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

aanet-new-90k	0.08 83	0.07 224	0.08 56	0.19 454	0.06 27	0.07 42	0.12 96	0.12 83	0.13 183	0.06 24	0.07 64	0.06 42	0.06 65	0.10 121	0.07 1	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.03 2

aanet-new-70k	0.07 7	0.06 106	0.09 121	0.17 295	0.06 27	0.08 82	0.12 96	0.11 56	0.10 73	0.06 24	0.07 64	0.07 123	0.06 65	0.10 121	0.07 1	0.04 11	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

aanet-new-78k	0.07 7	0.07 224	0.09 121	0.19 454	0.06 27	0.07 42	0.12 96	0.11 56	0.13 183	0.06 24	0.07 64	0.06 42	0.06 65	0.09 58	0.07 1	0.04 11	0.04 25	0.05 47	0.04 58	0.05 167	0.03 2

aanet-new-24k	0.07 7	0.07 224	0.07 11	0.17 295	0.06 27	0.07 42	0.12 96	0.09 20	0.11 104	0.09 179	0.09 156	0.06 42	0.07 178	0.09 58	0.07 1	0.04 11	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

GCAP-Stereo-DPT-20K	0.07 7	0.05 40	0.11 243	0.15 112	0.06 27	0.07 42	0.13 169	0.09 20	0.11 104	0.07 73	0.08 121	0.06 42	0.05 14	0.09 58	0.07 1	0.05 51	0.05 268	0.05 47	0.04 58	0.03 1	0.04 72

LACA3	0.07 7	0.08 343	0.08 56	0.13 16	0.05 2	0.09 135	0.11 64	0.08 11	0.08 24	0.08 127	0.05 7	0.07 123	0.07 178	0.07 4	0.07 1	0.06 167	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

LACA2	0.07 7	0.05 40	0.06 5	0.15 112	0.06 27	0.09 135	0.11 64	0.11 56	0.10 73	0.05 2	0.05 7	0.06 42	0.08 227	0.09 58	0.07 1	0.07 335	0.04 25	0.04 1	0.04 58	0.04 48	0.04 72

LG-Stereo_L1	0.07 7	0.05 40	0.11 243	0.14 59	0.06 27	0.07 42	0.13 169	0.09 20	0.07 15	0.05 2	0.04 1	0.05 5	0.04 1	0.08 25	0.07 1	0.05 51	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

GREAT-IGEV	0.07 7	0.06 106	0.08 56	0.13 16	0.07 131	0.07 42	0.14 234	0.09 20	0.09 50	0.06 24	0.07 64	0.06 42	0.05 14	0.10 121	0.07 1	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
SCV_C0	0.08 83	0.07 224	0.07 11	0.16 208	0.09 338	0.08 82	0.15 318	0.11 56	0.12 141	0.08 127	0.07 64	0.06 42	0.05 14	0.11 195	0.07 1	0.05 51	0.05 268	0.05 47	0.04 58	0.06 289	0.05 203

FoundationStereo	0.06 1	0.04 1	0.08 56	0.12 5	0.05 2	0.09 135	0.13 169	0.06 1	0.09 50	0.05 2	0.05 7	0.06 42	0.04 1	0.06 1	0.07 1	0.06 167	0.04 25	0.05 47	0.03 1	0.05 167	0.04 72

GIP-stereo	0.08 83	0.06 106	0.11 243	0.14 59	0.06 27	0.09 135	0.13 169	0.14 142	0.11 104	0.07 73	0.08 121	0.05 5	0.04 1	0.10 121	0.07 1	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

IGEV-BASED-STEREO-	0.09 171	0.10 485	0.31 599	0.15 112	0.06 27	0.08 82	0.14 234	0.10 33	0.10 73	0.07 73	0.07 64	0.06 42	0.04 1	0.11 195	0.07 1	0.12 569	0.04 25	0.07 298	0.05 189	0.05 167	0.05 203

GCAPDPT-zeroshot4090	0.07 7	0.05 40	0.11 243	0.15 112	0.06 27	0.07 42	0.13 169	0.09 20	0.11 104	0.07 73	0.08 121	0.06 42	0.05 14	0.09 58	0.07 1	0.05 51	0.05 268	0.05 47	0.04 58	0.03 1	0.04 72

ACVNet-DCA	0.10 240	0.08 343	0.12 288	0.17 295	0.09 338	0.13 353	0.15 318	0.23 404	0.16 277	0.09 179	0.09 156	0.06 42	0.06 65	0.10 121	0.07 1	0.06 167	0.04 25	0.06 187	0.05 189	0.07 369	0.07 390

xx1	0.11 288	0.08 343	0.12 288	0.17 295	0.09 338	0.13 353	0.15 318	0.16 222	0.18 337	0.09 179	0.09 156	0.16 394	0.16 477	0.10 121	0.07 1	0.06 167	0.04 25	0.08 392	0.08 451	0.07 369	0.07 390

cc1	0.10 240	0.08 343	0.12 288	0.17 295	0.09 338	0.13 353	0.15 318	0.16 222	0.18 337	0.09 179	0.09 156	0.06 42	0.06 65	0.10 121	0.07 1	0.06 167	0.04 25	0.06 187	0.05 189	0.06 289	0.06 303

ffm	0.12 359	0.09 423	0.14 375	0.16 208	0.08 211	0.17 465	0.17 429	0.15 184	0.19 356	0.15 379	0.25 481	0.19 444	0.13 407	0.10 121	0.07 1	0.06 167	0.04 25	0.09 475	0.08 451	0.06 289	0.06 303

tt1	0.10 240	0.08 343	0.12 288	0.17 295	0.09 338	0.12 302	0.16 387	0.15 184	0.19 356	0.09 179	0.08 121	0.06 42	0.06 65	0.10 121	0.07 1	0.06 167	0.04 25	0.06 187	0.05 189	0.06 289	0.06 303

GMOStereo	0.11 288	0.09 423	0.07 11	0.19 454	0.08 211	0.12 302	0.28 633	0.13 111	0.17 306	0.11 259	0.17 348	0.14 349	0.12 367	0.07 4	0.07 1	0.05 51	0.05 268	0.09 475	0.07 378	0.04 48	0.04 72

error version	0.11 288	0.09 423	0.07 11	0.19 454	0.08 211	0.12 302	0.28 633	0.13 111	0.17 306	0.11 259	0.17 348	0.14 349	0.12 367	0.07 4	0.07 1	0.05 51	0.05 268	0.09 475	0.07 378	0.04 48	0.04 72

test-v	0.11 288	0.09 423	0.07 11	0.19 454	0.08 211	0.12 302	0.28 633	0.13 111	0.17 306	0.11 259	0.17 348	0.14 349	0.12 367	0.07 4	0.07 1	0.05 51	0.05 268	0.09 475	0.07 378	0.04 48	0.04 72

CroCo-Stereo	0.09 171	0.08 343	0.08 56	0.22 570	0.09 338	0.09 135	0.19 518	0.15 184	0.12 141	0.07 73	0.07 64	0.08 182	0.06 65	0.08 25	0.07 1	0.07 335	0.05 268	0.06 187	0.04 58	0.05 167	0.04 72
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 288	0.09 423	0.07 11	0.19 454	0.08 211	0.12 302	0.28 633	0.13 111	0.17 306	0.11 259	0.17 348	0.14 349	0.12 367	0.07 4	0.07 1	0.05 51	0.05 268	0.09 475	0.07 378	0.04 48	0.04 72

DNS	0.09 171	0.05 40	0.11 243	0.15 112	0.08 211	0.10 198	0.16 387	0.17 261	0.09 50	0.08 127	0.12 263	0.08 182	0.07 178	0.09 58	0.08 25	0.07 335	0.04 25	0.05 47	0.05 189	0.06 289	0.05 203

aanet-new-60k	0.07 7	0.07 224	0.08 56	0.18 385	0.06 27	0.07 42	0.10 35	0.09 20	0.14 215	0.07 73	0.07 64	0.06 42	0.06 65	0.11 195	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

aanet-new-40k	0.07 7	0.08 343	0.07 11	0.17 295	0.07 131	0.08 82	0.13 169	0.10 33	0.10 73	0.07 73	0.08 121	0.06 42	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

aanet-new-36k	0.08 83	0.06 106	0.09 121	0.17 295	0.06 27	0.09 135	0.13 169	0.11 56	0.13 183	0.08 127	0.08 121	0.06 42	0.05 14	0.09 58	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

aanet-32k-new	0.08 83	0.07 224	0.08 56	0.18 385	0.06 27	0.08 82	0.12 96	0.11 56	0.12 141	0.07 73	0.08 121	0.05 5	0.07 178	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.06 289	0.04 72

aanet-new-32k	0.08 83	0.07 224	0.09 121	0.18 385	0.06 27	0.11 250	0.11 64	0.10 33	0.08 24	0.07 73	0.07 64	0.07 123	0.06 65	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

aanet-new-30k	0.08 83	0.07 224	0.09 121	0.18 385	0.06 27	0.11 250	0.11 64	0.10 33	0.08 24	0.07 73	0.07 64	0.07 123	0.06 65	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

aanet-new-28k	0.08 83	0.07 224	0.09 121	0.18 385	0.06 27	0.08 82	0.12 96	0.10 33	0.09 50	0.09 179	0.08 121	0.08 182	0.06 65	0.12 289	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

