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

2w_stereo	0.08 56	0.08 272	0.09 91	0.16 165	0.06 16	0.08 59	0.10 31	0.20 265	0.15 184	0.08 85	0.07 47	0.06 23	0.06 46	0.06 1	0.09 62	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

FoundationStereo	0.06 1	0.04 1	0.08 40	0.12 5	0.05 1	0.09 96	0.13 125	0.06 1	0.09 30	0.05 2	0.05 7	0.06 23	0.04 1	0.06 1	0.07 1	0.06 126	0.04 24	0.05 34	0.03 1	0.05 118	0.04 49

IGEV-Stereo+	0.07 4	0.04 1	0.08 40	0.15 85	0.06 16	0.04 1	0.09 18	0.10 21	0.09 30	0.06 13	0.06 14	0.06 23	0.06 46	0.06 1	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.06 222	0.06 236

BridgeDepth_RVC	0.07 4	0.04 1	0.09 91	0.11 1	0.05 1	0.10 148	0.10 31	0.14 96	0.09 30	0.06 13	0.07 47	0.06 23	0.07 127	0.07 4	0.10 142	0.06 126	0.04 24	0.04 1	0.04 46	0.04 21	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
MonStereo	0.07 4	0.06 75	0.05 1	0.15 85	0.05 1	0.08 59	0.10 31	0.15 128	0.15 184	0.05 2	0.06 14	0.05 2	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 75	0.05 1	0.15 85	0.05 1	0.08 59	0.10 31	0.15 128	0.15 184	0.05 2	0.06 14	0.05 2	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

water-stereo	0.09 106	0.06 75	0.08 40	0.16 165	0.07 84	0.09 96	0.13 125	0.15 128	0.13 140	0.11 189	0.12 199	0.08 129	0.09 198	0.07 4	0.08 17	0.06 126	0.05 207	0.05 34	0.05 132	0.04 21	0.04 49

MLG-Stereo_test3	0.07 4	0.05 26	0.10 136	0.14 41	0.06 16	0.07 33	0.11 54	0.08 5	0.06 4	0.06 13	0.04 1	0.06 23	0.06 46	0.07 4	0.10 142	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.06 236

LG-Stereo_Zeroshot	0.07 4	0.06 75	0.10 136	0.16 165	0.07 84	0.04 1	0.13 125	0.10 21	0.10 47	0.05 2	0.11 183	0.07 80	0.05 12	0.07 4	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

MonSter	0.07 4	0.06 75	0.05 1	0.15 85	0.05 1	0.07 33	0.10 31	0.15 128	0.15 184	0.05 2	0.06 14	0.05 2	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

dual_stereo	0.07 4	0.04 1	0.08 40	0.15 85	0.05 1	0.05 4	0.13 125	0.12 57	0.08 17	0.07 47	0.06 14	0.05 2	0.05 12	0.07 4	0.09 62	0.06 126	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

U	0.08 56	0.07 166	0.09 91	0.19 381	0.10 373	0.10 148	0.13 125	0.12 57	0.17 237	0.07 47	0.07 47	0.06 23	0.05 12	0.07 4	0.08 17	0.06 126	0.04 24	0.06 124	0.04 46	0.06 222	0.05 144

GMOStereo	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 554	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

error version	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 554	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

test-v	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 554	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

test-2	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 554	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

test-1	0.10 171	0.07 166	0.16 383	0.19 381	0.08 144	0.11 195	0.24 516	0.14 96	0.18 267	0.09 121	0.07 47	0.09 156	0.08 167	0.07 4	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

MatchStereo	0.07 4	0.04 1	0.08 40	0.14 41	0.06 16	0.05 4	0.12 75	0.12 57	0.09 30	0.07 47	0.06 14	0.04 1	0.04 1	0.08 18	0.09 62	0.06 126	0.05 207	0.05 34	0.03 1	0.04 21	0.04 49

BridgeDepth	0.07 4	0.07 166	0.08 40	0.18 323	0.06 16	0.07 33	0.11 54	0.09 12	0.06 4	0.04 1	0.07 47	0.10 189	0.09 198	0.08 18	0.08 17	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
Replicate-Monster	0.07 4	0.05 26	0.09 91	0.14 41	0.06 16	0.08 59	0.09 18	0.13 75	0.13 140	0.05 2	0.07 47	0.06 23	0.06 46	0.08 18	0.10 142	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

depthmonostereo	0.09 106	0.06 75	0.09 91	0.15 85	0.06 16	0.10 148	0.13 125	0.14 96	0.14 165	0.10 157	0.10 142	0.09 156	0.11 264	0.08 18	0.09 62	0.06 126	0.05 207	0.06 124	0.04 46	0.04 21	0.03 2

2.25w	0.07 4	0.06 75	0.07 8	0.14 41	0.06 16	0.08 59	0.08 7	0.10 21	0.15 184	0.08 85	0.10 142	0.07 80	0.06 46	0.08 18	0.10 142	0.05 34	0.03 1	0.04 1	0.04 46	0.03 1	0.04 49

4.5_new	0.07 4	0.09 347	0.08 40	0.15 85	0.07 84	0.06 11	0.10 31	0.14 96	0.11 75	0.06 13	0.08 89	0.06 23	0.06 46	0.08 18	0.10 142	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

4.5w-stereo	0.07 4	0.09 347	0.08 40	0.15 85	0.07 84	0.06 11	0.10 31	0.14 96	0.11 75	0.06 13	0.08 89	0.06 23	0.06 46	0.08 18	0.10 142	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.5w	0.07 4	0.07 166	0.07 8	0.16 165	0.06 16	0.08 59	0.12 75	0.10 21	0.10 47	0.07 47	0.06 14	0.09 156	0.06 46	0.08 18	0.09 62	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

3w_stereo	0.08 56	0.09 347	0.10 136	0.17 241	0.07 84	0.08 59	0.10 31	0.20 265	0.13 140	0.06 13	0.07 47	0.05 2	0.06 46	0.08 18	0.09 62	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

monsterstereo	0.07 4	0.06 75	0.06 4	0.16 165	0.06 16	0.08 59	0.10 31	0.16 158	0.11 75	0.07 47	0.08 89	0.06 23	0.07 127	0.08 18	0.09 62	0.04 11	0.04 24	0.05 34	0.04 46	0.03 1	0.03 2

monsters	0.07 4	0.06 75	0.06 4	0.15 85	0.06 16	0.08 59	0.09 18	0.12 57	0.08 17	0.09 121	0.07 47	0.06 23	0.06 46	0.08 18	0.08 17	0.05 34	0.04 24	0.04 1	0.04 46	0.03 1	0.03 2

LG-Stereo_L2	0.07 4	0.05 26	0.10 136	0.14 41	0.06 16	0.07 33	0.12 75	0.09 12	0.09 30	0.06 13	0.04 1	0.05 2	0.05 12	0.08 18	0.08 17	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

LG-Stereo_L1	0.07 4	0.05 26	0.11 180	0.14 41	0.06 16	0.07 33	0.13 125	0.09 12	0.07 10	0.05 2	0.04 1	0.05 2	0.04 1	0.08 18	0.07 1	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

MLG-Stereo_test2	0.06 1	0.04 1	0.10 136	0.15 85	0.05 1	0.07 33	0.11 54	0.09 12	0.04 2	0.06 13	0.05 7	0.06 23	0.04 1	0.08 18	0.09 62	0.06 126	0.04 24	0.05 34	0.03 1	0.05 118	0.05 144

SGD-Stereo	0.08 56	0.05 26	0.10 136	0.14 41	0.05 1	0.12 234	0.12 75	0.11 36	0.12 105	0.07 47	0.09 111	0.09 156	0.09 198	0.08 18	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.03 2

AIO_test	0.07 4	0.05 26	0.07 8	0.15 85	0.07 84	0.06 11	0.14 178	0.10 21	0.10 47	0.07 47	0.07 47	0.06 23	0.05 12	0.08 18	0.10 142	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

castereo++	0.08 56	0.05 26	0.08 40	0.15 85	0.05 1	0.14 317	0.12 75	0.11 36	0.15 184	0.07 47	0.07 47	0.07 80	0.06 46	0.08 18	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

CroCo-Stereo Lap2	0.09 106	0.09 347	0.08 40	0.22 490	0.09 265	0.09 96	0.19 440	0.16 158	0.12 105	0.09 121	0.10 142	0.05 2	0.05 12	0.08 18	0.08 17	0.06 126	0.06 340	0.07 226	0.05 132	0.05 118	0.05 144

test_4	0.10 171	0.10 407	0.08 40	0.19 381	0.09 265	0.08 59	0.22 493	0.15 128	0.17 237	0.12 228	0.18 302	0.12 232	0.09 198	0.08 18	0.11 217	0.04 11	0.04 24	0.08 316	0.08 375	0.04 21	0.03 2

test_3	0.10 171	0.09 347	0.10 136	0.20 442	0.08 144	0.13 284	0.26 541	0.14 96	0.21 323	0.10 157	0.10 142	0.09 156	0.09 198	0.08 18	0.11 217	0.05 34	0.04 24	0.08 316	0.07 305	0.04 21	0.04 49

CroCo-Stereo	0.09 106	0.08 272	0.08 40	0.22 490	0.09 265	0.09 96	0.19 440	0.15 128	0.12 105	0.07 47	0.07 47	0.08 129	0.06 46	0.08 18	0.07 1	0.07 273	0.05 207	0.06 124	0.04 46	0.05 118	0.04 49
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
Pro-Stereo	0.07 4	0.05 26	0.08 40	0.15 85	0.07 84	0.08 59	0.12 75	0.07 2	0.07 10	0.06 13	0.06 14	0.05 2	0.05 12	0.09 39	0.08 17	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

BStereo	0.08 56	0.06 75	0.16 383	0.15 85	0.08 144	0.07 33	0.09 18	0.15 128	0.16 214	0.06 13	0.07 47	0.07 80	0.05 12	0.09 39	0.11 217	0.04 11	0.05 207	0.05 34	0.07 305	0.04 21	0.04 49

Wave_Phase_stereo	0.09 106	0.06 75	0.16 383	0.15 85	0.08 144	0.11 195	0.09 18	0.18 226	0.16 214	0.06 13	0.07 47	0.07 80	0.05 12	0.09 39	0.11 217	0.04 11	0.05 207	0.05 34	0.07 305	0.04 21	0.04 49

NLSM3	0.09 106	0.06 75	0.08 40	0.19 381	0.08 144	0.11 195	0.16 316	0.18 226	0.16 214	0.06 13	0.08 89	0.07 80	0.08 167	0.09 39	0.11 217	0.04 11	0.04 24	0.06 124	0.07 305	0.03 1	0.03 2

CSFM-Stereo	0.07 4	0.05 26	0.07 8	0.14 41	0.06 16	0.09 96	0.13 125	0.15 128	0.06 4	0.07 47	0.08 89	0.06 23	0.08 167	0.09 39	0.09 62	0.06 126	0.05 207	0.04 1	0.03 1	0.04 21	0.04 49

FE-Mocha	0.09 106	0.06 75	0.14 298	0.16 165	0.09 265	0.10 148	0.15 250	0.18 226	0.16 214	0.10 157	0.09 111	0.07 80	0.07 127	0.09 39	0.09 62	0.06 126	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

DDF-Stereo	0.08 56	0.04 1	0.09 91	0.15 85	0.10 373	0.06 11	0.13 125	0.09 12	0.14 165	0.06 13	0.06 14	0.07 80	0.06 46	0.09 39	0.10 142	0.06 126	0.04 24	0.06 124	0.04 46	0.08 358	0.05 144

252Zero-FE	0.08 56	0.04 1	0.09 91	0.13 14	0.07 84	0.12 234	0.11 54	0.13 75	0.14 165	0.06 13	0.05 7	0.06 23	0.05 12	0.09 39	0.10 142	0.06 126	0.04 24	0.04 1	0.03 1	0.05 118	0.06 236

Zero-FE251	0.07 4	0.05 26	0.09 91	0.13 14	0.06 16	0.12 234	0.12 75	0.11 36	0.10 47	0.07 47	0.08 89	0.06 23	0.06 46	0.09 39	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

Wavelet-MonSter	0.07 4	0.05 26	0.07 8	0.16 165	0.06 16	0.07 33	0.11 54	0.10 21	0.08 17	0.06 13	0.06 14	0.07 80	0.07 127	0.09 39	0.09 62	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

DA	0.08 56	0.07 166	0.07 8	0.19 381	0.08 144	0.09 96	0.12 75	0.13 75	0.12 105	0.08 85	0.10 142	0.10 189	0.08 167	0.09 39	0.10 142	0.05 34	0.04 24	0.06 124	0.04 46	0.05 118	0.03 2

Monster-pub-mixall	0.07 4	0.04 1	0.09 91	0.13 14	0.06 16	0.05 4	0.09 18	0.11 36	0.07 10	0.06 13	0.06 14	0.05 2	0.06 46	0.09 39	0.09 62	0.06 126	0.04 24	0.04 1	0.03 1	0.05 118	0.05 144

zero-FE	0.08 56	0.04 1	0.09 91	0.15 85	0.10 373	0.05 4	0.14 178	0.09 12	0.14 165	0.07 47	0.06 14	0.07 80	0.06 46	0.09 39	0.10 142	0.06 126	0.04 24	0.06 124	0.04 46	0.08 358	0.05 144

GGEV	0.08 56	0.07 166	0.07 8	0.19 381	0.08 144	0.09 96	0.12 75	0.13 75	0.12 105	0.08 85	0.10 142	0.10 189	0.08 167	0.09 39	0.10 142	0.05 34	0.04 24	0.06 124	0.04 46	0.05 118	0.03 2

AdaDepth	0.07 4	0.06 75	0.07 8	0.18 323	0.06 16	0.11 195	0.12 75	0.09 12	0.07 10	0.06 13	0.05 7	0.07 80	0.06 46	0.09 39	0.10 142	0.04 11	0.05 207	0.05 34	0.04 46	0.04 21	0.04 49

S2M2_XL	0.08 56	0.06 75	0.12 217	0.12 5	0.08 144	0.09 96	0.09 18	0.07 2	0.07 10	0.08 85	0.07 47	0.07 80	0.06 46	0.09 39	0.09 62	0.08 338	0.06 340	0.07 226	0.05 132	0.08 358	0.06 236
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
4w-stereo	0.07 4	0.08 272	0.08 40	0.16 165	0.06 16	0.07 33	0.08 7	0.12 57	0.08 17	0.07 47	0.07 47	0.05 2	0.06 46	0.09 39	0.10 142	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.75w_new	0.07 4	0.07 166	0.07 8	0.13 14	0.06 16	0.08 59	0.08 7	0.18 226	0.12 105	0.07 47	0.08 89	0.06 23	0.06 46	0.09 39	0.11 217	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 49

3.75w	0.07 4	0.07 166	0.08 40	0.16 165	0.07 84	0.07 33	0.09 18	0.16 158	0.09 30	0.07 47	0.06 14	0.05 2	0.06 46	0.09 39	0.10 142	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 75	0.07 8	0.16 165	0.06 16	0.07 33	0.10 31	0.14 96	0.14 165	0.07 47	0.08 89	0.05 2	0.06 46	0.09 39	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 49

IGEV	0.07 4	0.04 1	0.08 40	0.13 14	0.06 16	0.09 96	0.12 75	0.14 96	0.10 47	0.06 13	0.09 111	0.07 80	0.05 12	0.09 39	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

111111	0.07 4	0.04 1	0.09 91	0.17 241	0.06 16	0.05 4	0.10 31	0.11 36	0.09 30	0.06 13	0.06 14	0.07 80	0.05 12	0.09 39	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.07 295	0.06 236

MLG-Stereo_test1	0.06 1	0.05 26	0.08 40	0.17 241	0.05 1	0.06 11	0.11 54	0.08 5	0.03 1	0.05 2	0.04 1	0.06 23	0.05 12	0.09 39	0.09 62	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

LG-Stereo	0.08 56	0.07 166	0.10 136	0.18 323	0.07 84	0.10 148	0.17 353	0.11 36	0.08 17	0.05 2	0.07 47	0.05 2	0.07 127	0.09 39	0.09 62	0.04 11	0.05 207	0.07 226	0.07 305	0.04 21	0.04 49

SCV	0.08 56	0.09 347	0.08 40	0.15 85	0.08 144	0.10 148	0.13 125	0.10 21	0.12 105	0.07 47	0.07 47	0.06 23	0.04 1	0.09 39	0.08 17	0.05 34	0.04 24	0.06 124	0.04 46	0.06 222	0.04 49

StereoAnything_RVC	0.07 4	0.15 502	0.17 413	0.11 1	0.05 1	0.05 4	0.11 54	0.08 5	0.08 17	0.06 13	0.06 14	0.05 2	0.05 12	0.09 39	0.08 17	0.08 338	0.04 24	0.05 34	0.03 1	0.05 118	0.04 49

IGEV-RUCA	0.08 56	0.06 75	0.11 180	0.14 41	0.09 265	0.10 148	0.12 75	0.10 21	0.12 105	0.06 13	0.07 47	0.07 80	0.06 46	0.09 39	0.08 17	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.06 236

castereo	0.09 106	0.06 75	0.11 180	0.15 85	0.06 16	0.11 195	0.15 250	0.14 96	0.18 267	0.08 85	0.10 142	0.11 214	0.08 167	0.09 39	0.10 142	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

UGAM-zero	0.09 106	0.05 26	0.15 349	0.15 85	0.08 144	0.09 96	0.13 125	0.19 254	0.15 184	0.11 189	0.15 244	0.07 80	0.07 127	0.09 39	0.09 62	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

IGEV-Stereo++	0.07 4	0.06 75	0.08 40	0.18 323	0.06 16	0.04 1	0.10 31	0.11 36	0.11 75	0.06 13	0.07 47	0.07 80	0.06 46	0.09 39	0.09 62	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

RAStereo	0.10 171	0.09 347	0.08 40	0.20 442	0.08 144	0.13 284	0.18 401	0.15 128	0.17 237	0.10 157	0.12 199	0.05 2	0.06 46	0.09 39	0.08 17	0.07 273	0.05 207	0.07 226	0.05 132	0.05 118	0.04 49

Occ-G	0.08 56	0.05 26	0.06 4	0.14 41	0.07 84	0.08 59	0.14 178	0.13 75	0.15 184	0.07 47	0.11 183	0.07 80	0.05 12	0.09 39	0.10 142	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.05 144

gcap-zeroshot	0.09 106	0.05 26	0.10 136	0.16 165	0.07 84	0.13 284	0.13 125	0.11 36	0.12 105	0.13 259	0.12 199	0.09 156	0.08 167	0.09 39	0.09 62	0.06 126	0.05 207	0.06 124	0.05 132	0.04 21	0.04 49

MoCha-V2	0.08 56	0.05 26	0.10 136	0.20 442	0.07 84	0.09 96	0.14 178	0.11 36	0.08 17	0.07 47	0.08 89	0.07 80	0.06 46	0.09 39	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

MaDis-Stereo	0.09 106	0.09 347	0.08 40	0.17 241	0.09 265	0.13 284	0.10 31	0.16 158	0.16 214	0.09 121	0.11 183	0.06 23	0.06 46	0.09 39	0.13 316	0.07 273	0.06 340	0.07 226	0.05 132	0.05 118	0.04 49

UniTT-Stereo	0.09 106	0.07 166	0.08 40	0.18 323	0.08 144	0.13 284	0.11 54	0.12 57	0.11 75	0.10 157	0.12 199	0.05 2	0.07 127	0.09 39	0.09 62	0.07 273	0.05 207	0.05 34	0.05 132	0.05 118	0.05 144

CAS	0.08 56	0.04 1	0.07 8	0.17 241	0.08 144	0.10 148	0.13 125	0.12 57	0.09 30	0.09 121	0.10 142	0.08 129	0.06 46	0.09 39	0.08 17	0.08 338	0.04 24	0.05 34	0.03 1	0.05 118	0.04 49

cross-raft	0.10 171	0.09 347	0.09 91	0.19 381	0.07 84	0.11 195	0.25 532	0.13 75	0.15 184	0.08 85	0.11 183	0.12 232	0.10 234	0.09 39	0.11 217	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

CREStereo++_RVC	0.08 56	0.04 1	0.06 4	0.13 14	0.07 84	0.09 96	0.12 75	0.14 96	0.14 165	0.10 157	0.14 227	0.08 129	0.07 127	0.09 39	0.11 217	0.06 126	0.04 24	0.05 34	0.05 132	0.04 21	0.04 49
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
EAI-Stereo	0.09 106	0.07 166	0.11 180	0.15 85	0.06 16	0.10 148	0.15 250	0.16 158	0.09 30	0.08 85	0.09 111	0.08 129	0.07 127	0.09 39	0.11 217	0.05 34	0.04 24	0.05 34	0.05 132	0.05 118	0.04 49

R-Stereo Train	0.10 171	0.06 75	0.10 136	0.17 241	0.08 144	0.11 195	0.14 178	0.23 332	0.11 75	0.12 228	0.19 311	0.11 214	0.08 167	0.09 39	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.05 144

RAFT-Stereo	0.10 171	0.06 75	0.10 136	0.17 241	0.08 144	0.11 195	0.14 178	0.23 332	0.11 75	0.12 228	0.19 311	0.11 214	0.08 167	0.09 39	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.05 144
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
WQFJA1++	0.08 56	0.04 1	0.11 180	0.14 41	0.07 84	0.11 195	0.11 54	0.11 36	0.07 10	0.07 47	0.07 47	0.07 80	0.06 46	0.10 81	0.10 142	0.06 126	0.04 24	0.05 34	0.04 46	0.06 222	0.06 236

NLSM1	0.10 171	0.07 166	0.07 8	0.19 381	0.08 144	0.13 284	0.16 316	0.21 288	0.15 184	0.11 189	0.10 142	0.06 23	0.10 234	0.10 81	0.11 217	0.07 273	0.08 441	0.08 316	0.07 305	0.05 118	0.05 144

MonSter++	0.08 56	0.04 1	0.10 136	0.13 14	0.06 16	0.09 96	0.12 75	0.13 75	0.08 17	0.06 13	0.07 47	0.06 23	0.08 167	0.10 81	0.11 217	0.06 126	0.05 207	0.04 1	0.03 1	0.04 21	0.04 49

VIP-Stereo	0.07 4	0.07 166	0.07 8	0.15 85	0.06 16	0.12 234	0.10 31	0.11 36	0.11 75	0.06 13	0.07 47	0.06 23	0.05 12	0.10 81	0.08 17	0.05 34	0.04 24	0.05 34	0.03 1	0.03 1	0.02 1

gasm-f	0.08 56	0.05 26	0.07 8	0.13 14	0.08 144	0.08 59	0.14 178	0.10 21	0.09 30	0.08 85	0.10 142	0.06 23	0.05 12	0.10 81	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

DLNR-FE	10.43 627	1.83 619	19.53 638	120.75 643	13.06 631	0.06 11	0.13 125	0.23 332	0.10 47	0.07 47	0.10 142	0.09 156	0.06 46	0.10 81	0.09 62	0.13 517	0.04 24	0.06 124	0.04 46	52.01 644	0.04 49

asda	0.07 4	0.08 272	0.08 40	0.16 165	0.06 16	0.06 11	0.10 31	0.16 158	0.10 47	0.06 13	0.06 14	0.05 2	0.05 12	0.10 81	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

asd	0.07 4	0.08 272	0.07 8	0.16 165	0.07 84	0.08 59	0.08 7	0.11 36	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.10 81	0.09 62	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

qwe	0.07 4	0.08 272	0.07 8	0.15 85	0.06 16	0.07 33	0.10 31	0.18 226	0.11 75	0.07 47	0.07 47	0.06 23	0.06 46	0.10 81	0.09 62	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

