.31 115	0.32 122	0.31 116	0.35 109	0.31 119	0.34 105	0.31 122	0.34 99	0.32 122	0.31 118	0.32 121	0.35 108	0.31 121	0.35 107	0.30 120

sCroCo_RVC	2.76 228	4.00 213	1.82 216	4.00 236	1.83 220	3.98 235	1.82 222	3.99 229	1.81 223	4.14 233	2.76 232	4.13 237	1.82 223	1.83 217	1.83 222	1.82 222	4.01 236	1.82 224	3.98 233	1.86 225	4.00 236	1.82 226	1.83 223	1.84 223	4.02 237	1.81 225	4.00 235	1.83 224

sAnonymous2	2.87 229	4.16 214	1.89 220	4.26 240	1.87 224	4.23 238	1.92 227	4.17 230	1.94 228	4.16 234	1.92 226	4.20 238	1.92 228	1.96 219	1.86 224	1.87 224	4.25 239	1.90 228	4.23 238	1.91 229	4.26 239	1.93 228	1.89 228	1.90 224	4.07 238	1.91 229	5.09 247	1.93 229

CroCo_RVC	2.87 229	4.16 214	1.89 220	4.26 240	1.87 224	4.23 238	1.92 227	4.17 230	1.94 228	4.16 234	1.92 226	4.20 238	1.92 228	1.96 219	1.86 224	1.87 224	4.25 239	1.90 228	4.23 238	1.91 229	4.26 239	1.93 228	1.89 228	1.90 224	4.07 238	1.91 229	5.09 247	1.93 229

test_1	0.65 151	4.37 216	2.38 229	0.40 130	0.34 126	0.42 136	0.36 130	1.96 209	0.34 124	0.41 98	0.36 128	0.42 130	0.35 127	0.34 116	0.38 132	0.31 116	0.39 127	0.34 123	0.40 127	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 124	0.36 128	0.40 124	0.32 124

test-3	0.78 168	4.38 217	1.80 215	0.62 166	0.49 160	0.62 165	0.50 163	1.86 205	0.64 173	0.69 124	0.52 161	0.66 161	0.38 133	0.58 160	0.57 168	0.46 143	0.66 164	0.46 147	0.50 155	0.44 148	0.48 142	0.58 168	0.54 160	0.60 171	0.70 167	0.46 147	0.48 144	0.50 157

CC-Net-ROB	1.51 209	4.40 218	1.69 212	1.39 211	1.40 212	1.37 207	1.40 216	1.36 198	1.39 215	1.41 175	1.36 212	1.35 206	1.38 214	1.39 210	1.39 212	1.36 213	1.36 207	1.35 214	1.39 208	1.39 216	1.37 208	1.36 214	1.41 214	1.48 218	1.39 209	1.42 217	1.35 206	1.35 210

PS-NSSS	1.48 208	4.46 219	1.35 204	1.35 209	1.35 211	1.41 209	1.34 213	1.36 198	1.35 214	1.40 174	1.35 211	1.33 205	1.35 212	1.37 209	1.40 213	1.35 212	1.35 205	1.35 214	1.39 208	1.44 219	1.35 206	1.34 212	1.35 210	1.38 217	1.35 207	1.33 212	1.34 205	1.38 214

MyStereo02	0.84 174	4.69 220	0.69 170	0.73 177	0.65 176	0.80 176	0.66 178	0.79 169	0.67 177	0.77 131	0.66 175	0.78 173	0.65 176	0.63 167	0.63 176	0.79 178	0.72 169	0.62 173	0.72 171	0.59 170	0.74 168	0.62 173	0.63 169	0.62 176	0.78 172	0.62 176	0.74 169	0.64 172

MyStereo04	0.76 167	4.78 221	0.62 167	0.63 167	0.54 165	0.65 167	0.56 169	0.61 160	0.58 169	0.61 120	0.56 165	0.63 159	0.57 169	0.63 167	0.60 170	0.60 167	0.64 162	0.56 168	0.63 166	0.58 168	0.63 160	0.62 173	0.55 161	0.60 171	0.63 164	0.57 167	0.64 162	0.58 163