GCAP-Stereo-DPT26K	0.07 7	0.06 106	0.07 11	0.16 208	0.06 27	0.08 82	0.12 96	0.10 33	0.08 24	0.06 24	0.09 156	0.06 42	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

aanet-new-22k	0.08 83	0.06 106	0.09 121	0.17 295	0.06 27	0.08 82	0.11 64	0.14 142	0.12 141	0.09 179	0.09 156	0.08 182	0.06 65	0.10 121	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

aanet-new-16k	0.08 83	0.08 343	0.08 56	0.18 385	0.06 27	0.07 42	0.09 20	0.13 111	0.12 141	0.08 127	0.07 64	0.07 123	0.06 65	0.09 58	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.05 167	0.03 2

aanet-new-10k	0.08 83	0.08 343	0.08 56	0.19 454	0.07 131	0.08 82	0.12 96	0.14 142	0.11 104	0.07 73	0.08 121	0.07 123	0.07 178	0.09 58	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

aanet-new-12k	0.08 83	0.09 423	0.07 11	0.20 521	0.08 211	0.08 82	0.13 169	0.12 83	0.13 183	0.08 127	0.08 121	0.05 5	0.07 178	0.09 58	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.06 289	0.04 72

aanet-new-14k	0.08 83	0.09 423	0.08 56	0.19 454	0.06 27	0.07 42	0.10 35	0.14 142	0.15 240	0.06 24	0.08 121	0.05 5	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

aanet-new-8k	0.08 83	0.07 224	0.08 56	0.19 454	0.07 131	0.09 135	0.12 96	0.16 222	0.15 240	0.07 73	0.07 64	0.06 42	0.06 65	0.10 121	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

aanet-new	0.08 83	0.09 423	0.10 185	0.18 385	0.08 211	0.10 198	0.12 96	0.15 184	0.12 141	0.08 127	0.08 121	0.05 5	0.07 178	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.06 289	0.04 72

GCAP-Stereo-cres-4k	0.08 83	0.07 224	0.08 56	0.18 385	0.07 131	0.11 250	0.14 234	0.12 83	0.11 104	0.07 73	0.11 242	0.07 123	0.06 65	0.09 58	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

GCAP-Stereo-DPT-36K	0.08 83	0.06 106	0.15 423	0.14 59	0.06 27	0.08 82	0.13 169	0.13 111	0.11 104	0.07 73	0.08 121	0.07 123	0.06 65	0.09 58	0.08 25	0.05 51	0.05 268	0.05 47	0.04 58	0.03 1	0.04 72

GCAP-Stereo-DPT-22K	0.08 83	0.06 106	0.07 11	0.17 295	0.06 27	0.07 42	0.14 234	0.13 111	0.16 277	0.05 2	0.10 192	0.06 42	0.06 65	0.08 25	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

GCAP-Stereo-DPT-24K	0.07 7	0.06 106	0.07 11	0.15 112	0.06 27	0.10 198	0.15 318	0.12 83	0.11 104	0.06 24	0.11 242	0.06 42	0.05 14	0.09 58	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

GCAP-Stereo-DPT-5K	0.08 83	0.06 106	0.10 185	0.16 208	0.07 131	0.11 250	0.12 96	0.15 184	0.15 240	0.08 127	0.12 263	0.05 5	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.06 187	0.05 189	0.03 1	0.04 72

GCAP-Stereo-DPT-2K	0.08 83	0.06 106	0.10 185	0.16 208	0.07 131	0.11 250	0.13 169	0.14 142	0.14 215	0.08 127	0.13 282	0.05 5	0.06 65	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

GCAP-Stereo-DPT-3K	0.08 83	0.07 224	0.10 185	0.16 208	0.07 131	0.09 135	0.12 96	0.15 184	0.14 215	0.08 127	0.11 242	0.05 5	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

GCAP-Stereo-DPT-50K	0.08 83	0.06 106	0.17 489	0.15 112	0.06 27	0.06 13	0.13 169	0.13 111	0.13 183	0.07 73	0.07 64	0.06 42	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

GCAP-Stereo-DPT-FT	0.08 83	0.05 40	0.12 288	0.15 112	0.06 27	0.10 198	0.14 234	0.12 83	0.12 141	0.07 73	0.09 156	0.06 42	0.06 65	0.10 121	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

DepthFocus	0.08 83	0.04 1	0.15 423	0.12 5	0.09 338	0.07 42	0.12 96	0.10 33	0.05 4	0.09 179	0.05 7	0.07 123	0.04 1	0.08 25	0.08 25	0.06 167	0.05 268	0.07 298	0.07 378	0.05 167	0.04 72

gcap_with_dpt	0.08 83	0.06 106	0.09 121	0.16 208	0.07 131	0.09 135	0.12 96	0.13 111	0.13 183	0.08 127	0.12 263	0.04 1	0.06 65	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

Pro-Stereo	0.07 7	0.05 40	0.08 56	0.15 112	0.07 131	0.08 82	0.12 96	0.07 7	0.07 15	0.06 24	0.06 23	0.05 5	0.05 14	0.09 58	0.08 25	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

VIP-Stereo	0.07 7	0.07 224	0.07 11	0.15 112	0.06 27	0.12 302	0.10 35	0.11 56	0.11 104	0.06 24	0.07 64	0.06 42	0.05 14	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.03 1	0.03 1	0.02 1

GEAStereo	0.08 83	0.05 40	0.08 56	0.13 16	0.08 211	0.08 82	0.14 234	0.10 33	0.09 50	0.08 127	0.10 192	0.06 42	0.05 14	0.11 195	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.05 203

BridgeDepth	0.07 7	0.07 224	0.08 56	0.18 385	0.06 27	0.07 42	0.11 64	0.09 20	0.06 6	0.04 1	0.07 64	0.10 253	0.09 264	0.08 25	0.08 25	0.04 11	0.03 1	0.04 1	0.04 58	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
GSStereo	0.08 83	0.05 40	0.08 56	0.13 16	0.08 211	0.08 82	0.14 234	0.11 56	0.12 141	0.08 127	0.10 192	0.05 5	0.05 14	0.11 195	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.05 203

GS-Stereo							0.14 234	0.11 56	0.12 141	0.08 127	0.10 192	0.05 5	0.05 14	0.11 195	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.05 203

gasm-f	0.08 83	0.05 40	0.07 11	0.13 16	0.08 211	0.08 82	0.14 234	0.10 33	0.09 50	0.08 127	0.10 192	0.06 42	0.05 14	0.10 121	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.06 289	0.05 203

Zero-FE251	0.07 7	0.05 40	0.09 121	0.13 16	0.06 27	0.12 302	0.12 96	0.11 56	0.10 73	0.07 73	0.08 121	0.06 42	0.06 65	0.09 58	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

GASTEREO	0.08 83	0.05 40	0.09 121	0.19 454	0.07 131	0.07 42	0.12 96	0.14 142	0.11 104	0.10 224	0.09 156	0.07 123	0.04 1	0.12 289	0.08 25	0.06 167	0.05 268	0.05 47	0.04 58	0.04 48	0.05 203

MSCF	0.08 83	0.05 40	0.08 56	0.19 454	0.08 211	0.06 13	0.12 96	0.14 142	0.11 104	0.10 224	0.09 156	0.07 123	0.04 1	0.11 195	0.08 25	0.06 167	0.05 268	0.05 47	0.04 58	0.05 167	0.05 203

water-stereo	0.09 171	0.06 106	0.08 56	0.16 208	0.07 131	0.09 135	0.13 169	0.15 184	0.13 183	0.11 259	0.12 263	0.08 182	0.09 264	0.07 4	0.08 25	0.06 167	0.05 268	0.05 47	0.05 189	0.04 48	0.04 72

monsters	0.07 7	0.06 106	0.06 5	0.15 112	0.06 27	0.08 82	0.09 20	0.12 83	0.08 24	0.09 179	0.07 64	0.06 42	0.06 65	0.08 25	0.08 25	0.05 51	0.04 25	0.04 1	0.04 58	0.03 1	0.03 2

LG-Stereo_L2	0.07 7	0.05 40	0.10 185	0.14 59	0.06 27	0.07 42	0.12 96	0.09 20	0.09 50	0.06 24	0.04 1	0.05 5	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 47	0.03 1	0.04 48	0.03 2

LG-G_1	0.07 7	0.04 1	0.11 243	0.15 112	0.06 27	0.09 135	0.08 7	0.08 11	0.06 6	0.06 24	0.05 7	0.07 123	0.07 178	0.11 195	0.08 25	0.07 335	0.04 25	0.05 47	0.04 58	0.05 167	0.05 203

LG-G	0.07 7	0.04 1	0.11 243	0.15 112	0.06 27	0.09 135	0.08 7	0.08 11	0.06 6	0.06 24	0.05 7	0.07 123	0.07 178	0.11 195	0.08 25	0.07 335	0.04 25	0.05 47	0.04 58	0.05 167	0.05 203

SGD-Stereo	0.08 83	0.05 40	0.10 185	0.14 59	0.05 2	0.12 302	0.12 96	0.11 56	0.12 141	0.07 73	0.09 156	0.09 218	0.09 264	0.08 25	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.03 2

MM-Stereo_test3	0.10 240	0.07 224	0.07 11	0.18 385	0.07 131	0.12 302	0.19 518	0.24 428	0.19 356	0.06 24	0.10 192	0.08 182	0.06 65	0.11 195	0.08 25	0.06 167	0.06 415	0.07 298	0.05 189	0.05 167	0.04 72

HART	0.08 83	0.07 224	0.09 121	0.17 295	0.07 131	0.10 198	0.16 387	0.13 111	0.11 104	0.08 127	0.10 192	0.07 123	0.05 14	0.10 121	0.08 25	0.05 51	0.04 25	0.06 187	0.04 58	0.05 167	0.04 72

Reg-Stereo(zero)	0.08 83	0.05 40	0.08 56	0.16 208	0.06 27	0.12 302	0.11 64	0.15 184	0.10 73	0.12 300	0.09 156	0.10 253	0.08 227	0.11 195	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.05 203