3.5w_stereo	0.07 4	0.07 166	0.07 8	0.15 85	0.07 84	0.09 96	0.06 1	0.13 75	0.11 75	0.07 47	0.07 47	0.06 23	0.07 127	0.10 81	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

MLG-Stereo	0.07 4	0.05 26	0.08 40	0.17 241	0.05 1	0.07 33	0.11 54	0.08 5	0.04 2	0.05 2	0.04 1	0.06 23	0.05 12	0.10 81	0.09 62	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

LGtest1	0.07 4	0.04 1	0.10 136	0.15 85	0.06 16	0.07 33	0.09 18	0.08 5	0.06 4	0.05 2	0.04 1	0.06 23	0.06 46	0.10 81	0.09 62	0.07 273	0.04 24	0.05 34	0.04 46	0.06 222	0.06 236

MM-Stereo_test1	0.10 171	0.07 166	0.08 40	0.18 323	0.07 84	0.12 234	0.18 401	0.21 288	0.20 307	0.09 121	0.11 183	0.08 129	0.06 46	0.10 81	0.10 142	0.06 126	0.05 207	0.07 226	0.06 212	0.05 118	0.04 49

HART	0.08 56	0.07 166	0.09 91	0.17 241	0.07 84	0.10 148	0.16 316	0.13 75	0.11 75	0.08 85	0.10 142	0.07 80	0.05 12	0.10 81	0.08 17	0.05 34	0.04 24	0.06 124	0.04 46	0.05 118	0.04 49

GREAT-IGEV	0.07 4	0.06 75	0.08 40	0.13 14	0.07 84	0.07 33	0.14 178	0.09 12	0.09 30	0.06 13	0.07 47	0.06 23	0.05 12	0.10 81	0.07 1	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

AIO_rvc	0.07 4	0.06 75	0.08 40	0.15 85	0.06 16	0.08 59	0.14 178	0.09 12	0.08 17	0.07 47	0.08 89	0.07 80	0.04 1	0.10 81	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

HUF	0.08 56	0.05 26	0.08 40	0.14 41	0.06 16	0.09 96	0.13 125	0.13 75	0.13 140	0.07 47	0.07 47	0.08 129	0.06 46	0.10 81	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

AIO-test2	0.10 171	0.08 272	0.10 136	0.23 514	0.08 144	0.11 195	0.10 31	0.23 332	0.23 348	0.08 85	0.09 111	0.08 129	0.05 12	0.10 81	0.08 17	0.06 126	0.05 207	0.08 316	0.09 421	0.05 118	0.05 144

GIP-stereo	0.08 56	0.06 75	0.11 180	0.14 41	0.06 16	0.09 96	0.13 125	0.14 96	0.11 75	0.07 47	0.08 89	0.05 2	0.04 1	0.10 81	0.07 1	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

DEFOM-Stereo	0.07 4	0.05 26	0.07 8	0.14 41	0.06 16	0.10 148	0.13 125	0.07 2	0.13 140	0.06 13	0.07 47	0.06 23	0.05 12	0.10 81	0.09 62	0.04 11	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

AIO-Stereo-zeroshot1	0.11 219	0.05 26	0.14 298	0.15 85	0.20 558	0.09 96	0.17 353	0.21 288	0.15 184	0.11 189	0.14 227	0.10 189	0.07 127	0.10 81	0.08 17	0.06 126	0.05 207	0.07 226	0.07 305	0.07 295	0.09 426

RSM++	0.08 56	0.06 75	0.09 91	0.17 241	0.07 84	0.09 96	0.12 75	0.11 36	0.11 75	0.08 85	0.06 14	0.07 80	0.05 12	0.10 81	0.09 62	0.04 11	0.04 24	0.06 124	0.05 132	0.05 118	0.03 2

RAFT-Stereo-weight	0.09 106	0.06 75	0.10 136	0.16 165	0.07 84	0.09 96	0.14 178	0.19 254	0.16 214	0.11 189	0.10 142	0.08 129	0.06 46	0.10 81	0.11 217	0.06 126	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

H2IRNET	0.10 171	0.09 347	0.09 91	0.18 323	0.09 265	0.12 234	0.15 250	0.14 96	0.21 323	0.10 157	0.10 142	0.10 189	0.10 234	0.10 81	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.06 222	0.05 144

MGS-Stereo	0.09 106	0.07 166	0.12 217	0.15 85	0.08 144	0.09 96	0.15 250	0.12 57	0.12 105	0.07 47	0.10 142	0.08 129	0.06 46	0.10 81	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.06 222	0.05 144

ACVNet-DCA	0.10 171	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.23 332	0.16 214	0.09 121	0.09 111	0.06 23	0.06 46	0.10 81	0.07 1	0.06 126	0.04 24	0.06 124	0.05 132	0.07 295	0.07 318

xx1	0.11 219	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.16 158	0.18 267	0.09 121	0.09 111	0.16 320	0.16 401	0.10 81	0.07 1	0.06 126	0.04 24	0.08 316	0.08 375	0.07 295	0.07 318

cc1	0.10 171	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.16 158	0.18 267	0.09 121	0.09 111	0.06 23	0.06 46	0.10 81	0.07 1	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.06 236

IGEVStereo-DCA	0.09 106	0.06 75	0.11 180	0.15 85	0.10 373	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.08 129	0.06 46	0.10 81	0.08 17	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

rrr	0.09 106	0.06 75	0.12 217	0.15 85	0.10 373	0.11 195	0.16 316	0.16 158	0.15 184	0.10 157	0.06 14	0.08 129	0.06 46	0.10 81	0.08 17	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

ffm	0.12 288	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.15 128	0.19 284	0.15 307	0.25 405	0.19 367	0.13 333	0.10 81	0.07 1	0.06 126	0.04 24	0.09 398	0.08 375	0.06 222	0.06 236

tt1	0.10 171	0.08 272	0.12 217	0.17 241	0.09 265	0.12 234	0.16 316	0.15 128	0.19 284	0.09 121	0.08 89	0.06 23	0.06 46	0.10 81	0.07 1	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.06 236

DLNR_Zeroshot_test	10.40 626	1.82 618	19.49 637	120.77 644	13.11 632	0.06 11	0.13 125	0.23 332	0.10 47	0.07 47	0.10 142	0.09 156	0.06 46	0.10 81	0.09 62	0.13 517	0.04 24	0.06 124	0.04 46	51.54 643	0.04 49

CASnet	0.09 106	0.09 347	0.09 91	0.19 381	0.06 16	0.07 33	0.11 54	0.18 226	0.14 165	0.11 189	0.10 142	0.09 156	0.07 127	0.10 81	0.10 142	0.06 126	0.04 24	0.10 445	0.08 375	0.05 118	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
testlalala_base	0.10 171	0.09 347	0.14 298	0.21 474	0.08 144	0.10 148	0.14 178	0.13 75	0.10 47	0.07 47	0.15 244	0.07 80	0.08 167	0.10 81	0.12 275	0.08 338	0.05 207	0.05 34	0.03 1	0.06 222	0.05 144

AEACV	0.08 56	0.05 26	0.08 40	0.14 41	0.13 480	0.14 317	0.13 125	0.14 96	0.09 30	0.07 47	0.09 111	0.07 80	0.08 167	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

HH	0.09 106	0.06 75	0.13 263	0.17 241	0.08 144	0.10 148	0.16 316	0.14 96	0.10 47	0.08 85	0.09 111	0.08 129	0.07 127	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

HanStereo	0.09 106	0.06 75	0.13 263	0.17 241	0.08 144	0.10 148	0.16 316	0.14 96	0.10 47	0.08 85	0.09 111	0.08 129	0.07 127	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

LoS_RVC	0.08 56	0.05 26	0.07 8	0.15 85	0.07 84	0.08 59	0.15 250	0.11 36	0.10 47	0.08 85	0.09 111	0.06 23	0.09 198	0.10 81	0.09 62	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

Selective-IGEV	0.07 4	0.06 75	0.08 40	0.17 241	0.06 16	0.08 59	0.12 75	0.13 75	0.07 10	0.08 85	0.07 47	0.06 23	0.04 1	0.10 81	0.09 62	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

EGLCR-Stereo	0.08 56	0.05 26	0.08 40	0.14 41	0.06 16	0.10 148	0.12 75	0.11 36	0.16 214	0.06 13	0.05 7	0.07 80	0.05 12	0.10 81	0.11 217	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

Sa-1000	0.12 288	0.08 272	0.08 40	0.18 323	0.08 144	0.14 317	0.22 493	0.22 312	0.18 267	0.15 307	0.20 323	0.17 340	0.11 264	0.10 81	0.10 142	0.06 126	0.05 207	0.09 398	0.09 421	0.05 118	0.05 144

iRaft-Stereo_20w	0.09 106	0.05 26	0.13 263	0.14 41	0.08 144	0.12 234	0.15 250	0.18 226	0.10 47	0.11 189	0.08 89	0.08 129	0.05 12	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.05 144

TRStereo	0.09 106	0.05 26	0.12 217	0.15 85	0.12 457	0.10 148	0.13 125	0.18 226	0.18 267	0.09 121	0.09 111	0.09 156	0.06 46	0.10 81	0.08 17	0.07 273	0.05 207	0.07 226	0.07 305	0.04 21	0.04 49

SST-Stereo	0.10 171	0.07 166	0.15 349	0.18 323	0.09 265	0.06 11	0.12 75	0.17 194	0.11 75	0.15 307	0.17 277	0.13 257	0.12 295	0.10 81	0.11 217	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.05 144

RAFT_R40	0.11 219	0.07 166	0.14 298	0.18 323	0.09 265	0.06 11	0.13 125	0.17 194	0.16 214	0.14 280	0.18 302	0.15 306	0.12 295	0.10 81	0.11 217	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.05 144

DRaft	0.12 288	0.06 75	0.11 180	0.14 41	0.09 265	0.14 317	0.17 353	0.21 288	0.30 439	0.17 350	0.28 445	0.10 189	0.15 375	0.10 81	0.12 275	0.05 34	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

s12784h	0.09 106	0.06 75	0.07 8	0.15 85	0.05 1	0.16 372	0.18 401	0.15 128	0.15 184	0.10 157	0.11 183	0.11 214	0.11 264	0.10 81	0.12 275	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

XX-TBD	0.09 106	0.06 75	0.07 8	0.14 41	0.07 84	0.12 234	0.16 316	0.14 96	0.13 140	0.11 189	0.12 199	0.09 156	0.08 167	0.10 81	0.10 142	0.06 126	0.04 24	0.05 34	0.03 1	0.06 222	0.05 144

sAnonymous2	0.13 313	0.12 451	0.24 488	0.20 442	0.12 457	0.17 393	0.13 125	0.26 389	0.21 323	0.11 189	0.11 183	0.13 257	0.08 167	0.10 81	0.10 142	0.09 398	0.05 207	0.08 316	0.06 212	0.15 537	0.10 453

CroCo_RVC	0.13 313	0.12 451	0.24 488	0.20 442	0.12 457	0.17 393	0.13 125	0.26 389	0.21 323	0.11 189	0.11 183	0.13 257	0.08 167	0.10 81	0.10 142	0.09 398	0.05 207	0.08 316	0.06 212	0.15 537	0.10 453

test_xeample3	0.09 106	0.06 75	0.12 217	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.13 140	0.10 157	0.06 14	0.08 129	0.06 46	0.10 81	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

WQFJX1	0.10 171	0.07 166	0.08 40	0.22 490	0.09 265	0.12 234	0.17 353	0.18 226	0.17 237	0.10 157	0.09 111	0.07 80	0.10 234	0.11 133	0.09 62	0.07 273	0.08 441	0.07 226	0.06 212	0.05 118	0.04 49

NLMM1	0.11 219	0.09 347	0.07 8	0.22 490	0.10 373	0.12 234	0.20 463	0.18 226	0.20 307	0.12 228	0.11 183	0.07 80	0.09 198	0.11 133	0.11 217	0.08 338	0.08 441	0.07 226	0.06 212	0.04 21	0.04 49

HiDET	0.08 56	0.04 1	0.10 136	0.13 14	0.06 16	0.08 59	0.12 75	0.12 57	0.11 75	0.06 13	0.07 47	0.07 80	0.07 127	0.11 133	0.11 217	0.06 126	0.04 24	0.04 1	0.03 1	0.04 21	0.04 49

LCMNet	0.08 56	0.05 26	0.10 136	0.13 14	0.07 84	0.09 96	0.12 75	0.10 21	0.11 75	0.06 13	0.08 89	0.06 23	0.07 127	0.11 133	0.10 142	0.06 126	0.05 207	0.04 1	0.03 1	0.04 21	0.04 49

NLCSM	0.11 219	0.09 347	0.09 91	0.23 514	0.11 424	0.12 234	0.19 440	0.18 226	0.18 267	0.12 228	0.11 183	0.07 80	0.09 198	0.11 133	0.10 142	0.07 273	0.08 441	0.07 226	0.07 305	0.06 222	0.05 144

GEAStereo	0.08 56	0.05 26	0.08 40	0.13 14	0.08 144	0.08 59	0.14 178	0.10 21	0.09 30	0.08 85	0.10 142	0.06 23	0.05 12	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

GSStereo	0.08 56	0.05 26	0.08 40	0.13 14	0.08 144	0.08 59	0.14 178	0.11 36	0.12 105	0.08 85	0.10 142	0.05 2	0.05 12	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

GS-Stereo							0.14 178	0.11 36	0.12 105	0.08 85	0.10 142	0.05 2	0.05 12	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

IGEV-FE	0.09 106	0.05 26	0.12 217	0.13 14	0.08 144	0.12 234	0.13 125	0.17 194	0.11 75	0.10 157	0.06 14	0.09 156	0.06 46	0.11 133	0.09 62	0.06 126	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

MSCF	0.08 56	0.05 26	0.08 40	0.19 381	0.08 144	0.06 11	0.12 75	0.14 96	0.11 75	0.10 157	0.09 111	0.07 80	0.04 1	0.11 133	0.08 17	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.05 144

DilatedVolume-Stereo	0.09 106	0.05 26	0.08 40	0.15 85	0.06 16	0.11 195	0.12 75	0.14 96	0.16 214	0.11 189	0.11 183	0.09 156	0.09 198	0.11 133	0.10 142	0.06 126	0.05 207	0.05 34	0.04 46	0.03 1	0.03 2

3.25w_new	0.07 4	0.06 75	0.07 8	0.15 85	0.06 16	0.10 148	0.07 3	0.12 57	0.11 75	0.08 85	0.06 14	0.07 80	0.06 46	0.11 133	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 4	0.06 75	0.07 8	0.15 85	0.06 16	0.10 148	0.07 3	0.12 57	0.11 75	0.08 85	0.06 14	0.07 80	0.06 46	0.11 133	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

LG-G_1	0.07 4	0.04 1	0.11 180	0.15 85	0.06 16	0.09 96	0.08 7	0.08 5	0.06 4	0.06 13	0.05 7	0.07 80	0.07 127	0.11 133	0.08 17	0.07 273	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

LG-G	0.07 4	0.04 1	0.11 180	0.15 85	0.06 16	0.09 96	0.08 7	0.08 5	0.06 4	0.06 13	0.05 7	0.07 80	0.07 127	0.11 133	0.08 17	0.07 273	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

S2M2_L	0.09 106	0.08 272	0.11 180	0.13 14	0.10 373	0.08 59	0.06 1	0.10 21	0.10 47	0.10 157	0.09 111	0.10 189	0.09 198	0.11 133	0.11 217	0.13 517	0.07 412	0.08 316	0.09 421	0.10 452	0.08 382
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test3	0.10 171	0.07 166	0.07 8	0.18 323	0.07 84	0.12 234	0.19 440	0.24 355	0.19 284	0.06 13	0.10 142	0.08 129	0.06 46	0.11 133	0.08 17	0.06 126	0.06 340	0.07 226	0.05 132	0.05 118	0.04 49

Reg-Stereo(zero)	0.08 56	0.05 26	0.08 40	0.16 165	0.06 16	0.12 234	0.11 54	0.15 128	0.10 47	0.12 228	0.09 111	0.10 189	0.08 167	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

SCV_C0	0.08 56	0.07 166	0.07 8	0.16 165	0.09 265	0.08 59	0.15 250	0.11 36	0.12 105	0.08 85	0.07 47	0.06 23	0.05 12	0.11 133	0.07 1	0.05 34	0.05 207	0.05 34	0.04 46	0.06 222	0.05 144

DEFOM-Stereo_RVC	0.08 56	0.06 75	0.09 91	0.22 490	0.06 16	0.08 59	0.12 75	0.10 21	0.10 47	0.07 47	0.07 47	0.06 23	0.05 12	0.11 133	0.09 62	0.06 126	0.04 24	0.05 34	0.03 1	0.06 222	0.04 49

AIO-test1	0.10 171	0.07 166	0.10 136	0.23 514	0.07 84	0.09 96	0.13 125	0.21 288	0.14 165	0.11 189	0.12 199	0.09 156	0.07 127	0.11 133	0.09 62	0.06 126	0.05 207	0.09 398	0.10 461	0.03 1	0.06 236

fffft	0.09 106	0.06 75	0.12 217	0.16 165	0.07 84	0.09 96	0.17 353	0.12 57	0.11 75	0.08 85	0.07 47	0.09 156	0.06 46	0.11 133	0.12 275	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.05 144
1: 1. 1
mms	0.09 106	0.07 166	0.08 40	0.16 165	0.08 144	0.10 148	0.16 316	0.12 57	0.11 75	0.08 85	0.09 111	0.08 129	0.06 46	0.11 133	0.12 275	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.03 2

tg	0.10 171	0.06 75	0.10 136	0.18 323	0.08 144	0.11 195	0.16 316	0.20 265	0.12 105	0.08 85	0.11 183	0.11 214	0.07 127	0.11 133	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.04 21	0.04 49

rvit_stereo_0081	0.11 219	0.08 272	0.15 349	0.16 165	0.09 265	0.10 148	0.14 178	0.14 96	0.24 364	0.11 189	0.13 213	0.13 257	0.09 198	0.11 133	0.12 275	0.10 439	0.07 412	0.08 316	0.07 305	0.07 295	0.05 144

rvit_stereo_0082	0.11 219	0.08 272	0.15 349	0.16 165	0.09 265	0.10 148	0.14 178	0.14 96	0.24 364	0.11 189	0.13 213	0.13 257	0.09 198	0.11 133	0.12 275	0.10 439	0.07 412	0.08 316	0.07 305	0.07 295	0.05 144

Pointernet	0.09 106	0.04 1	0.09 91	0.16 165	0.08 144	0.13 284	0.10 31	0.15 128	0.17 237	0.09 121	0.07 47	0.06 23	0.06 46	0.11 133	0.09 62	0.08 338	0.04 24	0.05 34	0.03 1	0.06 222	0.05 144

AIO-Stereo-zeroshot	0.11 219	0.05 26	0.11 180	0.15 85	0.13 480	0.13 284	0.16 316	0.23 332	0.17 237	0.10 157	0.12 199	0.10 189	0.07 127	0.11 133	0.09 62	0.06 126	0.05 207	0.06 124	0.06 212	0.07 295	0.08 382

IGEV-BASED-STEREO-	0.09 106	0.10 407	0.31 522	0.15 85	0.06 16	0.08 59	0.14 178	0.10 21	0.10 47	0.07 47	0.07 47	0.06 23	0.04 1	0.11 133	0.07 1	0.12 492	0.04 24	0.07 226	0.05 132	0.05 118	0.05 144

AIO-Stereo	0.08 56	0.06 75	0.09 91	0.18 323	0.06 16	0.08 59	0.12 75	0.15 128	0.09 30	0.08 85	0.08 89	0.07 80	0.05 12	0.11 133	0.08 17	0.05 34	0.05 207	0.05 34	0.04 46	0.04 21	0.04 49

RSM	0.08 56	0.06 75	0.09 91	0.17 241	0.06 16	0.08 59	0.12 75	0.12 57	0.10 47	0.08 85	0.07 47	0.06 23	0.05 12	0.11 133	0.09 62	0.04 11	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

test_for_model	0.09 106	0.12 451	0.14 298	0.23 514	0.11 424	0.08 59	0.13 125	0.12 57	0.12 105	0.10 157	0.07 47	0.07 80	0.06 46	0.11 133	0.10 142	0.06 126	0.05 207	0.05 34	0.03 1	0.07 295	0.04 49

trnet	0.08 56	0.05 26	0.07 8	0.12 5	0.05 1	0.12 234	0.11 54	0.13 75	0.10 47	0.08 85	0.13 213	0.09 156	0.08 167	0.11 133	0.10 142	0.08 338	0.05 207	0.05 34	0.03 1	0.06 222	0.05 144

testlalala2	0.10 171	0.06 75	0.11 180	0.20 442	0.10 373	0.10 148	0.12 75	0.17 194	0.12 105	0.12 228	0.13 213	0.09 156	0.07 127	0.11 133	0.13 316	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.05 144

Former-RAFT_DAM_RVC	0.10 171	0.08 272	0.12 217	0.16 165	0.08 144	0.15 343	0.16 316	0.18 226	0.18 267	0.10 157	0.09 111	0.09 156	0.08 167	0.11 133	0.12 275	0.07 273	0.05 207	0.08 316	0.06 212	0.07 295	0.06 236

MyStereo06	0.10 171	0.07 166	0.12 217	0.17 241	0.09 265	0.13 284	0.18 401	0.19 254	0.12 105	0.12 228	0.08 89	0.07 80	0.07 127	0.11 133	0.09 62	0.06 126	0.05 207	0.07 226	0.07 305	0.06 222	0.06 236

AE-Stereo	0.10 171	0.08 272	0.10 136	0.18 323	0.09 265	0.10 148	0.15 250	0.14 96	0.19 284	0.09 121	0.14 227	0.12 232	0.08 167	0.11 133	0.10 142	0.05 34	0.06 340	0.07 226	0.06 212	0.05 118	0.04 49

ff7	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

ffff	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

11t	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

IGEV_Zeroshot_test	0.09 106	0.05 26	0.12 217	0.13 14	0.08 144	0.12 234	0.13 125	0.17 194	0.11 75	0.10 157	0.06 14	0.09 156	0.06 46	0.11 133	0.09 62	0.06 126	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

EKT-Stereo	0.11 219	0.07 166	0.14 298	0.15 85	0.10 373	0.13 284	0.14 178	0.18 226	0.21 323	0.11 189	0.08 89	0.12 232	0.09 198	0.11 133	0.12 275	0.08 338	0.06 340	0.07 226	0.06 212	0.08 358	0.07 318

testlalala	0.08 56	0.07 166	0.17 413	0.16 165	0.08 144	0.09 96	0.12 75	0.15 128	0.10 47	0.07 47	0.09 111	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

4D-IteraStereo	0.09 106	0.07 166	0.10 136	0.18 323	0.07 84	0.09 96	0.15 250	0.17 194	0.15 184	0.10 157	0.11 183	0.10 189	0.07 127	0.11 133	0.09 62	0.05 34	0.03 1	0.08 316	0.07 305	0.06 222	0.05 144

anonymousdsp	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.09 121	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