TestStereo	4.92 249	4.80 222	4.98 240	4.82 245	4.97 250	4.91 246	4.78 251	4.80 234	4.88 251	4.78 242	4.80 250	4.99 245	4.81 252	4.83 248	4.87 252	4.97 252	4.93 247	5.01 253	5.03 245	4.90 252	5.02 247	5.02 251	5.06 251	5.04 251	4.93 245	4.89 250	5.01 244	5.09 250

Anonymous3	3.36 231	4.93 223	2.20 224	4.92 246	2.23 227	4.90 245	2.23 230	4.89 235	2.24 230	4.95 244	2.21 229	4.91 243	2.21 230	2.18 222	2.22 231	2.22 230	4.86 246	2.20 231	4.90 244	2.20 232	4.96 246	2.21 230	2.21 231	2.21 228	6.30 249	2.21 231	4.90 242	2.23 231

MyStereo03	0.79 169	4.96 224	0.60 164	0.72 176	0.58 169	0.77 174	0.44 148	0.51 153	0.55 164	0.73 128	0.60 170	0.68 165	0.61 172	0.63 167	0.62 173	0.66 173	0.70 166	0.55 166	0.69 168	0.65 175	0.71 165	0.57 167	0.58 164	0.61 173	0.68 166	0.60 170	0.75 170	0.63 171

DispFullNet	4.96 250	5.67 225	3.30 235	5.01 247	3.21 235	4.50 242	3.11 234	4.43 232	3.44 237	4.60 240	3.46 236	5.13 246	3.44 238	3.53 234	3.20 236	2.87 236	4.80 245	3.15 235	4.70 242	4.83 251	9.02 256	5.98 254	5.95 255	6.21 253	8.84 255	5.85 252	9.76 256	5.91 252

Anonymous	4.38 243	6.03 226	2.67 232	6.71 252	3.03 233	5.98 251	3.20 235	6.18 244	2.49 233	6.13 250	3.16 233	6.07 250	2.97 235	3.15 231	3.09 235	3.15 237	6.62 253	3.20 236	6.32 252	3.16 237	6.80 252	3.15 235	2.63 234	3.20 235	7.02 250	2.85 234	6.13 249	3.25 234

HCRNet	0.71 162	6.06 227	3.15 234	0.50 156	0.22 89	0.21 76	0.15 72	3.04 224	0.34 124	0.43 105	0.33 124	0.43 133	0.33 123	0.15 73	0.14 73	0.14 72	0.21 76	0.17 78	0.47 143	0.20 88	0.21 74	0.16 76	0.32 119	0.33 123	0.50 149	0.33 124	0.49 148	0.28 106

SGM-Forest	5.07 251	6.74 228	4.17 237	6.46 251	4.68 249	6.21 252	4.38 249	6.00 239	4.14 247	5.84 248	4.44 249	6.28 251	4.16 250	3.92 243	4.56 251	4.60 251	6.15 250	4.27 250	6.12 251	4.31 250	5.99 251	4.27 247	3.92 246	4.27 248	6.13 248	4.10 249	6.18 250	4.49 249
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MaskLacGwcNet_RVC	0.70 160	6.91 229	0.46 138	0.46 143	0.46 147	0.46 140	0.46 150	0.46 134	0.46 148	0.46 110	0.46 147	0.46 135	0.46 149	0.46 142	0.46 149	0.46 143	0.46 137	0.46 147	0.46 139	0.46 149	0.47 136	0.46 145	0.46 144	0.46 148	0.46 136	0.46 147	0.46 135	0.46 145

SA	3.93 236	7.22 230	4.74 238	4.15 238	3.88 245	3.70 231	4.02 248	6.67 247	3.95 243	3.64 225	3.74 239	3.63 227	3.00 236	3.51 233	3.68 244	3.68 241	3.73 231	3.71 243	3.64 225	3.48 238	3.58 228	2.97 234	3.69 241	3.61 237	3.55 230	3.42 235	3.64 229	3.79 243

cross-raft	4.43 244	7.31 231	6.46 246	4.47 242	3.95 246	4.46 241	3.95 246	6.70 248	3.97 244	4.41 237	3.82 242	4.38 241	3.94 248	3.95 244	3.95 249	3.95 245	4.45 243	3.95 247	4.46 241	3.95 247	4.46 243	3.95 244	3.95 247	3.94 246	4.40 240	3.95 247	4.45 240	3.95 245