HI	0.11 288	0.06 106	0.11 243	0.13 16	0.09 338	0.09 135	0.14 234	0.21 359	0.10 73	0.19 473	0.17 348	0.14 349	0.09 264	0.16 429	0.08 25	0.05 51	0.04 25	0.07 298	0.08 451	0.07 369	0.06 303

CoSv	0.11 288	0.06 106	0.11 243	0.13 16	0.09 338	0.09 135	0.14 234	0.21 359	0.10 73	0.19 473	0.17 348	0.14 349	0.09 264	0.16 429	0.08 25	0.05 51	0.04 25	0.07 298	0.08 451	0.07 369	0.06 303

SCV	0.08 83	0.09 423	0.08 56	0.15 112	0.08 211	0.10 198	0.13 169	0.10 33	0.12 141	0.07 73	0.07 64	0.06 42	0.04 1	0.09 58	0.08 25	0.05 51	0.04 25	0.06 187	0.04 58	0.06 289	0.04 72

StereoAnything_RVC	0.07 7	0.15 579	0.17 489	0.11 1	0.05 2	0.05 4	0.11 64	0.08 11	0.08 24	0.06 24	0.06 23	0.05 5	0.05 14	0.09 58	0.08 25	0.08 412	0.04 25	0.05 47	0.03 1	0.05 167	0.04 72

AIO_rvc	0.07 7	0.06 106	0.08 56	0.15 112	0.06 27	0.08 82	0.14 234	0.09 20	0.08 24	0.07 73	0.08 121	0.07 123	0.04 1	0.10 121	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

AIO-test2	0.10 240	0.08 343	0.10 185	0.23 594	0.08 211	0.11 250	0.10 35	0.23 404	0.23 421	0.08 127	0.09 156	0.08 182	0.05 14	0.10 121	0.08 25	0.06 167	0.05 268	0.08 392	0.09 498	0.05 167	0.05 203

castereo++	0.08 83	0.05 40	0.08 56	0.15 112	0.05 2	0.14 387	0.12 96	0.11 56	0.15 240	0.07 73	0.07 64	0.07 123	0.06 65	0.08 25	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

IGEV-RUCA	0.08 83	0.06 106	0.11 243	0.14 59	0.09 338	0.10 198	0.12 96	0.10 33	0.12 141	0.06 24	0.07 64	0.07 123	0.06 65	0.09 58	0.08 25	0.06 167	0.05 268	0.05 47	0.04 58	0.05 167	0.06 303

PAM_32	0.09 171	0.05 40	0.17 489	0.15 112	0.08 211	0.10 198	0.15 318	0.14 142	0.15 240	0.09 179	0.08 121	0.09 218	0.07 178	0.14 370	0.08 25	0.06 167	0.05 268	0.06 187	0.06 280	0.05 167	0.06 303

PAM	0.10 240	0.05 40	0.16 459	0.15 112	0.08 211	0.09 135	0.16 387	0.15 184	0.16 277	0.12 300	0.09 156	0.09 218	0.07 178	0.13 341	0.08 25	0.06 167	0.05 268	0.06 187	0.06 280	0.05 167	0.06 303

WCG-NET	0.08 83	0.05 40	0.09 121	0.15 112	0.06 27	0.11 250	0.14 234	0.13 111	0.13 183	0.06 24	0.09 156	0.07 123	0.06 65	0.13 341	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

GCAP-BAT	0.09 171	0.05 40	0.11 243	0.13 16	0.07 131	0.11 250	0.14 234	0.14 142	0.16 277	0.07 73	0.10 192	0.08 182	0.06 65	0.13 341	0.08 25	0.07 335	0.05 268	0.05 47	0.05 189	0.04 48	0.04 72

RAStereo	0.10 240	0.09 423	0.08 56	0.20 521	0.08 211	0.13 353	0.18 478	0.15 184	0.17 306	0.10 224	0.12 263	0.05 5	0.06 65	0.09 58	0.08 25	0.07 335	0.05 268	0.07 298	0.05 189	0.05 167	0.04 72

AIO-Stereo-zeroshot1	0.11 288	0.05 40	0.14 375	0.15 112	0.20 638	0.09 135	0.17 429	0.21 359	0.15 240	0.11 259	0.14 296	0.10 253	0.07 178	0.10 121	0.08 25	0.06 167	0.05 268	0.07 298	0.07 378	0.07 369	0.09 500

U	0.08 83	0.07 224	0.09 121	0.19 454	0.10 450	0.10 198	0.13 169	0.12 83	0.17 306	0.07 73	0.07 64	0.06 42	0.05 14	0.07 4	0.08 25	0.06 167	0.04 25	0.06 187	0.04 58	0.06 289	0.05 203

IGEV-Stereo+	0.07 7	0.04 1	0.08 56	0.15 112	0.06 27	0.04 1	0.09 20	0.10 33	0.09 50	0.06 24	0.06 23	0.06 42	0.06 65	0.06 1	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.06 289	0.06 303

AIO-Stereo	0.08 83	0.06 106	0.09 121	0.18 385	0.06 27	0.08 82	0.12 96	0.15 184	0.09 50	0.08 127	0.08 121	0.07 123	0.05 14	0.11 195	0.08 25	0.05 51	0.05 268	0.05 47	0.04 58	0.04 48	0.04 72

WCG-NET（raft）	0.08 83	0.05 40	0.10 185	0.15 112	0.06 27	0.11 250	0.13 169	0.15 184	0.12 141	0.08 127	0.07 64	0.06 42	0.06 65	0.13 341	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

gcap-zeroshot	0.08 83	0.06 106	0.10 185	0.15 112	0.07 131	0.11 250	0.12 96	0.15 184	0.15 240	0.08 127	0.12 263	0.05 5	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.06 187	0.05 189	0.03 1	0.04 72

test_for_model	0.08 83	0.06 106	0.10 185	0.16 208	0.07 131	0.11 250	0.12 96	0.15 184	0.15 240	0.08 127	0.12 263	0.05 5	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.06 187	0.05 189	0.03 1	0.04 72

MoCha-V2	0.08 83	0.05 40	0.10 185	0.20 521	0.07 131	0.09 135	0.14 234	0.11 56	0.08 24	0.07 73	0.08 121	0.07 123	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

IGEVStereo-DCA	0.09 171	0.06 106	0.11 243	0.15 112	0.10 450	0.11 250	0.15 318	0.16 222	0.12 141	0.10 224	0.06 23	0.08 182	0.06 65	0.10 121	0.08 25	0.06 167	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303

rrr	0.09 171	0.06 106	0.12 288	0.15 112	0.10 450	0.11 250	0.16 387	0.16 222	0.15 240	0.10 224	0.06 23	0.08 182	0.06 65	0.10 121	0.08 25	0.06 167	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303

MIM_Stereo	0.09 171	0.07 224	0.11 243	0.15 112	0.07 131	0.06 13	0.12 96	0.20 336	0.14 215	0.13 330	0.13 282	0.09 218	0.05 14	0.12 289	0.08 25	0.05 51	0.06 415	0.07 298	0.06 280	0.06 289	0.05 203

testlalala	0.08 83	0.06 106	0.10 185	0.15 112	0.07 131	0.11 250	0.12 96	0.15 184	0.15 240	0.08 127	0.12 263	0.05 5	0.06 65	0.09 58	0.08 25	0.05 51	0.04 25	0.06 187	0.05 189	0.03 1	0.04 72

GCAPDPT-zeroshot	0.09 171	0.05 40	0.11 243	0.13 16	0.07 131	0.11 250	0.14 234	0.14 142	0.16 277	0.07 73	0.10 192	0.08 182	0.06 65	0.13 341	0.08 25	0.07 335	0.05 268	0.05 47	0.05 189	0.04 48	0.04 72

CAS	0.08 83	0.04 1	0.07 11	0.17 295	0.08 211	0.10 198	0.13 169	0.12 83	0.09 50	0.09 179	0.10 192	0.08 182	0.06 65	0.09 58	0.08 25	0.08 412	0.04 25	0.05 47	0.03 1	0.05 167	0.04 72

CES	0.08 83	0.04 1	0.08 56	0.14 59	0.07 131	0.09 135	0.14 234	0.11 56	0.09 50	0.08 127	0.09 156	0.11 283	0.06 65	0.12 289	0.08 25	0.06 167	0.04 25	0.05 47	0.03 1	0.05 167	0.05 203

CroCo-Stereo Lap2	0.09 171	0.09 423	0.08 56	0.22 570	0.09 338	0.09 135	0.19 518	0.16 222	0.12 141	0.09 179	0.10 192	0.05 5	0.05 14	0.08 25	0.08 25	0.06 167	0.06 415	0.07 298	0.05 189	0.05 167	0.05 203

TRStereo	0.09 171	0.05 40	0.12 288	0.15 112	0.12 534	0.10 198	0.13 169	0.18 295	0.18 337	0.09 179	0.09 156	0.09 218	0.06 65	0.10 121	0.08 25	0.07 335	0.05 268	0.07 298	0.07 378	0.04 48	0.04 72