ProNet	0.09 106	0.07 166	0.10 136	0.17 241	0.08 144	0.10 148	0.15 250	0.15 128	0.12 105	0.09 121	0.06 14	0.07 80	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.06 236

MC-Stereo	0.08 56	0.06 75	0.09 91	0.17 241	0.06 16	0.10 148	0.14 178	0.12 57	0.10 47	0.09 121	0.12 199	0.09 156	0.06 46	0.11 133	0.10 142	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

DCANet-4	0.10 171	0.06 75	0.12 217	0.16 165	0.06 16	0.09 96	0.17 353	0.18 226	0.19 284	0.13 259	0.16 256	0.09 156	0.14 357	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

ccc-4	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

fff	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.09 96	0.17 353	0.16 158	0.20 307	0.13 259	0.16 256	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

ADStereo(finetuned)	0.10 171	0.06 75	0.12 217	0.16 165	0.06 16	0.09 96	0.17 353	0.15 128	0.19 284	0.13 259	0.17 277	0.10 189	0.12 295	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

DisPM	0.11 219	0.07 166	0.12 217	0.16 165	0.09 265	0.06 11	0.13 125	0.17 194	0.17 237	0.14 280	0.20 323	0.12 232	0.10 234	0.11 133	0.10 142	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.11 479

raft_robust	0.13 313	0.10 407	0.07 8	0.18 323	0.08 144	0.13 284	0.24 516	0.28 429	0.33 460	0.20 419	0.19 311	0.14 277	0.10 234	0.11 133	0.12 275	0.05 34	0.05 207	0.07 226	0.07 305	0.05 118	0.04 49

RAFT+CT+SA	0.13 313	0.11 433	0.09 91	0.19 381	0.09 265	0.15 343	0.28 554	0.22 312	0.22 337	0.15 307	0.26 422	0.10 189	0.10 234	0.11 133	0.12 275	0.05 34	0.04 24	0.07 226	0.08 375	0.07 295	0.06 236

SA	0.12 288	0.09 347	0.08 40	0.18 323	0.08 144	0.12 234	0.24 516	0.23 332	0.18 267	0.17 350	0.27 431	0.14 277	0.11 264	0.11 133	0.11 217	0.05 34	0.05 207	0.09 398	0.08 375	0.05 118	0.04 49

IGEV-Stereo	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.09 121	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
test-3	0.08 56	0.06 75	0.09 91	0.17 241	0.07 84	0.07 33	0.14 178	0.12 57	0.15 184	0.09 121	0.08 89	0.07 80	0.08 167	0.11 133	0.10 142	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.04 49

test_1	0.08 56	0.06 75	0.09 91	0.17 241	0.07 84	0.07 33	0.14 178	0.12 57	0.15 184	0.09 121	0.08 89	0.07 80	0.08 167	0.11 133	0.10 142	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.04 49

CrosDoStereo	0.12 288	0.06 75	0.12 217	0.14 41	0.08 144	0.12 234	0.15 250	0.17 194	0.22 337	0.19 396	0.24 377	0.15 306	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.07 226	0.07 305	0.05 118	0.05 144

PFNet+	0.11 219	0.06 75	0.13 263	0.16 165	0.09 265	0.05 4	0.12 75	0.17 194	0.21 323	0.16 335	0.19 311	0.14 277	0.10 234	0.11 133	0.11 217	0.08 338	0.05 207	0.09 398	0.08 375	0.06 222	0.11 479

Patchmatch Stereo++	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.11 54	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 219	0.07 166	0.16 383	0.19 381	0.09 265	0.08 59	0.13 125	0.18 226	0.13 140	0.16 335	0.21 345	0.13 257	0.14 357	0.11 133	0.14 353	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.05 144

STrans-v2	0.10 171	0.07 166	0.12 217	0.18 323	0.07 84	0.10 148	0.14 178	0.21 288	0.11 75	0.11 189	0.15 244	0.12 232	0.10 234	0.11 133	0.12 275	0.05 34	0.04 24	0.06 124	0.06 212	0.04 21	0.04 49

TransformOpticalFlow	0.10 171	0.08 272	0.13 263	0.18 323	0.07 84	0.09 96	0.15 250	0.19 254	0.15 184	0.12 228	0.17 277	0.11 214	0.11 264	0.11 133	0.10 142	0.05 34	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

OMP-Stereo	0.11 219	0.06 75	0.14 298	0.18 323	0.08 144	0.09 96	0.12 75	0.21 288	0.21 323	0.13 259	0.14 227	0.11 214	0.12 295	0.11 133	0.13 316	0.06 126	0.04 24	0.07 226	0.06 212	0.05 118	0.04 49

NF-Stereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

OCTAStereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

PSM-softLoss	0.12 288	0.07 166	0.15 349	0.17 241	0.09 265	0.08 59	0.13 125	0.24 355	0.17 237	0.14 280	0.19 311	0.13 257	0.11 264	0.11 133	0.11 217	0.07 273	0.05 207	0.08 316	0.07 305	0.06 222	0.12 492

KMStereo	0.12 288	0.07 166	0.15 349	0.17 241	0.09 265	0.08 59	0.13 125	0.24 355	0.17 237	0.14 280	0.19 311	0.13 257	0.11 264	0.11 133	0.11 217	0.07 273	0.05 207	0.08 316	0.07 305	0.06 222	0.12 492

PSM-adaLoss	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

PSM-AAD	0.11 219	0.07 166	0.10 136	0.19 381	0.09 265	0.10 148	0.15 250	0.20 265	0.13 140	0.12 228	0.14 227	0.18 353	0.11 264	0.11 133	0.10 142	0.05 34	0.05 207	0.09 398	0.08 375	0.06 222	0.14 531

ROB_FTStereo_v2	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

ROB_FTStereo	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.11 54	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

HUI-Stereo	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

DeepStereo_LL	0.12 288	0.06 75	0.12 217	0.14 41	0.08 144	0.12 234	0.15 250	0.17 194	0.22 337	0.19 396	0.24 377	0.15 306	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.07 226	0.07 305	0.05 118	0.05 144

RE-Stereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

Pruner-Stereo	0.11 219	0.07 166	0.12 217	0.17 241	0.09 265	0.06 11	0.12 75	0.17 194	0.17 237	0.13 259	0.19 311	0.13 257	0.09 198	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.08 382

TVStereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

iGMRVC	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

RAFT-345	0.11 219	0.07 166	0.15 349	0.16 165	0.08 144	0.08 59	0.12 75	0.15 128	0.10 47	0.11 189	0.36 500	0.09 156	0.09 198	0.11 133	0.12 275	0.05 34	0.05 207	0.07 226	0.06 212	0.04 21	0.05 144

iRAFT	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.11 54	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

GMM-Stereo	0.11 219	0.07 166	0.10 136	0.18 323	0.09 265	0.08 59	0.15 250	0.23 332	0.16 214	0.11 189	0.15 244	0.13 257	0.11 264	0.11 133	0.11 217	0.05 34	0.04 24	0.08 316	0.07 305	0.06 222	0.09 426

RAFT-IKP	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

rafts_anoy	0.11 219	0.06 75	0.10 136	0.17 241	0.08 144	0.10 148	0.14 178	0.17 194	0.14 165	0.13 259	0.13 213	0.12 232	0.10 234	0.11 133	0.12 275	0.07 273	0.04 24	0.09 398	0.11 493	0.07 295	0.06 236

iRaftStereo_RVC	0.10 171	0.07 166	0.09 91	0.17 241	0.09 265	0.11 195	0.17 353	0.18 226	0.12 105	0.09 121	0.12 199	0.10 189	0.07 127	0.11 133	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.04 21	0.04 49

DCANet	0.10 171	0.06 75	0.12 217	0.16 165	0.06 16	0.09 96	0.17 353	0.15 128	0.19 284	0.13 259	0.17 277	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

csc	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.09 96	0.17 353	0.16 158	0.20 307	0.13 259	0.16 256	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

cscssc	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.09 96	0.17 353	0.16 158	0.20 307	0.13 259	0.16 256	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

RAFT-Stereo + iAFF	0.09 106	0.06 75	0.10 136	0.17 241	0.06 16	0.10 148	0.16 316	0.17 194	0.14 165	0.09 121	0.10 142	0.08 129	0.09 198	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.06 212	0.04 21	0.03 2

CFNet-RSSM	0.09 106	0.07 166	0.09 91	0.16 165	0.07 84	0.09 96	0.15 250	0.16 158	0.17 237	0.08 85	0.12 199	0.10 189	0.09 198	0.11 133	0.09 62	0.06 126	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

CREStereo	0.09 106	0.04 1	0.08 40	0.11 1	0.06 16	0.13 284	0.14 178	0.14 96	0.10 47	0.08 85	0.13 213	0.09 156	0.08 167	0.11 133	0.10 142	0.08 338	0.04 24	0.05 34	0.03 1	0.06 222	0.06 236
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
WQFJA1	0.10 171	0.07 166	0.08 40	0.20 442	0.09 265	0.12 234	0.17 353	0.17 194	0.17 237	0.09 121	0.10 142	0.08 129	0.10 234	0.12 224	0.11 217	0.06 126	0.07 412	0.07 226	0.06 212	0.06 222	0.05 144

WQFJX	0.10 171	0.07 166	0.09 91	0.21 474	0.09 265	0.12 234	0.16 316	0.18 226	0.17 237	0.12 228	0.10 142	0.07 80	0.09 198	0.12 224	0.10 142	0.06 126	0.07 412	0.06 124	0.05 132	0.06 222	0.05 144

NLMM	0.10 171	0.07 166	0.08 40	0.20 442	0.09 265	0.12 234	0.17 353	0.17 194	0.17 237	0.09 121	0.10 142	0.08 129	0.10 234	0.12 224	0.11 217	0.06 126	0.07 412	0.07 226	0.06 212	0.06 222	0.05 144

Select-FE	0.11 219	0.06 75	0.20 460	0.15 85	0.11 424	0.11 195	0.13 125	0.21 288	0.18 267	0.09 121	0.11 183	0.10 189	0.06 46	0.12 224	0.09 62	0.07 273	0.05 207	0.07 226	0.08 375	0.06 222	0.08 382

GASTEREO	0.08 56	0.05 26	0.09 91	0.19 381	0.07 84	0.07 33	0.12 75	0.14 96	0.11 75	0.10 157	0.09 111	0.07 80	0.04 1	0.12 224	0.08 17	0.06 126	0.05 207	0.05 34	0.04 46	0.04 21	0.05 144

4.25_new	0.07 4	0.08 272	0.09 91	0.15 85	0.06 16	0.09 96	0.08 7	0.14 96	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.12 224	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.5w_new	0.07 4	0.08 272	0.09 91	0.15 85	0.06 16	0.09 96	0.08 7	0.14 96	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.12 224	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.25w-stereo	0.07 4	0.08 272	0.09 91	0.15 85	0.06 16	0.09 96	0.08 7	0.14 96	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.12 224	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

MM-Stereo_test2	0.09 106	0.06 75	0.09 91	0.19 381	0.08 144	0.12 234	0.18 401	0.15 128	0.14 165	0.07 47	0.10 142	0.07 80	0.06 46	0.12 224	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.03 2

SMoEStereo_RVC	0.08 56	0.06 75	0.12 217	0.16 165	0.07 84	0.09 96	0.14 178	0.11 36	0.13 140	0.09 121	0.07 47	0.07 80	0.07 127	0.12 224	0.10 142	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

ours_stereo	0.09 106	0.07 166	0.09 91	0.17 241	0.08 144	0.11 195	0.16 316	0.11 36	0.12 105	0.08 85	0.10 142	0.08 129	0.06 46	0.12 224	0.12 275	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.03 2

rvit_stereo_0083	0.12 288	0.08 272	0.17 413	0.16 165	0.09 265	0.11 195	0.15 250	0.14 96	0.26 399	0.11 189	0.14 227	0.13 257	0.10 234	0.12 224	0.12 275	0.10 439	0.08 441	0.09 398	0.07 305	0.07 295	0.05 144

rvit_stereo_0081_aga	0.11 219	0.09 347	0.14 298	0.18 323	0.09 265	0.13 284	0.14 178	0.14 96	0.19 284	0.10 157	0.18 302	0.16 320	0.09 198	0.12 224	0.09 62	0.10 439	0.06 340	0.08 316	0.07 305	0.07 295	0.06 236

model_zeroshot	0.10 171	0.04 1	0.11 180	0.15 85	0.09 265	0.12 234	0.14 178	0.20 265	0.13 140	0.11 189	0.10 142	0.12 232	0.07 127	0.12 224	0.10 142	0.07 273	0.06 340	0.06 124	0.05 132	0.06 222	0.06 236

GCAP-BAT	0.09 106	0.07 166	0.14 298	0.15 85	0.08 144	0.10 148	0.13 125	0.14 96	0.10 47	0.11 189	0.10 142	0.08 129	0.07 127	0.12 224	0.10 142	0.06 126	0.05 207	0.06 124	0.04 46	0.04 21	0.04 49

rvit_stereo_0080	0.10 171	0.08 272	0.14 298	0.15 85	0.09 265	0.07 33	0.15 250	0.16 158	0.16 214	0.11 189	0.10 142	0.14 277	0.08 167	0.12 224	0.10 142	0.09 398	0.07 412	0.07 226	0.06 212	0.07 295	0.05 144

MyStereo07	0.10 171	0.07 166	0.10 136	0.17 241	0.09 265	0.14 317	0.18 401	0.15 128	0.15 184	0.09 121	0.06 14	0.06 23	0.07 127	0.12 224	0.09 62	0.06 126	0.05 207	0.08 316	0.07 305	0.06 222	0.06 236

whm_eth	0.10 171	0.08 272	0.14 298	0.15 85	0.09 265	0.07 33	0.15 250	0.16 158	0.16 214	0.11 189	0.10 142	0.14 277	0.08 167	0.12 224	0.10 142	0.09 398	0.07 412	0.07 226	0.06 212	0.07 295	0.05 144

MSKI-zero shot	0.09 106	0.05 26	0.09 91	0.15 85	0.07 84	0.10 148	0.13 125	0.14 96	0.13 140	0.09 121	0.09 111	0.09 156	0.06 46	0.12 224	0.10 142	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

MIF-Stereo (partial)	0.11 219	0.06 75	0.10 136	0.19 381	0.10 373	0.10 148	0.11 54	0.17 194	0.18 267	0.14 280	0.16 256	0.09 156	0.11 264	0.12 224	0.12 275	0.08 338	0.05 207	0.08 316	0.07 305	0.06 222	0.07 318

MIM_Stereo	0.09 106	0.07 166	0.11 180	0.15 85	0.07 84	0.06 11	0.12 75	0.20 265	0.14 165	0.13 259	0.13 213	0.09 156	0.05 12	0.12 224	0.08 17	0.05 34	0.06 340	0.07 226	0.06 212	0.06 222	0.05 144

Any-RAFT	0.10 171	0.05 26	0.09 91	0.14 41	0.07 84	0.13 284	0.14 178	0.21 288	0.15 184	0.11 189	0.12 199	0.12 232	0.09 198	0.12 224	0.09 62	0.07 273	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

RAFT-Test	0.09 106	0.06 75	0.10 136	0.15 85	0.07 84	0.11 195	0.15 250	0.16 158	0.13 140	0.09 121	0.10 142	0.10 189	0.09 198	0.12 224	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

CES	0.08 56	0.04 1	0.08 40	0.14 41	0.07 84	0.09 96	0.14 178	0.11 36	0.09 30	0.08 85	0.09 111	0.11 214	0.06 46	0.12 224	0.08 17	0.06 126	0.04 24	0.05 34	0.03 1	0.05 118	0.05 144

RCA-Stereo	0.09 106	0.06 75	0.09 91	0.16 165	0.06 16	0.09 96	0.13 125	0.18 226	0.14 165	0.09 121	0.10 142	0.08 129	0.07 127	0.12 224	0.11 217	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

TestStereo1	0.13 313	0.08 272	0.08 40	0.19 381	0.08 144	0.18 412	0.29 563	0.23 332	0.16 214	0.17 350	0.20 323	0.16 320	0.10 234	0.12 224	0.13 316	0.06 126	0.06 340	0.08 316	0.06 212	0.05 118	0.05 144

test_5	0.14 347	0.12 451	0.08 40	0.20 442	0.10 373	0.14 317	0.29 563	0.21 288	0.24 364	0.18 380	0.28 445	0.11 214	0.15 375	0.12 224	0.13 316	0.06 126	0.05 207	0.07 226	0.08 375	0.08 358	0.07 318

SA-5K	0.13 313	0.08 272	0.08 40	0.19 381	0.08 144	0.18 412	0.29 563	0.23 332	0.16 214	0.17 350	0.20 323	0.16 320	0.10 234	0.12 224	0.13 316	0.06 126	0.06 340	0.08 316	0.06 212	0.05 118	0.05 144

IPLGR	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.12 234	0.17 353	0.21 288	0.24 364	0.11 189	0.12 199	0.11 214	0.08 167	0.12 224	0.12 275	0.06 126	0.05 207	0.06 124	0.06 212	0.04 21	0.04 49

LCNet	0.11 219	0.07 166	0.09 91	0.19 381	0.09 265	0.08 59	0.15 250	0.21 288	0.15 184	0.11 189	0.15 244	0.16 320	0.11 264	0.12 224	0.11 217	0.05 34	0.04 24	0.08 316	0.07 305	0.06 222	0.15 538

IIG-Stereo	0.11 219	0.06 75	0.13 263	0.17 241	0.08 144	0.11 195	0.12 75	0.22 312	0.17 237	0.14 280	0.17 277	0.11 214	0.12 295	0.12 224	0.12 275	0.06 126	0.05 207	0.07 226	0.06 212	0.05 118	0.04 49

KYRaft	0.11 219	0.07 166	0.10 136	0.19 381	0.09 265	0.08 59	0.15 250	0.22 312	0.12 105	0.13 259	0.16 256	0.20 379	0.10 234	0.12 224	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.06 222	0.16 549

DEmStereo	0.12 288	0.06 75	0.14 298	0.14 41	0.10 373	0.16 372	0.15 250	0.16 158	0.24 364	0.17 350	0.24 377	0.13 257	0.14 357	0.12 224	0.13 316	0.05 34	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

THIR-Stereo	0.12 288	0.07 166	0.11 180	0.15 85	0.08 144	0.14 317	0.16 316	0.17 194	0.25 385	0.16 335	0.24 377	0.14 277	0.12 295	0.12 224	0.14 353	0.06 126	0.04 24	0.07 226	0.07 305	0.05 118	0.05 144

PFNet	0.12 288	0.06 75	0.17 413	0.17 241	0.08 144	0.09 96	0.15 250	0.26 389	0.20 307	0.16 335	0.16 256	0.14 277	0.11 264	0.12 224	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

GrayStereo	0.11 219	0.06 75	0.11 180	0.19 381	0.09 265	0.09 96	0.16 316	0.18 226	0.17 237	0.14 280	0.17 277	0.17 340	0.11 264	0.12 224	0.11 217	0.05 34	0.05 207	0.07 226	0.06 212	0.05 118	0.10 453

DeepStereo_RVC	0.11 219	0.08 272	0.16 383	0.18 323	0.08 144	0.08 59	0.12 75	0.17 194	0.12 105	0.13 259	0.14 227	0.12 232	0.12 295	0.12 224	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.07 295	0.08 382

IRAFT_RVC	0.12 288	0.08 272	0.16 383	0.19 381	0.08 144	0.07 33	0.15 250	0.24 355	0.23 348	0.14 280	0.14 227	0.15 306	0.12 295	0.12 224	0.10 142	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.06 236

CRE-IMP	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.10 148	0.12 75	0.18 226	0.10 47	0.14 280	0.13 213	0.13 257	0.12 295	0.12 224	0.11 217	0.07 273	0.04 24	0.08 316	0.06 212	0.08 358	0.08 382

Prome-Stereo	0.11 219	0.06 75	0.10 136	0.18 323	0.08 144	0.12 234	0.15 250	0.22 312	0.13 140	0.12 228	0.17 277	0.13 257	0.08 167	0.12 224	0.10 142	0.05 34	0.04 24	0.07 226	0.06 212	0.06 222	0.09 426

raft+_RVC	0.11 219	0.07 166	0.09 91	0.16 165	0.07 84	0.10 148	0.11 54	0.24 355	0.20 307	0.12 228	0.15 244	0.12 232	0.08 167	0.12 224	0.13 316	0.07 273	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

TANstereo	0.09 106	0.04 1	0.08 40	0.13 14	0.06 16	0.11 195	0.14 178	0.15 128	0.19 284	0.11 189	0.15 244	0.10 189	0.06 46	0.12 224	0.09 62	0.07 273	0.05 207	0.05 34	0.04 46	0.06 222	0.05 144

raftrobust	0.09 106	0.06 75	0.10 136	0.17 241	0.08 144	0.09 96	0.10 31	0.18 226	0.16 214	0.10 157	0.09 111	0.12 232	0.07 127	0.12 224	0.10 142	0.08 338	0.05 207	0.06 124	0.05 132	0.05 118	0.05 144

RALCasStereoNet	0.10 171	0.06 75	0.09 91	0.16 165	0.08 144	0.12 234	0.14 178	0.17 194	0.11 75	0.12 228	0.17 277	0.14 277	0.10 234	0.12 224	0.11 217	0.07 273	0.06 340	0.06 124	0.05 132	0.08 358	0.07 318

RALAANet	0.11 219	0.08 272	0.10 136	0.17 241	0.09 265	0.14 317	0.10 31	0.20 265	0.15 184	0.14 280	0.13 213	0.16 320	0.09 198	0.12 224	0.11 217	0.06 126	0.05 207	0.07 226	0.06 212	0.05 118	0.04 49

XX-Stereo	0.09 106	0.05 26	0.08 40	0.17 241	0.09 265	0.15 343	0.12 75	0.20 265	0.10 47	0.10 157	0.14 227	0.07 80	0.06 46	0.12 224	0.08 17	0.06 126	0.05 207	0.06 124	0.06 212	0.04 21	0.04 49

AFF-stereo	0.09 106	0.06 75	0.10 136	0.17 241	0.07 84	0.10 148	0.16 316	0.17 194	0.09 30	0.10 157	0.12 199	0.09 156	0.09 198	0.12 224	0.09 62	0.05 34	0.04 24	0.07 226	0.07 305	0.04 21	0.03 2

Gwc-CoAtRS	0.09 106	0.06 75	0.10 136	0.16 165	0.07 84	0.10 148	0.14 178	0.17 194	0.17 237	0.08 85	0.10 142	0.12 232	0.09 198	0.12 224	0.09 62	0.06 126	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

DN-CSS_ROB	0.13 313	0.13 480	0.16 383	0.18 323	0.10 373	0.16 372	0.08 7	0.22 312	0.18 267	0.17 350	0.22 356	0.13 257	0.13 333	0.12 224	0.13 316	0.05 34	0.05 207	0.10 445	0.10 461	0.08 358	0.06 236