RAFT+CT+SA	4.43 244	7.34 232	6.71 248	5.01 247	4.38 248	4.40 240	3.85 244	6.15 243	4.30 248	4.89 243	3.26 234	4.49 242	3.01 237	4.53 247	3.36 237	3.65 240	3.64 228	4.39 251	3.94 232	4.28 249	4.44 242	4.30 248	4.24 250	4.52 249	3.90 234	3.85 245	4.89 241	4.00 246

test-1	4.11 237	7.65 233	4.93 239	3.65 231	3.58 237	4.70 244	3.74 243	4.73 233	4.06 245	3.72 227	4.11 247	3.70 229	3.49 239	3.36 232	3.65 240	4.17 249	3.92 234	4.04 249	4.19 237	3.75 244	4.69 245	4.18 246	3.88 244	3.90 244	4.73 242	3.77 243	3.12 225	3.68 238

Sa-1000	3.84 235	7.71 234	6.81 251	4.15 238	2.86 232	3.27 227	3.87 245	5.99 238	4.35 249	2.78 217	3.71 238	3.88 230	3.56 240	3.88 241	3.64 238	2.71 235	3.72 230	3.27 237	3.67 229	3.15 236	3.51 227	3.36 237	2.70 235	3.49 236	3.32 226	3.76 242	2.87 224	3.76 242

raft_robust	4.19 242	7.78 235	6.08 244	3.30 228	3.85 244	4.03 236	3.73 242	6.25 246	3.30 236	4.44 238	3.28 235	4.01 234	3.82 247	4.29 246	3.70 246	4.01 246	4.48 244	3.42 238	4.11 235	3.76 245	4.05 237	3.32 236	3.85 243	3.82 243	4.71 241	3.83 244	4.09 236	3.80 244

TestStereo1	4.11 237	7.79 236	6.72 249	3.93 233	3.81 242	3.96 233	3.58 237	6.96 250	3.74 240	3.90 228	3.76 240	3.89 231	3.57 241	3.70 239	3.66 241	3.34 238	3.80 232	3.62 239	3.66 227	3.68 241	3.91 233	3.70 240	3.65 238	3.67 239	3.88 232	3.53 236	3.89 232	3.68 238

SA-5K	4.11 237	7.79 236	6.72 249	3.93 233	3.81 242	3.96 233	3.58 237	6.96 250	3.74 240	3.90 228	3.76 240	3.89 231	3.57 241	3.70 239	3.66 241	3.34 238	3.80 232	3.62 239	3.66 227	3.68 241	3.91 233	3.70 240	3.65 238	3.67 239	3.88 232	3.53 236	3.89 232	3.68 238

TESTraft	4.16 241	8.03 238	6.81 251	3.99 235	3.68 240	3.93 232	3.70 241	6.86 249	3.69 239	3.93 230	3.88 245	3.93 233	3.59 243	3.65 237	3.64 238	3.68 241	3.92 234	3.72 244	3.92 231	3.57 240	3.84 232	3.70 240	3.71 242	3.67 239	3.91 235	3.74 240	3.92 234	3.67 235

test_4	4.11 237	8.05 239	6.64 247	4.52 243	3.68 240	3.00 225	3.40 236	6.21 245	3.29 235	4.07 232	3.84 243	4.04 235	3.76 246	3.56 236	3.67 243	3.76 244	4.04 237	3.79 245	4.10 234	3.53 239	3.98 235	3.74 243	3.55 237	3.61 237	3.94 236	3.75 241	3.73 231	3.73 241

SGM+DAISY	6.35 252	8.16 240	5.14 242	8.12 256	5.08 252	8.12 255	5.16 252	8.01 253	5.18 253	7.92 254	5.14 251	7.89 255	5.14 253	4.95 249	5.33 253	5.32 253	8.14 256	5.16 254	8.16 255	5.16 253	8.21 255	5.19 252	5.12 252	5.12 252	8.18 254	5.24 251	8.12 255	5.11 251

