Low-res two-view results

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

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

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

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

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

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

CroCo-Stereo Lap2	0.16 11	0.18 184	0.39 27	0.26 230	0.18 232	0.11 1	0.19 124	0.30 37	0.22 12	0.13 1	0.16 16	0.15 28	0.11 9	0.17 8	0.15 37	0.07 13	0.07 92	0.08 59	0.06 22	0.08 64	0.07 11

CroCo-Stereo	0.15 4	0.16 144	0.34 13	0.25 198	0.12 48	0.11 1	0.18 92	0.35 81	0.24 24	0.13 1	0.13 5	0.18 47	0.12 15	0.15 1	0.13 7	0.08 87	0.06 34	0.07 13	0.05 8	0.07 30	0.06 4
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
DLNR_Zeroshot_test	10.53 419	12.28 427	20.32 427	105.84 439	23.88 436	0.14 3	0.13 2	3.20 414	0.20 5	0.16 11	0.23 50	0.16 32	0.10 3	0.32 138	0.16 46	2.54 414	0.32 377	0.07 13	0.07 44	40.17 437	0.28 331

CASnet	0.15 4	0.13 73	0.30 5	0.22 86	0.08 2	0.15 4	0.14 12	0.28 17	0.26 48	0.23 54	0.20 30	0.15 28	0.11 9	0.18 12	0.13 7	0.07 13	0.05 3	0.11 228	0.09 165	0.08 64	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
test croco	0.18 21	0.16 144	0.59 211	0.21 54	0.13 80	0.16 5	0.17 54	0.29 28	0.23 15	0.16 11	0.26 66	0.13 11	0.17 77	0.27 80	0.17 59	0.09 143	0.06 34	0.10 182	0.07 44	0.10 178	0.07 11

StereoIM	0.15 4	0.17 167	0.39 27	0.19 13	0.15 158	0.16 5	0.13 2	0.26 10	0.22 12	0.13 1	0.15 15	0.14 22	0.11 9	0.17 8	0.17 59	0.08 87	0.07 92	0.08 59	0.06 22	0.07 30	0.06 4

MIF-Stereo (partial)	0.18 21	0.13 73	0.50 120	0.22 86	0.15 158	0.16 5	0.13 2	0.29 28	0.26 48	0.17 15	0.26 66	0.16 32	0.17 77	0.25 54	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.09 131	0.08 37

Selective-IGEV	0.15 4	0.10 11	0.34 13	0.32 321	0.19 255	0.16 5	0.14 12	0.29 28	0.20 5	0.13 1	0.14 14	0.13 11	0.08 1	0.23 40	0.14 24	0.06 1	0.13 243	0.07 13	0.06 22	0.06 2	0.11 128

MIF-Stereo	0.15 4	0.12 57	0.45 56	0.21 54	0.14 108	0.17 9	0.13 2	0.20 1	0.19 3	0.16 11	0.20 30	0.10 1	0.11 9	0.18 12	0.17 59	0.08 87	0.06 34	0.07 13	0.06 22	0.08 64	0.07 11

MIM_Stereo	0.20 57	0.17 167	0.55 174	0.20 34	0.21 285	0.17 9	0.14 12	0.37 98	0.27 57	0.28 91	0.35 144	0.23 86	0.13 31	0.28 98	0.16 46	0.06 1	0.08 139	0.09 119	0.08 104	0.08 64	0.15 217

GLC_STEREO	0.15 4	0.11 27	0.31 7	0.22 86	0.09 5	0.17 9	0.15 25	0.24 7	0.28 65	0.17 15	0.20 30	0.17 39	0.11 9	0.24 46	0.17 59	0.07 13	0.09 168	0.09 119	0.08 104	0.07 30	0.07 11

PFNet+	0.21 80	0.11 27	0.54 168	0.22 86	0.12 48	0.17 9	0.18 92	0.31 51	0.36 149	0.33 184	0.32 115	0.24 101	0.16 62	0.33 147	0.18 78	0.10 198	0.07 92	0.11 228	0.10 209	0.08 64	0.12 163

CES	0.14 1	0.08 2	0.24 1	0.17 4	0.23 309	0.18 13	0.15 25	0.24 7	0.20 5	0.14 5	0.18 22	0.14 22	0.10 3	0.19 21	0.12 1	0.07 13	0.05 3	0.06 1	0.04 1	0.08 64	0.20 268

MC-Stereo	0.18 21	0.10 11	0.36 19	0.28 286	0.14 108	0.18 13	0.15 25	0.24 7	0.20 5	0.21 31	0.24 55	0.16 32	0.13 31	0.25 54	0.14 24	0.07 13	0.17 300	0.07 13	0.07 44	0.06 2	0.30 337

DisPM	0.20 57	0.11 27	0.52 148	0.24 166	0.13 80	0.18 13	0.19 124	0.30 37	0.31 99	0.33 184	0.34 138	0.23 86	0.16 62	0.34 161	0.17 59	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.12 163

test-3	0.18 21	0.10 11	0.48 85	0.23 129	0.14 108	0.18 13	0.16 40	0.32 56	0.29 78	0.26 76	0.17 17	0.22 73	0.13 31	0.26 71	0.19 99	0.06 1	0.14 252	0.08 59	0.08 104	0.06 2	0.10 99

test_1	0.18 21	0.10 11	0.48 85	0.23 129	0.14 108	0.18 13	0.16 40	0.32 56	0.29 78	0.26 76	0.17 17	0.22 73	0.13 31	0.26 71	0.19 99	0.06 1	0.14 252	0.08 59	0.08 104	0.06 2	0.10 99

RAFT_R40	0.22 93	0.11 27	0.52 148	0.25 198	0.13 80	0.18 13	0.18 92	0.32 56	0.31 99	0.33 184	0.33 130	0.30 166	0.23 147	0.55 235	0.19 99	0.08 87	0.05 3	0.10 182	0.08 104	0.09 131	0.07 11

RAFT-IKP	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.18 13	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.26 71	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

CREStereo++_RVC	0.16 11	0.09 3	0.42 41	0.17 4	0.11 25	0.18 13	0.13 2	0.23 3	0.31 99	0.21 31	0.31 106	0.13 11	0.11 9	0.17 8	0.16 46	0.07 13	0.04 1	0.06 1	0.15 317	0.06 2	0.05 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
AFF-stereo	0.20 57	0.24 248	0.49 102	0.22 86	0.11 25	0.18 13	0.18 92	0.35 81	0.29 78	0.25 71	0.36 157	0.25 112	0.17 77	0.25 54	0.17 59	0.06 1	0.09 168	0.08 59	0.08 104	0.08 64	0.11 128

4D-IteraStereo	0.20 57	0.21 211	0.62 227	0.21 54	0.14 108	0.19 22	0.17 54	0.29 28	0.28 65	0.24 60	0.20 30	0.20 60	0.10 3	0.22 36	0.18 78	0.07 13	0.07 92	0.10 182	0.08 104	0.08 64	0.33 345

RCA-Stereo	0.17 18	0.10 11	0.33 11	0.20 34	0.11 25	0.19 22	0.17 54	0.39 123	0.36 149	0.21 31	0.25 59	0.17 39	0.17 77	0.18 12	0.15 37	0.07 13	0.14 252	0.07 13	0.06 22	0.06 2	0.08 37

DCANet-4	0.20 57	0.11 27	0.58 204	0.19 13	0.09 5	0.19 22	0.18 92	0.39 123	0.42 206	0.29 114	0.31 106	0.17 39	0.22 138	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

fff	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.38 107	0.46 243	0.29 114	0.31 106	0.18 47	0.28 213	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

ADStereo(finetuned)	0.21 80	0.15 123	0.59 211	0.19 13	0.09 5	0.19 22	0.18 92	0.37 98	0.41 194	0.30 135	0.31 106	0.19 53	0.31 249	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.07 30	0.10 99

test_4	0.19 37	0.16 144	0.39 27	0.24 166	0.13 80	0.19 22	0.21 174	0.27 13	0.24 24	0.24 60	0.47 263	0.22 73	0.13 31	0.27 80	0.18 78	0.06 1	0.06 34	0.09 119	0.09 165	0.07 30	0.06 4

iRaft-Stereo_5w	0.25 172	0.24 248	0.50 120	0.23 129	0.18 232	0.19 22	0.19 124	0.39 123	0.35 136	0.28 91	0.36 157	0.34 198	0.23 147	0.66 287	0.28 201	0.07 13	0.07 92	0.08 59	0.07 44	0.09 131	0.14 206

Patchmatch Stereo++	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.14 12	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.27 80	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.25 54	0.17 59	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

ROB_FTStereo_v2	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.25 54	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

ROB_FTStereo	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.13 2	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.25 54	0.17 59	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

HUI-Stereo	0.19 37	0.13 73	0.52 148	0.22 86	0.11 25	0.19 22	0.14 12	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.23 40	0.17 59	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

ASMatch	0.23 122	0.11 27	0.55 174	0.25 198	0.14 108	0.19 22	0.16 40	0.32 56	0.30 92	0.28 91	0.68 339	0.28 144	0.26 188	0.50 214	0.22 147	0.07 13	0.06 34	0.08 59	0.07 44	0.06 2	0.11 128

SST-Stereo	0.22 93	0.11 27	0.52 148	0.25 198	0.14 108	0.19 22	0.17 54	0.32 56	0.26 48	0.34 198	0.33 130	0.29 156	0.25 176	0.56 240	0.18 78	0.08 87	0.05 3	0.10 182	0.08 104	0.09 131	0.07 11

Pruner-Stereo	0.20 57	0.12 57	0.49 102	0.29 299	0.12 48	0.19 22	0.17 54	0.32 56	0.31 99	0.33 184	0.32 115	0.25 112	0.15 50	0.25 54	0.22 147	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.10 99

DeepStereo_RVC	0.19 37	0.12 57	0.47 73	0.22 86	0.11 25	0.19 22	0.16 40	0.29 28	0.24 24	0.28 91	0.27 75	0.23 86	0.28 213	0.24 46	0.19 99	0.08 87	0.06 34	0.09 119	0.07 44	0.09 131	0.10 99

iGMRVC	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.27 80	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

IRAFT_RVC	0.23 122	0.15 123	0.54 168	0.26 230	0.12 48	0.19 22	0.23 219	0.41 150	0.39 181	0.31 150	0.30 96	0.29 156	0.24 165	0.55 235	0.23 162	0.08 87	0.06 34	0.10 182	0.08 104	0.08 64	0.08 37

iRAFT	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.14 12	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.27 80	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

AnonymousM	0.19 37	0.20 204	0.30 5	0.18 8	0.10 17	0.19 22	0.17 54	0.32 56	0.27 57	0.27 85	0.21 42	0.18 47	0.14 41	0.21 25	0.16 46	0.09 143	0.08 139	0.38 374	0.15 317	0.06 2	0.08 37

rafts_anoy	0.21 80	0.22 225	0.49 102	0.25 198	0.24 320	0.19 22	0.17 54	0.34 72	0.32 107	0.24 60	0.25 59	0.20 60	0.16 62	0.25 54	0.21 132	0.08 87	0.19 311	0.11 228	0.12 270	0.09 131	0.09 58

raftrobust	0.19 37	0.19 192	0.42 41	0.23 129	0.24 320	0.19 22	0.13 2	0.33 68	0.28 65	0.26 76	0.20 30	0.19 53	0.17 77	0.23 40	0.17 59	0.08 87	0.10 193	0.07 13	0.06 22	0.07 30	0.09 58

DCANet	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.37 98	0.41 194	0.30 135	0.31 106	0.19 53	0.23 147	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.07 30	0.10 99

csc	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.38 107	0.46 243	0.29 114	0.31 106	0.18 47	0.28 213	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

cscssc	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.38 107	0.46 243	0.29 114	0.31 106	0.18 47	0.28 213	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

RAFT-Stereo + iAFF	0.20 57	0.23 238	0.49 102	0.21 54	0.16 187	0.19 22	0.17 54	0.35 81	0.32 107	0.26 76	0.33 130	0.20 60	0.17 77	0.21 25	0.17 59	0.06 1	0.10 193	0.07 13	0.07 44	0.07 30	0.11 128

IGEVStereo-DCA	0.20 57	0.17 167	0.41 33	0.22 86	0.15 158	0.20 48	0.17 54	0.28 17	0.23 15	0.19 23	0.12 2	0.14 22	0.12 15	0.38 182	0.31 225	0.07 13	0.16 282	0.08 59	0.07 44	0.08 64	0.36 351

rrr	0.22 93	0.17 167	0.79 284	0.22 86	0.15 158	0.20 48	0.18 92	0.40 132	0.27 57	0.19 23	0.12 2	0.14 22	0.12 15	0.38 182	0.31 225	0.07 13	0.16 282	0.08 59	0.07 44	0.08 64	0.28 331

IGEV_Zeroshot_test	0.23 122	0.11 27	0.82 291	0.21 54	0.23 309	0.20 48	0.19 124	0.38 107	0.23 15	0.34 198	0.22 48	0.29 156	0.14 41	0.24 46	0.20 115	0.07 13	0.09 168	0.08 59	0.08 104	0.08 64	0.35 350

LoS_RVC	0.14 1	0.11 27	0.32 9	0.18 8	0.16 187	0.20 48	0.18 92	0.21 2	0.18 1	0.14 5	0.20 30	0.12 3	0.17 77	0.17 8	0.14 24	0.06 1	0.05 3	0.06 1	0.04 1	0.05 1	0.14 206

CAS	0.16 11	0.07 1	0.29 4	0.42 366	0.17 212	0.20 48	0.18 92	0.23 3	0.20 5	0.15 9	0.19 25	0.11 2	0.10 3	0.15 1	0.14 24	0.31 371	0.04 1	0.06 1	0.04 1	0.06 2	0.16 227

ProNet	0.16 11	0.13 73	0.36 19	0.21 54	0.15 158	0.20 48	0.19 124	0.29 28	0.23 15	0.14 5	0.13 5	0.13 11	0.12 15	0.25 54	0.13 7	0.06 1	0.09 168	0.07 13	0.06 22	0.07 30	0.22 285

HHNet	0.23 122	0.12 57	0.66 242	0.19 13	0.18 232	0.20 48	0.20 155	0.36 86	0.32 107	0.33 184	0.59 314	0.19 53	0.21 133	0.24 46	0.31 225	0.08 87	0.06 34	0.09 119	0.07 44	0.08 64	0.12 163

AAGNet	0.34 270	0.12 57	0.53 158	0.26 230	0.16 187	0.20 48	0.19 124	0.31 51	0.29 78	0.35 213	0.35 144	0.27 132	0.30 236	0.44 197	2.56 407	0.08 87	0.05 3	0.10 182	0.07 44	0.09 131	0.07 11

PSM-softLoss	0.22 93	0.11 27	0.53 158	0.25 198	0.12 48	0.20 48	0.17 54	0.39 123	0.29 78	0.29 114	0.32 115	0.24 101	0.16 62	0.53 227	0.21 132	0.09 143	0.06 34	0.10 182	0.09 165	0.08 64	0.12 163

KMStereo	0.22 93	0.11 27	0.53 158	0.25 198	0.12 48	0.20 48	0.17 54	0.39 123	0.29 78	0.29 114	0.32 115	0.24 101	0.16 62	0.53 227	0.21 132	0.09 143	0.06 34	0.10 182	0.09 165	0.08 64	0.12 163

RAFT-345	0.22 93	0.11 27	0.55 174	0.22 86	0.12 48	0.20 48	0.16 40	0.27 13	0.28 65	0.27 85	0.65 333	0.20 60	0.17 77	0.55 235	0.22 147	0.07 13	0.06 34	0.08 59	0.07 44	0.06 2	0.07 11

cross-raft	0.18 21	0.12 57	0.40 31	0.27 262	0.16 187	0.20 48	0.24 241	0.34 72	0.24 24	0.23 54	0.28 79	0.29 156	0.15 50	0.19 21	0.16 46	0.06 1	0.05 3	0.08 59	0.07 44	0.07 30	0.07 11

iRaftStereo_RVC	0.17 18	0.16 144	0.35 17	0.21 54	0.11 25	0.20 48	0.17 54	0.34 72	0.25 42	0.20 27	0.25 59	0.19 53	0.12 15	0.21 25	0.16 46	0.07 13	0.12 229	0.10 182	0.09 165	0.09 131	0.14 206

test_xeample3	0.22 93	0.17 167	0.81 288	0.21 54	0.15 158	0.20 48	0.18 92	0.40 132	0.25 42	0.19 23	0.12 2	0.13 11	0.12 15	0.34 161	0.33 239	0.07 13	0.20 319	0.07 13	0.08 104	0.08 64	0.34 348