FlowAnything_test	0.11 219	0.08 272	0.14 298	0.15 85	0.09 265	0.07 33	0.14 178	0.20 265	0.11 75	0.09 121	0.09 111	0.12 232	0.12 295	0.13 273	0.11 217	0.09 398	0.06 340	0.09 398	0.09 421	0.06 222	0.09 426

xyz-stereo-finetune2	0.11 219	0.07 166	0.13 263	0.13 14	0.07 84	0.11 195	0.19 440	0.17 194	0.12 105	0.15 307	0.15 244	0.17 340	0.12 295	0.13 273	0.11 217	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.06 236

xyz-stereo-finetune	0.11 219	0.08 272	0.13 263	0.14 41	0.06 16	0.10 148	0.19 440	0.17 194	0.19 284	0.12 228	0.14 227	0.15 306	0.10 234	0.13 273	0.11 217	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.05 144

xyz-stereo	0.13 313	0.07 166	0.20 460	0.15 85	0.05 1	0.20 450	0.15 250	0.17 194	0.31 446	0.15 307	0.29 457	0.26 454	0.16 401	0.13 273	0.12 275	0.05 34	0.05 207	0.06 124	0.05 132	0.04 21	0.04 49

tt45	0.09 106	0.06 75	0.11 180	0.15 85	0.07 84	0.11 195	0.16 316	0.13 75	0.11 75	0.09 121	0.06 14	0.08 129	0.06 46	0.13 273	0.10 142	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

fffy	0.09 106	0.08 272	0.09 91	0.16 165	0.07 84	0.13 284	0.17 353	0.13 75	0.12 105	0.08 85	0.09 111	0.08 129	0.09 198	0.13 273	0.11 217	0.05 34	0.05 207	0.07 226	0.05 132	0.04 21	0.05 144

PAM	0.10 171	0.05 26	0.16 383	0.15 85	0.08 144	0.09 96	0.16 316	0.15 128	0.16 214	0.12 228	0.09 111	0.09 156	0.07 127	0.13 273	0.08 17	0.06 126	0.05 207	0.06 124	0.06 212	0.05 118	0.06 236

WCG-NET	0.08 56	0.05 26	0.09 91	0.15 85	0.06 16	0.11 195	0.14 178	0.13 75	0.13 140	0.06 13	0.09 111	0.07 80	0.06 46	0.13 273	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

WCG-NET（raft）	0.08 56	0.05 26	0.10 136	0.15 85	0.06 16	0.11 195	0.13 125	0.15 128	0.12 105	0.08 85	0.07 47	0.06 23	0.06 46	0.13 273	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

IGEV++	0.08 56	0.06 75	0.08 40	0.18 323	0.07 84	0.09 96	0.13 125	0.10 21	0.09 30	0.08 85	0.08 89	0.06 23	0.06 46	0.13 273	0.09 62	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

1111x	0.15 390	0.08 272	0.12 217	0.18 323	0.07 84	0.18 412	0.25 532	0.31 465	0.24 364	0.17 350	0.24 377	0.26 454	0.15 375	0.13 273	0.23 490	0.07 273	0.07 412	0.08 316	0.09 421	0.07 295	0.06 236

plain	0.10 171	0.08 272	0.10 136	0.19 381	0.09 265	0.10 148	0.15 250	0.14 96	0.13 140	0.13 259	0.15 244	0.09 156	0.12 295	0.13 273	0.12 275	0.07 273	0.05 207	0.09 398	0.06 212	0.06 222	0.06 236

GCAP-Stereo	0.09 106	0.07 166	0.13 263	0.18 323	0.06 16	0.11 195	0.07 3	0.13 75	0.12 105	0.09 121	0.10 142	0.07 80	0.09 198	0.13 273	0.10 142	0.06 126	0.05 207	0.05 34	0.04 46	0.04 21	0.05 144

knoymous	0.11 219	0.05 26	0.12 217	0.13 14	0.07 84	0.15 343	0.14 178	0.19 254	0.13 140	0.11 189	0.17 277	0.13 257	0.09 198	0.13 273	0.11 217	0.08 338	0.05 207	0.06 124	0.05 132	0.08 358	0.07 318

RAFT_CTSACE	0.12 288	0.09 347	0.10 136	0.22 490	0.08 144	0.12 234	0.24 516	0.18 226	0.16 214	0.20 419	0.27 431	0.13 257	0.07 127	0.13 273	0.09 62	0.05 34	0.06 340	0.08 316	0.07 305	0.04 21	0.04 49

MIPNet	0.11 219	0.08 272	0.14 298	0.17 241	0.09 265	0.12 234	0.14 178	0.20 265	0.24 364	0.11 189	0.10 142	0.09 156	0.07 127	0.13 273	0.12 275	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

GwcNet-ADL	0.13 313	0.08 272	0.14 298	0.20 442	0.09 265	0.11 195	0.20 463	0.30 455	0.24 364	0.13 259	0.14 227	0.18 353	0.14 357	0.13 273	0.14 353	0.07 273	0.05 207	0.06 124	0.05 132	0.07 295	0.06 236

HHNet	0.11 219	0.06 75	0.16 383	0.15 85	0.14 500	0.07 33	0.13 125	0.20 265	0.17 237	0.14 280	0.25 405	0.11 214	0.08 167	0.13 273	0.10 142	0.05 34	0.04 24	0.08 316	0.06 212	0.05 118	0.09 426

NRIStereo	0.11 219	0.08 272	0.14 298	0.18 323	0.08 144	0.10 148	0.14 178	0.16 158	0.15 184	0.12 228	0.14 227	0.13 257	0.12 295	0.13 273	0.10 142	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.07 318

FTStereo	0.12 288	0.06 75	0.14 298	0.18 323	0.09 265	0.07 33	0.15 250	0.21 288	0.18 267	0.12 228	0.24 377	0.12 232	0.12 295	0.13 273	0.13 316	0.05 34	0.05 207	0.07 226	0.06 212	0.06 222	0.10 453

ASMatch	0.11 219	0.06 75	0.13 263	0.16 165	0.10 373	0.07 33	0.14 178	0.17 194	0.17 237	0.12 228	0.16 256	0.16 320	0.10 234	0.13 273	0.10 142	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.08 382

RAFT-RH_RVC	0.11 219	0.06 75	0.14 298	0.16 165	0.09 265	0.12 234	0.12 75	0.17 194	0.12 105	0.13 259	0.41 537	0.11 214	0.10 234	0.13 273	0.12 275	0.05 34	0.04 24	0.08 316	0.05 132	0.04 21	0.06 236

AnonymousM	0.09 106	0.05 26	0.10 136	0.14 41	0.06 16	0.09 96	0.13 125	0.19 254	0.14 165	0.13 259	0.11 183	0.09 156	0.08 167	0.13 273	0.10 142	0.08 338	0.05 207	0.08 316	0.05 132	0.05 118	0.05 144

111	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.10 148	0.14 178	0.21 288	0.23 348	0.11 189	0.12 199	0.14 277	0.11 264	0.13 273	0.10 142	0.06 126	0.04 24	0.06 124	0.04 46	0.05 118	0.05 144

PMTNet	0.09 106	0.05 26	0.09 91	0.12 5	0.06 16	0.12 234	0.14 178	0.15 128	0.11 75	0.09 121	0.13 213	0.10 189	0.07 127	0.13 273	0.10 142	0.15 535	0.04 24	0.05 34	0.03 1	0.07 295	0.06 236

FACV-RUCA	0.13 313	0.11 433	0.12 217	0.19 381	0.12 457	0.15 343	0.15 250	0.22 312	0.20 307	0.15 307	0.16 256	0.14 277	0.16 401	0.14 298	0.13 316	0.07 273	0.05 207	0.08 316	0.06 212	0.10 452	0.08 382

PAM_32	0.09 106	0.05 26	0.17 413	0.15 85	0.08 144	0.10 148	0.15 250	0.14 96	0.15 184	0.09 121	0.08 89	0.09 156	0.07 127	0.14 298	0.08 17	0.06 126	0.05 207	0.06 124	0.06 212	0.05 118	0.06 236

rvit_stereo_ft	0.12 288	0.07 166	0.13 263	0.19 381	0.10 373	0.12 234	0.17 353	0.16 158	0.16 214	0.12 228	0.13 213	0.15 306	0.10 234	0.14 298	0.13 316	0.09 398	0.06 340	0.08 316	0.07 305	0.07 295	0.05 144

CAS++	0.11 219	0.07 166	0.11 180	0.14 41	0.09 265	0.12 234	0.14 178	0.24 355	0.14 165	0.11 189	0.09 111	0.11 214	0.07 127	0.14 298	0.09 62	0.11 468	0.09 473	0.09 398	0.07 305	0.07 295	0.08 382
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
CoDeX	0.12 288	0.07 166	0.12 217	0.17 241	0.08 144	0.12 234	0.15 250	0.23 332	0.27 409	0.13 259	0.17 277	0.16 320	0.11 264	0.14 298	0.11 217	0.07 273	0.05 207	0.07 226	0.06 212	0.06 222	0.05 144

ff1	0.13 313	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.15 128	0.19 284	0.15 307	0.25 405	0.19 367	0.13 333	0.14 298	0.20 449	0.06 126	0.04 24	0.09 398	0.08 375	0.06 222	0.06 236

mmx	0.14 347	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.27 410	0.25 385	0.15 307	0.25 405	0.19 367	0.13 333	0.14 298	0.20 449	0.08 338	0.06 340	0.09 398	0.08 375	0.08 358	0.08 382

xxx	0.14 347	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.27 410	0.25 385	0.15 307	0.25 405	0.19 367	0.13 333	0.14 298	0.20 449	0.08 338	0.06 340	0.09 398	0.08 375	0.08 358	0.08 382

anonymousdsp2	0.11 219	0.07 166	0.10 136	0.16 165	0.09 265	0.13 284	0.14 178	0.18 226	0.22 337	0.13 259	0.14 227	0.12 232	0.09 198	0.14 298	0.11 217	0.05 34	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

CASS	0.13 313	0.12 451	0.11 180	0.23 514	0.09 265	0.15 343	0.17 353	0.18 226	0.19 284	0.17 350	0.18 302	0.15 306	0.15 375	0.14 298	0.14 353	0.09 398	0.06 340	0.10 445	0.08 375	0.09 421	0.07 318
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 313	0.07 166	0.13 263	0.18 323	0.09 265	0.13 284	0.17 353	0.19 254	0.29 430	0.15 307	0.24 377	0.15 306	0.14 357	0.14 298	0.14 353	0.07 273	0.05 207	0.07 226	0.09 421	0.05 118	0.06 236

riskmin	0.11 219	0.06 75	0.13 263	0.14 41	0.08 144	0.14 317	0.14 178	0.18 226	0.14 165	0.11 189	0.14 227	0.16 320	0.11 264	0.14 298	0.12 275	0.09 398	0.05 207	0.07 226	0.05 132	0.08 358	0.08 382

IPLG	0.10 171	0.07 166	0.15 349	0.17 241	0.08 144	0.11 195	0.14 178	0.20 265	0.15 184	0.12 228	0.17 277	0.07 80	0.07 127	0.14 298	0.13 316	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

sCroCo_RVC	0.12 288	0.09 347	0.23 484	0.24 524	0.11 424	0.19 435	0.14 178	0.17 194	0.14 165	0.10 157	0.13 213	0.12 232	0.07 127	0.14 298	0.11 217	0.08 338	0.08 441	0.08 316	0.08 375	0.05 118	0.07 318

SFCPSM	0.13 313	0.07 166	0.14 298	0.17 241	0.09 265	0.15 343	0.16 316	0.28 429	0.27 409	0.14 280	0.17 277	0.12 232	0.13 333	0.14 298	0.11 217	0.08 338	0.05 207	0.07 226	0.07 305	0.07 295	0.06 236

FENet	0.13 313	0.08 272	0.12 217	0.16 165	0.08 144	0.14 317	0.15 250	0.22 312	0.23 348	0.17 350	0.23 365	0.16 320	0.12 295	0.14 298	0.15 381	0.08 338	0.05 207	0.08 316	0.08 375	0.07 295	0.07 318

cf-r	0.13 313	0.07 166	0.12 217	0.16 165	0.08 144	0.14 317	0.19 440	0.20 265	0.25 385	0.17 350	0.25 405	0.21 388	0.16 401	0.14 298	0.14 353	0.10 439	0.05 207	0.06 124	0.08 375	0.06 222	0.06 236

GwcNet-RSSM	0.14 347	0.07 166	0.12 217	0.15 85	0.08 144	0.15 343	0.20 463	0.21 288	0.27 409	0.18 380	0.27 431	0.22 406	0.16 401	0.14 298	0.15 381	0.10 439	0.05 207	0.07 226	0.09 421	0.07 295	0.07 318

FADNet_RVC	0.16 413	0.14 492	0.40 548	0.20 442	0.11 424	0.13 284	0.13 125	0.26 389	0.22 337	0.21 433	0.23 365	0.20 379	0.17 424	0.14 298	0.16 397	0.08 338	0.08 441	0.12 495	0.09 421	0.11 475	0.10 453

iResNetv2_ROB	0.14 347	0.08 272	0.15 349	0.16 165	0.08 144	0.16 372	0.12 75	0.25 371	0.35 481	0.21 433	0.29 457	0.24 430	0.13 333	0.14 298	0.14 353	0.06 126	0.05 207	0.06 124	0.04 46	0.09 421	0.08 382

MLCV	0.12 288	0.07 166	0.16 383	0.18 323	0.06 16	0.15 343	0.17 353	0.19 254	0.21 323	0.18 380	0.25 405	0.17 340	0.13 333	0.14 298	0.13 316	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

iResNet	0.13 313	0.10 407	0.18 436	0.19 381	0.08 144	0.13 284	0.18 401	0.20 265	0.26 399	0.15 307	0.23 365	0.15 306	0.13 333	0.14 298	0.14 353	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.05 144

DStereoRT	0.16 413	0.06 75	0.11 180	0.19 381	0.09 265	0.12 234	0.12 75	0.28 429	0.22 337	0.12 228	0.20 323	0.11 214	0.10 234	0.15 320	0.14 353	0.06 126	0.05 207	0.96 611	0.09 421	0.05 118	0.04 49

test_sample6	0.14 347	0.08 272	0.13 263	0.16 165	0.08 144	0.17 393	0.19 440	0.25 371	0.17 237	0.17 350	0.27 431	0.19 367	0.14 357	0.15 320	0.13 316	0.08 338	0.05 207	0.08 316	0.07 305	0.08 358	0.08 382

test_sample2	0.12 288	0.07 166	0.12 217	0.14 41	0.08 144	0.16 372	0.18 401	0.21 288	0.16 214	0.14 280	0.20 323	0.19 367	0.15 375	0.15 320	0.12 275	0.08 338	0.05 207	0.07 226	0.06 212	0.08 358	0.07 318

DispNO	0.14 347	0.08 272	0.17 413	0.19 381	0.12 457	0.11 195	0.21 483	0.23 332	0.29 430	0.17 350	0.23 365	0.18 353	0.17 424	0.15 320	0.15 381	0.07 273	0.05 207	0.08 316	0.08 375	0.07 295	0.06 236

SMFormer	0.14 347	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.17 412	0.08 338	0.05 207	0.07 226	0.06 212	0.07 295	0.06 236

tta	0.14 347	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.17 412	0.08 338	0.05 207	0.07 226	0.06 212	0.06 222	0.06 236

qqq1	0.13 313	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.11 217	0.08 338	0.05 207	0.05 34	0.05 132	0.06 222	0.06 236

fff1	0.13 313	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.11 217	0.08 338	0.05 207	0.05 34	0.05 132	0.06 222	0.06 236

MyStereo05	0.13 313	0.07 166	0.10 136	0.17 241	0.09 265	0.13 284	0.18 401	0.27 410	0.35 481	0.17 350	0.14 227	0.15 306	0.11 264	0.15 320	0.13 316	0.06 126	0.05 207	0.07 226	0.07 305	0.06 222	0.06 236

MyStereo04	0.13 313	0.07 166	0.10 136	0.17 241	0.09 265	0.14 317	0.18 401	0.29 441	0.38 500	0.17 350	0.14 227	0.16 320	0.10 234	0.15 320	0.13 316	0.06 126	0.05 207	0.08 316	0.07 305	0.06 222	0.06 236

1test111	0.11 219	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.23 332	0.16 214	0.09 121	0.09 111	0.06 23	0.06 46	0.15 320	0.16 397	0.06 126	0.04 24	0.06 124	0.05 132	0.07 295	0.07 318

11t1	0.12 288	0.06 75	0.13 263	0.14 41	0.08 144	0.17 393	0.15 250	0.18 226	0.15 184	0.15 307	0.15 244	0.16 320	0.16 401	0.15 320	0.13 316	0.08 338	0.05 207	0.06 124	0.05 132	0.08 358	0.07 318

LoS	0.09 106	0.05 26	0.11 180	0.13 14	0.07 84	0.14 317	0.11 54	0.15 128	0.15 184	0.09 121	0.09 111	0.12 232	0.09 198	0.15 320	0.10 142	0.07 273	0.05 207	0.05 34	0.03 1	0.05 118	0.05 144
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
gwcnet-sp	0.14 347	0.07 166	0.12 217	0.18 323	0.09 265	0.16 372	0.17 353	0.24 355	0.24 364	0.18 380	0.24 377	0.15 306	0.16 401	0.15 320	0.15 381	0.08 338	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

scenet	0.14 347	0.07 166	0.12 217	0.18 323	0.09 265	0.16 372	0.17 353	0.24 355	0.24 364	0.18 380	0.24 377	0.15 306	0.16 401	0.15 320	0.15 381	0.08 338	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

DCRE	0.11 219	0.07 166	0.13 263	0.16 165	0.11 424	0.11 195	0.17 353	0.18 226	0.17 237	0.11 189	0.18 302	0.10 189	0.10 234	0.15 320	0.11 217	0.06 126	0.05 207	0.06 124	0.06 212	0.05 118	0.04 49

Selective-RAFT	0.11 219	0.10 407	0.11 180	0.21 474	0.08 144	0.16 372	0.13 125	0.20 265	0.22 337	0.10 157	0.10 142	0.11 214	0.10 234	0.15 320	0.11 217	0.05 34	0.05 207	0.06 124	0.05 132	0.06 222	0.05 144

ssnet	0.14 347	0.07 166	0.12 217	0.18 323	0.09 265	0.16 372	0.17 353	0.24 355	0.24 364	0.18 380	0.24 377	0.15 306	0.16 401	0.15 320	0.15 381	0.08 338	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

qqq	0.13 313	0.09 347	0.15 349	0.16 165	0.08 144	0.13 284	0.15 250	0.23 332	0.16 214	0.15 307	0.19 311	0.16 320	0.16 401	0.15 320	0.16 397	0.07 273	0.06 340	0.08 316	0.08 375	0.07 295	0.07 318

BUS	0.14 347	0.09 347	0.14 298	0.22 490	0.10 373	0.19 435	0.14 178	0.34 505	0.19 284	0.17 350	0.22 356	0.16 320	0.13 333	0.15 320	0.13 316	0.08 338	0.06 340	0.10 445	0.09 421	0.07 295	0.07 318

NINENet	0.16 413	0.10 407	0.15 349	0.17 241	0.11 424	0.19 435	0.14 178	0.40 550	0.36 486	0.18 380	0.21 345	0.16 320	0.13 333	0.15 320	0.13 316	0.08 338	0.08 441	0.10 445	0.07 305	0.10 452	0.09 426

BSDual-CNN	0.15 390	0.09 347	0.14 298	0.22 490	0.10 373	0.14 317	0.15 250	0.34 505	0.19 284	0.17 350	0.22 356	0.25 444	0.16 401	0.15 320	0.14 353	0.08 338	0.06 340	0.10 445	0.09 421	0.07 295	0.07 318

psmg	0.14 347	0.09 347	0.14 298	0.17 241	0.10 373	0.15 343	0.17 353	0.29 441	0.19 284	0.17 350	0.21 345	0.25 444	0.16 401	0.15 320	0.14 353	0.08 338	0.06 340	0.08 316	0.08 375	0.07 295	0.06 236

Anonymous3	0.16 413	0.13 480	0.33 529	0.26 541	0.14 500	0.27 527	0.17 353	0.28 429	0.28 423	0.15 307	0.17 277	0.14 277	0.10 234	0.15 320	0.12 275	0.08 338	0.08 441	0.08 316	0.08 375	0.08 358	0.11 479

HCRNet	0.16 413	0.24 556	0.12 217	0.35 575	0.11 424	0.15 343	0.17 353	0.26 389	0.22 337	0.19 396	0.24 377	0.21 388	0.14 357	0.15 320	0.13 316	0.11 468	0.07 412	0.11 476	0.10 461	0.09 421	0.07 318

222	0.16 413	0.07 166	0.14 298	0.14 41	0.08 144	0.24 496	0.18 401	0.30 455	0.20 307	0.17 350	0.28 445	0.17 340	0.16 401	0.15 320	0.40 578	0.10 439	0.05 207	0.07 226	0.06 212	0.07 295	0.08 382

xxxx	0.15 390	0.07 166	0.14 298	0.14 41	0.08 144	0.23 491	0.18 401	0.31 465	0.19 284	0.14 280	0.28 445	0.22 406	0.14 357	0.15 320	0.26 525	0.09 398	0.05 207	0.07 226	0.07 305	0.08 358	0.07 318

test_xeample	0.15 390	0.06 75	0.13 263	0.14 41	0.08 144	0.21 467	0.20 463	0.28 429	0.20 307	0.16 335	0.29 457	0.19 367	0.16 401	0.15 320	0.26 525	0.09 398	0.05 207	0.07 226	0.07 305	0.07 295	0.07 318

ARAFT	0.12 288	0.08 272	0.17 413	0.19 381	0.09 265	0.14 317	0.18 401	0.20 265	0.12 105	0.12 228	0.13 213	0.14 277	0.11 264	0.15 320	0.12 275	0.06 126	0.05 207	0.10 445	0.09 421	0.05 118	0.04 49

RAFT + AFF	0.13 313	0.07 166	0.20 460	0.20 442	0.10 373	0.14 317	0.24 516	0.26 389	0.20 307	0.11 189	0.10 142	0.12 232	0.10 234	0.15 320	0.12 275	0.07 273	0.06 340	0.09 398	0.08 375	0.06 222	0.08 382

PSMNet-RSSM	0.14 347	0.07 166	0.13 263	0.15 85	0.08 144	0.13 284	0.16 316	0.24 355	0.24 364	0.16 335	0.28 445	0.22 406	0.14 357	0.15 320	0.13 316	0.11 468	0.06 340	0.09 398	0.12 513	0.08 358	0.07 318

DMCA	0.14 347	0.09 347	0.16 383	0.19 381	0.09 265	0.15 343	0.17 353	0.23 332	0.27 409	0.14 280	0.19 311	0.17 340	0.18 438	0.15 320	0.17 412	0.10 439	0.06 340	0.08 316	0.06 212	0.09 421	0.10 453

DIP-Stereo	0.11 219	0.07 166	0.14 298	0.17 241	0.09 265	0.13 284	0.09 18	0.16 158	0.16 214	0.11 189	0.16 256	0.14 277	0.12 295	0.15 320	0.13 316	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.10 171	0.06 75	0.12 217	0.14 41	0.06 16	0.11 195	0.10 31	0.18 226	0.18 267	0.13 259	0.16 256	0.14 277	0.11 264	0.15 320	0.13 316	0.06 126	0.04 24	0.04 1	0.04 46	0.06 222	0.05 144
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
iResNet_ROB	0.14 347	0.07 166	0.13 263	0.14 41	0.07 84	0.18 412	0.14 178	0.26 389	0.31 446	0.22 449	0.25 405	0.23 424	0.15 375	0.15 320	0.13 316	0.07 273	0.05 207	0.05 34	0.04 46	0.08 358	0.08 382