XX-Stereo	0.09 171	0.05 40	0.08 56	0.17 295	0.09 338	0.15 413	0.12 96	0.20 336	0.10 73	0.10 224	0.14 296	0.07 123	0.06 65	0.12 289	0.08 25	0.06 167	0.05 268	0.06 187	0.06 280	0.04 48	0.04 72

mm2	0.07 7	0.04 1	0.10 185	0.13 16	0.06 27	0.06 13	0.12 96	0.13 111	0.08 24	0.06 24	0.07 64	0.06 42	0.08 227	0.10 121	0.09 102	0.06 167	0.05 268	0.04 1	0.03 1	0.04 48	0.05 203

mm1	0.07 7	0.04 1	0.10 185	0.13 16	0.06 27	0.06 13	0.12 96	0.06 1	0.08 24	0.06 24	0.07 64	0.06 42	0.08 227	0.10 121	0.09 102	0.06 167	0.05 268	0.04 1	0.03 1	0.04 48	0.05 203

qqai	0.07 7	0.05 40	0.10 185	0.14 59	0.06 27	0.05 4	0.12 96	0.08 11	0.09 50	0.05 2	0.06 23	0.06 42	0.08 227	0.10 121	0.09 102	0.06 167	0.05 268	0.05 47	0.03 1	0.04 48	0.05 203

quiztm	0.08 83	0.07 224	0.08 56	0.18 385	0.07 131	0.09 135	0.14 234	0.14 142	0.12 141	0.07 73	0.07 64	0.05 5	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.04 58	0.04 48	0.03 2

MGA	0.07 7	0.04 1	0.10 185	0.13 16	0.06 27	0.08 82	0.09 20	0.12 83	0.08 24	0.05 2	0.06 23	0.06 42	0.05 14	0.10 121	0.09 102	0.06 167	0.04 25	0.05 47	0.03 1	0.05 167	0.05 203

CAR	0.07 7	0.05 40	0.08 56	0.14 59	0.06 27	0.07 42	0.08 7	0.12 83	0.08 24	0.05 2	0.06 23	0.05 5	0.05 14	0.10 121	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

MSE-Stereo	0.07 7	0.04 1	0.08 56	0.13 16	0.06 27	0.07 42	0.08 7	0.12 83	0.08 24	0.05 2	0.06 23	0.05 5	0.05 14	0.10 121	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

monster-pro	0.07 7	0.06 106	0.05 1	0.15 112	0.05 2	0.07 42	0.10 35	0.15 184	0.15 240	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

PointNet	0.07 7	0.06 106	0.07 11	0.15 112	0.07 131	0.08 82	0.14 234	0.11 56	0.08 24	0.05 2	0.07 64	0.08 182	0.08 227	0.09 58	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

DF	0.08 83	0.05 40	0.09 121	0.15 112	0.06 27	0.11 250	0.13 169	0.10 33	0.12 141	0.09 179	0.10 192	0.10 253	0.08 227	0.11 195	0.09 102	0.07 335	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

DN	0.10 240	0.05 40	0.09 121	0.14 59	0.09 338	0.12 302	0.18 478	0.17 261	0.16 277	0.08 127	0.09 156	0.08 182	0.06 65	0.08 25	0.09 102	0.11 544	0.05 268	0.07 298	0.06 280	0.07 369	0.09 500

aanet-new-34k	0.08 83	0.06 106	0.09 121	0.17 295	0.05 2	0.07 42	0.13 169	0.12 83	0.12 141	0.09 179	0.08 121	0.07 123	0.05 14	0.10 121	0.09 102	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

GCAP-Stereo-DPT-cres	0.08 83	0.05 40	0.07 11	0.15 112	0.06 27	0.10 198	0.14 234	0.13 111	0.12 141	0.07 73	0.09 156	0.07 123	0.06 65	0.10 121	0.09 102	0.05 51	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

GCAP-Stereo-DPT-25K	0.08 83	0.06 106	0.07 11	0.16 208	0.06 27	0.06 13	0.14 234	0.14 142	0.14 215	0.07 73	0.10 192	0.06 42	0.05 14	0.09 58	0.09 102	0.04 11	0.04 25	0.04 1	0.04 58	0.03 1	0.03 2

PipStereo	0.07 7	0.04 1	0.09 121	0.13 16	0.05 2	0.08 82	0.11 64	0.06 1	0.06 6	0.06 24	0.05 7	0.08 182	0.05 14	0.08 25	0.09 102	0.06 167	0.04 25	0.04 1	0.03 1	0.05 167	0.04 72

PSi22b	0.06 1	0.04 1	0.09 121	0.13 16	0.05 2	0.08 82	0.11 64	0.06 1	0.06 6	0.06 24	0.06 23	0.08 182	0.05 14	0.08 25	0.09 102	0.06 167	0.04 25	0.04 1	0.03 1	0.05 167	0.04 72

PSi22a	0.06 1	0.04 1	0.09 121	0.12 5	0.05 2	0.06 13	0.11 64	0.06 1	0.06 6	0.06 24	0.06 23	0.06 42	0.05 14	0.08 25	0.09 102	0.07 335	0.04 25	0.04 1	0.03 1	0.05 167	0.04 72

PSi22	0.08 83	0.06 106	0.11 243	0.16 208	0.07 131	0.08 82	0.10 35	0.14 142	0.08 24	0.08 127	0.06 23	0.10 253	0.06 65	0.12 289	0.09 102	0.05 51	0.04 25	0.04 1	0.03 1	0.04 48	0.04 72

Foundation-i1b	0.08 83	0.05 40	0.07 11	0.14 59	0.05 2	0.09 135	0.12 96	0.13 111	0.10 73	0.09 179	0.10 192	0.09 218	0.06 65	0.07 4	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

Foundation-i1a	0.08 83	0.05 40	0.07 11	0.13 16	0.05 2	0.13 353	0.13 169	0.12 83	0.09 50	0.11 259	0.11 242	0.11 283	0.06 65	0.08 25	0.09 102	0.06 167	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

Foundation-i32	0.06 1	0.04 1	0.09 121	0.13 16	0.04 1	0.06 13	0.12 96	0.06 1	0.05 4	0.06 24	0.05 7	0.05 5	0.05 14	0.07 4	0.09 102	0.06 167	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

Selective-IGEV-i32	0.07 7	0.06 106	0.08 56	0.17 295	0.06 27	0.08 82	0.12 96	0.13 111	0.07 15	0.08 127	0.07 64	0.06 42	0.04 1	0.10 121	0.09 102	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

LACA1	0.07 7	0.07 224	0.07 11	0.14 59	0.05 2	0.09 135	0.11 64	0.10 33	0.07 15	0.05 2	0.05 7	0.06 42	0.07 178	0.08 25	0.09 102	0.06 167	0.04 25	0.04 1	0.04 58	0.03 1	0.04 72

Hybrid-DGEV-2	0.11 288	0.06 106	0.12 288	0.18 385	0.09 338	0.09 135	0.13 169	0.28 504	0.29 505	0.11 259	0.11 242	0.09 218	0.12 367	0.12 289	0.09 102	0.06 167	0.05 268	0.07 298	0.07 378	0.05 167	0.05 203

DispViT+	0.08 83	0.05 40	0.09 121	0.13 16	0.06 27	0.05 4	0.11 64	0.18 295	0.16 277	0.09 179	0.08 121	0.07 123	0.06 65	0.11 195	0.09 102	0.06 167	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

BLMT-Stereo	0.07 7	0.04 1	0.08 56	0.15 112	0.07 131	0.06 13	0.14 234	0.07 7	0.10 73	0.05 2	0.05 7	0.04 1	0.06 65	0.07 4	0.09 102	0.04 11	0.04 25	0.05 47	0.05 189	0.04 48	0.04 72

MatchStereo	0.07 7	0.04 1	0.08 56	0.14 59	0.06 27	0.05 4	0.12 96	0.12 83	0.09 50	0.07 73	0.06 23	0.04 1	0.04 1	0.08 25	0.09 102	0.06 167	0.05 268	0.05 47	0.03 1	0.04 48	0.04 72
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
WQFJX1	0.10 240	0.07 224	0.08 56	0.22 570	0.09 338	0.12 302	0.17 429	0.18 295	0.17 306	0.10 224	0.09 156	0.07 123	0.10 303	0.11 195	0.09 102	0.07 335	0.08 517	0.07 298	0.06 280	0.05 167	0.04 72

CSFM-Stereo	0.07 7	0.05 40	0.07 11	0.14 59	0.06 27	0.09 135	0.13 169	0.15 184	0.06 6	0.07 73	0.08 121	0.06 42	0.08 227	0.09 58	0.09 102	0.06 167	0.05 268	0.04 1	0.03 1	0.04 48	0.04 72

FE-Mocha	0.09 171	0.06 106	0.14 375	0.16 208	0.09 338	0.10 198	0.15 318	0.18 295	0.16 277	0.10 224	0.09 156	0.07 123	0.07 178	0.09 58	0.09 102	0.06 167	0.04 25	0.06 187	0.06 280	0.05 167	0.05 203

DLNR-FE	10.43 707	1.83 698	19.53 722	120.75 727	13.06 714	0.06 13	0.13 169	0.23 404	0.10 73	0.07 73	0.10 192	0.09 218	0.06 65	0.10 121	0.09 102	0.13 595	0.04 25	0.06 187	0.04 58	52.01 728	0.04 72

Select-FE	0.11 288	0.06 106	0.20 537	0.15 112	0.11 500	0.11 250	0.13 169	0.21 359	0.18 337	0.09 179	0.11 242	0.10 253	0.06 65	0.12 289	0.09 102	0.07 335	0.05 268	0.07 298	0.08 451	0.06 289	0.08 456

IGEV-FE	0.09 171	0.05 40	0.12 288	0.13 16	0.08 211	0.12 302	0.13 169	0.17 261	0.11 104	0.10 224	0.06 23	0.09 218	0.06 65	0.11 195	0.09 102	0.06 167	0.04 25	0.06 187	0.06 280	0.05 167	0.05 203

MonStereo	0.07 7	0.06 106	0.05 1	0.15 112	0.05 2	0.08 82	0.10 35	0.15 184	0.15 240	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Wavelet-MonSter	0.07 7	0.05 40	0.07 11	0.16 208	0.06 27	0.07 42	0.11 64	0.10 33	0.08 24	0.06 24	0.06 23	0.07 123	0.07 178	0.09 58	0.09 102	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 7	0.06 106	0.05 1	0.15 112	0.05 2	0.08 82	0.10 35	0.15 184	0.15 240	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 7	0.04 1	0.09 121	0.13 16	0.06 27	0.05 4	0.09 20	0.11 56	0.07 15	0.06 24	0.06 23	0.05 5	0.06 65	0.09 58	0.09 102	0.06 167	0.04 25	0.04 1	0.03 1	0.05 167	0.05 203