CFNet-RSSM	0.18 21	0.10 11	0.45 56	0.20 34	0.12 48	0.20 48	0.16 40	0.40 132	0.31 99	0.23 54	0.21 42	0.26 128	0.15 50	0.21 25	0.14 24	0.07 13	0.05 3	0.07 13	0.07 44	0.06 2	0.06 4

Gwc-CoAtRS	0.17 18	0.10 11	0.41 33	0.20 34	0.12 48	0.20 48	0.15 25	0.34 72	0.29 78	0.23 54	0.23 50	0.27 132	0.15 50	0.21 25	0.14 24	0.07 13	0.06 34	0.07 13	0.07 44	0.06 2	0.07 11

ff7	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 347	0.08 59	0.07 44	0.08 64	0.36 351

ffff	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 347	0.08 59	0.07 44	0.08 64	0.36 351

11t	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 347	0.08 59	0.07 44	0.08 64	0.36 351

whm_eth	0.24 148	0.21 211	0.72 264	0.24 166	0.19 255	0.21 64	0.19 124	0.40 132	0.43 216	0.31 150	0.60 318	0.15 28	0.18 103	0.26 71	0.19 99	0.09 143	0.08 139	0.10 182	0.09 165	0.09 131	0.13 183

MSKI-zero shot	0.19 37	0.10 11	0.47 73	0.30 306	0.14 108	0.21 64	0.14 12	0.33 68	0.22 12	0.24 60	0.25 59	0.22 73	0.10 3	0.32 138	0.14 24	0.07 13	0.30 372	0.07 13	0.07 44	0.06 2	0.09 58

AEACV	0.20 57	0.09 3	0.32 9	0.39 356	0.34 356	0.21 64	0.16 40	0.30 37	0.18 1	0.17 15	0.17 17	0.13 11	0.16 62	0.27 80	0.13 7	0.07 13	0.29 371	0.07 13	0.09 165	0.07 30	0.37 359

anonymousdsp	0.20 57	0.13 73	0.49 102	0.28 286	0.20 272	0.21 64	0.17 54	0.29 28	0.24 24	0.22 47	0.13 5	0.12 3	0.12 15	0.32 138	0.13 7	0.07 13	0.26 353	0.08 59	0.07 44	0.08 64	0.48 379

knoymous	0.18 21	0.10 11	0.35 17	0.17 4	0.11 25	0.21 64	0.17 54	0.33 68	0.24 24	0.24 60	0.28 79	0.27 132	0.16 62	0.24 46	0.17 59	0.09 143	0.06 34	0.09 119	0.06 22	0.09 131	0.10 99

ccc-4	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 347	0.08 59	0.07 44	0.08 64	0.36 351

IGEV-Stereo	0.20 57	0.13 73	0.49 102	0.28 286	0.20 272	0.21 64	0.17 54	0.29 28	0.24 24	0.22 47	0.13 5	0.12 3	0.12 15	0.32 138	0.13 7	0.07 13	0.26 353	0.08 59	0.07 44	0.08 64	0.48 379
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GMOStereo	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 338	0.10 182	0.08 104	0.08 64	0.07 11

error version	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 338	0.10 182	0.08 104	0.08 64	0.07 11

test-v	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 338	0.10 182	0.08 104	0.08 64	0.07 11

TransformOpticalFlow	0.24 148	0.14 107	0.57 191	0.24 166	0.11 25	0.21 64	0.19 124	0.43 156	0.34 129	0.30 135	0.43 222	0.36 217	0.31 249	0.61 261	0.20 115	0.07 13	0.05 3	0.08 59	0.07 44	0.06 2	0.08 37

OMP-Stereo	0.24 148	0.16 144	0.48 85	0.30 306	0.13 80	0.21 64	0.16 40	0.38 107	0.35 136	0.34 198	0.30 96	0.33 191	0.20 126	0.70 297	0.24 167	0.08 87	0.06 34	0.09 119	0.07 44	0.08 64	0.07 11

NF-Stereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.52 225	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

OCTAStereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.51 219	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

FTStereo	0.28 214	0.11 27	0.56 184	0.24 166	0.13 80	0.21 64	0.52 366	0.36 86	0.28 65	0.38 247	0.94 369	0.30 166	0.56 345	0.33 147	0.18 78	0.08 87	0.06 34	0.09 119	0.08 104	0.08 64	0.19 256

RE-Stereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.51 219	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

TVStereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.51 219	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

test-2	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 338	0.10 182	0.08 104	0.08 64	0.07 11

raft+_RVC	0.21 80	0.21 211	0.46 68	0.22 86	0.35 359	0.21 64	0.16 40	0.39 123	0.35 136	0.22 47	0.28 79	0.20 60	0.15 50	0.25 54	0.20 115	0.08 87	0.16 282	0.08 59	0.07 44	0.07 30	0.12 163

EKT-Stereo	0.39 295	0.13 73	0.53 158	0.42 366	3.94 415	0.22 86	0.17 54	0.38 107	0.30 92	0.21 31	0.20 30	0.23 86	0.15 50	0.30 124	0.18 78	0.10 198	0.08 139	0.09 119	0.08 104	0.09 131	0.12 163

LL-Strereo	0.32 255	0.33 307	0.77 279	0.26 230	0.24 320	0.22 86	0.23 219	0.58 294	0.44 223	0.35 213	0.32 115	0.41 247	0.40 297	0.93 357	0.25 179	0.08 87	0.13 243	0.11 228	0.09 165	0.09 131	0.22 285

LoS	0.15 4	0.09 3	0.34 13	0.17 4	0.09 5	0.22 86	0.14 12	0.27 13	0.27 57	0.15 9	0.18 22	0.19 53	0.14 41	0.23 40	0.14 24	0.08 87	0.06 34	0.06 1	0.04 1	0.06 2	0.06 4

RAFT_CTSACE	0.23 122	0.21 211	0.57 191	0.26 230	0.15 158	0.22 86	0.23 219	0.34 72	0.30 92	0.34 198	0.51 279	0.31 175	0.17 77	0.33 147	0.15 37	0.06 1	0.09 168	0.09 119	0.08 104	0.08 64	0.07 11

test_3	0.20 57	0.12 57	0.49 102	0.26 230	0.14 108	0.22 86	0.25 254	0.34 72	0.33 121	0.25 71	0.18 22	0.23 86	0.13 31	0.25 54	0.20 115	0.06 1	0.14 252	0.09 119	0.10 209	0.07 30	0.10 99

CrosDoStereo	0.32 255	0.11 27	0.53 158	0.19 13	0.12 48	0.22 86	1.07 399	0.36 86	0.38 170	0.38 247	0.60 318	0.28 144	0.45 314	0.61 261	0.56 318	0.08 87	0.06 34	0.08 59	0.09 165	0.08 64	0.09 58

TRStereo	0.22 93	0.21 211	0.62 227	0.40 360	0.19 255	0.22 86	0.16 40	0.58 294	0.30 92	0.21 31	0.21 42	0.22 73	0.13 31	0.27 80	0.14 24	0.09 143	0.09 168	0.09 119	0.11 233	0.06 2	0.19 256

DeepStereo_LL	0.32 255	0.11 27	0.53 158	0.19 13	0.12 48	0.22 86	1.07 399	0.36 86	0.38 170	0.38 247	0.60 318	0.28 144	0.45 314	0.61 261	0.56 318	0.08 87	0.06 34	0.08 59	0.09 165	0.08 64	0.09 58

PFNet	0.24 148	0.11 27	0.63 232	0.25 198	0.14 108	0.22 86	0.19 124	0.40 132	0.35 136	0.36 224	0.32 115	0.27 132	0.20 126	0.63 272	0.23 162	0.09 143	0.05 3	0.09 119	0.08 104	0.08 64	0.08 37

test-1	0.20 57	0.12 57	0.49 102	0.23 129	0.23 309	0.22 86	0.23 219	0.36 86	0.29 78	0.21 31	0.25 59	0.24 101	0.14 41	0.18 12	0.22 147	0.07 13	0.14 252	0.08 59	0.07 44	0.06 2	0.14 206

TestStereo	0.22 93	0.24 248	0.48 85	0.25 198	0.11 25	0.22 86	0.22 196	0.32 56	0.31 99	0.24 60	0.34 138	0.23 86	0.19 120	0.62 269	0.19 99	0.08 87	0.07 92	0.10 182	0.07 44	0.11 219	0.07 11

sAnonymous2	0.21 80	0.24 248	0.79 284	0.24 166	0.17 212	0.22 86	0.20 155	0.36 86	0.29 78	0.17 15	0.19 25	0.17 39	0.16 62	0.18 12	0.15 37	0.10 198	0.07 92	0.09 119	0.08 104	0.23 345	0.18 241

CroCo_RVC	0.21 80	0.24 248	0.79 284	0.24 166	0.17 212	0.22 86	0.20 155	0.36 86	0.29 78	0.17 15	0.19 25	0.17 39	0.16 62	0.18 12	0.15 37	0.10 198	0.07 92	0.09 119	0.08 104	0.23 345	0.18 241

RALCasStereoNet	0.22 93	0.22 225	0.48 85	0.23 129	0.23 309	0.22 86	0.18 92	0.32 56	0.27 57	0.22 47	0.30 96	0.22 73	0.15 50	0.29 115	0.20 115	0.08 87	0.22 330	0.07 13	0.06 22	0.10 178	0.25 313

RALAANet	0.21 80	0.24 248	0.53 158	0.23 129	0.14 108	0.22 86	0.13 2	0.38 107	0.30 92	0.29 114	0.26 66	0.25 112	0.15 50	0.28 98	0.20 115	0.08 87	0.08 139	0.09 119	0.08 104	0.10 178	0.07 11

CREStereo	0.14 1	0.09 3	0.27 2	0.14 1	0.08 2	0.22 86	0.15 25	0.26 10	0.26 48	0.16 11	0.21 42	0.14 22	0.13 31	0.19 21	0.14 24	0.09 143	0.05 3	0.06 1	0.04 1	0.07 30	0.06 4
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
StereoVision	0.23 122	0.23 238	0.55 174	0.27 262	0.17 212	0.23 102	0.22 196	0.40 132	0.32 107	0.21 31	0.51 279	0.22 73	0.16 62	0.29 115	0.19 99	0.11 229	0.12 229	0.13 281	0.13 294	0.10 178	0.08 37

DCRE	0.24 148	0.15 123	0.45 56	0.26 230	0.26 333	0.23 102	0.21 174	0.37 98	0.29 78	0.23 54	0.81 357	0.23 86	0.16 62	0.24 46	0.18 78	0.07 13	0.14 252	0.07 13	0.08 104	0.07 30	0.25 313

qqq	0.24 148	0.16 144	0.46 68	0.20 34	0.15 158	0.23 102	0.20 155	0.43 156	0.32 107	0.26 76	0.31 106	0.28 144	0.25 176	0.36 172	0.28 201	0.08 87	0.22 330	0.10 182	0.11 233	0.09 131	0.23 292

raft_robust	0.25 172	0.23 238	0.44 53	0.22 86	0.13 80	0.23 102	0.22 196	0.52 235	0.50 280	0.33 184	0.32 115	0.33 191	0.23 147	0.55 235	0.18 78	0.07 13	0.11 213	0.08 59	0.10 209	0.08 64	0.07 11

RAFT+CT+SA	0.23 122	0.24 248	0.48 85	0.25 198	0.18 232	0.23 102	0.29 287	0.42 151	0.38 170	0.24 60	0.39 185	0.20 60	0.17 77	0.34 161	0.17 59	0.07 13	0.07 92	0.09 119	0.12 270	0.09 131	0.13 183

GwcNet-ADL	0.23 122	0.15 123	0.58 204	0.24 166	0.13 80	0.23 102	0.24 241	0.51 230	0.41 194	0.28 91	0.29 85	0.30 166	0.20 126	0.27 80	0.28 201	0.09 143	0.07 92	0.07 13	0.07 44	0.09 131	0.11 128

LCNet	0.22 93	0.12 57	0.42 41	0.26 230	0.12 48	0.23 102	0.19 124	0.36 86	0.28 65	0.28 91	0.35 144	0.26 128	0.30 236	0.35 168	0.17 59	0.07 13	0.05 3	0.09 119	0.10 209	0.13 256	0.22 285

STrans-v2	0.25 172	0.14 107	0.56 184	0.21 54	0.12 48	0.23 102	0.20 155	0.50 220	0.31 99	0.31 150	0.42 210	0.35 212	0.35 272	0.62 269	0.24 167	0.07 13	0.05 3	0.08 59	0.07 44	0.06 2	0.08 37

IIG-Stereo	0.24 148	0.16 144	0.47 73	0.29 299	0.12 48	0.23 102	0.14 12	0.40 132	0.33 121	0.35 213	0.37 165	0.33 191	0.22 138	0.70 297	0.26 188	0.08 87	0.06 34	0.09 119	0.07 44	0.08 64	0.07 11

KYRaft	0.23 122	0.11 27	0.43 46	0.23 129	0.12 48	0.23 102	0.23 219	0.37 98	0.26 48	0.35 213	0.53 292	0.34 198	0.26 188	0.29 115	0.16 46	0.07 13	0.05 3	0.09 119	0.10 209	0.08 64	0.30 337

GrayStereo	0.26 191	0.10 11	0.45 56	0.27 262	0.14 108	0.23 102	0.46 353	0.36 86	0.33 121	0.40 267	0.47 263	0.30 166	0.78 368	0.29 115	0.17 59	0.07 13	0.06 34	0.08 59	0.09 165	0.07 30	0.15 217

Prome-Stereo	0.22 93	0.10 11	0.43 46	0.24 166	0.13 80	0.23 102	0.23 219	0.37 98	0.27 57	0.33 184	0.58 310	0.24 101	0.28 213	0.30 124	0.16 46	0.07 13	0.05 3	0.08 59	0.07 44	0.08 64	0.20 268

XX-TBD	0.16 11	0.21 211	0.43 46	0.22 86	0.10 17	0.23 102	0.15 25	0.23 3	0.28 65	0.22 47	0.26 66	0.14 22	0.12 15	0.16 3	0.14 24	0.08 87	0.05 3	0.06 1	0.04 1	0.07 30	0.06 4

sCroCo_RVC	0.19 37	0.15 123	0.60 218	0.27 262	0.18 232	0.23 102	0.16 40	0.28 17	0.24 24	0.14 5	0.22 48	0.17 39	0.14 41	0.22 36	0.16 46	0.11 229	0.11 213	0.09 119	0.09 165	0.09 131	0.10 99

XX-Stereo	0.25 172	0.11 27	1.09 343	0.35 341	0.38 368	0.23 102	0.13 2	0.43 156	0.19 3	0.20 27	0.40 192	0.31 175	0.10 3	0.33 147	0.13 7	0.08 87	0.11 213	0.08 59	0.09 165	0.07 30	0.10 99

PMTNet	0.16 11	0.09 3	0.31 7	0.15 2	0.09 5	0.23 102	0.15 25	0.26 10	0.24 24	0.17 15	0.21 42	0.16 32	0.14 41	0.23 40	0.14 24	0.29 367	0.05 3	0.06 1	0.04 1	0.07 30	0.07 11

R-Stereo Train	0.19 37	0.10 11	0.49 102	0.22 86	0.12 48	0.23 102	0.18 92	0.43 156	0.20 5	0.31 150	0.45 244	0.20 60	0.14 41	0.18 12	0.18 78	0.08 87	0.06 34	0.07 13	0.06 22	0.06 2	0.07 11

RAFT-Stereo	0.19 37	0.10 11	0.49 102	0.22 86	0.12 48	0.23 102	0.18 92	0.43 156	0.20 5	0.31 150	0.45 244	0.20 60	0.14 41	0.18 12	0.18 78	0.08 87	0.06 34	0.07 13	0.06 22	0.06 2	0.07 11
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.18 21	0.15 123	0.27 2	0.20 34	0.13 80	0.24 120	0.17 54	0.31 51	0.37 162	0.43 290	0.17 17	0.13 11	0.12 15	0.20 24	0.16 46	0.08 87	0.07 92	0.09 119	0.07 44	0.09 131	0.08 37

AE-Stereo	0.21 80	0.12 57	0.50 120	0.25 198	0.15 158	0.24 120	0.18 92	0.40 132	0.34 129	0.19 23	0.26 66	0.21 70	0.13 31	0.22 36	0.16 46	0.07 13	0.26 353	0.09 119	0.10 209	0.07 30	0.31 340

UDGNet	0.24 148	0.37 328	0.53 158	0.25 198	0.14 108	0.24 120	0.18 92	0.32 56	0.44 223	0.29 114	0.28 79	0.24 101	0.20 126	0.30 124	0.21 132	0.16 315	0.07 92	0.21 348	0.11 233	0.16 292	0.11 128

IPLGR_C	0.23 122	0.29 287	0.81 288	0.24 166	0.16 187	0.24 120	0.20 155	0.38 107	0.33 121	0.32 175	0.33 130	0.23 86	0.15 50	0.26 71	0.22 147	0.09 143	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58