DFGA-Net	0.13 313	0.11 433	0.18 436	0.17 241	0.10 373	0.12 234	0.13 125	0.22 312	0.25 385	0.16 335	0.16 256	0.13 257	0.12 295	0.16 355	0.14 353	0.07 273	0.05 207	0.08 316	0.07 305	0.05 118	0.05 144

coex_refinement	0.14 347	0.07 166	0.12 217	0.17 241	0.10 373	0.15 343	0.15 250	0.26 389	0.29 430	0.18 380	0.20 323	0.22 406	0.17 424	0.16 355	0.18 430	0.08 338	0.05 207	0.06 124	0.06 212	0.09 421	0.08 382

HI	0.11 219	0.06 75	0.11 180	0.13 14	0.09 265	0.09 96	0.14 178	0.21 288	0.10 47	0.19 396	0.17 277	0.14 277	0.09 198	0.16 355	0.08 17	0.05 34	0.04 24	0.07 226	0.08 375	0.07 295	0.06 236

CoSv	0.11 219	0.06 75	0.11 180	0.13 14	0.09 265	0.09 96	0.14 178	0.21 288	0.10 47	0.19 396	0.17 277	0.14 277	0.09 198	0.16 355	0.08 17	0.05 34	0.04 24	0.07 226	0.08 375	0.07 295	0.06 236

999	0.09 106	0.05 26	0.13 263	0.15 85	0.08 144	0.10 148	0.14 178	0.15 128	0.11 75	0.10 157	0.08 89	0.08 129	0.08 167	0.16 355	0.10 142	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.05 144

GCST	0.37 567	0.42 586	0.26 496	1.02 610	0.39 585	0.18 412	0.08 7	0.20 265	0.17 237	0.28 511	0.25 405	0.15 306	0.12 295	0.16 355	0.14 353	0.64 605	0.43 594	0.75 601	0.65 605	0.63 598	0.46 598

DualNet (step1)	0.16 413	0.12 451	0.20 460	0.12 5	0.14 500	0.17 393	0.13 125	0.27 410	0.23 348	0.20 419	0.20 323	0.24 430	0.19 454	0.16 355	0.16 397	0.15 535	0.06 340	0.14 522	0.14 527	0.14 521	0.12 492

test_sample7	0.15 390	0.10 407	0.16 383	0.14 41	0.11 424	0.16 372	0.16 316	0.27 410	0.23 348	0.20 419	0.20 323	0.24 430	0.19 454	0.16 355	0.16 397	0.12 492	0.06 340	0.10 445	0.09 421	0.10 452	0.10 453

test_sample5	0.14 347	0.08 272	0.14 298	0.16 165	0.08 144	0.18 412	0.18 401	0.25 371	0.17 237	0.17 350	0.27 431	0.18 353	0.14 357	0.16 355	0.13 316	0.08 338	0.05 207	0.08 316	0.07 305	0.08 358	0.08 382

test_sample4	0.14 347	0.08 272	0.14 298	0.15 85	0.08 144	0.19 435	0.18 401	0.26 389	0.17 237	0.16 335	0.25 405	0.18 353	0.14 357	0.16 355	0.13 316	0.08 338	0.06 340	0.08 316	0.06 212	0.08 358	0.08 382

MyStereo8	0.12 288	0.07 166	0.15 349	0.15 85	0.09 265	0.18 412	0.14 178	0.19 254	0.22 337	0.12 228	0.18 302	0.11 214	0.10 234	0.16 355	0.18 430	0.07 273	0.05 207	0.07 226	0.05 132	0.08 358	0.09 426

mmm	0.14 347	0.08 272	0.17 413	0.17 241	0.09 265	0.17 393	0.18 401	0.21 288	0.15 184	0.15 307	0.23 365	0.21 388	0.16 401	0.16 355	0.17 412	0.08 338	0.05 207	0.08 316	0.07 305	0.07 295	0.07 318

DualNet	0.14 347	0.08 272	0.14 298	0.16 165	0.08 144	0.18 412	0.18 401	0.25 371	0.17 237	0.17 350	0.27 431	0.18 353	0.14 357	0.16 355	0.13 316	0.08 338	0.05 207	0.08 316	0.07 305	0.08 358	0.08 382

StereoVision	0.13 313	0.12 451	0.09 91	0.24 524	0.10 373	0.15 343	0.21 483	0.21 288	0.20 307	0.12 228	0.24 377	0.10 189	0.10 234	0.16 355	0.10 142	0.09 398	0.11 506	0.12 495	0.12 513	0.06 222	0.05 144

LL-Strereo2	0.10 171	0.10 407	0.15 349	0.18 323	0.08 144	0.15 343	0.09 18	0.17 194	0.14 165	0.14 280	0.10 142	0.09 156	0.07 127	0.16 355	0.10 142	0.05 34	0.05 207	0.10 445	0.07 305	0.06 222	0.05 144

CBFPSM	0.14 347	0.06 75	0.26 496	0.17 241	0.09 265	0.13 284	0.15 250	0.22 312	0.23 348	0.20 419	0.27 431	0.24 430	0.16 401	0.16 355	0.18 430	0.06 126	0.06 340	0.06 124	0.07 305	0.07 295	0.07 318

IER	0.14 347	0.07 166	0.13 263	0.17 241	0.09 265	0.14 317	0.16 316	0.25 371	0.26 399	0.18 380	0.25 405	0.17 340	0.20 466	0.16 355	0.14 353	0.08 338	0.05 207	0.07 226	0.06 212	0.08 358	0.07 318

CIPLG	0.11 219	0.08 272	0.14 298	0.17 241	0.08 144	0.12 234	0.15 250	0.17 194	0.15 184	0.14 280	0.11 183	0.16 320	0.09 198	0.16 355	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

UDGNet	0.14 347	0.13 480	0.16 383	0.17 241	0.10 373	0.12 234	0.16 316	0.21 288	0.27 409	0.20 419	0.20 323	0.16 320	0.13 333	0.16 355	0.13 316	0.10 439	0.06 340	0.09 398	0.07 305	0.06 222	0.07 318

DAS	0.15 390	0.08 272	0.18 436	0.19 381	0.10 373	0.19 435	0.17 353	0.27 410	0.29 430	0.18 380	0.25 405	0.21 388	0.15 375	0.16 355	0.12 275	0.08 338	0.06 340	0.06 124	0.06 212	0.07 295	0.07 318

IPLGR_C	0.11 219	0.08 272	0.14 298	0.17 241	0.08 144	0.12 234	0.15 250	0.17 194	0.15 184	0.14 280	0.10 142	0.16 320	0.09 198	0.16 355	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

ACRE	0.11 219	0.08 272	0.14 298	0.17 241	0.08 144	0.12 234	0.15 250	0.17 194	0.14 165	0.14 280	0.10 142	0.16 320	0.09 198	0.16 355	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

GANet-ADL	0.13 313	0.07 166	0.15 349	0.17 241	0.10 373	0.18 412	0.15 250	0.30 455	0.20 307	0.13 259	0.18 302	0.19 367	0.12 295	0.16 355	0.13 316	0.08 338	0.06 340	0.06 124	0.05 132	0.07 295	0.08 382

RAFT	0.13 313	0.09 347	0.11 180	0.18 323	0.08 144	0.15 343	0.24 516	0.20 265	0.19 284	0.21 433	0.21 345	0.17 340	0.12 295	0.16 355	0.09 62	0.06 126	0.07 412	0.10 445	0.09 421	0.05 118	0.05 144

TestStereo	0.13 313	0.14 492	0.11 180	0.23 514	0.08 144	0.15 343	0.21 483	0.20 265	0.23 348	0.14 280	0.24 377	0.16 320	0.12 295	0.16 355	0.14 353	0.05 34	0.06 340	0.08 316	0.06 212	0.09 421	0.05 144

GES	0.14 347	0.08 272	0.16 383	0.15 85	0.10 373	0.13 284	0.13 125	0.28 429	0.25 385	0.16 335	0.23 365	0.18 353	0.13 333	0.16 355	0.13 316	0.08 338	0.07 412	0.07 226	0.06 212	0.08 358	0.09 426

GMStereo	0.13 313	0.14 492	0.14 298	0.18 323	0.09 265	0.15 343	0.16 316	0.20 265	0.24 364	0.16 335	0.17 277	0.10 189	0.10 234	0.16 355	0.13 316	0.07 273	0.06 340	0.06 124	0.06 212	0.07 295	0.06 236
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
GANet-RSSM	0.14 347	0.07 166	0.13 263	0.13 14	0.08 144	0.14 317	0.17 353	0.22 312	0.21 323	0.17 350	0.24 377	0.23 424	0.15 375	0.16 355	0.15 381	0.10 439	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

CFNet-ft	0.14 347	0.07 166	0.15 349	0.12 5	0.09 265	0.16 372	0.18 401	0.22 312	0.24 364	0.17 350	0.26 422	0.24 430	0.14 357	0.16 355	0.14 353	0.11 468	0.06 340	0.08 316	0.09 421	0.09 421	0.08 382

FADNet-RVC-Resample	0.16 413	0.11 433	0.31 522	0.22 490	0.11 424	0.19 435	0.14 178	0.25 371	0.24 364	0.24 471	0.27 431	0.20 379	0.15 375	0.16 355	0.15 381	0.07 273	0.08 441	0.12 495	0.10 461	0.09 421	0.10 453

BEATNet_4x	0.12 288	0.08 272	0.14 298	0.18 323	0.07 84	0.15 343	0.07 3	0.22 312	0.18 267	0.16 335	0.19 311	0.18 353	0.14 357	0.16 355	0.15 381	0.07 273	0.05 207	0.05 34	0.05 132	0.06 222	0.06 236

CFNet_RVC	0.14 347	0.07 166	0.15 349	0.12 5	0.09 265	0.16 372	0.18 401	0.22 312	0.24 364	0.17 350	0.26 422	0.24 430	0.14 357	0.16 355	0.14 353	0.11 468	0.06 340	0.08 316	0.09 421	0.09 421	0.08 382

G2L-ROB	0.13 313	0.06 75	0.13 263	0.13 14	0.08 144	0.14 317	0.16 316	0.25 371	0.18 267	0.19 396	0.18 302	0.20 379	0.14 357	0.17 387	0.16 397	0.08 338	0.05 207	0.06 124	0.05 132	0.08 358	0.09 426

G2L-Stereo_test	0.14 347	0.07 166	0.11 180	0.13 14	0.08 144	0.12 234	0.16 316	0.30 455	0.28 423	0.20 419	0.23 365	0.20 379	0.16 401	0.17 387	0.18 430	0.07 273	0.05 207	0.05 34	0.05 132	0.07 295	0.06 236

G2L-Stereo	0.14 347	0.07 166	0.13 263	0.17 241	0.09 265	0.13 284	0.12 75	0.27 410	0.22 337	0.16 335	0.27 431	0.21 388	0.13 333	0.17 387	0.18 430	0.09 398	0.08 441	0.08 316	0.07 305	0.07 295	0.07 318

ISRNet	0.18 448	0.08 272	0.19 448	0.19 381	0.13 480	0.15 343	0.12 75	0.30 455	0.32 453	0.21 433	0.25 405	0.27 462	0.17 424	0.17 387	0.20 449	0.20 565	0.08 441	0.14 522	0.14 527	0.14 521	0.17 558

rvit_0105_5	0.14 347	0.09 347	0.13 263	0.17 241	0.09 265	0.14 317	0.23 504	0.24 355	0.27 409	0.14 280	0.15 244	0.18 353	0.12 295	0.17 387	0.14 353	0.14 531	0.11 506	0.10 445	0.10 461	0.08 358	0.06 236

rvit_0105_4	0.14 347	0.09 347	0.17 413	0.17 241	0.10 373	0.12 234	0.19 440	0.23 332	0.27 409	0.14 280	0.20 323	0.17 340	0.13 333	0.17 387	0.13 316	0.15 535	0.11 506	0.11 476	0.10 461	0.09 421	0.06 236

rvit_0105_3	0.15 390	0.09 347	0.14 298	0.19 381	0.12 457	0.15 343	0.25 532	0.25 371	0.29 430	0.15 307	0.17 277	0.20 379	0.13 333	0.17 387	0.14 353	0.13 517	0.11 506	0.12 495	0.14 527	0.07 295	0.06 236

ITSA-stereo	0.15 390	0.10 407	0.14 298	0.19 381	0.08 144	0.12 234	0.14 178	0.30 455	0.49 546	0.17 350	0.19 311	0.22 406	0.15 375	0.17 387	0.16 397	0.10 439	0.06 340	0.08 316	0.08 375	0.08 358	0.08 382

test_sample3	0.14 347	0.08 272	0.15 349	0.14 41	0.09 265	0.19 435	0.17 353	0.26 389	0.18 267	0.16 335	0.22 356	0.19 367	0.15 375	0.17 387	0.13 316	0.08 338	0.06 340	0.07 226	0.06 212	0.09 421	0.08 382

test_sample1	0.13 313	0.07 166	0.14 298	0.13 14	0.08 144	0.19 435	0.16 316	0.20 265	0.15 184	0.14 280	0.22 356	0.18 353	0.16 401	0.17 387	0.14 353	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.07 318

PCWNet_CMD	0.14 347	0.08 272	0.15 349	0.17 241	0.09 265	0.14 317	0.14 178	0.29 441	0.36 486	0.14 280	0.20 323	0.21 388	0.12 295	0.17 387	0.13 316	0.07 273	0.05 207	0.07 226	0.07 305	0.07 295	0.07 318

hknet	0.15 390	0.11 433	0.13 263	0.22 490	0.11 424	0.14 317	0.15 250	0.34 505	0.25 385	0.17 350	0.22 356	0.22 406	0.18 438	0.17 387	0.12 275	0.07 273	0.06 340	0.10 445	0.09 421	0.07 295	0.07 318

AASNet	0.16 413	0.08 272	0.12 217	0.19 381	0.09 265	0.18 412	0.15 250	0.37 534	0.37 493	0.19 396	0.23 365	0.20 379	0.16 401	0.17 387	0.20 449	0.10 439	0.08 441	0.08 316	0.07 305	0.09 421	0.09 426

ICVP	0.15 390	0.09 347	0.12 217	0.22 490	0.09 265	0.17 393	0.21 483	0.25 371	0.23 348	0.18 380	0.30 464	0.26 454	0.18 438	0.17 387	0.14 353	0.09 398	0.07 412	0.08 316	0.07 305	0.07 295	0.07 318
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 434	0.09 347	0.16 383	0.20 442	0.11 424	0.27 527	0.20 463	0.25 371	0.41 512	0.22 449	0.30 464	0.21 388	0.20 466	0.17 387	0.20 449	0.06 126	0.06 340	0.07 226	0.07 305	0.08 358	0.07 318

ACVNet	0.15 390	0.09 347	0.15 349	0.13 14	0.12 457	0.14 317	0.20 463	0.22 312	0.33 460	0.17 350	0.26 422	0.21 388	0.16 401	0.17 387	0.21 469	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.06 236

acv_ft	0.15 390	0.09 347	0.15 349	0.19 381	0.10 373	0.16 372	0.17 353	0.25 371	0.33 460	0.19 396	0.26 422	0.21 388	0.17 424	0.17 387	0.18 430	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.06 236

MSMDNet	0.14 347	0.08 272	0.15 349	0.17 241	0.09 265	0.14 317	0.14 178	0.29 441	0.36 486	0.14 280	0.21 345	0.21 388	0.12 295	0.17 387	0.14 353	0.07 273	0.05 207	0.07 226	0.07 305	0.07 295	0.07 318

HSM-Net_RVC	0.14 347	0.08 272	0.11 180	0.15 85	0.08 144	0.15 343	0.15 250	0.27 410	0.29 430	0.19 396	0.21 345	0.29 480	0.14 357	0.17 387	0.13 316	0.06 126	0.06 340	0.06 124	0.06 212	0.07 295	0.06 236
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 390	0.10 407	0.17 413	0.17 241	0.08 144	0.18 412	0.09 18	0.28 429	0.25 385	0.19 396	0.24 377	0.24 430	0.17 424	0.17 387	0.14 353	0.08 338	0.06 340	0.09 398	0.10 461	0.07 295	0.06 236

UCFNet_RVC	0.14 347	0.08 272	0.13 263	0.11 1	0.10 373	0.20 450	0.10 31	0.24 355	0.22 337	0.17 350	0.20 323	0.23 424	0.15 375	0.17 387	0.15 381	0.12 492	0.07 412	0.10 445	0.13 523	0.11 475	0.10 453

YMNet	0.20 472	0.12 451	0.19 448	0.20 442	0.14 500	0.26 517	0.23 504	0.32 476	0.34 472	0.27 496	0.34 492	0.30 490	0.18 438	0.18 408	0.22 478	0.10 439	0.13 536	0.10 445	0.10 461	0.08 358	0.09 426

YMNet_1	0.20 472	0.12 451	0.19 448	0.20 442	0.14 500	0.26 517	0.23 504	0.32 476	0.34 472	0.27 496	0.34 492	0.30 490	0.18 438	0.18 408	0.22 478	0.10 439	0.13 536	0.10 445	0.10 461	0.08 358	0.09 426

rvit_0105_6	0.14 347	0.09 347	0.18 436	0.17 241	0.10 373	0.10 148	0.16 316	0.19 254	0.26 399	0.12 228	0.18 302	0.17 340	0.12 295	0.18 408	0.12 275	0.15 535	0.11 506	0.12 495	0.10 461	0.09 421	0.06 236

DCVSM-stereo	0.14 347	0.09 347	0.16 383	0.16 165	0.10 373	0.15 343	0.09 18	0.19 254	0.23 348	0.20 419	0.23 365	0.26 454	0.15 375	0.18 408	0.14 353	0.09 398	0.07 412	0.09 398	0.08 375	0.10 452	0.12 492

rvit_stereo_0075_2	0.17 434	0.12 451	0.25 493	0.23 514	0.16 530	0.13 284	0.10 31	0.30 455	0.27 409	0.20 419	0.28 445	0.22 406	0.15 375	0.18 408	0.13 316	0.16 551	0.10 493	0.17 545	0.10 461	0.10 452	0.09 426

CFNet_ucs	0.15 390	0.08 272	0.16 383	0.16 165	0.11 424	0.14 317	0.14 178	0.30 455	0.34 472	0.16 335	0.24 377	0.23 424	0.14 357	0.18 408	0.15 381	0.09 398	0.06 340	0.08 316	0.07 305	0.09 421	0.09 426

iinet-f	0.16 413	0.06 75	0.45 555	0.14 41	0.10 373	0.21 467	0.14 178	0.27 410	0.23 348	0.21 433	0.24 377	0.21 388	0.15 375	0.18 408	0.21 469	0.09 398	0.07 412	0.07 226	0.06 212	0.09 421	0.10 453

x	0.13 313	0.07 166	0.14 298	0.14 41	0.08 144	0.18 412	0.14 178	0.22 312	0.20 307	0.15 307	0.19 311	0.19 367	0.17 424	0.18 408	0.18 430	0.07 273	0.05 207	0.06 124	0.06 212	0.07 295	0.07 318

GLC_STEREO	0.11 219	0.07 166	0.11 180	0.17 241	0.07 84	0.09 96	0.13 125	0.15 128	0.24 364	0.12 228	0.13 213	0.12 232	0.08 167	0.18 408	0.11 217	0.06 126	0.08 441	0.08 316	0.06 212	0.05 118	0.05 144

PSMNet-ADL	0.15 390	0.12 451	0.13 263	0.22 490	0.09 265	0.13 284	0.20 463	0.26 389	0.23 348	0.18 380	0.20 323	0.24 430	0.16 401	0.18 408	0.17 412	0.08 338	0.08 441	0.08 316	0.11 493	0.08 358	0.07 318

CFNet_pseudo	0.14 347	0.08 272	0.15 349	0.16 165	0.09 265	0.13 284	0.14 178	0.27 410	0.34 472	0.14 280	0.21 345	0.22 406	0.13 333	0.18 408	0.14 353	0.07 273	0.05 207	0.08 316	0.06 212	0.07 295	0.07 318

ADLNet	0.16 413	0.08 272	0.15 349	0.16 165	0.10 373	0.16 372	0.17 353	0.32 476	0.27 409	0.22 449	0.27 431	0.24 430	0.16 401	0.18 408	0.21 469	0.10 439	0.06 340	0.10 445	0.10 461	0.08 358	0.09 426

DMCA-RVC	0.17 434	0.10 407	0.15 349	0.24 524	0.11 424	0.18 412	0.18 401	0.25 371	0.24 364	0.21 433	0.26 422	0.25 444	0.27 516	0.18 408	0.20 449	0.12 492	0.08 441	0.13 510	0.10 461	0.10 452	0.08 382

ccs_rob	0.14 347	0.08 272	0.15 349	0.16 165	0.09 265	0.12 234	0.14 178	0.27 410	0.34 472	0.14 280	0.21 345	0.22 406	0.13 333	0.18 408	0.14 353	0.07 273	0.05 207	0.08 316	0.07 305	0.07 295	0.07 318

pmcnn	0.15 390	0.07 166	0.19 448	0.15 85	0.07 84	0.20 450	0.15 250	0.24 355	0.26 399	0.21 433	0.34 492	0.28 472	0.18 438	0.18 408	0.17 412	0.07 273	0.05 207	0.05 34	0.04 46	0.07 295	0.06 236

TCMNet	0.19 460	0.12 451	0.19 448	0.20 442	0.18 552	0.20 450	0.24 516	0.27 410	0.36 486	0.23 462	0.26 422	0.25 444	0.19 454	0.19 423	0.23 490	0.13 517	0.11 506	0.11 476	0.12 513	0.13 508	0.12 492

DDVS	0.15 390	0.10 407	0.21 469	0.16 165	0.12 457	0.15 343	0.14 178	0.25 371	0.19 284	0.18 380	0.29 457	0.27 462	0.12 295	0.19 423	0.15 381	0.09 398	0.06 340	0.09 398	0.07 305	0.11 475	0.11 479

rvit_105_1	0.19 460	0.11 433	0.25 493	0.21 474	0.16 530	0.21 467	0.27 548	0.31 465	0.41 512	0.19 396	0.20 323	0.22 406	0.17 424	0.19 423	0.17 412	0.12 492	0.12 522	0.13 510	0.15 544	0.08 358	0.07 318

UGAM	0.13 313	0.10 407	0.09 91	0.22 490	0.08 144	0.12 234	0.20 463	0.17 194	0.23 348	0.21 433	0.16 256	0.13 257	0.13 333	0.19 423	0.12 275	0.07 273	0.05 207	0.13 510	0.11 493	0.07 295	0.05 144

test_sample9	0.18 448	0.12 451	0.20 460	0.12 5	0.14 500	0.17 393	0.13 125	0.27 410	0.23 348	0.20 419	0.20 323	0.24 430	0.19 454	0.19 423	0.17 412	0.15 535	0.30 586	0.14 522	0.14 527	0.14 521	0.12 492

test_sample8	0.19 460	0.12 451	0.20 460	0.12 5	0.14 500	0.17 393	0.13 125	0.31 465	0.21 323	0.27 496	0.22 356	0.36 530	0.25 502	0.19 423	0.17 412	0.15 535	0.30 586	0.14 522	0.14 527	0.14 521	0.12 492