S2M2_XL	0.08 83	0.06 106	0.12 288	0.12 5	0.08 211	0.09 135	0.09 20	0.07 7	0.07 15	0.08 127	0.07 64	0.07 123	0.06 65	0.09 58	0.09 102	0.08 412	0.06 415	0.07 298	0.05 189	0.08 433	0.06 303
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
asd	0.07 7	0.08 343	0.07 11	0.16 208	0.07 131	0.08 82	0.08 7	0.11 56	0.08 24	0.07 73	0.07 64	0.06 42	0.06 65	0.10 121	0.09 102	0.03 1	0.03 1	0.04 1	0.04 58	0.04 48	0.03 2

qwe	0.07 7	0.08 343	0.07 11	0.15 112	0.06 27	0.07 42	0.10 35	0.18 295	0.11 104	0.07 73	0.07 64	0.06 42	0.06 65	0.10 121	0.09 102	0.03 1	0.03 1	0.04 1	0.04 58	0.04 48	0.03 2

depthmonostereo	0.09 171	0.06 106	0.09 121	0.15 112	0.06 27	0.10 198	0.13 169	0.14 142	0.14 215	0.10 224	0.10 192	0.09 218	0.11 336	0.08 25	0.09 102	0.06 167	0.05 268	0.06 187	0.04 58	0.04 48	0.03 2

2.5w	0.07 7	0.07 224	0.07 11	0.16 208	0.06 27	0.08 82	0.12 96	0.10 33	0.10 73	0.07 73	0.06 23	0.09 218	0.06 65	0.08 25	0.09 102	0.04 11	0.03 1	0.04 1	0.04 58	0.03 1	0.03 2

3.25w_new	0.07 7	0.06 106	0.07 11	0.15 112	0.06 27	0.10 198	0.07 3	0.12 83	0.11 104	0.08 127	0.06 23	0.07 123	0.06 65	0.11 195	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 7	0.06 106	0.07 11	0.15 112	0.06 27	0.10 198	0.07 3	0.12 83	0.11 104	0.08 127	0.06 23	0.07 123	0.06 65	0.11 195	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 7	0.07 224	0.07 11	0.15 112	0.07 131	0.09 135	0.06 1	0.13 111	0.11 104	0.07 73	0.07 64	0.06 42	0.07 178	0.10 121	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3w_stereo	0.08 83	0.09 423	0.10 185	0.17 295	0.07 131	0.08 82	0.10 35	0.20 336	0.13 183	0.06 24	0.07 64	0.05 5	0.06 65	0.08 25	0.09 102	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

2w_stereo	0.08 83	0.08 343	0.09 121	0.16 208	0.06 27	0.08 82	0.10 35	0.20 336	0.15 240	0.08 127	0.07 64	0.06 42	0.06 65	0.06 1	0.09 102	0.04 11	0.03 1	0.04 1	0.04 58	0.03 1	0.03 2

1w_stereo	0.07 7	0.06 106	0.07 11	0.16 208	0.06 27	0.07 42	0.10 35	0.14 142	0.14 215	0.07 73	0.08 121	0.05 5	0.06 65	0.09 58	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 72

monsterstereo	0.07 7	0.06 106	0.06 5	0.16 208	0.06 27	0.08 82	0.10 35	0.16 222	0.11 104	0.07 73	0.08 121	0.06 42	0.07 178	0.08 25	0.09 102	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

IGEV	0.07 7	0.04 1	0.08 56	0.13 16	0.06 27	0.09 135	0.12 96	0.14 142	0.10 73	0.06 24	0.09 156	0.07 123	0.05 14	0.09 58	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

111111	0.07 7	0.04 1	0.09 121	0.17 295	0.06 27	0.05 4	0.10 35	0.11 56	0.09 50	0.06 24	0.06 23	0.07 123	0.05 14	0.09 58	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.07 369	0.06 303

MLG-Stereo_test2	0.06 1	0.04 1	0.10 185	0.15 112	0.05 2	0.07 42	0.11 64	0.09 20	0.04 2	0.06 24	0.05 7	0.06 42	0.04 1	0.08 25	0.09 102	0.06 167	0.04 25	0.05 47	0.03 1	0.05 167	0.05 203

MLG-Stereo_test1	0.06 1	0.05 40	0.08 56	0.17 295	0.05 2	0.06 13	0.11 64	0.08 11	0.03 1	0.05 2	0.04 1	0.06 42	0.05 14	0.09 58	0.09 102	0.05 51	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

MLG-Stereo	0.07 7	0.05 40	0.08 56	0.17 295	0.05 2	0.07 42	0.11 64	0.08 11	0.04 2	0.05 2	0.04 1	0.06 42	0.05 14	0.10 121	0.09 102	0.05 51	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

LGtest1	0.07 7	0.04 1	0.10 185	0.15 112	0.06 27	0.07 42	0.09 20	0.08 11	0.06 6	0.05 2	0.04 1	0.06 42	0.06 65	0.10 121	0.09 102	0.07 335	0.04 25	0.05 47	0.04 58	0.06 289	0.06 303

LG-Stereo_Zeroshot	0.07 7	0.06 106	0.10 185	0.16 208	0.07 131	0.04 1	0.13 169	0.10 33	0.10 73	0.05 2	0.11 242	0.07 123	0.05 14	0.07 4	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

LG-Stereo	0.08 83	0.07 224	0.10 185	0.18 385	0.07 131	0.10 198	0.17 429	0.11 56	0.08 24	0.05 2	0.07 64	0.05 5	0.07 178	0.09 58	0.09 102	0.04 11	0.05 268	0.07 298	0.07 378	0.04 48	0.04 72

MM-Stereo_test2	0.09 171	0.06 106	0.09 121	0.19 454	0.08 211	0.12 302	0.18 478	0.15 184	0.14 215	0.07 73	0.10 192	0.07 123	0.06 65	0.12 289	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.03 2

DEFOM-Stereo_RVC	0.08 83	0.06 106	0.09 121	0.22 570	0.06 27	0.08 82	0.12 96	0.10 33	0.10 73	0.07 73	0.07 64	0.06 42	0.05 14	0.11 195	0.09 102	0.06 167	0.04 25	0.05 47	0.03 1	0.06 289	0.04 72

HUF	0.08 83	0.05 40	0.08 56	0.14 59	0.06 27	0.09 135	0.13 169	0.13 111	0.13 183	0.07 73	0.07 64	0.08 182	0.06 65	0.10 121	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

AIO-test1	0.10 240	0.07 224	0.10 185	0.23 594	0.07 131	0.09 135	0.13 169	0.21 359	0.14 215	0.11 259	0.12 263	0.09 218	0.07 178	0.11 195	0.09 102	0.06 167	0.05 268	0.09 475	0.10 538	0.03 1	0.06 303

MonSter	0.07 7	0.06 106	0.05 1	0.15 112	0.05 2	0.07 42	0.10 35	0.15 184	0.15 240	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 102	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DEFOM-Stereo	0.07 7	0.05 40	0.07 11	0.14 59	0.06 27	0.10 198	0.13 169	0.07 7	0.13 183	0.06 24	0.07 64	0.06 42	0.05 14	0.10 121	0.09 102	0.04 11	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

dual_stereo	0.07 7	0.04 1	0.08 56	0.15 112	0.05 2	0.05 4	0.13 169	0.12 83	0.08 24	0.07 73	0.06 23	0.05 5	0.05 14	0.07 4	0.09 102	0.06 167	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

UGAM-zero	0.09 171	0.05 40	0.15 423	0.15 112	0.08 211	0.09 135	0.13 169	0.19 325	0.15 240	0.11 259	0.15 313	0.07 123	0.07 178	0.09 58	0.09 102	0.06 167	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303

rvit_stereo_0081_aga	0.11 288	0.09 423	0.14 375	0.18 385	0.09 338	0.13 353	0.14 234	0.14 142	0.19 356	0.10 224	0.18 375	0.16 394	0.09 264	0.12 289	0.09 102	0.10 513	0.06 415	0.08 392	0.07 378	0.07 369	0.06 303

IGEV-Stereo++	0.07 7	0.06 106	0.08 56	0.18 385	0.06 27	0.04 1	0.10 35	0.11 56	0.11 104	0.06 24	0.07 64	0.07 123	0.06 65	0.09 58	0.09 102	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

Pointernet	0.09 171	0.04 1	0.09 121	0.16 208	0.08 211	0.13 353	0.10 35	0.15 184	0.17 306	0.09 179	0.07 64	0.06 42	0.06 65	0.11 195	0.09 102	0.08 412	0.04 25	0.05 47	0.03 1	0.06 289	0.05 203

AIO-Stereo-zeroshot	0.11 288	0.05 40	0.11 243	0.15 112	0.13 557	0.13 353	0.16 387	0.23 404	0.17 306	0.10 224	0.12 263	0.10 253	0.07 178	0.11 195	0.09 102	0.06 167	0.05 268	0.06 187	0.06 280	0.07 369	0.08 456

RSM++	0.08 83	0.06 106	0.09 121	0.17 295	0.07 131	0.09 135	0.12 96	0.11 56	0.11 104	0.08 127	0.06 23	0.07 123	0.05 14	0.10 121	0.09 102	0.04 11	0.04 25	0.06 187	0.05 189	0.05 167	0.03 2