ACRE	0.23 122	0.27 277	0.83 293	0.24 166	0.15 158	0.24 120	0.20 155	0.38 107	0.32 107	0.32 175	0.33 130	0.23 86	0.15 50	0.26 71	0.22 147	0.09 143	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58

NRIStereo	0.20 57	0.12 57	0.50 120	0.23 129	0.11 25	0.24 120	0.19 124	0.30 37	0.28 65	0.26 76	0.26 66	0.25 112	0.18 103	0.34 161	0.19 99	0.08 87	0.06 34	0.09 119	0.07 44	0.09 131	0.09 58

CRE-IMP	0.19 37	0.13 73	0.51 132	0.23 129	0.11 25	0.24 120	0.17 54	0.31 51	0.24 24	0.27 85	0.26 66	0.24 101	0.17 77	0.24 46	0.19 99	0.09 143	0.05 3	0.10 182	0.07 44	0.10 178	0.10 99

GMM-Stereo	0.22 93	0.10 11	0.56 184	0.23 129	0.13 80	0.24 120	0.24 241	0.38 107	0.29 78	0.31 150	0.44 231	0.27 132	0.21 133	0.31 133	0.17 59	0.07 13	0.05 3	0.10 182	0.09 165	0.08 64	0.19 256

111	0.22 93	0.22 225	0.57 191	0.19 13	0.09 5	0.24 120	0.17 54	0.44 174	0.46 243	0.24 60	0.30 96	0.29 156	0.22 138	0.25 54	0.19 99	0.08 87	0.05 3	0.07 13	0.06 22	0.07 30	0.15 217

GMStereo	0.21 80	0.30 293	0.57 191	0.21 54	0.12 48	0.24 120	0.18 92	0.30 37	0.41 194	0.26 76	0.24 55	0.17 39	0.16 62	0.25 54	0.19 99	0.10 198	0.07 92	0.08 59	0.08 104	0.11 219	0.09 58
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo07	0.18 21	0.15 123	0.44 53	0.22 86	0.16 187	0.25 130	0.22 196	0.31 51	0.26 48	0.22 47	0.13 5	0.12 3	0.13 31	0.33 147	0.14 24	0.07 13	0.13 243	0.09 119	0.09 165	0.09 131	0.11 128

MyStereo06	0.23 122	0.15 123	0.74 266	0.22 86	0.14 108	0.25 130	0.22 196	0.43 156	0.25 42	0.36 224	0.24 55	0.34 198	0.18 103	0.24 46	0.20 115	0.07 13	0.12 229	0.09 119	0.09 165	0.09 131	0.11 128

MyStereo05	0.24 148	0.15 123	0.58 204	0.22 86	0.14 108	0.25 130	0.22 196	0.50 220	0.54 302	0.32 175	0.23 50	0.26 128	0.23 147	0.32 138	0.25 179	0.07 13	0.12 229	0.09 119	0.09 165	0.09 131	0.11 128

MyStereo04	0.24 148	0.15 123	0.58 204	0.22 86	0.16 187	0.25 130	0.22 196	0.51 230	0.54 302	0.29 114	0.23 50	0.27 132	0.23 147	0.32 138	0.25 179	0.07 13	0.13 243	0.09 119	0.09 165	0.09 131	0.11 128

LL-Strereo2	0.21 80	0.25 261	0.53 158	0.32 321	0.20 272	0.25 130	0.14 12	0.32 56	0.25 42	0.25 71	0.20 30	0.24 101	0.12 15	0.28 98	0.18 78	0.07 13	0.07 92	0.12 258	0.09 165	0.09 131	0.16 227

anonymousdsp2	0.23 122	0.11 27	0.42 41	0.26 230	0.24 320	0.25 130	0.17 54	0.43 156	0.37 162	0.30 135	0.23 50	0.24 101	0.15 50	0.32 138	0.17 59	0.07 13	0.28 360	0.07 13	0.05 8	0.08 64	0.44 372

test_5	0.25 172	0.25 261	0.57 191	0.27 262	0.18 232	0.25 130	0.29 287	0.42 151	0.39 181	0.29 114	0.40 192	0.27 132	0.23 147	0.35 168	0.19 99	0.07 13	0.07 92	0.09 119	0.09 165	0.10 178	0.14 206

SA	0.24 148	0.22 225	0.55 174	0.23 129	0.14 108	0.25 130	0.23 219	0.48 205	0.42 206	0.28 91	0.44 231	0.23 86	0.23 147	0.34 161	0.17 59	0.07 13	0.09 168	0.11 228	0.11 233	0.08 64	0.09 58

CIPLG	0.23 122	0.28 284	0.75 269	0.24 166	0.16 187	0.25 130	0.20 155	0.38 107	0.33 121	0.32 175	0.34 138	0.23 86	0.15 50	0.27 80	0.22 147	0.09 143	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58

IPLGR	0.22 93	0.14 107	0.75 269	0.21 54	0.11 25	0.25 130	0.18 92	0.44 174	0.38 170	0.29 114	0.28 79	0.21 70	0.19 120	0.37 180	0.19 99	0.07 13	0.06 34	0.08 59	0.07 44	0.07 30	0.07 11

RAFT-RH_RVC	0.26 191	0.13 73	0.57 191	0.22 86	0.12 48	0.25 130	0.14 12	0.27 13	0.29 78	0.38 247	1.14 377	0.23 86	0.18 103	0.58 244	0.24 167	0.07 13	0.06 34	0.10 182	0.07 44	0.06 2	0.08 37

TANstereo	0.16 11	0.11 27	0.43 46	0.16 3	0.08 2	0.25 130	0.14 12	0.23 3	0.29 78	0.25 71	0.30 96	0.16 32	0.12 15	0.18 12	0.13 7	0.08 87	0.07 92	0.06 1	0.05 8	0.07 30	0.08 37

PSMNet-RSSM	0.26 191	0.21 211	0.50 120	0.21 54	0.14 108	0.25 130	0.21 174	0.50 220	0.38 170	0.31 150	0.45 244	0.40 240	0.27 194	0.53 227	0.24 167	0.12 257	0.08 139	0.11 228	0.13 294	0.10 178	0.10 99

RAFT-Test	0.19 37	0.11 27	0.41 33	0.26 230	0.21 285	0.26 143	0.17 54	0.37 98	0.26 48	0.24 60	0.29 85	0.32 185	0.14 41	0.22 36	0.15 37	0.07 13	0.08 139	0.07 13	0.07 44	0.06 2	0.07 11

TestStereo1	0.23 122	0.22 225	0.50 120	0.27 262	0.14 108	0.26 143	0.27 269	0.43 156	0.38 170	0.29 114	0.39 185	0.23 86	0.21 133	0.33 147	0.18 78	0.08 87	0.08 139	0.09 119	0.08 104	0.08 64	0.10 99

SA-5K	0.23 122	0.22 225	0.50 120	0.27 262	0.14 108	0.26 143	0.27 269	0.43 156	0.38 170	0.29 114	0.39 185	0.23 86	0.21 133	0.33 147	0.18 78	0.08 87	0.08 139	0.09 119	0.08 104	0.08 64	0.10 99

RAFT	0.24 148	0.24 248	0.46 68	0.27 262	0.15 158	0.26 143	0.26 264	0.37 98	0.31 99	0.34 198	0.34 138	0.41 247	0.22 138	0.30 124	0.18 78	0.08 87	0.15 273	0.11 228	0.10 209	0.11 219	0.13 183

Anonymous	0.21 80	0.15 123	0.63 232	0.27 262	0.20 272	0.26 143	0.27 269	0.34 72	0.27 57	0.18 22	0.19 25	0.15 28	0.19 120	0.25 54	0.19 99	0.10 198	0.09 168	0.09 119	0.09 165	0.15 283	0.13 183

DN-CSS_ROB	0.24 148	0.33 307	0.69 251	0.25 198	0.14 108	0.26 143	0.13 2	0.42 151	0.35 136	0.30 135	0.42 210	0.22 73	0.20 126	0.34 161	0.22 147	0.07 13	0.06 34	0.11 228	0.11 233	0.11 219	0.09 58

11t1	0.21 80	0.12 57	0.45 56	0.20 34	0.15 158	0.27 149	0.17 54	0.37 98	0.28 65	0.27 85	0.25 59	0.24 101	0.23 147	0.28 98	0.25 179	0.09 143	0.19 311	0.07 13	0.07 44	0.09 131	0.23 292

HH	0.22 93	0.12 57	0.55 174	0.32 321	0.16 187	0.27 149	0.18 92	0.36 86	0.25 42	0.20 27	0.26 66	0.34 198	0.18 103	0.33 147	0.15 37	0.07 13	0.16 282	0.07 13	0.07 44	0.07 30	0.31 340

HanStereo	0.22 93	0.12 57	0.55 174	0.32 321	0.16 187	0.27 149	0.18 92	0.36 86	0.25 42	0.20 27	0.26 66	0.34 198	0.18 103	0.33 147	0.15 37	0.07 13	0.16 282	0.07 13	0.07 44	0.07 30	0.31 340

x	0.23 122	0.15 123	0.45 56	0.20 34	0.15 158	0.27 149	0.17 54	0.43 156	0.35 136	0.26 76	0.31 106	0.29 156	0.25 176	0.29 115	0.30 216	0.09 143	0.22 330	0.08 59	0.09 165	0.09 131	0.24 304

dd	0.23 122	0.32 303	0.55 174	0.23 129	0.12 48	0.27 149	0.21 174	0.32 56	0.45 234	0.30 135	0.29 85	0.25 112	0.17 77	0.31 133	0.26 188	0.13 274	0.07 92	0.10 182	0.08 104	0.12 244	0.09 58

PSM-AAD	0.26 191	0.11 27	0.43 46	0.24 166	0.12 48	0.27 149	0.37 326	0.36 86	0.30 92	0.36 224	0.39 185	0.28 144	0.77 367	0.30 124	0.16 46	0.07 13	0.06 34	0.12 258	0.11 233	0.09 131	0.21 277

CFNet_pseudo	0.23 122	0.14 107	0.48 85	0.20 34	0.13 80	0.27 149	0.17 54	0.46 187	0.45 234	0.30 135	0.37 165	0.38 227	0.23 147	0.30 124	0.22 147	0.09 143	0.06 34	0.11 228	0.08 104	0.11 219	0.11 128

HCRNet	0.25 172	0.27 277	0.42 41	0.34 336	0.17 212	0.27 149	0.18 92	0.45 181	0.37 162	0.31 150	0.35 144	0.32 185	0.23 147	0.44 197	0.21 132	0.13 274	0.08 139	0.13 281	0.11 233	0.11 219	0.09 58

FENet	0.22 93	0.13 73	0.48 85	0.22 86	0.12 48	0.27 149	0.18 92	0.43 156	0.37 162	0.31 150	0.32 115	0.29 156	0.23 147	0.27 80	0.24 167	0.10 198	0.07 92	0.09 119	0.09 165	0.09 131	0.11 128

ACVNet	0.24 148	0.18 184	0.51 132	0.18 8	0.15 158	0.27 149	0.23 219	0.40 132	0.45 234	0.29 114	0.41 203	0.38 227	0.28 213	0.28 98	0.35 249	0.09 143	0.07 92	0.08 59	0.07 44	0.10 178	0.09 58

GANet-RSSM	0.26 191	0.19 192	0.54 168	0.21 54	0.14 108	0.27 149	0.22 196	0.47 196	0.34 129	0.30 135	0.40 192	0.41 247	0.30 236	0.59 250	0.25 179	0.11 229	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

DMCA	0.24 148	0.18 184	0.51 132	0.23 129	0.14 108	0.27 149	0.20 155	0.45 181	0.40 189	0.32 175	0.33 130	0.33 191	0.25 176	0.27 80	0.30 216	0.11 229	0.08 139	0.10 182	0.08 104	0.11 219	0.12 163

ccs_rob	0.23 122	0.14 107	0.48 85	0.20 34	0.13 80	0.27 149	0.17 54	0.46 187	0.45 234	0.30 135	0.37 165	0.38 227	0.23 147	0.30 124	0.22 147	0.09 143	0.06 34	0.11 228	0.08 104	0.12 244	0.11 128

HITNet	0.22 93	0.23 238	0.60 218	0.20 34	0.09 5	0.27 149	0.15 25	0.45 181	0.33 121	0.29 114	0.33 130	0.27 132	0.22 138	0.29 115	0.27 195	0.07 13	0.05 3	0.07 13	0.06 22	0.09 131	0.11 128
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
SMFormer	0.27 207	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.34 243	0.10 198	0.16 282	0.08 59	0.09 165	0.10 178	0.16 227

tta	0.27 207	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.34 243	0.10 198	0.16 282	0.08 59	0.09 165	0.08 64	0.13 183

qqq1	0.26 191	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.21 132	0.10 198	0.16 282	0.07 13	0.07 44	0.08 64	0.13 183

fff1	0.26 191	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.21 132	0.10 198	0.16 282	0.07 13	0.07 44	0.08 64	0.13 183

mmm	0.25 172	0.15 123	0.44 53	0.23 129	0.20 272	0.28 163	0.21 174	0.43 156	0.32 107	0.31 150	0.40 192	0.30 166	0.24 165	0.31 133	0.28 201	0.09 143	0.21 324	0.11 228	0.12 270	0.10 178	0.26 322

GMStereo_Zeroshot	0.25 172	0.22 225	0.51 132	0.27 262	0.14 108	0.28 163	0.15 25	0.40 132	0.36 149	0.37 239	0.43 222	0.40 240	0.17 77	0.35 168	0.21 132	0.12 257	0.07 92	0.13 281	0.07 44	0.17 304	0.10 99

PCWNet_CMD	0.23 122	0.14 107	0.48 85	0.21 54	0.13 80	0.28 163	0.17 54	0.47 196	0.47 256	0.30 135	0.36 157	0.37 221	0.24 165	0.29 115	0.21 132	0.09 143	0.06 34	0.10 182	0.08 104	0.11 219	0.11 128

EGLCR-Stereo	0.19 37	0.09 3	0.34 13	0.29 299	0.17 212	0.28 163	0.16 40	0.30 37	0.23 15	0.22 47	0.11 1	0.16 32	0.09 2	0.28 98	0.15 37	0.07 13	0.25 347	0.07 13	0.07 44	0.06 2	0.37 359

IPLG	0.23 122	0.19 192	0.65 239	0.21 54	0.12 48	0.28 163	0.17 54	0.45 181	0.32 107	0.33 184	0.32 115	0.16 32	0.17 77	0.50 214	0.23 162	0.07 13	0.06 34	0.08 59	0.07 44	0.07 30	0.08 37

MIPNet	0.22 93	0.19 192	0.64 236	0.22 86	0.12 48	0.28 163	0.20 155	0.48 205	0.39 181	0.31 150	0.24 55	0.19 53	0.24 165	0.28 98	0.20 115	0.07 13	0.05 3	0.08 59	0.07 44	0.07 30	0.08 37

THIR-Stereo	0.30 240	0.15 123	0.46 68	0.19 13	0.11 25	0.28 163	0.70 380	0.33 68	0.36 149	0.37 239	0.64 331	0.33 191	0.49 331	0.58 244	0.44 284	0.08 87	0.06 34	0.08 59	0.09 165	0.07 30	0.08 37

DRaft	0.25 172	0.11 27	0.47 73	0.18 8	0.12 48	0.28 163	0.23 219	0.34 72	0.40 189	0.38 247	0.60 318	0.20 60	0.41 302	0.48 208	0.41 271	0.07 13	0.06 34	0.08 59	0.08 104	0.07 30	0.08 37

GES	0.23 122	0.14 107	0.54 168	0.21 54	0.14 108	0.28 163	0.19 124	0.51 230	0.35 136	0.31 150	0.36 157	0.25 112	0.24 165	0.30 124	0.23 162	0.11 229	0.09 168	0.08 59	0.08 104	0.10 178	0.12 163

cf-r	0.26 191	0.22 225	0.66 242	0.22 86	0.14 108	0.28 163	0.22 196	0.44 174	0.42 206	0.32 175	0.42 210	0.43 263	0.27 194	0.44 197	0.27 195	0.11 229	0.07 92	0.08 59	0.10 209	0.08 64	0.09 58

GwcNet-RSSM	0.28 214	0.25 261	0.61 224	0.22 86	0.14 108	0.28 163	0.24 241	0.46 187	0.44 223	0.33 184	0.46 256	0.41 247	0.28 213	0.55 235	0.31 225	0.11 229	0.07 92	0.09 119	0.10 209	0.10 178	0.09 58