GMStereo_Zeroshot	0.16 413	0.13 480	0.24 488	0.20 442	0.10 373	0.17 393	0.13 125	0.29 441	0.25 385	0.23 462	0.32 476	0.25 444	0.11 264	0.19 423	0.14 353	0.09 398	0.06 340	0.11 476	0.06 212	0.12 490	0.08 382

LL-Strereo	0.13 313	0.09 347	0.11 180	0.20 442	0.10 373	0.11 195	0.18 401	0.32 476	0.24 364	0.15 307	0.15 244	0.14 277	0.13 333	0.19 423	0.11 217	0.06 126	0.04 24	0.09 398	0.08 375	0.04 21	0.05 144

SDNR	0.19 460	0.08 272	0.19 448	0.16 165	0.12 457	0.77 600	0.14 178	0.25 371	0.32 453	0.19 396	0.24 377	0.19 367	0.13 333	0.19 423	0.15 381	0.16 551	0.18 561	0.14 522	0.11 493	0.08 358	0.11 479

ToySt	0.17 434	0.11 433	0.18 436	0.17 241	0.11 424	0.16 372	0.25 532	0.24 355	0.33 460	0.19 396	0.24 377	0.26 454	0.24 493	0.19 423	0.20 449	0.07 273	0.08 441	0.09 398	0.10 461	0.09 421	0.08 382

CRFU-Net	0.16 413	0.08 272	0.14 298	0.17 241	0.09 265	0.19 435	0.14 178	0.26 389	0.20 307	0.28 511	0.27 431	0.29 480	0.17 424	0.19 423	0.17 412	0.09 398	0.09 473	0.07 226	0.07 305	0.08 358	0.08 382

dad	0.17 434	0.20 541	0.20 460	0.16 165	0.11 424	0.20 450	0.18 401	0.21 288	0.28 423	0.30 525	0.24 377	0.29 480	0.13 333	0.19 423	0.16 397	0.18 558	0.09 473	0.11 476	0.09 421	0.11 475	0.07 318

AACVNet	0.16 413	0.08 272	0.14 298	0.15 85	0.10 373	0.18 412	0.15 250	0.23 332	0.24 364	0.27 496	0.27 431	0.28 472	0.17 424	0.19 423	0.16 397	0.09 398	0.07 412	0.09 398	0.07 305	0.10 452	0.09 426

Syn2CoEx	0.21 484	0.16 510	0.27 504	0.29 565	0.14 500	0.26 517	0.20 463	0.33 496	0.31 446	0.28 511	0.36 500	0.27 462	0.25 502	0.19 423	0.24 503	0.16 551	0.12 522	0.14 522	0.11 493	0.09 421	0.08 382

delet	0.17 434	0.08 272	0.17 413	0.19 381	0.11 424	0.20 450	0.21 483	0.30 455	0.37 493	0.17 350	0.26 422	0.19 367	0.19 454	0.19 423	0.21 469	0.08 338	0.08 441	0.09 398	0.11 493	0.06 222	0.06 236

UNet	0.17 434	0.09 347	0.18 436	0.19 381	0.12 457	0.27 527	0.19 440	0.33 496	0.29 430	0.21 433	0.24 377	0.23 424	0.19 454	0.19 423	0.18 430	0.07 273	0.06 340	0.08 316	0.07 305	0.08 358	0.06 236

UPFNet	0.16 413	0.08 272	0.12 217	0.20 442	0.12 457	0.20 450	0.23 504	0.28 429	0.26 399	0.17 350	0.24 377	0.22 406	0.19 454	0.19 423	0.21 469	0.09 398	0.07 412	0.08 316	0.09 421	0.08 358	0.06 236

ac_64	0.16 413	0.08 272	0.15 349	0.18 323	0.10 373	0.22 476	0.18 401	0.24 355	0.21 323	0.18 380	0.24 377	0.29 480	0.18 438	0.19 423	0.22 478	0.09 398	0.07 412	0.08 316	0.09 421	0.07 295	0.06 236

HGLStereo	0.17 434	0.08 272	0.19 448	0.17 241	0.12 457	0.18 412	0.18 401	0.31 465	0.32 453	0.21 433	0.32 476	0.25 444	0.18 438	0.19 423	0.20 449	0.09 398	0.09 473	0.07 226	0.07 305	0.09 421	0.10 453

DSFCA	0.16 413	0.09 347	0.14 298	0.16 165	0.10 373	0.20 450	0.19 440	0.28 429	0.31 446	0.23 462	0.24 377	0.22 406	0.15 375	0.19 423	0.20 449	0.10 439	0.07 412	0.09 398	0.09 421	0.08 358	0.08 382

FADNet	0.21 484	0.22 551	0.36 538	0.18 323	0.17 545	0.24 496	0.13 125	0.31 465	0.31 446	0.23 462	0.25 405	0.27 462	0.21 470	0.19 423	0.15 381	0.13 517	0.15 551	0.12 495	0.15 544	0.16 545	0.18 561

S-Stereo	0.20 472	0.12 451	0.25 493	0.21 474	0.13 480	0.20 450	0.18 401	0.32 476	0.43 525	0.23 462	0.36 500	0.28 472	0.30 539	0.19 423	0.22 478	0.09 398	0.12 522	0.10 445	0.10 461	0.13 508	0.13 514

MaskLacGwcNet_RVC	0.22 493	0.21 547	0.24 488	0.26 541	0.11 424	0.23 491	0.14 178	0.39 546	0.24 364	0.32 537	0.36 500	0.30 490	0.21 470	0.19 423	0.21 469	0.17 556	0.14 545	0.21 559	0.16 548	0.12 490	0.12 492

AdaStereo	0.15 390	0.11 433	0.15 349	0.18 323	0.09 265	0.20 450	0.11 54	0.32 476	0.28 423	0.20 419	0.23 365	0.20 379	0.13 333	0.19 423	0.14 353	0.12 492	0.05 207	0.10 445	0.07 305	0.09 421	0.07 318
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.
DLCB_ROB	0.18 448	0.10 407	0.15 349	0.23 514	0.11 424	0.24 496	0.18 401	0.29 441	0.28 423	0.27 496	0.28 445	0.28 472	0.24 493	0.19 423	0.20 449	0.08 338	0.08 441	0.09 398	0.09 421	0.07 295	0.07 318

z-ln-s-r	0.17 434	0.10 407	0.40 548	0.19 381	0.08 144	0.17 393	0.18 401	0.22 312	0.33 460	0.18 380	0.40 526	0.22 406	0.17 424	0.20 448	0.23 490	0.07 273	0.05 207	0.07 226	0.07 305	0.07 295	0.05 144

Wz-Net-LNSev-Ref	0.18 448	0.09 347	0.29 517	0.15 85	0.10 373	0.22 476	0.20 463	0.26 389	0.39 503	0.25 484	0.42 543	0.24 430	0.15 375	0.20 448	0.19 443	0.07 273	0.05 207	0.06 124	0.05 132	0.10 452	0.09 426

iRaft-Stereo_5w	0.12 288	0.09 347	0.12 217	0.19 381	0.08 144	0.09 96	0.12 75	0.21 288	0.21 323	0.19 396	0.14 227	0.11 214	0.09 198	0.20 448	0.16 397	0.05 34	0.05 207	0.07 226	0.06 212	0.05 118	0.06 236

UDG	0.21 484	0.17 521	0.19 448	0.23 514	0.15 519	0.30 541	0.20 463	0.33 496	0.35 481	0.23 462	0.28 445	0.31 503	0.27 516	0.20 448	0.22 478	0.15 535	0.12 522	0.13 510	0.09 421	0.14 521	0.14 531

LMCR-Stereo	0.15 390	0.08 272	0.13 263	0.21 474	0.09 265	0.17 393	0.20 463	0.27 410	0.19 284	0.24 471	0.24 377	0.23 424	0.17 424	0.20 448	0.17 412	0.07 273	0.06 340	0.08 316	0.06 212	0.10 452	0.08 382

pcwnet_v2	0.19 460	0.10 407	0.26 496	0.17 241	0.14 500	0.18 412	0.15 250	0.37 534	0.46 537	0.19 396	0.24 377	0.21 388	0.19 454	0.20 448	0.19 443	0.13 517	0.10 493	0.10 445	0.10 461	0.11 475	0.13 514

psm_up	0.18 448	0.10 407	0.18 436	0.20 442	0.11 424	0.17 393	0.19 440	0.37 534	0.34 472	0.21 433	0.28 445	0.29 480	0.24 493	0.20 448	0.22 478	0.09 398	0.10 493	0.11 476	0.11 493	0.08 358	0.08 382

aanetorigin	0.22 493	0.17 521	0.56 571	0.17 241	0.10 373	0.15 343	0.19 440	0.20 265	0.33 460	0.49 575	0.48 554	0.29 480	0.27 516	0.20 448	0.23 490	0.08 338	0.07 412	0.08 316	0.07 305	0.10 452	0.09 426

STTStereo	0.18 448	0.12 451	0.27 504	0.20 442	0.11 424	0.16 372	0.21 483	0.29 441	0.23 348	0.21 433	0.30 464	0.29 480	0.18 438	0.20 448	0.19 443	0.12 492	0.11 506	0.11 476	0.14 527	0.09 421	0.08 382

RASNet	0.14 347	0.07 166	0.14 298	0.16 165	0.08 144	0.18 412	0.14 178	0.29 441	0.20 307	0.17 350	0.25 405	0.21 388	0.18 438	0.20 448	0.19 443	0.07 273	0.06 340	0.06 124	0.08 375	0.06 222	0.06 236

RYNet	0.22 493	0.12 451	0.22 475	0.19 381	0.17 545	0.46 571	0.26 541	0.38 542	0.48 539	0.24 471	0.28 445	0.34 524	0.23 487	0.20 448	0.30 551	0.10 439	0.06 340	0.09 398	0.09 421	0.13 508	0.15 538

PA-Net	0.23 509	0.18 532	0.33 529	0.28 557	0.22 564	0.21 467	0.38 585	0.29 441	0.39 503	0.22 449	0.32 476	0.25 444	0.26 508	0.20 448	0.25 513	0.09 398	0.23 580	0.15 534	0.22 566	0.09 421	0.13 514
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DeepPruner_ROB	0.16 413	0.11 433	0.15 349	0.17 241	0.10 373	0.17 393	0.15 250	0.32 476	0.21 323	0.19 396	0.21 345	0.22 406	0.18 438	0.20 448	0.15 381	0.13 517	0.09 473	0.09 398	0.09 421	0.11 475	0.10 453

PS-NSSS	0.20 472	0.21 547	0.23 484	0.20 442	0.10 373	0.19 435	0.17 353	0.36 528	0.25 385	0.27 496	0.33 488	0.27 462	0.24 493	0.20 448	0.20 449	0.15 535	0.12 522	0.17 545	0.14 527	0.10 452	0.08 382

HSM	0.15 390	0.08 272	0.14 298	0.16 165	0.09 265	0.16 372	0.14 178	0.28 429	0.25 385	0.19 396	0.23 365	0.37 535	0.16 401	0.20 448	0.15 381	0.07 273	0.05 207	0.07 226	0.06 212	0.07 295	0.06 236

StereoDRNet	0.18 448	0.11 433	0.17 413	0.22 490	0.11 424	0.21 467	0.22 493	0.37 534	0.33 460	0.24 471	0.28 445	0.30 490	0.19 454	0.20 448	0.20 449	0.09 398	0.08 441	0.11 476	0.09 421	0.09 421	0.07 318

LE_ROB	0.50 583	0.07 166	0.14 298	0.15 85	0.08 144	0.24 496	0.16 316	0.22 312	1.81 618	4.63 622	0.67 580	0.47 569	0.44 577	0.20 448	0.29 545	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.06 236

w-ln-seven-2	0.20 472	0.14 492	0.37 542	0.22 490	0.12 457	0.20 450	0.21 483	0.28 429	0.37 493	0.25 484	0.37 506	0.27 462	0.22 479	0.21 465	0.23 490	0.08 338	0.08 441	0.09 398	0.09 421	0.10 452	0.09 426

w-ln-seven	0.24 516	0.14 492	0.55 568	0.19 381	0.14 500	0.26 517	0.22 493	0.35 521	0.60 572	0.29 520	0.39 520	0.30 490	0.22 479	0.21 465	0.26 525	0.09 398	0.09 473	0.11 476	0.10 461	0.11 475	0.10 453

fast-acv-ft	0.18 448	0.11 433	0.19 448	0.19 381	0.12 457	0.24 496	0.21 483	0.25 371	0.34 472	0.22 449	0.34 492	0.27 462	0.20 466	0.21 465	0.23 490	0.09 398	0.09 473	0.08 316	0.10 461	0.08 358	0.07 318

CSP-Net	0.16 413	0.09 347	0.14 298	0.16 165	0.09 265	0.19 435	0.17 353	0.25 371	0.32 453	0.25 484	0.30 464	0.24 430	0.15 375	0.21 465	0.18 430	0.09 398	0.06 340	0.07 226	0.07 305	0.08 358	0.07 318

dd	0.15 390	0.16 510	0.16 383	0.19 381	0.09 265	0.15 343	0.18 401	0.21 288	0.25 385	0.23 462	0.20 323	0.21 388	0.09 198	0.21 465	0.16 397	0.10 439	0.06 340	0.08 316	0.06 212	0.08 358	0.06 236

ADLNet2	0.16 413	0.09 347	0.13 263	0.16 165	0.09 265	0.20 450	0.16 316	0.31 465	0.39 503	0.16 335	0.20 323	0.20 379	0.18 438	0.21 465	0.22 478	0.08 338	0.06 340	0.07 226	0.07 305	0.09 421	0.07 318

GEStereo_RVC	0.17 434	0.12 451	0.15 349	0.22 490	0.11 424	0.19 435	0.17 353	0.32 476	0.48 539	0.20 419	0.25 405	0.17 340	0.13 333	0.21 465	0.16 397	0.10 439	0.06 340	0.08 316	0.07 305	0.09 421	0.08 382

FAT-Stereo	0.20 472	0.12 451	0.22 475	0.21 474	0.12 457	0.17 393	0.18 401	0.34 505	0.39 503	0.27 496	0.37 506	0.34 524	0.32 548	0.21 465	0.20 449	0.09 398	0.11 506	0.10 445	0.09 421	0.11 475	0.14 531

DeepPrunerF	0.24 516	0.17 521	0.42 553	0.26 541	0.16 530	0.22 476	0.28 554	0.37 534	0.50 549	0.26 490	0.29 457	0.24 430	0.28 527	0.21 465	0.22 478	0.15 535	0.11 506	0.20 558	0.18 559	0.12 490	0.13 514

NLCA_NET_v2_RVC	0.17 434	0.10 407	0.22 475	0.20 442	0.10 373	0.15 343	0.18 401	0.31 465	0.25 385	0.21 433	0.30 464	0.25 444	0.17 424	0.21 465	0.20 449	0.09 398	0.06 340	0.08 316	0.08 375	0.07 295	0.08 382
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 434	0.12 451	0.15 349	0.20 442	0.09 265	0.18 412	0.18 401	0.26 389	0.23 348	0.26 490	0.40 526	0.22 406	0.17 424	0.21 465	0.20 449	0.08 338	0.05 207	0.09 398	0.10 461	0.07 295	0.07 318
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 460	0.12 451	0.18 436	0.16 165	0.12 457	0.15 343	0.12 75	0.30 455	0.32 453	0.20 419	0.22 356	0.27 462	0.23 487	0.21 465	0.16 397	0.16 551	0.18 561	0.23 564	0.21 563	0.12 490	0.13 514

PSMNet_ROB	0.21 484	0.11 433	0.15 349	0.27 554	0.15 519	0.24 496	0.35 580	0.43 565	0.37 493	0.27 496	0.32 476	0.32 513	0.22 479	0.21 465	0.26 525	0.12 492	0.08 441	0.13 510	0.11 493	0.09 421	0.09 426

ssnet_v2	0.17 434	0.10 407	0.17 413	0.17 241	0.11 424	0.21 467	0.21 483	0.33 496	0.25 385	0.22 449	0.22 356	0.27 462	0.18 438	0.22 478	0.20 449	0.11 468	0.09 473	0.09 398	0.09 421	0.08 358	0.08 382

Wz-Net-LNSev	0.22 493	0.16 510	0.38 544	0.21 474	0.13 480	0.25 507	0.23 504	0.32 476	0.43 525	0.30 525	0.41 537	0.31 503	0.18 438	0.22 478	0.25 513	0.10 439	0.09 473	0.08 316	0.08 375	0.12 490	0.11 479

SACVNet	0.18 448	0.12 451	0.14 298	0.17 241	0.13 480	0.22 476	0.18 401	0.31 465	0.30 439	0.23 462	0.31 472	0.30 490	0.22 479	0.22 478	0.17 412	0.11 468	0.08 441	0.10 445	0.10 461	0.12 490	0.14 531

FINET	0.21 484	0.18 532	0.26 496	0.18 323	0.16 530	0.23 491	0.23 504	0.32 476	0.48 539	0.25 484	0.32 476	0.22 406	0.22 479	0.22 478	0.17 412	0.18 558	0.16 554	0.11 476	0.10 461	0.15 537	0.13 514

EDNetEfficient	0.29 550	0.24 556	1.13 605	0.18 323	0.10 373	0.19 435	0.20 463	0.20 265	0.60 572	0.74 595	0.56 570	0.31 503	0.39 564	0.22 478	0.30 551	0.09 398	0.07 412	0.08 316	0.07 305	0.11 475	0.09 426

GwcNet	0.20 472	0.13 480	0.19 448	0.18 323	0.12 457	0.24 496	0.19 440	0.35 521	0.43 525	0.20 419	0.32 476	0.33 517	0.20 466	0.22 478	0.24 503	0.11 468	0.09 473	0.09 398	0.09 421	0.09 421	0.10 453

FADNet-RVC	0.20 472	0.20 541	0.38 544	0.21 474	0.16 530	0.20 450	0.15 250	0.26 389	0.26 399	0.26 490	0.32 476	0.26 454	0.21 470	0.22 478	0.19 443	0.12 492	0.13 536	0.12 495	0.14 527	0.13 508	0.18 561

SuperB	0.20 472	0.10 407	0.56 571	0.16 165	0.09 265	0.18 412	0.18 401	0.24 355	0.50 549	0.26 490	0.39 520	0.17 340	0.21 470	0.22 478	0.21 469	0.08 338	0.06 340	0.06 124	0.06 212	0.12 490	0.10 453

AANet_RVC	0.16 413	0.10 407	0.10 136	0.18 323	0.09 265	0.18 412	0.19 440	0.26 389	0.31 446	0.22 449	0.35 497	0.21 388	0.21 470	0.22 478	0.16 397	0.06 126	0.05 207	0.06 124	0.06 212	0.07 295	0.06 236

NVstereo2D	0.19 460	0.10 407	0.15 349	0.17 241	0.15 519	0.28 534	0.23 504	0.44 567	0.42 520	0.15 307	0.27 431	0.25 444	0.19 454	0.22 478	0.17 412	0.09 398	0.06 340	0.10 445	0.08 375	0.15 537	0.09 426

DRN-Test	0.19 460	0.11 433	0.20 460	0.22 490	0.10 373	0.22 476	0.22 493	0.39 546	0.37 493	0.24 471	0.32 476	0.26 454	0.21 470	0.22 478	0.24 503	0.11 468	0.07 412	0.11 476	0.10 461	0.09 421	0.07 318

ACV-stereo	0.15 390	0.10 407	0.28 509	0.18 323	0.12 457	0.14 317	0.12 75	0.23 332	0.21 323	0.19 396	0.23 365	0.22 406	0.15 375	0.23 489	0.17 412	0.07 273	0.06 340	0.07 226	0.07 305	0.07 295	0.07 318

HBP-ISP	0.18 448	0.13 480	0.16 383	0.15 85	0.11 424	0.08 59	0.13 125	0.28 429	0.29 430	0.22 449	0.33 488	0.21 388	0.25 502	0.23 489	0.17 412	0.14 531	0.16 554	0.21 559	0.17 555	0.10 452	0.08 382

Wz-Net-SNSev	0.25 528	0.17 521	0.44 554	0.25 536	0.14 500	0.26 517	0.23 504	0.38 542	0.56 562	0.30 525	0.55 565	0.39 547	0.26 508	0.23 489	0.30 551	0.10 439	0.09 473	0.09 398	0.10 461	0.11 475	0.11 479

GANet	0.21 484	0.12 451	0.21 469	0.24 524	0.13 480	0.22 476	0.22 493	0.41 556	0.26 399	0.31 531	0.42 543	0.37 535	0.28 527	0.23 489	0.22 478	0.10 439	0.12 522	0.10 445	0.09 421	0.10 452	0.08 382

TDLM	0.17 434	0.12 451	0.13 263	0.24 524	0.10 373	0.18 412	0.18 401	0.36 528	0.30 439	0.21 433	0.28 445	0.28 472	0.18 438	0.23 489	0.18 430	0.11 468	0.07 412	0.10 445	0.10 461	0.08 358	0.08 382

CVANet_RVC	0.18 448	0.10 407	0.14 298	0.21 474	0.10 373	0.18 412	0.17 353	0.34 505	0.33 460	0.22 449	0.31 472	0.28 472	0.18 438	0.23 489	0.17 412	0.12 492	0.08 441	0.12 495	0.11 493	0.09 421	0.07 318

NCCL2	0.23 509	0.15 502	0.17 413	0.34 573	0.18 552	0.24 496	0.23 504	0.34 505	0.28 423	0.31 531	0.38 512	0.38 539	0.28 527	0.23 489	0.24 503	0.15 535	0.12 522	0.18 554	0.21 563	0.13 508	0.13 514

CBMV_ROB	0.19 460	0.13 480	0.17 413	0.16 165	0.11 424	0.15 343	0.13 125	0.26 389	0.28 423	0.27 496	0.30 464	0.27 462	0.24 493	0.23 489	0.16 397	0.15 535	0.17 559	0.22 563	0.20 561	0.10 452	0.11 479

SGM-Forest	0.20 472	0.14 492	0.18 436	0.19 381	0.13 480	0.20 450	0.22 493	0.33 496	0.30 439	0.24 471	0.29 457	0.28 472	0.19 454	0.23 489	0.17 412	0.15 535	0.16 554	0.15 534	0.14 527	0.12 490	0.12 492
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-MNSev	0.22 493	0.13 480	0.31 522	0.20 442	0.14 500	0.36 562	0.24 516	0.33 496	0.44 530	0.28 511	0.40 526	0.38 539	0.19 454	0.24 498	0.25 513	0.09 398	0.07 412	0.09 398	0.09 421	0.12 490	0.10 453

DDUNet	0.22 493	0.17 521	0.21 469	0.22 490	0.15 519	0.25 507	0.24 516	0.29 441	0.30 439	0.31 531	0.36 500	0.33 517	0.25 502	0.24 498	0.20 449	0.18 558	0.13 536	0.17 545	0.11 493	0.16 545	0.16 549

EDNetEfficientorigin	7.91 622	0.31 575	153.02 643	0.19 381	0.09 265	0.21 467	0.16 316	0.22 312	0.59 568	0.72 591	0.67 580	0.42 554	0.50 582	0.24 498	0.39 575	0.08 338	0.07 412	0.08 316	0.07 305	0.12 490	0.10 453

hitnet-ft	0.18 448	0.09 347	0.17 413	0.14 41	0.09 265	0.26 517	0.20 463	0.25 371	0.26 399	0.24 471	0.32 476	0.31 503	0.22 479	0.24 498	0.21 469	0.12 492	0.07 412	0.10 445	0.08 375	0.12 490	0.11 479