RAFT_CTSACE	4.43 244	8.26 241	6.10 245	4.62 244	4.01 247	4.54 243	3.65 239	6.09 240	3.93 242	4.64 241	4.14 248	4.26 240	4.13 249	3.91 242	3.88 247	4.06 248	4.30 241	4.03 248	4.27 240	3.92 246	4.26 239	3.67 238	3.91 245	4.16 247	4.82 243	4.08 248	4.20 238	3.67 235

CFNet_RVC	0.93 180	8.54 242	0.41 130	0.56 160	0.37 132	0.56 160	0.37 134	0.50 150	0.40 137	0.56 119	5.24 252	0.56 155	0.34 124	0.40 131	0.41 142	0.34 123	0.53 155	0.40 138	0.56 162	0.38 136	0.52 150	0.40 137	0.40 136	0.41 141	0.56 158	0.40 139	0.56 156	0.40 138

test_5	4.51 247	8.85 243	5.35 243	3.66 232	3.56 236	5.10 247	4.47 250	6.14 241	4.07 246	4.96 245	3.87 244	5.14 247	4.17 251	3.53 234	4.39 250	4.53 250	4.15 238	3.62 239	4.74 243	2.94 235	3.63 230	4.53 250	4.20 249	4.54 250	4.86 244	3.68 239	4.95 243	4.06 247

pcwnet_v2	1.01 189	9.73 244	0.28 104	0.38 120	0.28 105	0.38 120	0.28 107	0.38 118	0.28 107	0.38 89	0.28 108	0.39 121	0.28 106	9.61 255	0.28 109	0.28 104	0.38 118	0.28 105	0.38 116	0.28 106	0.38 111	0.28 107	0.29 109	0.28 107	0.38 115	0.28 104	0.38 114	0.28 106

CFNet_pseudo	1.01 189	9.78 245	0.29 109	0.38 120	0.28 105	0.38 120	0.28 107	0.38 118	0.28 107	0.39 92	0.28 108	0.39 121	0.28 106	9.50 254	0.29 117	0.28 104	0.38 118	0.28 105	0.38 116	0.28 106	0.38 111	0.28 107	0.28 103	0.28 107	0.38 115	0.28 104	0.38 114	0.28 106

RAFT	6.60 253	9.99 246	8.33 256	7.21 255	6.55 253	5.95 250	5.87 253	8.70 256	5.02 252	5.10 246	6.69 253	7.06 254	6.94 256	6.17 252	7.09 256	6.84 254	6.47 251	4.72 252	5.60 247	5.60 254	5.11 248	5.97 253	6.93 256	6.89 254	7.16 251	7.08 255	6.58 252	6.66 253

ccs_rob	1.00 185	10.06 247	0.31 116	0.44 142	0.31 121	0.43 139	0.31 124	0.43 132	0.32 120	0.45 108	0.32 122	1.20 200	0.31 117	7.02 253	0.31 121	0.31 116	0.44 136	0.31 119	0.44 136	0.32 124	0.44 130	0.31 120	0.32 119	0.32 121	0.44 135	0.32 123	0.43 132	0.31 123

UCFNet_RVC	1.03 192	10.10 248	0.28 104	0.38 120	0.28 105	0.39 126	0.28 107	0.38 118	0.28 107	0.39 92	0.28 108	0.39 121	0.29 115	9.62 256	0.28 109	0.28 104	0.38 118	0.28 105	0.38 116	0.28 106	0.39 119	0.28 107	0.29 109	0.28 107	0.39 123	0.28 104	0.38 114	0.29 115

StereoVision	3.44 232	10.12 249	1.68 211	5.44 249	2.26 229	5.87 248	1.97 229	5.17 236	1.31 213	5.80 247	1.56 217	5.62 248	1.84 224	1.97 221	1.91 230	1.84 223	4.98 248	1.32 212	5.60 247	1.71 223	5.35 250	1.73 224	1.97 230	1.96 226	5.40 246	1.65 220	5.08 246	1.76 223