DIP-Stereo	0.20 57	0.13 73	0.48 85	0.20 34	0.13 80	0.28 163	0.12 1	0.43 156	0.26 48	0.27 85	0.32 115	0.21 70	0.17 77	0.26 71	0.20 115	0.08 87	0.06 34	0.08 59	0.06 22	0.07 30	0.10 99
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.23 122	0.14 107	0.49 102	0.20 34	0.13 80	0.28 163	0.17 54	0.47 196	0.47 256	0.30 135	0.36 157	0.37 221	0.24 165	0.29 115	0.21 132	0.09 143	0.07 92	0.09 119	0.08 104	0.11 219	0.11 128

CoDeX	0.24 148	0.13 73	0.48 85	0.22 86	0.14 108	0.29 180	0.21 174	0.55 263	0.42 206	0.29 114	0.36 157	0.28 144	0.23 147	0.48 208	0.20 115	0.09 143	0.06 34	0.08 59	0.07 44	0.08 64	0.08 37

DualNet	0.33 262	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.38 107	0.46 243	0.31 150	0.44 231	0.34 198	0.24 165	0.28 98	1.30 376	0.08 87	0.28 360	0.12 258	0.11 233	0.08 64	0.37 359

ffm	0.27 207	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.38 107	0.46 243	0.31 150	0.44 231	0.34 198	0.24 165	0.28 98	0.12 1	0.08 87	0.28 360	0.12 258	0.11 233	0.08 64	0.37 359

ff1	0.36 278	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.38 107	0.46 243	0.31 150	0.44 231	0.34 198	0.24 165	0.91 351	1.30 376	0.08 87	0.28 360	0.12 258	0.11 233	0.08 64	0.37 359

mmx	0.37 285	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.57 282	0.48 262	0.31 150	0.44 231	0.34 198	0.24 165	0.91 351	1.30 376	0.10 198	0.20 319	0.12 258	0.11 233	0.11 219	0.23 292

xxx	0.37 285	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.57 282	0.48 262	0.31 150	0.44 231	0.34 198	0.24 165	0.91 351	1.30 376	0.10 198	0.20 319	0.12 258	0.11 233	0.11 219	0.23 292

CFNet_ucs	0.25 172	0.14 107	0.51 132	0.20 34	0.15 158	0.29 180	0.18 92	0.51 230	0.46 243	0.32 175	0.42 210	0.38 227	0.23 147	0.31 133	0.22 147	0.11 229	0.08 139	0.12 258	0.09 165	0.13 256	0.13 183

Any-RAFT	0.18 21	0.09 3	0.33 11	0.19 13	0.10 17	0.29 180	0.16 40	0.44 174	0.32 107	0.25 71	0.27 75	0.29 156	0.16 62	0.23 40	0.13 7	0.08 87	0.07 92	0.06 1	0.05 8	0.07 30	0.07 11

CASS	0.22 93	0.16 144	0.40 31	0.26 230	0.12 48	0.29 180	0.19 124	0.40 132	0.32 107	0.34 198	0.35 144	0.25 112	0.25 176	0.26 71	0.21 132	0.13 274	0.08 139	0.11 228	0.09 165	0.11 219	0.12 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
GANet-ADL	0.22 93	0.14 107	0.51 132	0.23 129	0.14 108	0.29 180	0.19 124	0.48 205	0.36 149	0.26 76	0.33 130	0.32 185	0.20 126	0.26 71	0.22 147	0.11 229	0.07 92	0.07 13	0.06 22	0.09 131	0.11 128

BEATNet_4x	0.25 172	0.25 261	0.66 242	0.23 129	0.10 17	0.29 180	0.14 12	0.49 212	0.34 129	0.31 150	0.35 144	0.32 185	0.26 188	0.34 161	0.33 239	0.08 87	0.06 34	0.08 59	0.07 44	0.11 219	0.13 183

ttt	0.33 262	0.14 107	0.54 168	0.22 86	0.14 108	0.30 191	0.22 196	0.59 302	0.51 286	0.31 150	0.46 256	0.30 166	0.23 147	0.71 300	1.07 365	0.13 274	0.22 330	0.10 182	0.11 233	0.12 244	0.24 304

Selective-RAFT	0.19 37	0.14 107	0.37 24	0.24 166	0.11 25	0.30 191	0.15 25	0.35 81	0.34 129	0.17 15	0.17 17	0.22 73	0.18 103	0.29 115	0.18 78	0.07 13	0.16 282	0.07 13	0.07 44	0.08 64	0.08 37

Sa-1000	0.24 148	0.20 204	0.53 158	0.23 129	0.14 108	0.30 191	0.23 219	0.50 220	0.41 194	0.30 135	0.50 276	0.26 128	0.19 120	0.33 147	0.16 46	0.08 87	0.10 193	0.10 182	0.11 233	0.08 64	0.08 37

DAS	0.28 214	0.13 73	0.49 102	0.24 166	0.18 232	0.30 191	0.24 241	0.48 205	0.48 262	0.42 281	0.45 244	0.34 198	0.31 249	0.76 319	0.24 167	0.09 143	0.07 92	0.09 119	0.07 44	0.10 178	0.11 128

SepStereo	0.27 207	0.13 73	0.49 102	0.24 166	0.18 232	0.30 191	0.24 241	0.48 205	0.48 262	0.42 281	0.45 244	0.34 198	0.31 249	0.64 277	0.24 167	0.09 143	0.07 92	0.09 119	0.07 44	0.10 178	0.11 128

AACVNet	0.28 214	0.22 225	0.55 174	0.23 129	0.14 108	0.30 191	0.19 124	0.43 156	0.33 121	0.39 258	0.42 210	0.44 269	0.29 229	0.73 304	0.28 201	0.11 229	0.09 168	0.11 228	0.09 165	0.13 256	0.12 163

ICVP	0.24 148	0.13 73	0.45 56	0.26 230	0.14 108	0.30 191	0.25 254	0.47 196	0.35 136	0.29 114	0.43 222	0.35 212	0.25 176	0.28 98	0.25 179	0.12 257	0.09 168	0.09 119	0.09 165	0.09 131	0.11 128
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ARAFT	0.26 191	0.30 293	0.87 305	0.22 86	0.12 48	0.30 191	0.24 241	0.46 187	0.34 129	0.33 184	0.28 79	0.29 156	0.20 126	0.49 210	0.19 99	0.08 87	0.06 34	0.12 258	0.11 233	0.09 131	0.09 58

RAFT + AFF	0.30 240	0.33 307	0.76 273	0.25 198	0.17 212	0.30 191	0.33 313	0.55 263	0.42 206	0.28 91	0.30 96	0.31 175	0.31 249	0.64 277	0.32 231	0.09 143	0.11 213	0.11 228	0.10 209	0.12 244	0.16 227

aanetorigin	0.40 305	0.33 307	1.14 348	0.25 198	0.19 255	0.30 191	0.37 326	0.34 72	0.47 256	0.95 377	0.82 358	0.52 309	0.56 345	0.50 214	0.52 306	0.11 229	0.09 168	0.10 182	0.10 209	0.16 292	0.19 256

DMCA-RVC	0.30 240	0.27 277	0.93 322	0.28 286	0.17 212	0.30 191	0.21 174	0.43 156	0.36 149	0.40 267	0.38 171	0.39 237	0.36 277	0.44 197	0.34 243	0.13 274	0.10 193	0.16 319	0.12 270	0.13 256	0.11 128

FADNet_RVC	0.31 250	0.35 319	0.98 329	0.24 166	0.16 187	0.30 191	0.17 54	0.52 235	0.39 181	0.30 135	0.38 171	0.30 166	0.29 229	0.54 232	0.33 239	0.14 295	0.14 252	0.14 299	0.16 326	0.21 336	0.24 304

STTStereo	0.30 240	0.24 248	0.83 293	0.25 198	0.17 212	0.30 191	0.24 241	0.49 212	0.39 181	0.39 258	0.41 203	0.44 269	0.28 213	0.41 189	0.30 216	0.13 274	0.13 243	0.13 281	0.16 326	0.12 244	0.12 163

NLCA_NET_v2_RVC	0.29 228	0.24 248	0.81 288	0.26 230	0.18 232	0.30 191	0.22 196	0.52 235	0.41 194	0.38 247	0.42 210	0.42 257	0.28 213	0.46 204	0.31 225	0.11 229	0.08 139	0.10 182	0.11 233	0.10 178	0.12 163
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.33 262	0.31 296	0.69 251	0.23 129	0.14 108	0.30 191	0.23 219	0.49 212	0.55 310	0.39 258	0.60 318	0.43 263	0.30 236	0.88 344	0.54 314	0.11 229	0.08 139	0.07 13	0.07 44	0.10 178	0.12 163

DeepPruner_ROB	0.28 214	0.25 261	0.64 236	0.22 86	0.16 187	0.30 191	0.21 174	0.54 252	0.33 121	0.36 224	0.38 171	0.38 227	0.26 188	0.45 203	0.28 201	0.15 307	0.11 213	0.11 228	0.11 233	0.14 276	0.14 206

iResNetv2_ROB	0.29 228	0.37 328	0.92 318	0.24 166	0.13 80	0.30 191	0.19 124	0.55 263	0.51 286	0.39 258	0.46 256	0.39 237	0.27 194	0.36 172	0.30 216	0.09 143	0.06 34	0.07 13	0.05 8	0.13 256	0.11 128

MLCV	0.25 172	0.23 238	0.59 211	0.22 86	0.09 5	0.30 191	0.18 92	0.40 132	0.38 170	0.38 247	0.44 231	0.31 175	0.22 138	0.44 197	0.32 231	0.07 13	0.05 3	0.07 13	0.06 22	0.07 30	0.08 37

MyStereo8	0.25 172	0.20 204	0.69 251	0.24 166	0.17 212	0.31 209	0.16 40	0.50 220	0.32 107	0.29 114	0.38 171	0.25 112	0.19 120	0.33 147	0.29 214	0.08 87	0.20 319	0.08 59	0.08 104	0.10 178	0.16 227

ACVNet-DCA	0.21 80	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.43 156	0.32 107	0.21 31	0.20 30	0.13 11	0.17 77	0.28 98	0.12 1	0.08 87	0.28 360	0.08 59	0.06 22	0.09 131	0.23 292

xx1	0.23 122	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.39 123	0.48 262	0.21 31	0.20 30	0.28 144	0.25 176	0.28 98	0.12 1	0.08 87	0.28 360	0.10 182	0.11 233	0.09 131	0.23 292

1test111	0.22 93	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.43 156	0.32 107	0.21 31	0.20 30	0.13 11	0.17 77	0.36 172	0.28 201	0.08 87	0.28 360	0.08 59	0.06 22	0.09 131	0.23 292

cc1	0.22 93	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.39 123	0.48 262	0.21 31	0.20 30	0.13 11	0.17 77	0.28 98	0.12 1	0.08 87	0.28 360	0.08 59	0.06 22	0.08 64	0.37 359

tt1	0.22 93	0.16 144	0.49 102	0.26 230	0.15 158	0.31 209	0.19 124	0.38 107	0.46 243	0.21 31	0.19 25	0.13 11	0.16 62	0.28 98	0.12 1	0.08 87	0.28 360	0.08 59	0.06 22	0.08 64	0.37 359

ToySt	0.28 214	0.19 192	0.68 250	0.22 86	0.19 255	0.31 209	0.31 302	0.43 156	0.43 216	0.28 91	0.38 171	0.42 257	0.32 260	0.33 147	0.32 231	0.08 87	0.14 252	0.10 182	0.12 270	0.11 219	0.24 304

anonymousa	0.26 191	0.13 73	0.56 184	0.29 299	0.30 350	0.31 209	0.20 155	0.38 107	0.36 149	0.33 184	0.51 279	0.41 247	0.27 194	0.25 54	0.24 167	0.08 87	0.18 307	0.09 119	0.18 341	0.08 64	0.17 239

IER	0.24 148	0.15 123	0.50 120	0.21 54	0.15 158	0.31 209	0.20 155	0.44 174	0.38 170	0.34 198	0.41 203	0.32 185	0.34 265	0.31 133	0.23 162	0.09 143	0.07 92	0.08 59	0.08 104	0.09 131	0.09 58

DEmStereo	0.26 191	0.10 11	0.52 148	0.19 13	0.13 80	0.31 209	0.25 254	0.29 28	0.38 170	0.36 224	0.57 307	0.24 101	0.48 327	0.53 227	0.44 284	0.07 13	0.06 34	0.08 59	0.08 104	0.07 30	0.08 37

CFNet-ft	0.26 191	0.21 211	0.51 132	0.19 13	0.16 187	0.31 209	0.21 174	0.40 132	0.37 162	0.29 114	0.40 192	0.46 280	0.27 194	0.49 210	0.28 201	0.12 257	0.07 92	0.12 258	0.11 233	0.12 244	0.11 128

CFNet_RVC	0.26 191	0.21 211	0.51 132	0.19 13	0.16 187	0.31 209	0.21 174	0.40 132	0.37 162	0.29 114	0.40 192	0.46 280	0.27 194	0.49 210	0.28 201	0.12 257	0.07 92	0.12 258	0.11 233	0.12 244	0.11 128

iResNet	0.25 172	0.22 225	0.62 227	0.26 230	0.11 25	0.31 209	0.23 219	0.46 187	0.45 234	0.34 198	0.43 222	0.27 132	0.23 147	0.36 172	0.37 258	0.08 87	0.05 3	0.07 13	0.06 22	0.08 64	0.10 99

iRaft-Stereo_20w	0.29 228	0.11 27	0.86 303	0.33 332	0.24 320	0.32 222	0.26 264	0.60 311	0.26 48	0.41 277	0.21 42	0.28 144	0.19 120	0.32 138	0.24 167	0.07 13	0.31 376	0.07 13	0.09 165	0.08 64	0.47 377

dad	0.30 240	0.38 334	0.60 218	0.22 86	0.14 108	0.32 222	0.21 174	0.35 81	0.51 286	0.45 304	0.45 244	0.46 280	0.23 147	0.41 189	0.27 195	0.21 349	0.11 213	0.20 345	0.11 233	0.15 283	0.11 128

PSMNet-ADL	0.26 191	0.16 144	0.39 27	0.27 262	0.14 108	0.32 222	0.22 196	0.45 181	0.37 162	0.28 91	0.34 138	0.41 247	0.28 213	0.61 261	0.32 231	0.11 229	0.10 193	0.09 119	0.11 233	0.10 178	0.13 183

pcwnet_v2	0.32 255	0.16 144	1.22 362	0.23 129	0.19 255	0.32 222	0.19 124	0.61 318	0.61 329	0.37 239	0.45 244	0.35 212	0.29 229	0.37 180	0.26 188	0.14 295	0.11 213	0.12 258	0.11 233	0.14 276	0.18 241

psm_up	0.30 240	0.21 211	0.58 204	0.26 230	0.18 232	0.32 222	0.27 269	0.57 282	0.45 234	0.38 247	0.41 203	0.45 274	0.40 297	0.59 250	0.32 231	0.11 229	0.12 229	0.13 281	0.12 270	0.11 219	0.11 128

iResNet_ROB	0.27 207	0.27 277	0.48 85	0.21 54	0.12 48	0.32 222	0.17 54	0.57 282	0.55 310	0.39 258	0.44 231	0.37 221	0.28 213	0.43 194	0.28 201	0.08 87	0.06 34	0.06 1	0.05 8	0.09 131	0.11 128

1111x	0.39 295	0.17 167	0.80 287	0.23 129	0.15 158	0.33 228	0.27 269	0.62 326	0.48 262	0.32 175	0.43 222	0.40 240	0.29 229	0.86 341	1.60 392	0.09 143	0.23 338	0.09 119	0.12 270	0.10 178	0.23 292

riskmin	0.24 148	0.10 11	0.43 46	0.32 321	0.26 333	0.33 228	0.19 124	0.44 174	0.30 92	0.24 60	0.27 75	0.37 221	0.25 176	0.30 124	0.22 147	0.09 143	0.18 307	0.09 119	0.13 294	0.10 178	0.27 325

HBP-ISP	0.34 270	0.35 319	0.76 273	0.23 129	0.17 212	0.33 228	0.22 196	0.56 273	0.47 256	0.42 281	0.49 274	0.33 191	0.41 302	0.73 304	0.27 195	0.18 337	0.19 311	0.24 357	0.20 348	0.16 292	0.16 227

GEStereo_RVC	0.29 228	0.24 248	0.60 218	0.27 262	0.16 187	0.33 228	0.25 254	0.58 294	0.56 314	0.35 213	0.38 171	0.34 198	0.25 176	0.51 219	0.29 214	0.12 257	0.08 139	0.09 119	0.08 104	0.11 219	0.13 183

s12784h	0.18 21	0.09 3	0.38 25	0.18 8	0.07 1	0.33 228	0.19 124	0.39 123	0.34 129	0.24 60	0.25 59	0.18 47	0.18 103	0.25 54	0.17 59	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.05 1