ADCRef	0.19 460	0.12 451	0.41 551	0.20 442	0.12 457	0.22 476	0.18 401	0.32 476	0.36 486	0.26 490	0.32 476	0.17 340	0.23 487	0.24 498	0.24 503	0.07 273	0.06 340	0.09 398	0.09 421	0.08 358	0.08 382

SepStereo	0.15 390	0.08 272	0.18 436	0.19 381	0.10 373	0.19 435	0.17 353	0.27 410	0.29 430	0.18 380	0.25 405	0.21 388	0.15 375	0.25 503	0.12 275	0.08 338	0.06 340	0.06 124	0.06 212	0.07 295	0.07 318

edge stereo	0.22 493	0.13 480	0.20 460	0.21 474	0.13 480	0.23 491	0.16 316	0.32 476	0.42 520	0.32 537	0.40 526	0.38 539	0.35 557	0.25 503	0.24 503	0.13 517	0.11 506	0.14 522	0.11 493	0.12 490	0.13 514

APVNet	0.22 493	0.12 451	0.19 448	0.18 323	0.14 500	0.32 544	0.31 576	0.39 546	0.32 453	0.27 496	0.40 526	0.30 490	0.29 535	0.26 505	0.25 513	0.11 468	0.12 522	0.11 476	0.14 527	0.12 490	0.12 492

MDST_ROB	0.22 493	0.10 407	0.17 413	0.18 323	0.11 424	0.37 563	0.19 440	0.43 565	0.41 512	0.39 555	0.39 520	0.29 480	0.21 470	0.26 505	0.18 430	0.11 468	0.10 493	0.14 522	0.11 493	0.10 452	0.08 382

XPNet_ROB	0.22 493	0.11 433	0.19 448	0.22 490	0.13 480	0.22 476	0.19 440	0.34 505	0.40 509	0.30 525	0.39 520	0.39 547	0.26 508	0.26 505	0.28 541	0.15 535	0.10 493	0.10 445	0.10 461	0.13 508	0.12 492

FSD	0.25 528	0.27 565	0.26 496	0.24 524	0.22 564	0.25 507	0.25 532	0.27 410	0.26 399	0.25 484	0.26 422	0.25 444	0.27 516	0.27 508	0.24 503	0.21 569	0.20 567	0.27 570	0.26 573	0.25 574	0.24 574

SQANet	0.23 509	0.23 553	0.30 520	0.30 567	0.19 555	0.27 527	0.13 125	0.29 441	0.33 460	0.24 471	0.37 506	0.31 503	0.22 479	0.27 508	0.23 490	0.15 535	0.10 493	0.21 559	0.16 548	0.21 562	0.15 538

GASNet	0.22 493	0.23 553	0.33 529	0.26 541	0.17 545	0.26 517	0.16 316	0.44 567	0.42 520	0.27 496	0.24 377	0.30 490	0.15 375	0.27 508	0.18 430	0.12 492	0.08 441	0.12 495	0.11 493	0.16 545	0.07 318

Anonymous_2	0.22 493	0.17 521	0.28 509	0.15 85	0.16 530	0.32 544	0.22 493	0.22 312	0.17 237	0.23 462	0.24 377	0.26 454	0.27 516	0.27 508	0.23 490	0.22 574	0.25 582	0.17 545	0.17 555	0.17 553	0.17 558

RP	0.21 484	0.13 480	0.21 469	0.23 514	0.11 424	0.21 467	0.20 463	0.25 371	0.44 530	0.21 433	0.38 512	0.36 530	0.24 493	0.27 508	0.25 513	0.11 468	0.12 522	0.13 510	0.12 513	0.12 490	0.14 531

G-Net	0.24 516	0.16 510	0.36 538	0.22 490	0.16 530	0.51 577	0.23 504	0.29 441	0.34 472	0.36 547	0.38 512	0.31 503	0.29 535	0.27 508	0.26 525	0.11 468	0.09 473	0.12 495	0.09 421	0.16 545	0.13 514

ADCP+	0.20 472	0.10 407	0.33 529	0.20 442	0.12 457	0.22 476	0.26 541	0.31 465	0.34 472	0.26 490	0.37 506	0.22 406	0.22 479	0.27 508	0.27 533	0.09 398	0.06 340	0.08 316	0.08 375	0.09 421	0.10 453

CC-Net-ROB	0.28 546	0.31 575	0.36 538	0.29 565	0.15 519	0.25 507	0.19 440	0.45 570	0.33 460	0.39 555	0.37 506	0.39 547	0.31 543	0.27 508	0.26 525	0.24 580	0.19 564	0.30 580	0.23 570	0.18 557	0.15 538

SANet	0.24 516	0.14 492	0.28 509	0.21 474	0.11 424	0.27 527	0.24 516	0.38 542	0.64 579	0.36 547	0.40 526	0.43 558	0.26 508	0.27 508	0.24 503	0.12 492	0.09 473	0.10 445	0.09 421	0.13 508	0.11 479

ETE_ROB	0.23 509	0.17 521	0.22 475	0.25 536	0.13 480	0.26 517	0.29 563	0.31 465	0.36 486	0.28 511	0.36 500	0.45 562	0.26 508	0.27 508	0.26 525	0.11 468	0.08 441	0.12 495	0.09 421	0.14 521	0.13 514

PWCDC_ROB	0.20 472	0.13 480	0.22 475	0.24 524	0.11 424	0.19 435	0.15 250	0.33 496	0.54 558	0.29 520	0.50 559	0.21 388	0.15 375	0.27 508	0.20 449	0.11 468	0.09 473	0.10 445	0.08 375	0.11 475	0.09 426

CBMV	0.19 460	0.14 492	0.17 413	0.18 323	0.10 373	0.20 450	0.11 54	0.29 441	0.30 439	0.29 520	0.30 464	0.30 490	0.23 487	0.27 508	0.19 443	0.13 517	0.15 551	0.17 545	0.16 548	0.10 452	0.10 453
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.22 493	0.17 521	0.17 413	0.26 541	0.13 480	0.25 507	0.24 516	0.32 476	0.50 549	0.25 484	0.33 488	0.38 539	0.26 508	0.28 520	0.25 513	0.11 468	0.10 493	0.16 541	0.11 493	0.11 475	0.10 453

Nwc_Net	0.23 509	0.16 510	0.21 469	0.25 536	0.14 500	0.24 496	0.26 541	0.37 534	0.38 500	0.22 449	0.41 537	0.30 490	0.28 527	0.28 520	0.25 513	0.11 468	0.10 493	0.17 545	0.20 561	0.10 452	0.10 453

ADCPNet	0.25 528	0.16 510	0.61 577	0.21 474	0.15 519	0.35 561	0.25 532	0.32 476	0.35 481	0.30 525	0.40 526	0.36 530	0.28 527	0.28 520	0.32 559	0.12 492	0.10 493	0.11 476	0.12 513	0.14 521	0.13 514

STTRV1_RVC	0.25 528	0.26 562	0.39 546	0.19 381	0.26 576	0.30 541	0.24 516	0.34 505	0.35 481	0.36 547	0.34 492	0.31 503	0.31 543	0.28 520	0.25 513	0.17 556	0.10 493	0.16 541	0.14 527	0.17 553	0.12 492

DISCO	0.19 460	0.09 347	0.22 475	0.17 241	0.10 373	0.25 507	0.18 401	0.27 410	0.44 530	0.22 449	0.31 472	0.33 517	0.26 508	0.28 520	0.28 541	0.08 338	0.06 340	0.07 226	0.07 305	0.09 421	0.09 426

CSAN	0.29 550	0.24 556	0.27 504	0.34 573	0.19 555	0.33 550	0.42 589	0.37 534	0.50 549	0.38 553	0.40 526	0.44 560	0.33 549	0.28 520	0.30 551	0.20 565	0.16 554	0.19 556	0.19 560	0.14 521	0.15 538

LALA_ROB	0.25 528	0.16 510	0.22 475	0.26 541	0.17 545	0.27 527	0.27 548	0.42 561	0.37 493	0.33 541	0.38 512	0.51 573	0.26 508	0.28 520	0.27 533	0.16 551	0.09 473	0.12 495	0.11 493	0.13 508	0.12 492

coex-ft	3.30 614	0.34 579	59.09 642	0.18 323	0.13 480	0.26 517	0.22 493	0.27 410	0.72 588	1.90 619	0.70 584	0.44 560	0.45 578	0.29 527	0.41 581	0.09 398	0.09 473	0.12 495	0.09 421	0.14 521	0.13 514

DGSMNet	0.24 516	0.19 536	0.33 529	0.21 474	0.24 569	0.24 496	0.20 463	0.35 521	0.41 512	0.24 471	0.32 476	0.38 539	0.21 470	0.29 527	0.23 490	0.12 492	0.11 506	0.14 522	0.16 548	0.23 566	0.23 573

ADCL	0.24 516	0.11 433	0.47 560	0.22 490	0.12 457	0.34 553	0.29 563	0.29 441	0.56 562	0.24 471	0.46 551	0.30 490	0.30 539	0.29 527	0.29 545	0.08 338	0.07 412	0.09 398	0.09 421	0.10 452	0.10 453

NaN_ROB	0.22 493	0.19 536	0.24 488	0.25 536	0.13 480	0.29 538	0.26 541	0.33 496	0.41 512	0.31 531	0.31 472	0.32 513	0.23 487	0.30 530	0.21 469	0.11 468	0.17 559	0.10 445	0.10 461	0.08 358	0.09 426

zh-mn7	0.25 528	0.14 492	0.56 571	0.19 381	0.14 500	0.24 496	0.22 493	0.34 505	0.62 575	0.35 544	0.65 578	0.31 503	0.25 502	0.31 531	0.25 513	0.09 398	0.08 441	0.09 398	0.09 421	0.09 421	0.11 479

PSMNet-RUCA	0.27 541	0.33 577	0.41 551	0.36 577	0.32 584	0.18 412	0.19 440	0.42 561	0.30 439	0.33 541	0.41 537	0.39 547	0.25 502	0.31 531	0.20 449	0.18 558	0.10 493	0.25 566	0.15 544	0.21 562	0.16 549

RTSC	0.23 509	0.12 451	0.28 509	0.21 474	0.13 480	0.28 534	0.16 316	0.35 521	0.66 583	0.27 496	0.33 488	0.30 490	0.21 470	0.31 531	0.29 545	0.10 439	0.08 441	0.09 398	0.10 461	0.13 508	0.13 514

DANet	0.21 484	0.15 502	0.28 509	0.25 536	0.13 480	0.22 476	0.19 440	0.27 410	0.27 409	0.28 511	0.32 476	0.35 528	0.31 543	0.31 531	0.23 490	0.11 468	0.09 473	0.11 476	0.10 461	0.13 508	0.11 479
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 546	0.16 510	0.31 522	0.18 323	0.13 480	0.54 579	0.42 589	0.51 582	0.67 584	0.29 520	0.38 512	0.38 539	0.29 535	0.31 531	0.23 490	0.11 468	0.10 493	0.11 476	0.08 375	0.20 561	0.16 549

FBW_ROB	0.24 516	0.17 521	0.22 475	0.26 541	0.14 500	0.25 507	0.22 493	0.41 556	0.41 512	0.41 562	0.41 537	0.42 554	0.27 516	0.31 531	0.23 490	0.09 398	0.14 545	0.14 522	0.12 513	0.11 475	0.09 426

PWC_ROB	0.21 484	0.16 510	0.26 496	0.18 323	0.11 424	0.22 476	0.13 125	0.32 476	0.49 546	0.30 525	0.40 526	0.32 513	0.24 493	0.31 531	0.22 478	0.10 439	0.07 412	0.11 476	0.08 375	0.11 475	0.10 453

z-mn7	0.24 516	0.14 492	0.45 555	0.19 381	0.13 480	0.28 534	0.25 532	0.34 505	0.62 575	0.27 496	0.56 570	0.29 480	0.24 493	0.32 538	0.25 513	0.08 338	0.08 441	0.08 316	0.08 375	0.10 452	0.10 453

Wz-Net-TNSev	0.29 550	0.20 541	0.65 580	0.19 381	0.15 519	0.38 566	0.27 548	0.35 521	0.55 559	0.34 543	0.42 543	0.45 562	0.38 562	0.32 538	0.30 551	0.12 492	0.13 536	0.10 445	0.12 513	0.15 537	0.14 531

SHD	0.26 539	0.15 502	0.30 520	0.24 524	0.18 552	0.22 476	0.15 250	0.38 542	0.71 587	0.32 537	0.41 537	0.36 530	0.28 527	0.32 538	0.29 545	0.12 492	0.11 506	0.14 522	0.13 523	0.16 545	0.20 567

WZ-Net	0.28 546	0.17 521	0.78 596	0.22 490	0.16 530	0.34 553	0.29 563	0.39 546	0.57 564	0.24 471	0.55 565	0.37 535	0.24 493	0.33 541	0.35 566	0.09 398	0.08 441	0.09 398	0.10 461	0.14 521	0.16 549

stereogan	0.22 493	0.11 433	0.21 469	0.20 442	0.12 457	0.31 543	0.19 440	0.35 521	0.44 530	0.22 449	0.39 520	0.35 528	0.27 516	0.33 541	0.22 478	0.10 439	0.12 522	0.10 445	0.10 461	0.14 521	0.13 514

PDISCO_ROB	0.27 541	0.16 510	0.26 496	0.28 557	0.20 558	0.32 544	0.26 541	0.44 567	0.57 564	0.28 511	0.40 526	0.45 562	0.29 535	0.33 541	0.34 565	0.12 492	0.09 473	0.17 545	0.16 548	0.17 553	0.13 514

ACVNet-4b	0.39 568	0.53 589	0.55 568	0.45 585	0.24 569	0.47 573	0.18 401	0.49 576	0.64 579	0.42 565	0.45 550	0.60 581	0.27 516	0.34 544	0.24 503	0.33 586	0.14 545	0.48 589	0.42 591	0.30 582	0.26 582

psmorigin	0.25 528	0.15 502	0.34 537	0.17 241	0.13 480	0.23 491	0.14 178	0.34 505	0.33 460	0.41 562	0.55 565	0.41 553	0.37 561	0.34 544	0.27 533	0.11 468	0.15 551	0.11 476	0.11 493	0.12 490	0.16 549

MFN_U_SF_DS_RVC	0.30 556	0.24 556	0.29 517	0.36 577	0.16 530	0.34 553	0.30 570	0.32 476	0.42 520	0.40 558	0.46 551	0.38 539	0.31 543	0.34 544	0.28 541	0.19 563	0.20 567	0.26 567	0.29 580	0.18 557	0.19 566

PASM	0.32 559	0.24 556	0.48 561	0.28 557	0.27 577	0.29 538	0.30 570	0.34 505	0.49 546	0.35 544	0.39 520	0.46 566	0.34 554	0.34 544	0.35 566	0.23 578	0.25 582	0.26 567	0.28 579	0.23 566	0.21 569

MSMD_ROB	0.31 557	0.26 562	0.26 496	0.24 524	0.21 562	0.34 553	0.25 532	0.34 505	0.39 503	0.40 558	0.69 582	0.45 562	0.40 567	0.34 544	0.27 533	0.20 565	0.19 564	0.26 567	0.25 572	0.23 566	0.22 571

WCMA_ROB	0.24 516	0.11 433	0.22 475	0.17 241	0.14 500	0.32 544	0.15 250	0.32 476	0.32 453	0.38 553	0.53 561	0.40 551	0.34 554	0.34 544	0.25 513	0.11 468	0.12 522	0.12 495	0.10 461	0.14 521	0.14 531

MSAF-DinoV2	0.22 493	0.11 433	0.23 484	0.17 241	0.10 373	0.27 527	0.16 316	0.37 534	0.55 559	0.21 433	0.27 431	0.47 569	0.27 516	0.35 550	0.39 575	0.09 398	0.06 340	0.07 226	0.09 421	0.12 490	0.10 453

MFN_U_SF_RVC	0.32 559	0.21 547	0.55 568	0.30 567	0.15 519	0.34 553	0.17 353	0.52 583	0.46 537	0.46 574	0.55 565	0.59 580	0.39 564	0.35 550	0.37 571	0.15 535	0.14 545	0.18 554	0.21 563	0.16 545	0.15 538

ADCMid	0.25 528	0.15 502	0.40 548	0.20 442	0.14 500	0.25 507	0.26 541	0.34 505	0.38 500	0.36 547	0.44 548	0.34 524	0.40 567	0.35 550	0.33 563	0.10 439	0.09 473	0.11 476	0.11 493	0.13 508	0.12 492

LSM	0.33 562	0.20 541	0.58 574	0.26 541	0.60 601	0.34 553	0.25 532	0.42 561	0.48 539	0.45 571	0.58 575	0.42 554	0.36 559	0.35 550	0.25 513	0.12 492	0.20 567	0.14 522	0.16 548	0.19 560	0.33 589

SGM_RVC	0.23 509	0.12 451	0.15 349	0.15 85	0.09 265	0.33 550	0.18 401	0.34 505	0.31 446	0.44 570	0.37 506	0.53 577	0.35 557	0.35 550	0.24 503	0.13 517	0.13 536	0.13 510	0.13 523	0.10 452	0.11 479
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.27 541	0.13 480	0.18 436	0.15 85	0.11 424	0.32 544	0.24 516	0.40 550	0.36 486	0.52 577	0.57 573	0.67 588	0.40 567	0.35 550	0.26 525	0.14 531	0.13 536	0.13 510	0.11 493	0.11 475	0.10 453
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
zh-sn7	0.25 528	0.17 521	0.50 562	0.24 524	0.13 480	0.25 507	0.24 516	0.34 505	0.48 539	0.28 511	0.54 563	0.28 472	0.31 543	0.36 556	0.32 559	0.10 439	0.10 493	0.11 476	0.10 461	0.12 490	0.12 492

FCDSN-DC	0.33 562	0.28 570	0.28 509	0.30 567	0.24 569	0.39 567	0.28 554	0.42 561	0.42 520	0.43 568	0.53 561	0.51 573	0.41 572	0.36 556	0.30 551	0.21 569	0.20 567	0.27 570	0.26 573	0.25 574	0.24 574
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RGC	0.25 528	0.20 541	0.29 517	0.28 557	0.16 530	0.22 476	0.23 504	0.32 476	0.44 530	0.27 496	0.40 526	0.38 539	0.27 516	0.36 556	0.22 478	0.11 468	0.13 536	0.17 545	0.17 555	0.14 521	0.16 549

NCC-stereo	0.24 516	0.15 502	0.31 522	0.26 541	0.16 530	0.20 450	0.30 570	0.40 550	0.40 509	0.24 471	0.38 512	0.33 517	0.28 527	0.36 556	0.27 533	0.12 492	0.11 506	0.15 534	0.22 566	0.13 508	0.13 514

Abc-Net	0.24 516	0.15 502	0.31 522	0.26 541	0.16 530	0.20 450	0.30 570	0.40 550	0.40 509	0.24 471	0.38 512	0.33 517	0.28 527	0.36 556	0.27 533	0.12 492	0.11 506	0.15 534	0.22 566	0.13 508	0.13 514
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN v2	0.33 562	0.27 565	0.28 509	0.26 541	0.23 567	0.37 563	0.28 554	0.40 550	0.43 525	0.45 571	0.56 570	0.51 573	0.40 567	0.37 561	0.29 545	0.21 569	0.20 567	0.27 570	0.26 573	0.25 574	0.24 574

FC-DCNN	0.33 562	0.27 565	0.28 509	0.26 541	0.23 567	0.37 563	0.28 554	0.40 550	0.43 525	0.45 571	0.55 565	0.51 573	0.40 567	0.37 561	0.30 551	0.21 569	0.20 567	0.27 570	0.26 573	0.25 574	0.24 574

MultiAttention	0.29 550	0.08 272	0.14 298	0.19 381	0.12 457	1.45 615	1.33 617	0.36 528	0.37 493	0.19 396	0.21 345	0.24 430	0.11 264	0.38 563	0.18 430	0.06 126	0.05 207	0.08 316	0.08 375	0.10 452	0.09 426

SAMSARA	0.40 571	0.28 570	0.33 529	0.55 591	0.39 585	0.82 601	1.23 616	0.47 573	0.51 556	0.36 547	0.35 497	0.55 579	0.39 564	0.38 563	0.39 575	0.15 535	0.20 567	0.15 534	0.14 527	0.23 566	0.20 567

XQC	0.28 546	0.23 553	0.51 563	0.28 557	0.19 555	0.34 553	0.27 548	0.36 528	0.57 564	0.31 531	0.30 464	0.37 535	0.30 539	0.38 563	0.38 573	0.13 517	0.09 473	0.15 534	0.12 513	0.17 553	0.18 561

DispFullNet	0.27 541	0.21 547	0.65 580	0.28 557	0.16 530	0.26 517	0.17 353	0.33 496	0.58 567	0.27 496	0.38 512	0.43 558	0.23 487	0.38 563	0.23 490	0.12 492	0.06 340	0.19 556	0.11 493	0.21 562	0.15 538

DStereoSA	0.25 528	0.19 536	0.37 542	0.26 541	0.17 545	0.22 476	0.20 463	0.49 576	0.59 568	0.22 449	0.29 457	0.29 480	0.33 549	0.39 567	0.28 541	0.12 492	0.11 506	0.16 541	0.14 527	0.14 521	0.12 492

Ntro	0.40 571	0.40 584	0.53 565	0.46 588	0.30 582	0.65 587	0.24 516	0.46 572	0.68 585	0.41 562	0.49 555	0.48 571	0.42 575	0.39 567	0.31 558	0.32 585	0.28 584	0.37 584	0.30 582	0.32 586	0.29 584

ccnet	0.29 550	0.28 570	0.23 484	0.20 442	0.28 578	0.41 570	0.21 483	0.45 570	0.33 460	0.36 547	0.46 551	0.36 530	0.30 539	0.39 567	0.42 582	0.23 578	0.14 545	0.21 559	0.17 555	0.23 566	0.18 561

ADCS	0.29 550	0.18 532	0.45 555	0.21 474	0.17 545	0.28 534	0.23 504	0.41 556	0.63 578	0.40 558	0.49 555	0.40 551	0.36 559	0.39 567	0.40 578	0.13 517	0.12 522	0.13 510	0.14 527	0.16 545	0.16 549

GANetREF_RVC	0.31 557	0.34 579	0.27 504	0.35 575	0.16 530	0.32 544	0.41 586	0.48 574	0.51 556	0.35 544	0.35 497	0.34 524	0.33 549	0.39 567	0.32 559	0.27 582	0.20 567	0.29 578	0.15 544	0.18 557	0.17 558
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
otaku	0.39 568	0.37 582	0.52 564	0.44 584	0.28 578	0.58 581	0.24 516	0.41 556	0.62 575	0.40 558	0.49 555	0.46 566	0.33 549	0.40 572	0.32 559	0.30 583	0.30 586	0.39 585	0.33 585	0.29 581	0.28 583

AnyNet_C32	0.26 539	0.16 510	0.36 538	0.20 442	0.16 530	0.25 507	0.30 570	0.32 476	0.44 530	0.31 531	0.49 555	0.30 490	0.33 549	0.40 572	0.33 563	0.12 492	0.12 522	0.12 495	0.14 527	0.14 521	0.15 538