RSM	0.08 83	0.06 106	0.09 121	0.17 295	0.06 27	0.08 82	0.12 96	0.12 83	0.10 73	0.08 127	0.07 64	0.06 42	0.05 14	0.11 195	0.09 102	0.04 11	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

CAS++	0.11 288	0.07 224	0.11 243	0.14 59	0.09 338	0.12 302	0.14 234	0.24 428	0.14 215	0.11 259	0.09 156	0.11 283	0.07 178	0.14 370	0.09 102	0.11 544	0.09 550	0.09 475	0.07 378	0.07 369	0.08 456
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.09 171	0.07 224	0.12 288	0.15 112	0.08 211	0.09 135	0.15 318	0.12 83	0.12 141	0.07 73	0.10 192	0.08 182	0.06 65	0.10 121	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.06 289	0.05 203

IGEV++	0.08 83	0.06 106	0.08 56	0.18 385	0.07 131	0.09 135	0.13 169	0.10 33	0.09 50	0.08 127	0.08 121	0.06 42	0.06 65	0.13 341	0.09 102	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

MyStereo07	0.10 240	0.07 224	0.10 185	0.17 295	0.09 338	0.14 387	0.18 478	0.15 184	0.15 240	0.09 179	0.06 23	0.06 42	0.07 178	0.12 289	0.09 102	0.06 167	0.05 268	0.08 392	0.07 378	0.06 289	0.06 303

MyStereo06	0.10 240	0.07 224	0.12 288	0.17 295	0.09 338	0.13 353	0.18 478	0.19 325	0.12 141	0.12 300	0.08 121	0.07 123	0.07 178	0.11 195	0.09 102	0.06 167	0.05 268	0.07 298	0.07 378	0.06 289	0.06 303

ff7	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.10 224	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

ffff	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.10 224	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

11t	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.10 224	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

IGEV_Zeroshot_test	0.09 171	0.05 40	0.12 288	0.13 16	0.08 211	0.12 302	0.13 169	0.17 261	0.11 104	0.10 224	0.06 23	0.09 218	0.06 65	0.11 195	0.09 102	0.06 167	0.04 25	0.06 187	0.06 280	0.05 167	0.05 203

UniTT-Stereo	0.09 171	0.07 224	0.08 56	0.18 385	0.08 211	0.13 353	0.11 64	0.12 83	0.11 104	0.10 224	0.12 263	0.05 5	0.07 178	0.09 58	0.09 102	0.07 335	0.05 268	0.05 47	0.05 189	0.05 167	0.05 203

DLNR_Zeroshot_test	10.40 706	1.82 697	19.49 721	120.77 728	13.11 715	0.06 13	0.13 169	0.23 404	0.10 73	0.07 73	0.10 192	0.09 218	0.06 65	0.10 121	0.09 102	0.13 595	0.04 25	0.06 187	0.04 58	51.54 727	0.04 72

AEACV	0.08 83	0.05 40	0.08 56	0.14 59	0.13 557	0.14 387	0.13 169	0.14 142	0.09 50	0.07 73	0.09 156	0.07 123	0.08 227	0.10 121	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.04 72

Any-RAFT	0.10 240	0.05 40	0.09 121	0.14 59	0.07 131	0.13 353	0.14 234	0.21 359	0.15 240	0.11 259	0.12 263	0.12 303	0.09 264	0.12 289	0.09 102	0.07 335	0.04 25	0.05 47	0.04 58	0.06 289	0.05 203

RAFT-Test	0.09 171	0.06 106	0.10 185	0.15 112	0.07 131	0.11 250	0.15 318	0.16 222	0.13 183	0.09 179	0.10 192	0.10 253	0.09 264	0.12 289	0.09 102	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.05 203

HH	0.09 171	0.06 106	0.13 338	0.17 295	0.08 211	0.10 198	0.16 387	0.14 142	0.10 73	0.08 127	0.09 156	0.08 182	0.07 178	0.10 121	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.04 72

HanStereo	0.09 171	0.06 106	0.13 338	0.17 295	0.08 211	0.10 198	0.16 387	0.14 142	0.10 73	0.08 127	0.09 156	0.08 182	0.07 178	0.10 121	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.04 72

4D-IteraStereo	0.09 171	0.07 224	0.10 185	0.18 385	0.07 131	0.09 135	0.15 318	0.17 261	0.15 240	0.10 224	0.11 242	0.10 253	0.07 178	0.11 195	0.09 102	0.05 51	0.03 1	0.08 392	0.07 378	0.06 289	0.05 203

LoS_RVC	0.08 83	0.05 40	0.07 11	0.15 112	0.07 131	0.08 82	0.15 318	0.11 56	0.10 73	0.08 127	0.09 156	0.06 42	0.09 264	0.10 121	0.09 102	0.05 51	0.04 25	0.05 47	0.03 1	0.04 48	0.03 2

anonymousdsp	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.09 179	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

Selective-IGEV	0.07 7	0.06 106	0.08 56	0.17 295	0.06 27	0.08 82	0.12 96	0.13 111	0.07 15	0.08 127	0.07 64	0.06 42	0.04 1	0.10 121	0.09 102	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

ProNet	0.09 171	0.07 224	0.10 185	0.17 295	0.08 211	0.10 198	0.15 318	0.15 184	0.12 141	0.09 179	0.06 23	0.07 123	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.06 303

ccc-4	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.10 224	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

RAFT_CTSACE	0.12 359	0.09 423	0.10 185	0.22 570	0.08 211	0.12 302	0.24 595	0.18 295	0.16 277	0.20 496	0.27 507	0.13 329	0.07 178	0.13 341	0.09 102	0.05 51	0.06 415	0.08 392	0.07 378	0.04 48	0.04 72

IGEV-Stereo	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.09 179	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 171	0.05 40	0.13 338	0.14 59	0.08 211	0.12 302	0.15 318	0.18 295	0.10 73	0.11 259	0.08 121	0.08 182	0.05 14	0.10 121	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.06 289	0.05 203

RAFT	0.13 385	0.09 423	0.11 243	0.18 385	0.08 211	0.15 413	0.24 595	0.20 336	0.19 356	0.21 510	0.21 421	0.17 416	0.12 367	0.16 429	0.09 102	0.06 167	0.07 487	0.10 523	0.09 498	0.05 167	0.05 203

test-1	0.10 240	0.07 224	0.16 459	0.19 454	0.08 211	0.11 250	0.24 595	0.14 142	0.18 337	0.09 179	0.07 64	0.09 218	0.08 227	0.07 4	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

TANstereo	0.09 171	0.04 1	0.08 56	0.13 16	0.06 27	0.11 250	0.14 234	0.15 184	0.19 356	0.11 259	0.15 313	0.10 253	0.06 65	0.12 289	0.09 102	0.07 335	0.05 268	0.05 47	0.04 58	0.06 289	0.05 203

test_xeample3	0.09 171	0.06 106	0.12 288	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.13 183	0.10 224	0.06 23	0.08 182	0.06 65	0.10 121	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

RAFT-Stereo + iAFF	0.09 171	0.06 106	0.10 185	0.17 295	0.06 27	0.10 198	0.16 387	0.17 261	0.14 215	0.09 179	0.10 192	0.08 182	0.09 264	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.06 280	0.04 48	0.03 2

AFF-stereo	0.09 171	0.06 106	0.10 185	0.17 295	0.07 131	0.10 198	0.16 387	0.17 261	0.09 50	0.10 224	0.12 263	0.09 218	0.09 264	0.12 289	0.09 102	0.05 51	0.04 25	0.07 298	0.07 378	0.04 48	0.03 2

CFNet-RSSM	0.09 171	0.07 224	0.09 121	0.16 208	0.07 131	0.09 135	0.15 318	0.16 222	0.17 306	0.08 127	0.12 263	0.10 253	0.09 264	0.11 195	0.09 102	0.06 167	0.04 25	0.06 187	0.04 58	0.04 48	0.04 72

Gwc-CoAtRS	0.09 171	0.06 106	0.10 185	0.16 208	0.07 131	0.10 198	0.14 234	0.17 261	0.17 306	0.08 127	0.10 192	0.12 303	0.09 264	0.12 289	0.09 102	0.06 167	0.04 25	0.06 187	0.04 58	0.04 48	0.04 72

LiteMatch*	0.08 83	0.04 1	0.11 243	0.13 16	0.08 211	0.08 82	0.13 169	0.14 142	0.09 50	0.05 2	0.05 7	0.05 5	0.09 264	0.11 195	0.10 206	0.06 167	0.05 268	0.05 47	0.04 58	0.05 167	0.05 203

RT-Monster	0.09 171	0.05 40	0.09 121	0.14 59	0.08 211	0.11 250	0.10 35	0.17 261	0.18 337	0.13 330	0.10 192	0.09 218	0.08 227	0.10 121	0.10 206	0.07 335	0.05 268	0.05 47	0.04 58	0.05 167	0.06 303

Foundation-i1c-attn	0.08 83	0.05 40	0.07 11	0.14 59	0.05 2	0.09 135	0.12 96	0.12 83	0.10 73	0.09 179	0.10 192	0.10 253	0.07 178	0.07 4	0.10 206	0.06 167	0.04 25	0.05 47	0.04 58	0.03 1	0.03 2

Selective-IGEV-i16pc	0.13 385	0.06 106	0.13 338	0.15 112	0.11 500	0.38 643	0.16 387	0.23 404	0.16 277	0.10 224	0.15 313	0.09 218	0.06 65	0.13 341	0.10 206	0.10 513	0.08 517	0.06 187	0.07 378	0.09 496	0.09 500

Foundation-i1	0.09 171	0.04 1	0.10 185	0.14 59	0.06 27	0.10 198	0.13 169	0.16 222	0.14 215	0.10 224	0.10 192	0.11 283	0.07 178	0.07 4	0.10 206	0.06 167	0.04 25	0.05 47	0.05 189	0.05 167	0.05 203