EAI-Stereo	0.29 228	0.11 27	0.38 25	0.22 86	0.18 232	0.33 228	1.66 409	0.53 245	0.27 57	0.27 85	0.50 276	0.17 39	0.16 62	0.25 54	0.25 179	0.07 13	0.07 92	0.07 13	0.11 233	0.07 30	0.10 99

HGLStereo	0.29 228	0.19 192	0.60 218	0.24 166	0.21 285	0.33 228	0.23 219	0.52 235	0.44 223	0.36 224	0.49 274	0.41 247	0.35 272	0.46 204	0.34 243	0.11 229	0.11 213	0.09 119	0.09 165	0.11 219	0.12 163

FADNet-RVC-Resample	0.31 250	0.32 303	1.16 351	0.27 262	0.17 212	0.33 228	0.21 174	0.49 212	0.40 189	0.36 224	0.38 171	0.34 198	0.27 194	0.54 232	0.27 195	0.10 198	0.10 193	0.14 299	0.13 294	0.13 256	0.18 241

FADNet-RVC	0.34 270	0.43 347	0.97 327	0.25 198	0.20 272	0.33 228	0.20 155	0.51 230	0.42 206	0.34 198	0.40 192	0.41 247	0.29 229	0.65 281	0.36 252	0.14 295	0.14 252	0.14 299	0.15 317	0.19 323	0.20 268

RASNet	0.30 240	0.19 192	0.59 211	0.23 129	0.19 255	0.33 228	0.20 155	0.50 220	0.41 194	0.31 150	0.44 231	0.47 287	0.38 287	0.79 326	0.40 266	0.09 143	0.07 92	0.07 13	0.09 165	0.08 64	0.10 99

TDLM	0.32 255	0.27 277	0.52 148	0.30 306	0.15 158	0.33 228	0.32 308	0.54 252	0.50 280	0.44 297	0.43 222	0.39 237	0.30 236	0.92 356	0.30 216	0.14 295	0.09 168	0.13 281	0.12 270	0.13 256	0.14 206

AdaStereo	0.25 172	0.17 167	0.47 73	0.25 198	0.13 80	0.33 228	0.17 54	0.57 282	0.43 216	0.34 198	0.38 171	0.35 212	0.21 133	0.32 138	0.24 167	0.14 295	0.06 34	0.13 281	0.09 165	0.11 219	0.09 58
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
PS-NSSS	0.33 262	0.36 325	0.61 224	0.24 166	0.18 232	0.33 228	0.24 241	0.59 302	0.42 206	0.38 247	0.52 285	0.36 217	0.31 249	0.80 329	0.32 231	0.18 337	0.14 252	0.21 348	0.15 317	0.17 304	0.14 206

HSM	0.29 228	0.18 184	0.48 85	0.21 54	0.15 158	0.33 228	0.20 155	0.55 263	0.39 181	0.36 224	0.39 185	0.67 355	0.32 260	0.88 344	0.24 167	0.09 143	0.07 92	0.08 59	0.07 44	0.09 131	0.10 99

gwcnet-sp	0.25 172	0.16 144	0.70 254	0.23 129	0.14 108	0.34 242	0.22 196	0.46 187	0.41 194	0.37 239	0.35 144	0.27 132	0.27 194	0.36 172	0.26 188	0.09 143	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

scenet	0.25 172	0.16 144	0.70 254	0.23 129	0.14 108	0.34 242	0.22 196	0.46 187	0.41 194	0.37 239	0.35 144	0.27 132	0.27 194	0.36 172	0.26 188	0.09 143	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

ssnet	0.25 172	0.16 144	0.70 254	0.23 129	0.14 108	0.34 242	0.22 196	0.46 187	0.41 194	0.37 239	0.35 144	0.27 132	0.27 194	0.36 172	0.26 188	0.09 143	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

AASNet	0.29 228	0.27 277	0.67 245	0.26 230	0.18 232	0.34 242	0.21 174	0.64 336	0.49 275	0.36 224	0.41 203	0.32 185	0.26 188	0.33 147	0.39 264	0.12 257	0.09 168	0.10 182	0.08 104	0.14 276	0.12 163

ADLNet	0.30 240	0.19 192	0.59 211	0.23 129	0.19 255	0.34 242	0.23 219	0.56 273	0.44 223	0.43 290	0.41 203	0.43 263	0.28 213	0.56 240	0.36 252	0.11 229	0.08 139	0.11 228	0.11 233	0.11 219	0.15 217

test_xeample	0.39 295	0.14 107	0.46 68	0.19 13	0.16 187	0.34 242	0.22 196	0.59 302	0.43 216	0.33 184	0.47 263	0.30 166	0.27 194	0.60 255	2.44 406	0.10 198	0.21 324	0.09 119	0.09 165	0.09 131	0.25 313

SFCPSM	0.23 122	0.12 57	0.51 132	0.21 54	0.14 108	0.34 242	0.22 196	0.57 282	0.41 194	0.29 114	0.32 115	0.23 86	0.22 138	0.28 98	0.20 115	0.10 198	0.07 92	0.09 119	0.10 209	0.09 131	0.09 58

acv_ft	0.26 191	0.18 184	0.56 184	0.24 166	0.19 255	0.34 242	0.21 174	0.47 196	0.45 234	0.39 258	0.41 203	0.38 227	0.28 213	0.28 98	0.36 252	0.09 143	0.07 92	0.08 59	0.07 44	0.11 219	0.09 58

FAT-Stereo	0.36 278	0.19 192	0.75 269	0.26 230	0.18 232	0.34 242	0.30 293	0.62 326	0.61 329	0.47 315	0.61 327	0.59 327	0.50 332	0.61 261	0.36 252	0.13 274	0.14 252	0.13 281	0.12 270	0.14 276	0.20 268

CFNet	0.29 228	0.29 287	0.57 191	0.23 129	0.14 108	0.34 242	0.15 25	0.53 245	0.46 243	0.31 150	0.40 192	0.38 227	0.27 194	0.76 319	0.28 201	0.10 198	0.07 92	0.11 228	0.11 233	0.11 219	0.09 58

CVANet_RVC	0.34 270	0.25 261	0.77 279	0.27 262	0.17 212	0.34 242	0.28 283	0.55 263	0.50 280	0.43 290	0.46 256	0.44 269	0.31 249	0.90 349	0.27 195	0.15 307	0.10 193	0.14 299	0.14 308	0.15 283	0.15 217

UCFNet_RVC	0.25 172	0.21 211	0.49 102	0.19 13	0.15 158	0.34 242	0.18 92	0.47 196	0.36 149	0.30 135	0.35 144	0.40 240	0.26 188	0.35 168	0.24 167	0.13 274	0.08 139	0.13 281	0.14 308	0.13 256	0.13 183

NOSS_ROB	0.33 262	0.24 248	0.49 102	0.27 262	0.16 187	0.34 242	0.19 124	0.55 263	0.50 280	0.34 198	0.37 165	0.42 257	0.30 236	0.93 357	0.25 179	0.19 346	0.20 319	0.24 357	0.22 357	0.17 304	0.25 313

GASNet	0.39 295	0.58 372	1.27 364	0.35 341	0.23 309	0.35 255	0.23 219	0.63 330	0.56 314	0.41 277	0.38 171	0.45 274	0.30 236	0.81 332	0.42 274	0.16 315	0.11 213	0.14 299	0.14 308	0.23 345	0.12 163

BSDual-CNN	0.24 148	0.13 73	0.36 19	0.25 198	0.14 108	0.35 255	0.22 196	0.59 302	0.36 149	0.34 198	0.35 144	0.38 227	0.25 176	0.27 80	0.28 201	0.10 198	0.07 92	0.11 228	0.10 209	0.09 131	0.10 99

hknet	0.26 191	0.15 123	0.49 102	0.25 198	0.16 187	0.35 255	0.22 196	0.59 302	0.40 189	0.34 198	0.35 144	0.43 263	0.28 213	0.38 182	0.26 188	0.09 143	0.07 92	0.11 228	0.10 209	0.09 131	0.10 99

psmg	0.24 148	0.13 73	0.36 19	0.21 54	0.14 108	0.35 255	0.23 219	0.54 252	0.36 149	0.36 224	0.38 171	0.38 227	0.25 176	0.27 80	0.28 201	0.10 198	0.08 139	0.10 182	0.10 209	0.09 131	0.09 58

SACVNet	0.32 255	0.25 261	0.59 211	0.26 230	0.19 255	0.35 255	0.25 254	0.54 252	0.41 194	0.43 290	0.45 244	0.46 280	0.34 265	0.71 300	0.30 216	0.14 295	0.10 193	0.12 258	0.12 270	0.16 292	0.20 268

HSM-Net_RVC	0.28 214	0.12 57	0.48 85	0.19 13	0.11 25	0.35 255	0.21 174	0.64 336	0.44 223	0.40 267	0.43 222	0.50 301	0.27 194	0.75 313	0.25 179	0.08 87	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
Anonymous Stereo	0.42 314	0.43 347	1.38 370	0.32 321	0.26 333	0.35 255	0.48 357	0.55 263	0.58 318	0.43 290	0.48 272	0.40 240	0.29 229	0.93 357	0.56 318	0.16 315	0.16 282	0.15 313	0.16 326	0.16 292	0.20 268

CBMV_ROB	0.36 278	0.21 211	0.57 191	0.22 86	0.14 108	0.35 255	0.20 155	0.55 263	0.47 256	0.52 331	0.58 310	0.45 274	0.53 341	0.75 313	0.50 302	0.18 337	0.19 311	0.23 355	0.21 350	0.15 283	0.20 268

ADLNet2	0.31 250	0.23 238	0.77 279	0.23 129	0.18 232	0.36 263	0.24 241	0.55 263	0.54 302	0.33 184	0.38 171	0.45 274	0.31 249	0.70 297	0.36 252	0.10 198	0.08 139	0.09 119	0.09 165	0.12 244	0.11 128

222	0.45 325	0.14 107	0.43 46	0.19 13	0.15 158	0.36 263	0.20 155	0.60 311	0.43 216	0.37 239	0.45 244	0.30 166	0.28 213	0.59 250	3.72 411	0.11 229	0.19 311	0.08 59	0.09 165	0.09 131	0.27 325

ac_64	0.28 214	0.16 144	0.62 227	0.25 198	0.17 212	0.36 263	0.22 196	0.48 205	0.35 136	0.36 224	0.37 165	0.51 304	0.30 236	0.62 269	0.34 243	0.11 229	0.09 168	0.10 182	0.10 209	0.09 131	0.09 58

DeepPrunerF	0.46 331	0.37 328	1.50 378	0.34 336	0.30 350	0.36 263	0.37 326	0.64 336	1.15 390	0.41 277	0.45 244	0.40 240	0.41 302	0.82 333	0.53 310	0.18 337	0.14 252	0.23 355	0.21 350	0.17 304	0.18 241

StereoDRNet-Refined	0.28 214	0.19 192	0.47 73	0.25 198	0.14 108	0.36 263	0.21 174	0.49 212	0.43 216	0.46 309	0.52 285	0.42 257	0.30 236	0.46 204	0.38 260	0.10 198	0.07 92	0.11 228	0.11 233	0.10 178	0.11 128
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
LMCR-Stereo	0.28 214	0.22 225	0.56 184	0.29 299	0.14 108	0.37 268	0.23 219	0.57 282	0.36 149	0.40 267	0.40 192	0.29 156	0.30 236	0.41 189	0.38 260	0.11 229	0.07 92	0.09 119	0.07 44	0.13 256	0.10 99

UPFNet	0.27 207	0.15 123	0.47 73	0.25 198	0.20 272	0.37 268	0.27 269	0.50 220	0.40 189	0.36 224	0.38 171	0.37 221	0.29 229	0.40 186	0.34 243	0.10 198	0.10 193	0.10 182	0.10 209	0.10 178	0.08 37

FADNet	0.34 270	0.43 347	0.88 311	0.24 166	0.22 300	0.37 268	0.19 124	0.56 273	0.49 275	0.32 175	0.36 157	0.43 263	0.32 260	0.65 281	0.30 216	0.17 327	0.16 282	0.14 299	0.16 326	0.25 350	0.21 277

RP	0.38 290	0.26 271	0.67 245	0.31 316	0.24 320	0.37 268	0.29 287	0.53 245	0.61 329	0.42 281	0.65 333	0.62 337	0.51 334	0.63 272	0.43 277	0.17 327	0.15 273	0.17 328	0.15 317	0.17 304	0.19 256

DLCB_ROB	0.30 240	0.20 204	0.45 56	0.28 286	0.17 212	0.37 268	0.25 254	0.50 220	0.45 234	0.46 309	0.47 263	0.51 304	0.34 265	0.56 240	0.38 260	0.10 198	0.10 193	0.11 228	0.11 233	0.10 178	0.11 128

XPNet_ROB	0.35 276	0.26 271	0.58 204	0.28 286	0.19 255	0.37 268	0.31 302	0.57 282	0.51 286	0.52 331	0.54 295	0.57 321	0.38 287	0.65 281	0.48 295	0.17 327	0.12 229	0.13 281	0.12 270	0.16 292	0.17 239

CBFPSM	0.28 214	0.23 238	0.76 273	0.21 54	0.14 108	0.38 274	0.26 264	0.42 151	0.37 162	0.34 198	0.36 157	0.55 316	0.38 287	0.33 147	0.40 266	0.08 87	0.08 139	0.07 13	0.08 104	0.09 131	0.12 163

xxxx	0.39 295	0.14 107	0.47 73	0.20 34	0.16 187	0.38 274	0.20 155	0.61 318	0.43 216	0.30 135	0.44 231	0.38 227	0.25 176	0.50 214	2.41 405	0.11 229	0.21 324	0.09 119	0.10 209	0.10 178	0.26 322

edge stereo	0.40 305	0.22 225	0.87 305	0.27 262	0.22 300	0.38 274	0.26 264	0.59 302	0.56 314	0.53 337	0.60 318	0.71 363	0.50 332	0.78 323	0.43 277	0.16 315	0.15 273	0.19 341	0.14 308	0.17 304	0.19 256

psmorigin	0.52 344	0.29 287	3.10 406	0.24 166	0.19 255	0.39 277	0.24 241	0.52 235	0.45 234	0.66 356	0.68 339	0.70 362	0.52 336	0.86 341	0.49 301	0.15 307	0.17 300	0.13 281	0.14 308	0.16 292	0.23 292

EDNetEfficient	0.64 367	0.39 338	2.52 398	0.26 230	0.26 333	0.39 277	0.49 361	0.42 151	1.06 382	1.38 394	0.86 362	0.61 334	0.97 382	0.66 287	1.62 393	0.11 229	0.10 193	0.10 182	0.12 270	0.20 330	0.19 256

DSFCA	0.29 228	0.18 184	0.48 85	0.21 54	0.17 212	0.39 277	0.32 308	0.49 212	0.44 223	0.44 297	0.38 171	0.40 240	0.30 236	0.53 227	0.38 260	0.12 257	0.10 193	0.10 182	0.11 233	0.11 219	0.11 128

S-Stereo	0.39 295	0.20 204	1.04 334	0.28 286	0.22 300	0.39 277	0.31 302	0.58 294	0.69 348	0.40 267	0.59 314	0.48 291	0.41 302	0.75 313	0.42 274	0.12 257	0.15 273	0.13 281	0.13 294	0.16 292	0.25 313

PA-Net	0.40 305	0.35 319	1.05 335	0.32 321	0.28 339	0.39 277	0.43 347	0.53 245	0.56 314	0.35 213	0.43 222	0.41 247	0.36 277	0.83 337	0.61 328	0.12 257	0.23 338	0.16 319	0.23 361	0.13 256	0.20 268
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
PWC_ROB	0.41 310	0.38 334	0.92 318	0.26 230	0.20 272	0.39 277	0.19 124	0.61 318	0.69 348	0.58 348	0.84 360	0.52 309	0.44 312	0.74 308	0.62 329	0.13 274	0.09 168	0.14 299	0.10 209	0.17 304	0.18 241

ssnet_v2	0.30 240	0.21 211	0.63 232	0.23 129	0.15 158	0.40 283	0.30 293	0.59 302	0.48 262	0.40 267	0.37 165	0.46 280	0.30 236	0.41 189	0.44 284	0.13 274	0.11 213	0.11 228	0.11 233	0.12 244	0.11 128

hitnet-ft	0.31 250	0.21 211	0.56 184	0.19 13	0.14 108	0.40 283	0.23 219	0.46 187	0.42 206	0.37 239	0.46 256	0.53 313	0.35 272	0.76 319	0.35 249	0.14 295	0.10 193	0.14 299	0.10 209	0.15 283	0.14 206