SGM-ForestM	0.32 559	0.12 451	0.16 383	0.16 165	0.11 424	0.39 567	0.19 440	0.41 556	0.50 549	0.52 577	0.54 563	1.32 608	0.42 575	0.40 572	0.27 533	0.14 531	0.16 554	0.16 541	0.16 548	0.12 490	0.12 492

DStereoO	0.24 516	0.18 532	0.18 436	0.20 442	0.14 500	0.21 467	0.19 440	0.32 476	0.41 512	0.29 520	0.21 345	0.32 513	0.27 516	0.41 575	0.27 533	0.46 594	0.12 522	0.31 581	0.11 493	0.15 537	0.12 492

Consistency-Raft	0.44 576	0.40 584	0.45 555	0.37 579	0.43 589	0.46 571	0.41 586	0.57 590	0.55 559	0.32 537	0.73 586	0.33 517	0.48 580	0.42 576	0.49 589	0.39 588	0.35 591	0.45 588	0.51 598	0.42 589	0.29 584

AnyNet_C01	0.36 566	0.25 561	1.37 608	0.22 490	0.17 545	0.48 575	0.27 548	0.35 521	0.39 503	0.39 555	0.74 588	0.46 566	0.38 562	0.45 577	0.47 587	0.13 517	0.13 536	0.13 510	0.14 527	0.14 521	0.15 538

NVStereoNet_ROB	0.46 581	0.36 581	0.46 559	0.41 582	0.28 578	0.34 553	0.34 579	0.48 574	0.60 572	0.72 591	0.93 598	0.70 591	0.66 595	0.47 578	0.60 597	0.22 574	0.33 590	0.34 583	0.34 587	0.30 582	0.30 586
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
RainbowNet	0.54 586	0.61 593	0.70 594	0.57 592	0.43 589	0.65 587	0.37 584	0.60 592	0.87 598	0.50 576	0.66 579	0.64 584	0.47 579	0.49 579	0.43 585	0.47 595	0.48 600	0.52 593	0.41 590	0.52 592	0.40 595

MonStereo1	0.47 582	0.26 562	0.58 574	0.28 557	0.20 558	0.39 567	0.18 401	0.49 576	0.64 579	0.52 577	0.87 595	1.01 597	0.57 589	0.50 580	0.56 594	0.53 598	0.31 589	0.54 595	0.40 589	0.33 587	0.34 590

ACVNet_1	0.44 576	0.49 588	0.60 576	0.45 585	0.28 578	0.49 576	0.27 548	0.57 590	0.72 588	0.62 584	0.58 575	0.74 592	0.49 581	0.50 580	0.35 566	0.26 581	0.24 581	0.39 585	0.29 580	0.31 585	0.24 574

MSC_U_SF_DS_RVC	0.43 575	0.39 583	0.54 566	0.40 580	0.20 558	0.64 586	0.32 578	0.53 585	0.72 588	0.71 589	0.72 585	0.61 582	0.54 584	0.51 582	0.46 586	0.20 565	0.19 564	0.29 578	0.30 582	0.23 566	0.18 561

ELAS	0.41 573	0.29 573	0.33 529	0.27 554	0.24 569	0.60 584	0.36 581	0.50 580	0.50 549	0.71 589	0.79 592	0.67 588	0.54 584	0.51 582	0.42 582	0.22 574	0.20 567	0.27 570	0.26 573	0.26 579	0.25 580
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DStereoFS	0.27 541	0.22 551	0.31 522	0.22 490	0.15 519	0.22 476	0.20 463	0.50 580	0.48 539	0.28 511	0.44 548	0.33 517	0.34 554	0.52 584	0.29 545	0.12 492	0.11 506	0.15 534	0.13 523	0.16 545	0.16 549

PVD	0.39 568	0.20 541	0.39 546	0.31 571	0.22 564	0.29 538	0.43 591	0.52 583	0.96 601	0.55 581	0.79 592	0.53 577	0.59 591	0.52 584	0.38 573	0.19 563	0.14 545	0.17 545	0.14 527	0.24 573	0.31 587

MANE	0.45 578	0.27 565	0.27 504	0.27 554	0.24 569	0.47 573	0.31 576	0.55 587	0.59 568	0.72 591	1.13 609	1.15 602	0.61 592	0.52 584	0.37 571	0.21 569	0.20 567	0.27 570	0.31 584	0.25 574	0.24 574

RTS	0.45 578	0.19 536	3.26 615	0.24 524	0.15 519	0.74 594	0.20 463	0.36 528	0.76 594	0.42 565	0.43 546	0.31 503	0.41 572	0.53 587	0.35 566	0.10 439	0.08 441	0.13 510	0.12 513	0.15 537	0.15 538

RTSA	0.45 578	0.19 536	3.26 615	0.24 524	0.15 519	0.74 594	0.20 463	0.36 528	0.76 594	0.42 565	0.43 546	0.31 503	0.41 572	0.53 587	0.35 566	0.10 439	0.08 441	0.13 510	0.12 513	0.15 537	0.15 538

ACVNet_2	0.66 592	0.66 597	0.68 588	0.63 593	0.41 587	0.71 592	0.49 593	0.96 606	1.39 611	0.89 601	1.09 605	1.04 598	0.73 598	0.54 589	0.47 587	0.43 592	0.40 593	0.53 594	0.44 592	0.47 590	0.35 592

ELAS_RVC	0.41 573	0.29 573	0.33 529	0.28 557	0.24 569	0.54 579	0.36 581	0.49 576	0.59 568	0.72 591	0.74 588	0.65 586	0.54 584	0.54 589	0.40 578	0.22 574	0.20 567	0.27 570	0.26 573	0.26 579	0.25 580
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
BEATNet-Init1	0.52 584	0.27 565	0.62 578	0.30 567	0.21 562	0.76 598	0.29 563	0.54 586	0.65 582	0.86 600	0.95 600	2.07 618	0.62 594	0.56 591	0.42 582	0.18 558	0.18 561	0.23 564	0.22 566	0.22 565	0.21 569

anonymity	0.53 585	0.58 591	0.65 580	0.41 582	0.61 602	0.53 578	0.41 586	0.56 588	0.41 512	0.55 581	0.50 559	0.49 572	0.55 587	0.58 592	0.50 592	0.58 601	0.50 604	0.51 591	0.51 598	0.51 591	0.57 600

SPS-STEREO	0.57 588	0.58 591	0.65 580	0.45 585	0.55 596	0.62 585	0.44 592	0.62 593	0.50 549	0.68 587	0.64 577	0.66 587	0.57 589	0.61 593	0.60 597	0.62 604	0.47 599	0.51 591	0.49 595	0.55 596	0.58 601
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 587	0.57 590	0.65 580	0.40 580	0.54 594	0.66 589	0.49 593	0.56 588	0.45 536	0.66 585	0.69 582	0.67 588	0.56 588	0.63 594	0.56 594	0.59 602	0.48 600	0.50 590	0.50 597	0.52 592	0.58 601

MFMNet_re	0.64 589	0.66 597	0.65 580	0.51 589	0.69 606	0.69 590	0.57 599	0.64 594	0.73 592	0.60 583	0.73 586	0.62 583	0.67 596	0.65 595	0.60 597	0.66 606	0.58 613	0.63 596	0.59 601	0.68 603	0.69 610

WAO-7	0.79 598	0.78 602	0.54 566	0.85 603	0.67 605	0.74 594	0.68 607	1.05 611	1.32 609	0.90 602	1.20 612	1.04 598	0.92 606	0.69 596	0.66 600	0.60 603	0.62 614	0.67 597	0.68 607	0.64 599	0.58 601

WAO-6	0.81 599	0.80 603	0.62 578	0.86 604	0.63 603	0.76 598	0.58 600	0.98 608	1.54 616	0.90 602	0.96 601	1.07 600	1.03 610	0.70 597	0.66 600	0.72 607	0.49 602	0.90 609	0.71 608	0.68 603	0.58 601

FADE		0.33 577		0.33 572	0.25 575			0.64 594	1.07 602	0.43 568		0.42 554		0.70 597		0.30 583	0.21 579	0.41 587	0.38 588	0.23 566	0.22 571

IMH-64-1	0.65 590	0.61 593	0.68 588	0.71 595	0.51 592	0.59 582	0.49 593	0.91 602	0.85 596	0.74 595	1.02 602	0.81 593	0.78 600	0.79 599	0.49 589	0.42 590	0.46 595	0.71 598	0.47 593	0.52 592	0.39 593

IMH-64	0.65 590	0.61 593	0.68 588	0.71 595	0.51 592	0.59 582	0.49 593	0.91 602	0.85 596	0.74 595	1.02 602	0.81 593	0.78 600	0.79 599	0.49 589	0.42 590	0.46 595	0.71 598	0.47 593	0.52 592	0.39 593

Dean	0.87 602	0.86 607	0.79 598	0.81 601	0.56 597	0.90 602	0.63 601	1.15 617	1.73 617	1.15 612	1.15 610	1.31 607	0.99 609	0.81 601	0.81 609	0.57 600	0.56 611	0.77 605	0.64 604	0.66 601	0.58 601

LVE	0.83 601	0.85 606	0.85 601	0.80 600	0.56 597	1.04 611	0.65 604	1.05 611	1.47 614	0.96 604	1.22 613	1.10 601	0.85 603	0.83 602	0.71 605	0.49 596	0.55 610	0.76 604	0.60 603	0.65 600	0.59 606

WAO-8	0.91 603	0.81 604	0.65 580	0.94 607	0.69 606	0.90 602	0.67 605	1.07 614	1.83 619	1.06 609	1.45 615	1.30 605	1.07 611	0.84 603	0.78 606	0.74 609	0.53 607	0.86 607	0.75 609	0.69 605	0.62 607

Venus	0.91 603	0.81 604	0.65 580	0.94 607	0.69 606	0.90 602	0.67 605	1.07 614	1.83 619	1.06 609	1.45 615	1.30 605	1.07 611	0.84 603	0.78 606	0.74 609	0.53 607	0.86 607	0.75 609	0.69 605	0.62 607

TorneroNet-64	0.76 597	0.72 600	0.74 595	0.78 599	0.58 600	0.91 605	0.56 598	0.84 600	1.29 608	0.66 585	0.90 596	1.40 610	0.75 599	0.85 605	0.67 603	0.49 596	0.46 595	0.72 600	0.59 601	0.67 602	0.53 599

MADNet+	0.75 596	0.71 599	3.70 618	0.66 594	0.41 587	0.98 606	0.97 614	0.69 596	0.73 592	0.52 577	0.57 573	0.64 584	0.68 597	0.86 606	1.01 613	0.34 587	0.36 592	0.28 577	0.23 570	0.36 588	0.31 587

IMH	0.71 593	0.64 596	0.68 588	0.76 597	0.54 594	0.69 590	0.54 597	0.98 608	1.10 604	0.82 599	1.09 605	0.89 595	0.88 605	0.87 607	0.52 593	0.44 593	0.50 604	0.75 601	0.51 598	0.56 597	0.41 596

PWCK	0.71 593	0.94 608	0.95 603	0.76 597	0.31 583	0.74 594	0.36 581	0.90 601	0.90 599	0.96 604	0.75 590	0.95 596	0.61 592	0.87 607	0.66 600	0.72 607	0.46 595	0.75 601	0.49 595	0.69 605	0.44 597

DPSimNet_ROB	1.11 610	1.23 614	0.78 596	1.13 612	0.88 613	1.10 612	1.13 615	1.16 618	1.23 607	1.43 616	1.02 602	1.41 611	1.10 614	0.90 609	1.60 615	1.46 620	0.51 606	1.21 617	1.03 617	0.90 611	1.01 618

TorneroNet	0.82 600	0.74 601	0.81 600	0.84 602	0.63 603	0.99 607	0.63 601	0.96 606	1.16 605	0.80 598	1.11 607	1.36 609	0.86 604	0.93 610	0.80 608	0.56 599	0.49 602	0.78 606	0.66 606	0.73 608	0.63 609

UNDER WATER-64	0.95 605	0.94 608	1.43 610	0.87 605	0.56 597	1.18 614	0.87 611	0.77 598	0.94 600	1.04 607	0.85 594	1.58 615	1.21 616	0.94 611	0.96 611	0.87 613	0.57 612	1.03 613	0.88 614	0.78 609	0.73 611

ktn	1.01 608	1.21 613	0.80 599	1.23 614	0.86 612	1.01 609	0.87 611	0.94 605	1.39 611	1.04 607	1.12 608	1.15 602	1.07 611	0.94 611	0.59 596	1.28 619	0.71 616	1.38 619	0.83 612	1.02 614	0.75 613

KSHMR	1.09 609	1.17 612	0.88 602	1.25 615	1.00 614	0.99 607	0.96 613	1.13 616	1.37 610	1.16 613	1.29 614	1.41 611	0.96 608	1.01 613	0.92 610	1.03 616	1.08 618	1.20 616	1.03 617	1.01 613	0.97 616

JetBlue	0.71 593	0.45 587	1.14 606	0.51 589	0.47 591	2.02 616	0.64 603	0.75 597	0.70 586	0.69 588	0.77 591	1.22 604	0.83 602	1.03 614	1.01 613	0.40 589	0.28 584	0.33 582	0.33 585	0.30 582	0.34 590

UNDER WATER	0.97 606	0.97 610	1.42 609	0.99 609	0.70 609	1.12 613	0.84 610	0.80 599	1.08 603	1.01 606	0.90 596	1.55 614	1.22 617	1.03 614	1.00 612	0.78 611	0.53 607	1.02 612	0.87 613	0.80 610	0.74 612

notaker	0.97 606	1.11 611	0.98 604	1.13 612	0.81 610	0.73 593	0.68 607	0.93 604	1.16 605	1.18 614	1.18 611	1.41 611	1.16 615	1.08 616	0.69 604	0.81 612	0.64 615	1.17 615	0.79 611	0.98 612	0.80 614

JetRed	1.62 612	1.46 616	2.98 613	0.92 606	1.21 615	4.99 619	1.53 619	1.27 619	1.39 611	1.83 618	1.74 618	1.60 616	0.95 607	1.41 617	2.45 620	0.90 615	1.60 620	0.93 610	0.90 615	1.35 616	0.99 617

HanzoNet	1.29 611	1.26 615	1.19 607	1.12 611	0.85 611	1.02 610	0.83 609	1.03 610	1.48 615	1.64 617	1.61 617	2.50 620	1.72 618	1.61 618	1.61 616	1.26 618	0.80 617	1.31 618	1.01 616	1.02 614	0.86 615

MADNet++	1.95 613	1.75 617	1.59 611	1.82 617	1.69 617	2.33 617	1.40 618	2.35 621	2.09 621	2.57 621	2.36 620	2.24 619	2.17 619	2.28 619	2.34 618	1.87 621	1.66 621	1.54 620	1.34 620	1.92 618	1.77 621

ASD4	3.54 615	3.38 621	2.05 612	1.72 616	2.51 619	9.03 623	17.71 625	2.25 620	5.51 623	2.46 620	2.81 621	2.03 617	3.36 620	2.73 620	5.06 621	1.22 617	1.34 619	1.13 614	1.33 619	1.68 617	1.49 620

tt	4.67 617	0.06 75	3.55 617	2.02 618	1.55 616	10.25 624	16.71 624	8.91 630	5.03 622	1.31 615	0.94 599	4.71 621	4.76 621	3.33 621	5.87 623	6.06 629	10.30 633	1.88 623	2.11 623	2.75 620	1.21 619

TCMNet-wrong-test	3.67 616	5.48 629	3.89 619	12.18 629	11.75 630	4.65 618	3.88 620	1.06 613	0.72 588	1.09 611	2.15 619	6.30 625	0.53 583	3.43 622	2.36 619	0.89 614	0.20 567	1.87 622	1.69 621	5.57 626	3.62 627

LRCNet_RVC	10.62 628	13.42 634	7.30 621	18.92 633	2.07 618	0.33 550	0.30 570	5.59 625	0.48 539	13.03 632	17.94 632	8.87 627	5.65 622	4.79 623	1.89 617	23.51 640	2.73 626	27.55 643	25.71 643	16.07 637	16.33 639

DGTPSM_ROB	8.06 623	4.48 622	8.63 628	5.35 622	10.72 626	8.32 621	22.97 630	5.46 623	13.35 630	5.12 623	9.92 626	5.08 622	10.40 628	5.52 624	12.58 628	3.79 626	8.00 628	3.50 624	7.02 627	3.83 624	7.14 629

DPSMNet_ROB	8.06 623	4.48 622	8.63 628	5.37 624	10.74 627	8.32 621	22.98 631	5.46 623	13.36 631	5.12 623	9.92 626	5.08 622	10.40 628	5.53 625	12.58 628	3.80 627	8.00 628	3.50 624	7.02 627	3.83 624	7.14 629

USTest	6.22 618	2.73 620	3.00 614	6.57 625	7.29 624	14.37 626	21.57 626	7.00 629	9.56 628	5.34 625	6.10 622	5.72 624	7.64 624	6.41 626	6.96 624	1.97 622	3.42 627	1.64 621	2.15 624	2.66 619	2.36 622

PML	8.91 625	9.34 633	6.13 620	5.35 622	6.41 623	14.99 627	23.38 632	5.27 622	6.83 624	18.04 636	28.19 643	7.67 626	6.83 623	7.85 627	5.75 622	5.35 628	1.83 622	5.95 632	1.93 622	8.64 629	2.52 623

xxxxx1	7.79 619	5.02 626	7.31 622	3.12 619	3.85 620	16.35 628	22.88 627	5.86 626	8.69 625	7.97 626	8.54 623	9.12 628	8.27 625	10.18 628	10.92 625	2.42 623	2.45 623	3.56 626	12.37 630	3.77 621	3.06 624

tt_ll	7.79 619	5.02 626	7.31 622	3.12 619	3.85 620	16.35 628	22.88 627	5.86 626	8.69 625	7.97 626	8.54 623	9.12 628	8.27 625	10.18 628	10.92 625	2.42 623	2.45 623	3.56 626	12.37 630	3.77 621	3.06 624

ff	7.79 619	5.02 626	7.31 622	3.12 619	3.85 620	16.35 628	22.88 627	5.86 626	8.69 625	7.97 626	8.54 623	9.12 628	8.27 625	10.18 628	10.92 625	2.42 623	2.45 623	3.56 626	12.37 630	3.77 621	3.06 624

Anonymous_1	10.96 629	7.92 630	7.46 625	10.33 626	10.06 625	18.65 632	26.34 633	11.06 633	13.44 632	9.40 629	10.05 628	9.67 631	11.23 630	10.73 631	12.72 630	6.42 630	8.38 630	5.77 629	10.61 629	12.12 630	6.77 628

DPSM_ROB	11.15 630	8.58 631	8.00 626	10.88 627	11.58 628	19.10 633	26.71 634	12.05 634	14.07 635	10.36 630	10.84 629	10.33 632	11.86 631	11.70 632	13.54 631	6.99 631	8.79 631	5.89 630	6.95 625	7.29 627	7.42 631

DPSM	11.15 630	8.58 631	8.00 626	10.88 627	11.58 628	19.10 633	26.71 634	12.05 634	14.07 635	10.36 630	10.84 629	10.33 632	11.86 631	11.70 632	13.54 631	6.99 631	8.79 631	5.89 630	6.95 625	7.29 627	7.42 631

HaxPig	15.71 632	18.52 641	19.18 636	16.89 632	15.89 633	7.73 620	7.60 621	13.31 636	10.82 629	15.42 633	14.91 631	15.98 634	14.92 633	15.58 634	15.98 633	18.95 639	16.73 634	19.46 639	18.08 639	19.26 638	19.05 642

MEDIAN_ROB	20.38 635	24.04 642	23.31 639	21.23 634	21.71 636	10.40 625	7.92 622	17.64 637	15.50 637	20.12 637	19.70 633	20.34 635	20.32 634	21.19 635	21.13 636	23.81 641	21.81 641	24.98 642	23.76 642	24.71 641	23.93 643

RSGM-EC	20.36 633	4.73 624	0.68 588	16.76 630	16.92 634	21.28 635	27.18 636	10.46 631	14.04 633	18.00 634	21.31 635	22.24 642	21.82 635	22.57 636	17.63 634	62.81 643	33.79 643	20.14 640	18.10 640	20.18 639	16.45 640

acva	20.36 633	4.73 624	0.68 588	16.76 630	16.92 634	21.28 635	27.18 636	10.46 631	14.04 633	18.00 634	21.31 635	22.24 642	21.82 635	22.57 636	17.63 634	62.81 643	33.79 643	20.14 640	18.10 640	20.18 639	16.45 640

RAFT-FEzeroshot	22.43 637	17.33 636	15.98 630	22.02 636	23.31 639	38.34 638	53.82 641	24.05 639	28.39 640	20.61 639	21.76 637	20.88 638	23.92 640	23.41 638	27.42 641	14.07 634	17.69 636	11.83 635	14.02 635	14.69 633	14.97 636

RAFT-FE	22.43 637	17.33 636	15.98 630	22.02 636	23.31 639	38.34 638	53.82 641	24.05 639	28.39 640	20.61 639	21.76 637	20.88 638	23.92 640	23.41 638	27.42 641	14.07 634	17.69 636	11.83 635	14.02 635	14.69 633	14.97 636

CasAABBNet	22.42 636	17.33 636	16.01 632	22.01 635	23.28 638	38.32 637	53.80 640	24.14 641	28.41 642	20.60 638	21.77 639	20.89 640	23.91 639	23.43 640	27.36 639	14.07 634	17.69 636	11.83 635	14.01 634	14.67 632	14.95 635

FlowAnything	22.44 639	17.35 639	16.14 634	22.07 639	23.23 637	38.39 640	53.77 639	24.25 642	28.44 643	20.96 643	21.82 640	20.70 636	23.84 637	23.49 641	27.14 638	14.04 633	17.79 640	11.75 633	14.15 638	14.65 631	14.89 633

LSM0	22.87 641	17.28 635	18.96 635	22.19 640	29.04 643	38.42 642	53.71 638	24.28 643	28.31 639	20.78 642	21.00 634	21.43 641	24.16 642	23.50 642	27.39 640	14.09 638	17.38 635	11.84 638	14.04 637	14.73 636	14.89 633

Selective-RAFT-Error	22.47 640	17.37 640	16.09 633	22.06 638	23.34 641	38.39 640	53.83 643	24.29 644	28.47 644	20.74 641	21.83 641	20.81 637	23.90 638	23.54 643	27.53 643	14.08 637	17.69 636	11.82 634	14.00 633	14.69 633	15.00 638

AVERAGE_ROB	24.90 642	29.20 643	28.14 640	24.89 641	24.64 642	17.75 631	11.12 623	21.45 638	19.93 638	25.12 644	24.46 642	25.12 644	25.46 643	24.69 644	22.83 637	29.76 642	27.13 642	28.97 644	27.95 644	29.91 642	29.47 644

test_example2	98.32 643	94.13 644	45.89 641	96.35 642	109.85 644	88.61 643	95.45 644	25.75 645	94.37 645	130.00 646	126.06 645	58.17 645	74.63 644	88.51 645	79.96 644	150.23 645	221.02 645	77.62 645	99.10 645	113.75 645	96.94 645

ccccc	245.47 644	285.66 645	306.18 644	368.85 645	370.60 645	123.16 644	145.33 645	115.05 646	110.08 646	126.68 645	110.87 644	122.83 646	165.88 645	252.94 646	276.56 645	384.56 646	353.86 646	254.69 646	223.00 646	425.87 646	386.83 646

Low-res two-view benchmark