Test_v1	0.07 7	0.04 1	0.06 5	0.13 16	0.06 27	0.08 82	0.11 64	0.15 184	0.12 141	0.06 24	0.05 7	0.04 1	0.05 14	0.08 25	0.10 206	0.07 335	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

VMStereo-Base	0.09 171	0.05 40	0.10 185	0.13 16	0.07 131	0.10 198	0.10 35	0.16 222	0.13 183	0.10 224	0.15 313	0.10 253	0.09 264	0.11 195	0.10 206	0.07 335	0.05 268	0.05 47	0.04 58	0.05 167	0.06 303

WQFJA1++	0.08 83	0.04 1	0.11 243	0.14 59	0.07 131	0.11 250	0.11 64	0.11 56	0.07 15	0.07 73	0.07 64	0.07 123	0.06 65	0.10 121	0.10 206	0.06 167	0.04 25	0.05 47	0.04 58	0.06 289	0.06 303

BridgeDepth_RVC	0.07 7	0.04 1	0.09 121	0.11 1	0.05 2	0.10 198	0.10 35	0.14 142	0.09 50	0.06 24	0.07 64	0.06 42	0.07 178	0.07 4	0.10 206	0.06 167	0.04 25	0.04 1	0.04 58	0.04 48	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
WQFJX	0.10 240	0.07 224	0.09 121	0.21 553	0.09 338	0.12 302	0.16 387	0.18 295	0.17 306	0.12 300	0.10 192	0.07 123	0.09 264	0.12 289	0.10 206	0.06 167	0.07 487	0.06 187	0.05 189	0.06 289	0.05 203

LCMNet	0.08 83	0.05 40	0.10 185	0.13 16	0.07 131	0.09 135	0.12 96	0.10 33	0.11 104	0.06 24	0.08 121	0.06 42	0.07 178	0.11 195	0.10 206	0.06 167	0.05 268	0.04 1	0.03 1	0.04 48	0.04 72

NLCSM	0.11 288	0.09 423	0.09 121	0.23 594	0.11 500	0.12 302	0.19 518	0.18 295	0.18 337	0.12 300	0.11 242	0.07 123	0.09 264	0.11 195	0.10 206	0.07 335	0.08 517	0.07 298	0.07 378	0.06 289	0.05 203

DDF-Stereo	0.08 83	0.04 1	0.09 121	0.15 112	0.10 450	0.06 13	0.13 169	0.09 20	0.14 215	0.06 24	0.06 23	0.07 123	0.06 65	0.09 58	0.10 206	0.06 167	0.04 25	0.06 187	0.04 58	0.08 433	0.05 203

252Zero-FE	0.08 83	0.04 1	0.09 121	0.13 16	0.07 131	0.12 302	0.11 64	0.13 111	0.14 215	0.06 24	0.05 7	0.06 42	0.05 14	0.09 58	0.10 206	0.06 167	0.04 25	0.04 1	0.03 1	0.05 167	0.06 303

DA	0.08 83	0.07 224	0.07 11	0.19 454	0.08 211	0.09 135	0.12 96	0.13 111	0.12 141	0.08 127	0.10 192	0.10 253	0.08 227	0.09 58	0.10 206	0.05 51	0.04 25	0.06 187	0.04 58	0.05 167	0.03 2

Replicate-Monster	0.07 7	0.05 40	0.09 121	0.14 59	0.06 27	0.08 82	0.09 20	0.13 111	0.13 183	0.05 2	0.07 64	0.06 42	0.06 65	0.08 25	0.10 206	0.05 51	0.04 25	0.05 47	0.03 1	0.04 48	0.04 72

zero-FE	0.08 83	0.04 1	0.09 121	0.15 112	0.10 450	0.05 4	0.14 234	0.09 20	0.14 215	0.07 73	0.06 23	0.07 123	0.06 65	0.09 58	0.10 206	0.06 167	0.04 25	0.06 187	0.04 58	0.08 433	0.05 203

GGEV	0.08 83	0.07 224	0.07 11	0.19 454	0.08 211	0.09 135	0.12 96	0.13 111	0.12 141	0.08 127	0.10 192	0.10 253	0.08 227	0.09 58	0.10 206	0.05 51	0.04 25	0.06 187	0.04 58	0.05 167	0.03 2

AdaDepth	0.07 7	0.06 106	0.07 11	0.18 385	0.06 27	0.11 250	0.12 96	0.09 20	0.07 15	0.06 24	0.05 7	0.07 123	0.06 65	0.09 58	0.10 206	0.04 11	0.05 268	0.05 47	0.04 58	0.04 48	0.04 72

asda	0.07 7	0.08 343	0.08 56	0.16 208	0.06 27	0.06 13	0.10 35	0.16 222	0.10 73	0.06 24	0.06 23	0.05 5	0.05 14	0.10 121	0.10 206	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

DilatedVolume-Stereo	0.09 171	0.05 40	0.08 56	0.15 112	0.06 27	0.11 250	0.12 96	0.14 142	0.16 277	0.11 259	0.11 242	0.09 218	0.09 264	0.11 195	0.10 206	0.06 167	0.05 268	0.05 47	0.04 58	0.03 1	0.03 2

2.25w	0.07 7	0.06 106	0.07 11	0.14 59	0.06 27	0.08 82	0.08 7	0.10 33	0.15 240	0.08 127	0.10 192	0.07 123	0.06 65	0.08 25	0.10 206	0.05 51	0.03 1	0.04 1	0.04 58	0.03 1	0.04 72

4.25_new	0.07 7	0.08 343	0.09 121	0.15 112	0.06 27	0.09 135	0.08 7	0.14 142	0.08 24	0.07 73	0.07 64	0.06 42	0.06 65	0.12 289	0.10 206	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5w_new	0.07 7	0.08 343	0.09 121	0.15 112	0.06 27	0.09 135	0.08 7	0.14 142	0.08 24	0.07 73	0.07 64	0.06 42	0.06 65	0.12 289	0.10 206	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5_new	0.07 7	0.09 423	0.08 56	0.15 112	0.07 131	0.06 13	0.10 35	0.14 142	0.11 104	0.06 24	0.08 121	0.06 42	0.06 65	0.08 25	0.10 206	0.03 1	0.03 1	0.04 1	0.04 58	0.04 48	0.03 2

4.5w-stereo	0.07 7	0.09 423	0.08 56	0.15 112	0.07 131	0.06 13	0.10 35	0.14 142	0.11 104	0.06 24	0.08 121	0.06 42	0.06 65	0.08 25	0.10 206	0.03 1	0.03 1	0.04 1	0.04 58	0.04 48	0.03 2

4.25w-stereo	0.07 7	0.08 343	0.09 121	0.15 112	0.06 27	0.09 135	0.08 7	0.14 142	0.08 24	0.07 73	0.07 64	0.06 42	0.06 65	0.12 289	0.10 206	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4w-stereo	0.07 7	0.08 343	0.08 56	0.16 208	0.06 27	0.07 42	0.08 7	0.12 83	0.08 24	0.07 73	0.07 64	0.05 5	0.06 65	0.09 58	0.10 206	0.03 1	0.03 1	0.04 1	0.04 58	0.04 48	0.03 2

3.75w	0.07 7	0.07 224	0.08 56	0.16 208	0.07 131	0.07 42	0.09 20	0.16 222	0.09 50	0.07 73	0.06 23	0.05 5	0.06 65	0.09 58	0.10 206	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

MLG-Stereo_test3	0.07 7	0.05 40	0.10 185	0.14 59	0.06 27	0.07 42	0.11 64	0.08 11	0.06 6	0.06 24	0.04 1	0.06 42	0.06 65	0.07 4	0.10 206	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.06 303

MM-Stereo_test1	0.10 240	0.07 224	0.08 56	0.18 385	0.07 131	0.12 302	0.18 478	0.21 359	0.20 379	0.09 179	0.11 242	0.08 182	0.06 65	0.10 121	0.10 206	0.06 167	0.05 268	0.07 298	0.06 280	0.05 167	0.04 72

AIO_test	0.07 7	0.05 40	0.07 11	0.15 112	0.07 131	0.06 13	0.14 234	0.10 33	0.10 73	0.07 73	0.07 64	0.06 42	0.05 14	0.08 25	0.10 206	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

castereo	0.09 171	0.06 106	0.11 243	0.15 112	0.06 27	0.11 250	0.15 318	0.14 142	0.18 337	0.08 127	0.10 192	0.11 283	0.08 227	0.09 58	0.10 206	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.03 2

SMoEStereo_RVC	0.08 83	0.06 106	0.12 288	0.16 208	0.07 131	0.09 135	0.14 234	0.11 56	0.13 183	0.09 179	0.07 64	0.07 123	0.07 178	0.12 289	0.10 206	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

tt45	0.09 171	0.06 106	0.11 243	0.15 112	0.07 131	0.11 250	0.16 387	0.13 111	0.11 104	0.09 179	0.06 23	0.08 182	0.06 65	0.13 341	0.10 206	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

999	0.09 171	0.05 40	0.13 338	0.15 112	0.08 211	0.10 198	0.14 234	0.15 184	0.11 104	0.10 224	0.08 121	0.08 182	0.08 227	0.16 429	0.10 206	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.05 203

tg	0.10 240	0.06 106	0.10 185	0.18 385	0.08 211	0.11 250	0.16 387	0.20 336	0.12 141	0.08 127	0.11 242	0.11 283	0.07 178	0.11 195	0.10 206	0.05 51	0.04 25	0.08 392	0.08 451	0.04 48	0.04 72

model_zeroshot	0.10 240	0.04 1	0.11 243	0.15 112	0.09 338	0.12 302	0.14 234	0.20 336	0.13 183	0.11 259	0.10 192	0.12 303	0.07 178	0.12 289	0.10 206	0.07 335	0.06 415	0.06 187	0.05 189	0.06 289	0.06 303