ETE_ROB	0.36 278	0.32 303	0.64 236	0.30 306	0.18 232	0.40 283	0.38 334	0.59 302	0.49 275	0.50 325	0.52 285	0.62 337	0.37 282	0.58 244	0.43 277	0.13 274	0.10 193	0.14 299	0.12 270	0.17 304	0.18 241

pmcnn	0.54 347	0.24 248	1.06 337	0.25 198	0.26 333	0.40 283	0.31 302	0.55 263	0.55 310	0.56 344	1.22 381	2.53 405	0.39 294	0.84 338	1.08 367	0.09 143	0.06 34	0.06 1	0.05 8	0.10 178	0.14 206

Anonymous3	0.24 148	0.19 192	0.76 273	0.27 262	0.18 232	0.41 287	0.24 241	0.45 181	0.36 149	0.23 54	0.27 75	0.20 60	0.18 103	0.28 98	0.19 99	0.12 257	0.11 213	0.10 182	0.10 209	0.11 219	0.13 183

Syn2CoEx	0.39 295	0.39 338	1.08 342	0.35 341	0.21 285	0.41 287	0.29 287	0.63 330	0.51 286	0.43 290	0.56 304	0.45 274	0.45 314	0.69 294	0.39 264	0.17 327	0.14 252	0.16 319	0.12 270	0.13 256	0.16 227

delet	0.29 228	0.18 184	0.58 204	0.24 166	0.19 255	0.41 287	0.30 293	0.52 235	0.51 286	0.35 213	0.42 210	0.37 221	0.31 249	0.49 210	0.36 252	0.10 198	0.09 168	0.11 228	0.12 270	0.09 131	0.09 58

SuperB	0.50 339	0.37 328	2.16 396	0.23 129	0.15 158	0.41 287	0.32 308	0.50 220	0.83 365	0.44 297	0.51 279	0.33 191	0.45 314	0.69 294	1.07 365	0.10 198	0.08 139	0.09 119	0.08 104	0.95 402	0.18 241

RGC	0.41 310	0.35 319	0.76 273	0.35 341	0.28 339	0.41 287	0.29 287	0.60 311	0.55 310	0.47 315	0.64 331	0.63 341	0.47 323	0.74 308	0.46 290	0.16 315	0.15 273	0.21 348	0.21 350	0.19 323	0.21 277

DANet	0.37 285	0.25 261	0.67 245	0.37 346	0.22 300	0.42 292	0.25 254	0.50 220	0.44 223	0.52 331	0.50 276	0.59 327	0.42 306	0.78 323	0.53 310	0.13 274	0.12 229	0.14 299	0.12 270	0.17 304	0.21 277
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PASM	0.49 338	0.41 343	1.15 349	0.37 346	0.35 359	0.42 292	0.42 345	0.54 252	0.65 338	0.54 340	0.54 295	0.63 341	0.48 327	0.94 360	0.51 305	0.27 363	0.30 372	0.30 365	0.33 374	0.29 364	0.29 335

NCCL2	0.37 285	0.33 307	0.59 211	0.37 346	0.23 309	0.42 292	0.41 344	0.56 273	0.44 223	0.47 315	0.47 263	0.61 334	0.39 294	0.58 244	0.41 271	0.16 315	0.13 243	0.21 348	0.22 357	0.16 292	0.18 241

CBMV	0.36 278	0.25 261	0.61 224	0.24 166	0.14 108	0.42 292	0.33 313	0.56 273	0.52 297	0.54 340	0.52 285	0.51 304	0.58 348	0.63 272	0.43 277	0.15 307	0.16 282	0.18 335	0.16 326	0.13 256	0.19 256
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.40 305	0.31 296	0.74 266	0.33 332	0.24 320	0.43 296	0.30 293	0.64 336	0.67 342	0.44 297	0.69 342	0.65 348	0.52 336	0.59 250	0.48 295	0.16 315	0.12 229	0.19 341	0.14 308	0.16 292	0.14 206

GANet	0.40 305	0.28 284	0.67 245	0.31 316	0.18 232	0.43 296	0.39 337	0.60 311	0.46 243	0.48 321	0.78 353	0.55 316	0.45 314	0.96 361	0.55 317	0.13 274	0.14 252	0.13 281	0.12 270	0.15 283	0.16 227

NVstereo2D	0.32 255	0.18 184	0.63 232	0.24 166	0.23 309	0.43 296	0.28 283	0.60 311	0.58 318	0.28 91	0.39 185	0.42 257	0.30 236	0.71 300	0.30 216	0.13 274	0.09 168	0.13 281	0.10 209	0.20 330	0.18 241

StereoDRNet	0.34 270	0.28 284	0.70 254	0.28 286	0.21 285	0.43 296	0.30 293	0.63 330	0.51 286	0.47 315	0.40 192	0.48 291	0.31 249	0.58 244	0.44 284	0.12 257	0.10 193	0.12 258	0.11 233	0.13 256	0.13 183

PWCDC_ROB	0.41 310	0.41 343	0.77 279	0.34 336	0.21 285	0.43 296	0.20 155	0.60 311	0.90 371	0.44 297	1.24 382	0.36 217	0.38 287	0.56 240	0.48 295	0.18 337	0.11 213	0.11 228	0.10 209	0.20 330	0.16 227

iinet-f	0.31 250	0.23 238	1.16 351	0.20 34	0.16 187	0.44 301	0.23 219	0.47 196	0.38 170	0.36 224	0.44 231	0.41 247	0.35 272	0.36 172	0.43 277	0.10 198	0.09 168	0.08 59	0.08 104	0.13 256	0.12 163

Wz-Net-SNSev	0.45 325	0.53 362	1.42 374	0.31 316	0.21 285	0.44 301	0.45 350	0.64 336	0.68 346	0.46 309	0.66 335	0.62 337	0.40 297	0.78 323	0.65 333	0.12 257	0.11 213	0.12 258	0.13 294	0.17 304	0.19 256

BUS	0.24 148	0.13 73	0.36 19	0.25 198	0.14 108	0.44 301	0.17 54	0.59 302	0.36 149	0.34 198	0.35 144	0.31 175	0.22 138	0.27 80	0.22 147	0.10 198	0.07 92	0.11 228	0.10 209	0.09 131	0.10 99

NINENet	0.27 207	0.16 144	0.49 102	0.23 129	0.16 187	0.44 301	0.17 54	0.63 330	0.49 275	0.33 184	0.38 171	0.31 175	0.22 138	0.43 194	0.22 147	0.11 229	0.10 193	0.12 258	0.08 104	0.12 244	0.11 128

CSP-Net	0.28 214	0.17 167	0.41 33	0.22 86	0.14 108	0.44 301	0.24 241	0.52 235	0.42 206	0.42 281	0.44 231	0.42 257	0.27 194	0.66 287	0.30 216	0.12 257	0.09 168	0.08 59	0.08 104	0.10 178	0.10 99

UNet	0.28 214	0.16 144	0.70 254	0.24 166	0.20 272	0.44 301	0.21 174	0.52 235	0.42 206	0.36 224	0.40 192	0.43 263	0.33 264	0.41 189	0.32 231	0.09 143	0.07 92	0.10 182	0.09 165	0.10 178	0.09 58

EDNetEfficientorigin	7.48 415	0.57 370	139.59 438	0.25 198	0.17 212	0.44 301	0.30 293	0.48 205	1.04 380	1.29 391	1.02 372	0.82 368	0.87 377	0.76 319	1.02 361	0.10 198	0.09 168	0.12 258	0.11 233	0.22 340	0.25 313

PSMNet_ROB	0.36 278	0.31 296	0.71 260	0.31 316	0.21 285	0.44 301	0.44 349	0.61 318	0.49 275	0.39 258	0.45 244	0.49 297	0.32 260	0.66 287	0.53 310	0.14 295	0.10 193	0.15 313	0.14 308	0.13 256	0.13 183

Nwc_Net	0.39 295	0.29 287	0.84 296	0.32 321	0.24 320	0.45 309	0.30 293	0.67 348	0.51 286	0.39 258	0.70 343	0.59 327	0.48 327	0.61 261	0.45 289	0.16 315	0.12 229	0.19 341	0.21 350	0.14 276	0.15 217

SGM-Forest	0.42 314	0.44 351	0.92 318	0.24 166	0.16 187	0.45 309	0.40 341	0.58 294	0.50 280	0.54 340	0.63 330	0.52 309	0.51 334	0.91 351	0.66 335	0.17 327	0.17 300	0.17 328	0.15 317	0.15 283	0.21 277
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-LNSev-Ref	0.33 262	0.25 261	0.82 291	0.22 86	0.17 212	0.46 311	0.28 283	0.53 245	0.53 298	0.43 290	0.57 307	0.44 269	0.31 249	0.50 214	0.48 295	0.10 198	0.06 34	0.08 59	0.06 22	0.11 219	0.12 163

CRFU-Net	0.29 228	0.14 107	0.48 85	0.26 230	0.15 158	0.46 311	0.22 196	0.52 235	0.32 107	0.44 297	0.42 210	0.48 291	0.47 323	0.44 197	0.31 225	0.12 257	0.10 193	0.09 119	0.08 104	0.10 178	0.11 128

DDUNet	0.45 325	0.60 375	0.71 260	0.45 370	0.39 369	0.46 311	0.32 308	0.53 245	0.44 223	0.46 309	0.53 292	0.57 321	0.38 287	0.51 219	0.43 277	0.34 373	0.21 324	0.56 384	0.25 363	0.41 374	0.36 351

SHD	0.45 325	0.34 315	0.89 313	0.37 346	0.28 339	0.46 311	0.23 219	0.72 364	0.96 378	0.65 354	0.61 327	0.61 334	0.48 327	0.64 277	0.69 338	0.16 315	0.16 282	0.16 319	0.16 326	0.21 336	0.25 313

DRN-Test	0.35 276	0.20 204	0.75 269	0.28 286	0.19 255	0.46 311	0.29 287	0.68 353	0.54 302	0.49 322	0.47 263	0.44 269	0.35 272	0.63 272	0.44 284	0.13 274	0.09 168	0.13 281	0.12 270	0.13 256	0.13 183

LALA_ROB	0.38 290	0.31 296	0.65 239	0.30 306	0.21 285	0.46 311	0.39 337	0.63 330	0.54 302	0.53 337	0.52 285	0.69 359	0.36 277	0.52 225	0.48 295	0.18 337	0.11 213	0.16 319	0.14 308	0.17 304	0.16 227

SQANet	0.44 322	0.57 370	0.89 313	0.49 374	0.39 369	0.47 317	0.23 219	0.53 245	0.44 223	0.41 277	0.48 272	0.47 287	0.34 265	0.58 244	0.43 277	0.38 378	0.15 273	0.40 376	0.21 350	0.50 377	0.34 348

Wz-Net-LNSev	0.36 278	0.35 319	1.06 337	0.26 230	0.21 285	0.47 317	0.33 313	0.56 273	0.58 318	0.45 304	0.54 295	0.50 301	0.37 282	0.40 186	0.42 274	0.12 257	0.11 213	0.10 182	0.09 165	0.14 276	0.15 217

UDG	0.42 314	0.54 363	0.67 245	0.41 364	0.35 359	0.47 317	0.27 269	0.57 282	0.48 262	0.40 267	0.46 256	0.59 327	0.45 314	0.47 207	0.46 290	0.26 359	0.19 311	0.49 380	0.22 357	0.37 372	0.30 337

MMNet	0.28 214	0.19 192	0.54 168	0.24 166	0.17 212	0.47 317	0.22 196	0.47 196	0.53 298	0.40 267	0.43 222	0.36 217	0.34 265	0.40 186	0.35 249	0.08 87	0.08 139	0.09 119	0.09 165	0.10 178	0.09 58

NCC-stereo	0.42 314	0.31 296	0.87 305	0.32 321	0.29 348	0.47 317	0.37 326	0.68 353	0.53 298	0.42 281	0.58 310	0.57 321	0.52 336	0.75 313	0.54 314	0.18 337	0.14 252	0.18 335	0.25 363	0.17 304	0.18 241

Abc-Net	0.42 314	0.31 296	0.87 305	0.32 321	0.29 348	0.47 317	0.37 326	0.68 353	0.53 298	0.42 281	0.58 310	0.57 321	0.52 336	0.75 313	0.54 314	0.18 337	0.14 252	0.18 335	0.25 363	0.17 304	0.18 241
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Consistency-Raft	0.56 352	0.52 360	1.12 345	0.45 370	0.49 375	0.48 323	0.45 350	0.73 365	0.74 358	0.45 304	0.82 358	0.46 280	0.60 351	0.51 219	0.63 332	0.39 380	0.40 383	0.44 378	0.51 389	0.53 380	0.38 367

GwcNet	0.37 285	0.29 287	1.12 345	0.25 198	0.24 320	0.48 323	0.27 269	0.58 294	0.60 327	0.39 258	0.54 295	0.51 304	0.34 265	0.60 255	0.46 290	0.13 274	0.12 229	0.12 258	0.11 233	0.13 256	0.15 217

DISCO	0.33 262	0.16 144	0.55 174	0.26 230	0.16 187	0.48 323	0.25 254	0.52 235	0.58 318	0.38 247	0.45 244	0.63 341	0.37 282	0.65 281	0.50 302	0.10 198	0.07 92	0.09 119	0.08 104	0.13 256	0.13 183

fast-acv-ft	0.33 262	0.26 271	0.88 311	0.25 198	0.18 232	0.49 326	0.27 269	0.44 174	0.50 280	0.40 267	0.55 300	0.49 297	0.36 277	0.39 185	0.41 271	0.11 229	0.11 213	0.11 228	0.12 270	0.13 256	0.11 128

ADCRef	0.41 310	0.33 307	1.05 335	0.26 230	0.21 285	0.49 326	0.27 269	0.54 252	0.51 286	0.51 328	0.59 314	0.35 212	0.47 323	0.54 232	1.35 383	0.09 143	0.08 139	0.12 258	0.12 270	0.12 244	0.13 183

STTRV1_RVC	0.42 314	0.33 307	0.89 313	0.29 299	0.36 364	0.49 326	0.31 302	0.63 330	0.54 302	0.47 315	0.56 304	0.47 287	0.43 309	1.00 364	0.40 266	0.28 365	0.21 324	0.20 345	0.18 341	0.25 350	0.18 241

RTSC	0.43 320	0.37 328	0.95 326	0.30 306	0.20 272	0.50 329	0.23 219	0.65 342	0.86 368	0.56 344	0.54 295	0.51 304	0.36 277	0.71 300	0.92 353	0.13 274	0.14 252	0.11 228	0.13 294	0.18 319	0.19 256

MaskLacGwcNet_RVC	0.38 290	0.43 347	0.72 264	0.35 341	0.19 255	0.51 330	0.25 254	0.56 273	0.39 181	0.42 281	0.47 263	0.47 287	0.27 194	0.74 308	0.32 231	0.38 378	0.19 311	0.27 360	0.17 337	0.29 364	0.27 325

ADCMid	0.53 345	0.45 352	1.46 375	0.27 262	0.22 300	0.51 330	0.38 334	0.61 318	0.58 318	0.75 363	0.67 337	0.62 337	0.66 364	0.66 287	1.75 394	0.13 274	0.12 229	0.17 328	0.17 337	0.20 330	0.21 277

CC-Net-ROB	0.46 331	0.55 364	0.86 303	0.38 354	0.23 309	0.51 330	0.30 293	0.69 359	0.51 286	0.46 309	0.51 279	0.48 291	0.38 287	0.96 361	0.40 266	0.36 375	0.23 338	0.56 384	0.25 363	0.34 371	0.22 285

GANetREF_RVC	0.45 325	0.52 360	0.87 305	0.39 356	0.20 272	0.51 330	0.50 363	0.68 353	0.67 342	0.47 315	0.46 256	0.50 301	0.43 309	0.91 351	0.40 266	0.28 365	0.21 324	0.32 369	0.19 344	0.28 362	0.23 292
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
FBW_ROB	0.46 331	0.34 315	0.71 260	0.32 321	0.20 272	0.51 330	0.32 308	0.73 365	0.63 335	0.60 349	0.57 307	0.65 348	0.44 312	1.42 391	0.62 329	0.14 295	0.17 300	0.22 353	0.16 326	0.17 304	0.23 292

APVNet	0.38 290	0.26 271	0.87 305	0.26 230	0.22 300	0.52 335	0.35 319	0.64 336	0.46 243	0.40 267	0.52 285	0.48 291	0.39 294	0.84 338	0.48 295	0.13 274	0.14 252	0.15 313	0.16 326	0.16 292	0.16 227

LSM	1.68 403	0.48 356	2.91 403	2.28 416	17.60 426	0.52 335	0.55 370	0.65 342	0.78 360	0.84 371	1.11 375	0.63 341	0.55 343	0.79 326	0.53 310	0.16 315	0.25 347	0.18 335	0.21 350	0.25 350	2.37 417