StereoIM	3.69 234	10.19 250	2.01 223	6.09 250	2.01 226	5.94 249	1.82 222	6.14 241	1.85 224	6.59 251	1.82 222	6.01 249	1.81 222	1.83 217	1.83 222	2.02 226	5.87 249	1.79 223	5.93 250	2.06 231	4.63 244	1.67 219	1.84 224	2.08 227	5.90 247	1.66 221	6.34 251	1.87 225

test_3	4.55 248	10.96 251	7.69 255	4.04 237	3.60 238	4.10 237	3.98 247	7.94 252	4.56 250	3.99 231	4.03 246	4.08 236	3.74 245	3.99 245	3.91 248	4.05 247	4.33 242	3.89 246	4.14 236	4.00 248	4.11 238	4.02 245	4.01 248	3.91 245	3.53 228	3.94 246	4.19 237	4.20 248

test-v	7.17 254	11.53 252	7.63 253	7.17 253	6.87 254	7.48 253	6.90 254	8.14 254	6.88 254	6.93 252	7.42 254	7.05 252	6.14 254	6.05 250	6.86 254	6.99 255	7.60 254	6.75 255	6.90 253	6.66 255	7.83 253	6.36 255	5.89 253	7.34 255	7.19 252	6.75 253	7.52 253	6.77 254

test-2	7.17 254	11.53 252	7.63 253	7.17 253	6.87 254	7.48 253	6.90 254	8.14 254	6.88 254	6.93 252	7.42 254	7.05 252	6.14 254	6.05 250	6.86 254	6.99 255	7.60 254	6.75 255	6.90 253	6.66 255	7.83 253	6.36 255	5.89 253	7.34 255	7.19 252	6.75 253	7.52 253	6.77 254

rafts_anoy	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

raft+_RVC	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

raftrobust	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

CasAABBNet	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

RALCasStereoNet	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

RALAANet	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

MSMDNet	20.00 257	20.00 254	20.00 258	20.00 257	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 258	20.00 258	20.00 258	20.00 258	20.00 257	20.00 258	20.00 256	20.00 258	20.00 257	20.00 258	20.00 258	20.00 258	20.00 256	20.00 257	20.00 257	20.00 257

MANE	18.41 256	23.00 261	16.00 257	22.00 264	15.00 256	22.00 263	15.00 256	22.00 264	15.00 256	21.00 264	15.00 256	22.00 263	15.00 257	15.00 257	17.00 257	15.00 257	23.00 264	15.00 257	22.00 263	15.00 257	23.00 264	15.00 257	18.00 257	15.00 257	24.00 263	17.00 256	24.00 264	16.00 256

AF-Net	2.06 222	25.73 262	1.18 199	1.12 198	1.16 204	1.16 196	1.19 206	1.10 185	1.17 207	1.15 155	1.14 200	1.11 192	1.16 204	1.16 204	1.14 203	1.11 198	1.15 194	1.13 204	1.21 202	1.17 207	1.11 187	1.21 208	1.17 203	1.17 206	1.17 198	1.11 201	1.20 201	1.13 199

MoCha-V2	1.57 211	31.91 263	0.38 125	0.43 140	0.35 129	0.49 154	0.34 127	0.43 132	0.33 123	0.44 106	0.41 139	0.50 148	0.34 124	0.41 132	0.35 125	0.35 125	0.47 141	0.37 130	0.44 136	0.35 129	0.44 130	0.41 138	0.40 136	0.36 131	0.43 134	0.36 128	0.44 133	0.37 130

CBMV	101.59 265	71.60 264	48.40 266	72.70 266	49.00 265	79.60 265	48.40 265	80.90 266	46.90 264	68.90 265	49.00 265	78.00 265	572.10 274	49.50 265	51.30 265	48.40 265	72.20 265	639.60 274	79.40 264	48.90 266	79.50 265	51.40 265	52.30 266	48.30 266	80.20 264	49.10 264	79.60 266	47.60 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MDST_ROB	61.15 264	72.66 265	46.52 265	70.00 265	44.89 264	64.24 264	43.75 264	73.65 265	48.92 265	72.70 266	42.40 264	60.70 264	50.23 265	50.07 266	67.69 266	68.60 266	83.13 266	47.77 265	82.48 265	46.00 265	95.93 266	53.44 266	50.66 265	45.00 265	84.99 265	53.64 265	79.01 265	52.07 265