NaN_ROB	0.44 322	0.38 334	0.94 325	0.30 306	0.20 272	0.52 335	0.49 361	0.61 318	0.60 327	0.56 344	0.47 263	0.49 297	0.42 306	1.24 380	0.76 343	0.12 257	0.18 307	0.12 258	0.13 294	0.12 244	0.18 241

coex-ft	3.48 411	0.81 384	48.53 436	0.24 166	0.19 255	0.53 338	0.47 356	0.49 212	2.36 404	7.18 417	1.20 379	0.96 376	2.53 408	0.75 313	2.14 402	0.13 274	0.15 273	0.14 299	0.12 270	0.22 340	0.47 377

Anonymous_2	0.44 322	0.23 238	0.57 191	0.34 336	0.34 356	0.53 338	0.28 283	0.49 212	0.39 181	0.36 224	0.34 138	0.48 291	0.38 287	0.43 194	0.33 239	0.26 359	0.41 385	0.44 378	1.45 412	0.33 370	0.37 359

DispFullNet	0.67 368	0.94 390	1.63 383	0.77 391	1.19 408	0.53 338	0.25 254	0.61 318	0.72 354	0.70 360	0.60 318	0.69 359	0.90 378	0.80 329	0.52 306	0.27 363	0.13 243	0.74 392	0.31 373	0.68 388	0.44 372

NVStereoNet_ROB	0.74 373	0.64 377	1.20 361	0.55 378	0.43 373	0.54 341	0.48 357	0.75 368	0.87 370	0.88 373	1.72 397	1.06 377	1.03 385	1.29 384	0.98 359	0.35 374	0.42 386	0.41 377	0.48 384	0.38 373	0.43 370
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
anonymity	0.57 354	0.55 364	0.74 266	0.48 373	0.63 384	0.56 342	0.43 347	0.71 361	0.51 286	0.64 353	0.55 300	0.57 321	0.61 355	0.65 281	0.57 321	0.55 384	0.55 395	0.50 381	0.54 390	0.51 378	0.61 387

ADCS	0.62 362	0.56 366	1.54 381	0.30 306	0.25 330	0.56 342	0.46 353	0.71 361	0.86 368	0.77 368	0.72 345	0.68 357	0.62 359	0.82 333	2.33 404	0.17 327	0.16 282	0.16 319	0.17 337	0.23 345	0.27 325

ADCP+	0.48 337	0.36 325	1.47 376	0.26 230	0.22 300	0.57 344	0.40 341	0.56 273	0.54 302	0.46 309	0.52 285	0.46 280	0.53 341	0.59 250	1.93 398	0.10 198	0.08 139	0.11 228	0.11 233	0.14 276	0.15 217

CSAN	0.55 348	0.47 354	1.19 359	0.37 346	0.23 309	0.57 344	0.61 374	0.65 342	0.72 354	0.65 354	0.78 353	0.66 352	0.65 363	1.41 390	0.77 344	0.21 349	0.17 300	0.20 345	0.21 350	0.18 319	0.21 277

WZ-Net	0.56 352	0.49 358	2.14 395	0.30 306	0.24 320	0.58 346	0.48 357	0.65 342	0.80 362	0.51 328	0.72 345	0.68 357	0.60 351	1.06 371	1.01 360	0.13 274	0.10 193	0.11 228	0.12 270	0.19 323	0.23 292

XQC	0.47 334	0.45 352	1.07 339	0.40 360	0.28 339	0.58 346	0.38 334	0.67 348	0.76 359	0.53 337	0.47 263	0.59 327	0.47 323	0.74 308	0.80 347	0.18 337	0.14 252	0.18 335	0.16 326	0.26 355	0.24 304

Wz-Net-MNSev	0.39 295	0.35 319	0.99 331	0.26 230	0.21 285	0.59 348	0.39 337	0.58 294	0.61 329	0.49 322	0.56 304	0.53 313	0.37 282	0.61 261	0.47 293	0.11 229	0.09 168	0.11 228	0.11 233	0.15 283	0.15 217

ccnet	0.43 320	0.34 315	0.62 227	0.28 286	0.33 355	0.60 349	0.34 317	0.68 353	0.47 256	0.54 340	0.66 335	0.56 320	0.46 321	0.73 304	0.66 335	0.26 359	0.19 311	0.24 357	0.22 357	0.27 359	0.25 313

AnyNet_C32	0.55 348	0.51 359	1.34 368	0.29 299	0.28 339	0.61 350	0.62 375	0.57 282	0.62 333	0.63 352	0.68 339	0.54 315	0.55 343	0.82 333	1.81 395	0.15 307	0.15 273	0.15 313	0.18 341	0.21 336	0.25 313

DGSMNet	0.63 365	0.32 303	1.01 332	0.54 377	0.73 390	0.62 351	1.36 407	0.62 326	0.58 318	0.38 247	0.62 329	0.52 309	0.34 265	0.65 281	0.47 293	0.54 383	0.61 400	0.67 389	0.61 397	0.65 385	0.69 396

RYNet	0.38 290	0.23 238	0.65 239	0.26 230	0.28 339	0.62 351	0.33 313	0.61 318	0.62 333	0.42 281	0.39 185	0.58 326	0.40 297	0.89 346	0.57 321	0.11 229	0.09 168	0.12 258	0.11 233	0.19 323	0.22 285

WCMA_ROB	0.55 348	0.27 277	0.76 273	0.26 230	0.22 300	0.62 351	0.36 324	0.57 282	0.58 318	0.97 379	1.40 387	1.28 385	0.94 381	0.80 329	0.80 347	0.20 348	0.17 300	0.16 319	0.16 326	0.19 323	0.29 335

PVD	0.62 362	0.41 343	0.93 322	0.44 368	0.39 369	0.63 354	0.51 365	0.86 381	1.27 391	0.93 376	1.09 374	0.81 367	0.85 374	0.89 346	0.89 352	0.21 349	0.23 338	0.22 353	0.19 344	0.28 362	0.41 368

Wz-Net-TNSev	0.55 348	0.72 379	1.90 391	0.26 230	0.21 285	0.64 355	0.45 350	0.66 346	0.71 352	0.52 331	0.55 300	0.71 363	0.63 361	1.04 369	0.94 356	0.16 315	0.15 273	0.13 281	0.15 317	0.21 336	0.24 304

stereogan	0.39 295	0.20 204	0.78 283	0.28 286	0.22 300	0.65 356	0.26 264	0.62 326	0.65 338	0.45 304	0.60 318	0.67 355	0.45 314	0.69 294	0.37 258	0.14 295	0.14 252	0.14 299	0.12 270	0.20 330	0.19 256

FCDSN-DC	0.67 368	0.38 334	0.83 293	0.37 346	0.30 350	0.66 357	0.37 326	0.69 359	0.70 350	1.15 389	1.53 392	1.70 394	1.38 395	1.00 364	0.83 349	0.24 355	0.22 330	0.27 360	0.26 367	0.27 359	0.32 343
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MeshStereo	0.60 359	0.31 296	0.71 260	0.22 86	0.17 212	0.66 357	0.36 324	0.81 375	0.63 335	1.48 404	1.32 384	1.65 392	0.83 373	1.18 377	0.74 341	0.17 327	0.17 300	0.17 328	0.14 308	0.17 304	0.19 256
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
PDISCO_ROB	0.45 325	0.37 328	0.89 313	0.44 368	0.37 365	0.70 359	0.35 319	0.75 368	0.78 360	0.45 304	0.53 292	0.65 348	0.40 297	0.68 293	0.52 306	0.22 352	0.12 229	0.21 348	0.19 344	0.26 355	0.22 285

ADCPNet	0.51 341	0.36 325	1.82 390	0.27 262	0.23 309	0.71 360	0.39 337	0.56 273	0.54 302	0.52 331	0.60 318	0.66 352	0.57 347	0.64 277	1.23 372	0.15 307	0.18 307	0.14 299	0.23 361	0.19 323	0.22 285

MFN_U_SF_RVC	0.58 356	0.58 372	1.31 367	0.39 356	0.23 309	0.72 361	0.30 293	0.83 378	0.68 346	0.74 362	0.74 349	0.86 369	0.60 351	0.84 338	0.83 349	0.29 367	0.27 356	0.32 369	0.37 380	0.31 366	0.33 345

SANet	0.58 356	0.41 343	1.38 370	0.27 262	0.16 187	0.72 361	0.48 357	0.71 361	1.34 392	0.69 359	0.97 370	0.94 373	0.78 368	0.97 363	0.93 354	0.14 295	0.12 229	0.12 258	0.12 270	0.18 319	0.20 268

otaku	0.60 359	0.73 381	1.13 347	0.64 381	0.45 374	0.73 363	0.37 326	0.67 348	0.67 342	0.52 331	0.75 351	0.66 352	0.46 321	0.74 308	0.59 324	0.55 384	0.34 380	0.56 384	0.36 378	0.65 385	0.49 381

Ntro	0.61 361	0.75 383	1.16 351	0.67 383	0.50 376	0.76 364	0.37 326	0.68 353	0.71 352	0.50 325	0.59 314	0.65 348	0.52 336	0.79 326	0.58 323	0.58 387	0.32 377	0.57 387	0.34 375	0.69 390	0.50 382

DPSNet	0.51 341	0.26 271	1.16 351	0.28 286	0.21 285	0.76 364	0.56 371	0.89 384	0.82 364	0.49 322	0.51 279	0.64 346	0.81 372	0.89 346	0.85 351	0.17 327	0.16 282	0.13 281	0.13 294	0.26 355	0.27 325

SPS-STEREO	0.74 373	0.72 379	1.18 358	0.52 376	0.57 382	0.76 364	0.50 363	0.80 373	0.66 341	0.97 379	0.88 365	0.94 373	0.74 366	1.08 372	1.04 363	0.58 387	0.51 389	0.50 381	0.50 388	0.56 381	0.72 398
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ADCL	0.50 339	0.30 293	1.15 349	0.28 286	0.19 255	0.77 367	0.64 376	0.57 282	0.73 357	0.57 347	0.73 348	0.55 316	0.60 351	0.66 287	1.53 389	0.11 229	0.10 193	0.13 281	0.13 294	0.15 283	0.16 227

ACVNet_1	0.77 378	0.92 389	1.79 389	0.73 388	0.53 380	0.78 368	0.42 345	0.88 383	0.90 371	0.75 363	0.76 352	1.32 386	0.80 370	1.04 369	0.70 339	0.57 386	0.32 377	0.72 391	0.35 376	0.70 391	0.50 382

RainbowNet	0.76 376	1.00 394	1.29 365	0.82 392	0.63 384	0.79 369	0.52 366	0.83 378	0.93 374	0.61 351	0.79 356	0.79 366	0.62 359	0.82 333	0.67 337	0.80 397	0.55 395	0.79 395	0.49 385	0.81 394	0.62 388

MFMNet_re	0.74 373	0.84 385	1.16 351	0.64 381	0.70 389	0.79 369	0.71 381	0.77 371	0.85 367	0.79 370	0.86 362	0.69 359	0.80 370	0.73 304	0.65 333	0.66 391	0.59 399	0.61 388	0.58 395	0.68 388	0.71 397

LE_ROB	1.82 405	0.39 338	3.15 407	0.50 375	0.55 381	0.79 369	1.00 395	0.89 384	6.48 416	7.40 418	2.07 403	2.07 398	5.08 413	1.33 388	3.96 412	0.11 229	0.09 168	0.12 258	0.11 233	0.11 219	0.13 183

ACVNet-4b	0.76 376	0.90 388	1.67 385	0.73 388	0.51 379	0.80 372	0.31 302	0.74 367	0.81 363	0.51 328	0.72 345	0.94 373	0.43 309	1.01 366	1.32 381	1.18 409	0.22 330	0.77 393	0.45 383	0.70 391	0.50 382

FC-DCNN	0.73 372	0.33 307	0.84 296	0.33 332	0.28 339	0.82 373	0.40 341	0.82 376	0.83 365	1.43 397	1.60 395	1.97 397	1.38 395	1.10 373	0.93 354	0.24 355	0.22 330	0.27 360	0.26 367	0.26 355	0.32 343

MFN_U_SF_DS_RVC	0.53 345	0.60 375	0.98 329	0.40 360	0.25 330	0.87 374	0.57 372	0.60 311	0.64 337	0.60 349	0.67 337	0.63 341	0.42 306	1.13 374	0.50 302	0.23 353	0.28 360	0.27 360	0.35 376	0.25 350	0.33 345

MSMD_ROB	0.63 365	0.34 315	0.70 254	0.30 306	0.25 330	0.88 375	0.35 319	0.58 294	0.67 342	1.13 387	1.52 391	1.75 395	1.05 386	0.90 349	0.60 325	0.24 355	0.22 330	0.27 360	0.27 369	0.25 350	0.27 325

G-Net	0.47 334	0.26 271	1.02 333	0.34 336	0.28 339	0.89 376	0.35 319	0.47 196	0.46 243	0.68 358	1.20 379	0.64 346	0.59 350	0.61 261	0.60 325	0.16 315	0.14 252	0.17 328	0.13 294	0.22 340	0.21 277

IMH-64-1	0.94 383	0.95 391	1.07 339	0.98 397	0.76 391	0.93 377	0.72 382	1.30 392	1.11 386	0.91 374	1.45 388	1.14 378	1.00 383	1.25 382	0.97 357	0.77 393	0.51 389	0.97 398	0.55 393	0.90 396	0.66 393

IMH-64	0.94 383	0.95 391	1.07 339	0.98 397	0.76 391	0.93 377	0.72 382	1.30 392	1.11 386	0.91 374	1.45 388	1.14 378	1.00 383	1.25 382	0.97 357	0.77 393	0.51 389	0.97 398	0.55 393	0.90 396	0.66 393

AnyNet_C01	0.68 370	0.69 378	2.64 400	0.33 332	0.27 338	0.93 377	0.64 376	0.66 346	0.65 338	0.70 360	0.97 370	0.75 365	0.63 361	1.01 366	1.52 388	0.17 327	0.16 282	0.17 328	0.17 337	0.24 349	0.28 331

ELAS_RVC	0.80 379	0.40 341	1.10 344	0.40 360	0.35 359	0.93 377	1.10 402	0.87 382	1.12 388	1.40 395	1.39 385	1.27 384	1.55 402	1.13 374	1.13 368	0.29 367	0.27 356	0.30 365	0.28 370	0.31 366	0.36 351
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FINET	0.58 356	0.48 356	1.35 369	0.38 354	0.37 365	0.96 381	1.13 403	0.84 380	1.05 381	0.50 325	0.70 343	0.45 274	0.61 355	0.63 272	0.62 329	0.26 359	0.28 360	0.14 299	0.13 294	0.20 330	0.44 372

SGM_RVC	0.57 354	0.22 225	0.60 218	0.26 230	0.16 187	0.97 382	0.46 353	0.76 370	0.90 371	1.03 383	0.92 368	1.16 380	0.93 380	1.21 379	0.72 340	0.17 327	0.16 282	0.16 319	0.16 326	0.16 292	0.24 304
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ACVNet_2	0.94 383	0.98 393	1.71 387	0.83 393	0.63 384	1.02 383	0.64 376	1.16 390	1.43 395	1.02 381	1.39 385	1.47 389	0.86 376	1.16 376	0.79 346	0.63 390	0.43 388	0.78 394	0.49 385	0.80 393	0.57 385

LRCNet_RVC	10.94 420	14.45 429	9.66 416	15.38 425	8.02 419	1.08 384	0.35 319	8.72 420	0.72 354	12.63 427	15.84 426	9.73 420	6.52 415	8.58 421	6.38 417	20.33 434	5.39 420	23.79 433	21.95 432	15.35 427	13.96 429

IMH	1.09 389	1.04 397	1.29 365	1.03 399	0.79 395	1.11 385	0.69 379	1.40 395	1.42 394	1.02 381	1.71 396	1.42 387	1.19 390	1.78 400	1.03 362	1.14 407	0.56 398	1.00 400	0.58 395	0.93 399	0.68 395

RTS	0.81 381	0.56 366	4.76 409	0.37 346	0.30 350	1.11 385	0.52 366	0.67 348	1.07 383	0.76 366	0.91 366	0.60 332	0.61 355	1.64 394	1.24 373	0.15 307	0.13 243	0.15 313	0.15 317	0.22 340	0.24 304

RTSA	0.81 381	0.56 366	4.76 409	0.37 346	0.30 350	1.11 385	0.52 366	0.67 348	1.07 383	0.76 366	0.91 366	0.60 332	0.61 355	1.64 394	1.24 373	0.15 307	0.13 243	0.15 313	0.15 317	0.22 340	0.24 304