MeshStereo	151.99 266	131.36 266	140.69 267	151.38 267	151.40 266	150.79 266	151.72 266	149.36 267	159.46 266	146.42 267	150.73 266	149.06 269	176.22 266	143.94 267	133.10 269	133.45 269	153.30 268	154.22 267	154.67 267	153.95 268	156.90 269	156.53 269	160.21 267	162.72 267	154.57 266	160.59 266	153.47 267	163.50 266
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
AE-Stereo	252.48 268	202.00 267	361.00 271	502.00 271	324.00 270	321.00 267	482.00 273	423.00 271	227.00 270	201.00 268	273.00 270	101.00 266	207.00 267	198.00 268	183.00 270	181.00 270	221.00 269	232.00 271	477.00 269	220.00 270	111.00 267	100.00 267	219.00 269	214.00 268	204.00 267	211.00 268	200.00 268	222.00 269

MGS-Stereo	264.93 269	208.00 268	362.00 272	512.00 272	350.00 271	326.00 268	443.00 272	410.00 270	210.00 267	232.00 270	215.00 267	125.00 267	217.00 268	216.00 270	127.00 268	122.00 268	223.00 270	230.00 269	487.00 271	255.00 271	250.00 270	223.00 271	272.00 271	228.00 271	241.00 268	220.00 270	214.00 269	235.00 270

EGLCR-Stereo	276.81 270	209.00 269	366.00 273	514.00 273	354.00 272	336.00 269	422.00 270	440.00 272	220.00 269	231.00 269	245.00 269	135.00 268	237.00 270	218.00 271	197.00 271	222.00 272	223.00 270	230.00 269	487.00 271	255.00 271	250.00 270	273.00 272	272.00 271	228.00 271	241.00 268	220.00 270	214.00 269	235.00 270

DLCB_ROB	280.78 271	376.74 270	215.59 268	376.74 268	215.59 267	376.74 270	215.59 267	366.42 269	218.39 268	366.42 271	218.39 268	366.42 270	218.39 269	209.96 269	219.76 272	219.38 271	376.72 272	216.43 268	376.72 268	216.43 269	376.72 272	216.43 270	216.14 268	216.14 270	376.69 271	217.67 269	376.69 272	217.67 268

NOSS_ROB	248.11 267	409.00 271	288.00 269	412.00 269	280.00 268	411.00 271	288.00 268	356.00 268	275.00 271	379.00 272	303.00 271	415.00 271	278.00 271	260.00 272	104.00 267	103.00 267	126.00 267	108.00 266	118.00 266	98.00 267	126.00 268	104.00 268	268.00 270	216.00 269	279.00 270	201.00 267	288.00 271	206.00 267

LE_ROB	387.11 272	453.07 272	321.39 270	500.23 270	323.05 269	493.99 272	324.56 269	477.63 273	322.28 272	465.51 273	322.97 272	486.37 272	334.17 272	305.26 273	320.63 273	327.66 273	476.08 273	315.70 272	483.76 270	335.15 273	469.64 273	309.74 273	315.90 273	318.85 273	498.41 272	328.85 272	491.00 273	330.08 272

SGM-ForestM	522.49 273	676.08 273	448.56 274	638.17 274	433.15 273	639.59 273	427.03 271	617.52 274	439.90 273	604.63 274	429.02 273	611.68 273	432.74 273	420.18 274	451.96 274	465.85 274	601.06 274	403.73 273	659.15 273	405.50 274	669.64 274	437.21 274	455.85 274	425.66 274	689.82 273	481.65 273	662.43 274	479.61 273

CBMV_ROB	1133.35 274	1280.38 274	976.92 275	1317.57 275	1021.62 274	1282.66 274	1022.22 274	1213.88 275	982.57 274	1194.12 275	975.90 274	1357.87 274	1090.02 275	943.32 275	1021.85 275	1006.47 275	1309.01 275	986.29 275	1499.40 274	986.35 275	1359.35 275	975.96 275	975.21 275	969.30 275	1337.82 274	1042.34 274	1398.25 275	1073.86 274

anonymousdsp2	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 275	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 275

anonymousdsp	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 275	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 275

AMNet	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 275	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 276	10000000.00 275	10000000.00 275	10000000.00 276	10000000.00 275

FADE			0.05 26	0.05 33				0.05 32		0.06 29			0.04 29	0.05 31	0.07 35	0.07 38	0.07 38	0.05 34		0.04 28	0.09 41	0.08 41	0.06 34	0.05 33			0.05 33

Low-res two-view benchmark