SAMSARA	0.62 362	0.47 354	0.93 322	0.70 386	0.50 376	1.15 388	1.29 406	0.79 372	0.70 350	0.77 368	0.55 300	0.92 372	0.58 348	0.87 343	0.77 344	0.19 346	0.27 356	0.18 335	0.19 344	0.27 359	0.28 331

notaker	1.49 396	1.44 409	1.77 388	1.42 409	1.08 406	1.19 389	0.87 393	1.51 399	1.40 393	1.53 405	3.41 410	2.40 403	1.94 404	1.83 402	1.57 391	1.14 407	0.69 409	1.38 410	0.88 406	1.39 411	1.03 408

Dean	1.22 394	1.17 400	1.97 392	1.04 400	0.79 395	1.21 390	0.76 384	1.51 399	1.96 401	1.30 393	1.98 402	2.14 399	1.18 389	1.30 385	1.15 369	0.83 398	0.61 400	1.01 401	0.69 400	0.97 403	0.77 402

WAO-7	1.05 386	1.00 394	1.19 359	0.83 393	0.67 388	1.22 391	0.84 391	1.43 396	1.56 397	1.13 387	1.75 398	1.46 388	1.25 391	1.56 393	1.28 375	0.61 389	0.62 403	0.70 390	0.68 399	0.66 387	0.62 388

MADNet+	1.05 386	1.26 405	4.77 411	0.73 388	0.50 376	1.25 392	0.97 394	1.05 387	0.93 374	0.67 357	0.78 353	0.87 370	0.85 374	2.14 404	1.83 396	0.40 381	0.42 386	0.32 369	0.28 370	0.45 376	0.43 370

SDNR	0.47 334	0.29 287	0.92 318	0.24 166	0.37 365	1.27 393	0.17 54	0.54 252	0.58 318	0.44 297	0.85 361	0.55 316	0.28 213	1.19 378	0.52 306	0.23 353	0.24 346	0.17 328	0.13 294	0.19 323	0.26 322

PWCK	1.05 386	1.29 406	2.12 394	0.92 395	0.42 372	1.27 393	1.01 396	1.14 389	1.14 389	1.16 390	1.14 377	1.25 383	0.90 378	1.77 399	1.15 369	0.89 400	0.51 389	0.87 396	0.54 390	1.02 404	0.57 385

WAO-6	1.11 390	1.01 396	1.17 357	0.96 396	0.79 395	1.30 395	0.78 386	1.36 394	1.99 402	1.04 384	1.54 393	1.59 391	1.27 392	1.37 389	1.30 376	0.78 395	0.55 395	1.03 402	0.75 403	0.87 395	0.72 398

LVE	1.18 392	1.16 399	1.67 385	1.04 400	0.81 399	1.32 396	0.82 390	1.49 398	1.94 400	1.08 385	1.90 400	1.89 396	1.07 387	1.51 392	1.04 363	0.96 403	0.61 400	0.94 397	0.69 400	0.92 398	0.79 403

MDST_ROB	0.51 341	0.16 144	0.97 327	0.31 316	0.21 285	1.35 397	0.34 317	0.80 373	0.59 326	1.09 386	0.74 349	0.49 297	0.37 282	1.31 386	0.60 325	0.14 295	0.12 229	0.16 319	0.13 294	0.13 256	0.18 241

KSHMR	1.92 406	1.47 411	1.97 392	1.48 411	1.22 409	1.39 398	1.06 398	1.81 404	5.83 415	1.43 397	5.56 414	2.95 409	1.17 388	2.24 406	1.33 382	1.29 410	1.13 411	1.47 412	1.11 411	1.37 410	1.21 411

MSC_U_SF_DS_RVC	0.70 371	0.73 381	1.26 363	0.47 372	0.28 339	1.42 399	0.60 373	0.82 376	0.94 377	0.85 372	0.86 362	0.88 371	0.70 365	1.32 387	0.75 342	0.37 376	0.30 372	0.34 372	0.36 378	0.44 375	0.42 369

ktn	1.80 404	1.46 410	1.49 377	1.44 410	1.14 407	1.50 400	1.07 399	1.53 401	3.90 412	2.77 411	4.62 411	3.42 410	1.49 398	1.74 397	1.40 386	1.45 411	0.77 410	1.46 411	0.99 409	1.41 412	1.00 407

ELAS	0.80 379	0.40 341	0.91 317	0.39 356	0.35 359	1.52 401	0.81 389	0.97 386	0.98 379	1.47 403	1.58 394	1.19 382	1.33 394	1.01 366	1.21 371	0.29 367	0.27 356	0.30 365	0.29 372	0.32 369	0.36 351
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
HanzoNet	3.08 410	1.87 414	2.70 401	1.81 412	1.34 410	1.60 402	1.05 397	2.06 409	2.62 405	5.63 415	5.12 412	5.96 416	7.09 416	4.39 416	3.43 410	3.29 415	2.06 416	1.98 414	2.94 417	2.47 415	2.15 416

SGM+DAISY	1.12 391	0.86 386	1.64 384	0.68 384	0.80 398	1.68 403	1.68 411	1.08 388	1.10 385	1.53 405	1.76 399	1.47 389	1.53 401	1.24 380	1.42 387	0.66 391	0.65 405	0.52 383	0.54 390	0.57 382	0.91 405

UNDER WATER	1.64 402	1.34 408	2.72 402	1.40 408	1.04 405	1.70 404	1.14 404	1.57 402	3.58 407	1.46 399	1.46 390	2.82 408	2.43 407	1.74 397	2.04 401	1.08 405	0.63 404	1.31 409	0.94 407	1.29 406	1.10 410

WAO-8	1.50 397	1.22 403	1.39 372	1.10 402	0.85 400	2.15 405	0.78 386	1.84 405	3.76 409	1.46 399	2.18 404	2.15 400	1.50 399	3.20 412	1.35 383	0.92 401	0.66 406	1.10 403	0.79 404	0.94 400	0.74 400

Venus	1.50 397	1.22 403	1.39 372	1.10 402	0.85 400	2.15 405	0.78 386	1.84 405	3.76 409	1.46 399	2.18 404	2.15 400	1.50 399	3.20 412	1.35 383	0.92 401	0.66 406	1.10 403	0.79 404	0.94 400	0.74 400

UNDER WATER-64	1.61 400	1.30 407	2.93 404	1.33 407	0.96 404	2.20 407	1.25 405	1.47 397	3.15 406	1.46 399	1.31 383	2.61 406	2.22 406	1.69 396	1.93 398	1.13 406	0.67 408	1.29 408	0.94 407	1.26 405	1.09 409

TorneroNet-64	1.47 395	1.15 398	1.51 379	1.11 404	0.86 402	2.27 408	0.76 384	1.84 405	3.76 409	1.29 391	2.22 406	2.68 407	1.46 397	1.81 401	1.55 390	0.79 396	0.51 389	1.10 403	0.67 398	1.31 407	0.81 404

MANE	1.63 401	0.58 372	1.16 351	0.59 379	0.60 383	2.71 409	1.53 408	2.63 413	3.62 408	2.33 408	3.26 409	3.66 411	2.98 411	2.26 407	2.26 403	0.37 376	0.40 383	0.31 368	0.49 385	0.31 366	0.63 390

SGM-ForestM	1.59 399	0.56 366	1.52 380	0.41 364	0.34 356	2.77 410	1.67 410	1.69 403	1.73 399	2.48 409	2.27 407	6.02 417	2.90 410	3.08 410	2.83 408	0.25 358	0.30 372	0.19 341	0.20 348	0.18 319	0.45 375

MADNet++	2.34 408	1.81 412	2.24 397	2.15 415	1.97 414	2.79 411	2.19 413	2.42 412	2.26 403	2.79 412	2.70 408	2.43 404	2.60 409	3.18 411	3.32 409	2.19 413	1.97 414	1.93 413	1.62 413	2.02 414	2.10 415

JetBlue	1.20 393	0.89 387	2.53 399	0.59 379	0.76 391	3.16 412	2.09 412	1.16 390	0.93 374	0.95 377	1.12 376	1.65 392	1.27 392	2.15 405	1.87 397	0.43 382	0.37 382	0.38 374	0.39 382	0.62 383	0.63 390

TorneroNet	2.26 407	1.20 402	1.55 382	1.15 406	0.91 403	5.84 413	0.84 391	2.12 410	8.45 419	2.59 410	5.32 413	3.84 412	2.15 405	1.84 403	1.98 400	0.88 399	0.54 394	1.16 407	0.74 402	1.31 407	0.91 405

JetRed	2.35 409	2.70 415	6.11 412	1.14 405	1.38 411	6.03 414	3.61 414	2.12 410	1.72 398	1.99 407	1.97 401	2.15 400	1.59 403	2.49 408	4.19 413	1.05 404	1.60 413	1.10 403	1.02 410	1.72 413	1.41 413

DPSimNet_ROB	6.21 414	5.16 417	9.50 415	5.59 419	5.56 416	7.64 415	10.02 417	4.07 415	7.33 417	6.84 416	6.26 415	7.17 418	10.55 418	4.07 415	5.68 414	5.50 418	4.29 417	5.24 419	3.66 418	4.05 417	5.96 420

DPSMNet_ROB	8.44 418	5.25 419	10.87 424	5.59 419	10.27 421	8.34 416	23.51 426	6.12 419	13.47 426	4.96 414	10.94 423	5.65 415	10.55 418	6.25 418	12.77 422	4.01 417	7.62 422	3.75 418	7.27 423	4.16 419	7.54 422

DGTPSM_ROB	8.38 417	5.24 418	10.71 423	5.32 418	10.19 420	8.34 416	23.49 425	6.11 418	13.43 425	4.93 413	10.93 422	5.64 414	10.55 418	6.17 417	12.73 421	3.74 416	7.56 421	3.68 417	7.24 422	4.09 418	7.49 421

HaxPig	17.72 429	20.23 436	19.76 426	16.55 426	16.52 425	9.46 418	9.42 416	14.48 429	13.31 424	18.59 428	18.67 427	17.39 428	16.68 428	17.07 429	16.43 428	21.99 435	20.86 436	22.28 432	21.55 431	21.30 434	21.88 436

tt	4.71 412	0.11 27	3.94 408	2.06 414	1.54 412	10.14 419	16.85 420	9.28 422	4.99 413	1.41 396	1.05 373	4.68 413	4.89 412	3.36 414	5.86 416	5.73 419	9.15 426	2.23 415	2.51 416	3.02 416	1.34 412

BEATNet-Init1	4.91 413	3.27 416	14.39 425	0.69 385	0.65 387	10.19 420	3.83 415	5.04 416	5.11 414	8.73 420	8.52 417	13.95 427	7.66 417	7.79 419	5.79 415	0.32 372	0.34 380	0.34 372	0.38 381	0.64 384	0.64 392

MEDIAN_ROB	21.20 430	24.56 437	23.42 434	19.57 427	19.62 430	13.29 421	11.21 418	18.04 430	17.02 430	22.07 436	21.92 429	20.84 430	20.24 429	21.02 430	19.68 430	25.59 437	24.08 437	26.20 434	25.19 433	25.31 435	25.19 437

ASD4	8.08 416	7.42 420	8.23 414	6.03 421	6.01 417	14.62 422	20.55 421	9.03 421	8.06 418	7.51 419	6.52 416	7.36 419	6.42 414	8.13 420	9.88 419	5.93 420	5.10 419	6.60 423	5.79 419	6.82 420	5.52 419

xxxxx1	15.30 424	9.78 422	10.23 420	20.34 428	19.47 427	17.10 423	23.00 422	10.36 423	11.04 421	9.25 421	9.66 418	10.74 422	10.66 421	10.60 423	13.72 425	8.14 424	9.35 427	31.88 436	44.61 436	12.63 424	13.46 426

tt_ll	15.30 424	9.78 422	10.23 420	20.34 428	19.47 427	17.10 423	23.00 422	10.36 423	11.04 421	9.25 421	9.66 418	10.74 422	10.66 421	10.60 423	13.72 425	8.14 424	9.35 427	31.88 436	44.61 436	12.63 424	13.46 426

ff	15.30 424	9.78 422	10.23 420	20.34 428	19.47 427	17.10 423	23.00 422	10.36 423	11.04 421	9.25 421	9.66 418	10.74 422	10.66 421	10.60 423	13.72 425	8.14 424	9.35 427	31.88 436	44.61 436	12.63 424	13.46 426

AVERAGE_ROB	25.43 437	29.01 438	27.22 435	24.60 437	24.16 437	17.78 426	12.87 419	22.39 431	21.40 431	26.72 438	26.08 436	25.18 437	24.52 437	25.07 437	23.57 431	29.94 438	28.36 438	30.60 435	29.57 434	29.83 436	29.66 438

Anonymous_1	16.44 428	9.26 421	9.67 417	10.63 422	14.54 424	18.62 427	26.98 427	12.68 426	13.53 427	10.78 426	10.37 421	10.15 421	10.66 421	10.99 426	12.64 420	15.61 433	7.73 423	16.87 430	43.01 435	56.14 438	7.86 425

DPSM_ROB	11.46 421	9.79 425	10.18 418	11.11 423	11.31 422	19.08 428	27.38 428	13.42 427	14.23 428	10.34 424	11.13 424	10.97 425	11.33 425	11.89 427	13.49 423	6.74 422	8.19 424	6.00 420	7.05 420	7.74 421	7.76 423

DPSM	11.46 421	9.79 425	10.18 418	11.11 423	11.31 422	19.08 428	27.38 428	13.42 427	14.23 428	10.34 424	11.13 424	10.97 425	11.33 425	11.89 427	13.49 423	6.74 422	8.19 424	6.00 420	7.05 420	7.74 421	7.76 423

SPstereo	14.29 423	1.85 413	2.95 405	1.89 413	1.68 413	23.50 430	43.36 430	35.81 438	29.54 438	20.90 432	20.49 428	26.26 438	21.86 430	25.13 438	19.49 429	1.60 412	1.44 412	2.99 416	2.21 415	1.34 409	1.43 414

PML	15.86 427	13.12 428	7.07 413	5.22 417	7.66 418	32.93 431	64.30 437	5.37 417	10.12 420	25.87 437	67.29 437	20.25 429	13.20 427	10.09 422	6.81 418	5.94 421	2.00 415	6.03 422	2.18 414	9.13 423	2.62 418

CasAABBNet	23.04 431	19.69 430	20.32 427	22.42 431	22.73 431	38.35 432	55.23 433	26.99 435	28.74 433	20.67 430	22.28 431	22.11 434	22.86 434	23.84 434	27.17 433	13.52 427	16.47 431	12.08 424	14.21 425	15.57 428	15.60 430

MyStereo03	23.12 433	19.74 431	20.70 430	22.51 433	22.82 433	38.36 433	55.25 434	26.92 432	28.81 434	20.90 432	22.38 432	22.06 431	22.80 431	23.83 431	27.20 435	13.55 429	16.70 433	12.09 425	14.22 427	15.58 429	16.03 432

MyStereo02	23.12 433	19.74 431	20.70 430	22.51 433	22.82 433	38.36 433	55.25 434	26.92 432	28.81 434	20.90 432	22.38 432	22.06 431	22.80 431	23.83 431	27.20 435	13.55 429	16.70 433	12.09 425	14.22 427	15.58 429	16.03 432

MyStereo	23.12 433	19.74 431	20.70 430	22.51 433	22.82 433	38.36 433	55.25 434	26.92 432	28.81 434	20.90 432	22.38 432	22.06 431	22.80 431	23.83 431	27.20 435	13.55 429	16.70 433	12.09 425	14.22 427	15.58 429	16.03 432

LSM0	24.21 436	19.88 435	22.33 433	24.42 436	40.13 438	38.41 436	54.99 431	27.05 436	28.61 432	20.59 429	22.00 430	22.29 436	22.86 434	24.12 436	27.16 432	13.59 432	16.33 430	12.13 429	14.08 424	15.72 433	17.53 435

Selective-RAFT-Error	23.11 432	19.77 434	20.60 429	22.49 432	22.80 432	38.46 437	55.19 432	27.13 437	28.90 437	20.73 431	22.38 432	22.11 434	22.91 436	23.94 435	27.18 434	13.54 428	16.57 432	12.09 425	14.21 425	15.61 432	15.65 431

test_example2	100.95 438	107.33 439	67.16 437	98.17 438	106.88 439	89.44 438	101.34 438	37.23 439	97.88 439	129.56 439	131.26 438	65.41 439	67.34 438	91.22 439	79.29 438	143.32 439	199.32 439	81.12 439	102.17 439	121.89 439	101.70 439

FADE		1.19 401		0.71 387	0.76 391			1.87 408	1.53 396	0.75 363		1.17 381		2.88 409		24.66 436	4.77 418	17.17 431	17.41 430	0.51 378	0.45 375

Low-res two-view benchmark