Occ-G	0.08 83	0.05 40	0.06 5	0.14 59	0.07 131	0.08 82	0.14 234	0.13 111	0.15 240	0.07 73	0.11 242	0.07 123	0.05 14	0.09 58	0.10 206	0.06 167	0.05 268	0.05 47	0.04 58	0.05 167	0.05 203

rvit_stereo_0080	0.10 240	0.08 343	0.14 375	0.15 112	0.09 338	0.07 42	0.15 318	0.16 222	0.16 277	0.11 259	0.10 192	0.14 349	0.08 227	0.12 289	0.10 206	0.09 472	0.07 487	0.07 298	0.06 280	0.07 369	0.05 203

trnet	0.08 83	0.05 40	0.07 11	0.12 5	0.05 2	0.12 302	0.11 64	0.13 111	0.10 73	0.08 127	0.13 282	0.09 218	0.08 227	0.11 195	0.10 206	0.08 412	0.05 268	0.05 47	0.03 1	0.06 289	0.05 203

H2IRNET	0.10 240	0.09 423	0.09 121	0.18 385	0.09 338	0.12 302	0.15 318	0.14 142	0.21 395	0.10 224	0.10 192	0.10 253	0.10 303	0.10 121	0.10 206	0.05 51	0.04 25	0.08 392	0.08 451	0.06 289	0.05 203

AE-Stereo	0.10 240	0.08 343	0.10 185	0.18 385	0.09 338	0.10 198	0.15 318	0.14 142	0.19 356	0.09 179	0.14 296	0.12 303	0.08 227	0.11 195	0.10 206	0.05 51	0.06 415	0.07 298	0.06 280	0.05 167	0.04 72

whm_eth	0.10 240	0.08 343	0.14 375	0.15 112	0.09 338	0.07 42	0.15 318	0.16 222	0.16 277	0.11 259	0.10 192	0.14 349	0.08 227	0.12 289	0.10 206	0.09 472	0.07 487	0.07 298	0.06 280	0.07 369	0.05 203

MSKI-zero shot	0.09 171	0.05 40	0.09 121	0.15 112	0.07 131	0.10 198	0.13 169	0.14 142	0.13 183	0.09 179	0.09 156	0.09 218	0.06 65	0.12 289	0.10 206	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

StereoVision	0.13 385	0.12 529	0.09 121	0.24 603	0.10 450	0.15 413	0.21 561	0.21 359	0.20 379	0.12 300	0.24 453	0.10 253	0.10 303	0.16 429	0.10 206	0.09 472	0.11 584	0.12 574	0.12 592	0.06 289	0.05 203

CASnet	0.09 171	0.09 423	0.09 121	0.19 454	0.06 27	0.07 42	0.11 64	0.18 295	0.14 215	0.11 259	0.10 192	0.09 218	0.07 178	0.10 121	0.10 206	0.06 167	0.04 25	0.10 523	0.08 451	0.05 167	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 171	0.07 224	0.13 338	0.18 385	0.06 27	0.11 250	0.07 3	0.13 111	0.12 141	0.09 179	0.10 192	0.07 123	0.09 264	0.13 341	0.10 206	0.06 167	0.05 268	0.05 47	0.04 58	0.04 48	0.05 203

LL-Strereo2	0.10 240	0.10 485	0.15 423	0.18 385	0.08 211	0.15 413	0.09 20	0.17 261	0.14 215	0.14 352	0.10 192	0.09 218	0.07 178	0.16 429	0.10 206	0.05 51	0.05 268	0.10 523	0.07 378	0.06 289	0.05 203

LoS	0.09 171	0.05 40	0.11 243	0.13 16	0.07 131	0.14 387	0.11 64	0.15 184	0.15 240	0.09 179	0.09 156	0.12 303	0.09 264	0.15 394	0.10 206	0.07 335	0.05 268	0.05 47	0.03 1	0.05 167	0.05 203
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
MC-Stereo	0.08 83	0.06 106	0.09 121	0.17 295	0.06 27	0.10 198	0.14 234	0.12 83	0.10 73	0.09 179	0.12 263	0.09 218	0.06 65	0.11 195	0.10 206	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

DisPM	0.11 288	0.07 224	0.12 288	0.16 208	0.09 338	0.06 13	0.13 169	0.17 261	0.17 306	0.14 352	0.20 398	0.12 303	0.10 303	0.11 195	0.10 206	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.11 556

Sa-1000	0.12 359	0.08 343	0.08 56	0.18 385	0.08 211	0.14 387	0.22 571	0.22 383	0.18 337	0.15 379	0.20 398	0.17 416	0.11 336	0.10 121	0.10 206	0.06 167	0.05 268	0.09 475	0.09 498	0.05 167	0.05 203

test-3	0.08 83	0.06 106	0.09 121	0.17 295	0.07 131	0.07 42	0.14 234	0.12 83	0.15 240	0.09 179	0.08 121	0.07 123	0.08 227	0.11 195	0.10 206	0.05 51	0.04 25	0.07 298	0.05 189	0.04 48	0.04 72

test_1	0.08 83	0.06 106	0.09 121	0.17 295	0.07 131	0.07 42	0.14 234	0.12 83	0.15 240	0.09 179	0.08 121	0.07 123	0.08 227	0.11 195	0.10 206	0.05 51	0.04 25	0.07 298	0.05 189	0.04 48	0.04 72

HHNet	0.11 288	0.06 106	0.16 459	0.15 112	0.14 578	0.07 42	0.13 169	0.20 336	0.17 306	0.14 352	0.25 481	0.11 283	0.08 227	0.13 341	0.10 206	0.05 51	0.04 25	0.08 392	0.06 280	0.05 167	0.09 500

Patchmatch Stereo++	0.11 288	0.09 423	0.16 459	0.18 385	0.08 211	0.06 13	0.11 64	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
TransformOpticalFlow	0.10 240	0.08 343	0.13 338	0.18 385	0.07 131	0.09 135	0.15 318	0.19 325	0.15 240	0.12 300	0.17 348	0.11 283	0.11 336	0.11 195	0.10 206	0.05 51	0.04 25	0.06 187	0.06 280	0.05 167	0.05 203

NRIStereo	0.11 288	0.08 343	0.14 375	0.18 385	0.08 211	0.10 198	0.14 234	0.16 222	0.15 240	0.12 300	0.14 296	0.13 329	0.12 367	0.13 341	0.10 206	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.07 390

PSM-adaLoss	0.11 288	0.09 423	0.16 459	0.18 385	0.08 211	0.06 13	0.12 96	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

PSM-AAD	0.11 288	0.07 224	0.10 185	0.19 454	0.09 338	0.10 198	0.15 318	0.20 336	0.13 183	0.12 300	0.14 296	0.18 430	0.11 336	0.11 195	0.10 206	0.05 51	0.05 268	0.09 475	0.08 451	0.06 289	0.14 609

ROB_FTStereo_v2	0.11 288	0.09 423	0.16 459	0.19 454	0.08 211	0.06 13	0.12 96	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

ROB_FTStereo	0.11 288	0.09 423	0.16 459	0.19 454	0.08 211	0.06 13	0.11 64	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

KYRaft	0.11 288	0.07 224	0.10 185	0.19 454	0.09 338	0.08 82	0.15 318	0.22 383	0.12 141	0.13 330	0.16 326	0.20 456	0.10 303	0.12 289	0.10 206	0.05 51	0.04 25	0.08 392	0.08 451	0.06 289	0.16 627

HUI-Stereo	0.11 288	0.09 423	0.16 459	0.18 385	0.08 211	0.06 13	0.12 96	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

ASMatch	0.11 288	0.06 106	0.13 338	0.16 208	0.10 450	0.07 42	0.14 234	0.17 261	0.17 306	0.12 300	0.16 326	0.16 394	0.10 303	0.13 341	0.10 206	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.08 456

iGMRVC	0.11 288	0.09 423	0.16 459	0.19 454	0.08 211	0.06 13	0.12 96	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

IRAFT_RVC	0.12 359	0.08 343	0.16 459	0.19 454	0.08 211	0.07 42	0.15 318	0.24 428	0.23 421	0.14 352	0.14 296	0.15 378	0.12 367	0.12 289	0.10 206	0.06 167	0.04 25	0.09 475	0.06 280	0.06 289	0.06 303

iRAFT	0.11 288	0.09 423	0.16 459	0.18 385	0.08 211	0.06 13	0.11 64	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

AnonymousM	0.09 171	0.05 40	0.10 185	0.14 59	0.06 27	0.09 135	0.13 169	0.19 325	0.14 215	0.13 330	0.11 242	0.09 218	0.08 227	0.13 341	0.10 206	0.08 412	0.05 268	0.08 392	0.05 189	0.05 167	0.05 203

RAFT-IKP	0.11 288	0.09 423	0.16 459	0.19 454	0.08 211	0.06 13	0.12 96	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390

Prome-Stereo	0.11 288	0.06 106	0.10 185	0.18 385	0.08 211	0.12 302	0.15 318	0.22 383	0.13 183	0.12 300	0.17 348	0.13 329	0.08 227	0.12 289	0.10 206	0.05 51	0.04 25	0.07 298	0.06 280	0.06 289	0.09 500

iRaftStereo_RVC	0.10 240	0.07 224	0.09 121	0.17 295	0.09 338	0.11 250	0.17 429	0.18 295	0.12 141	0.09 179	0.12 263	0.10 253	0.07 178	0.11 195	0.10 206	0.05 51	0.04 25	0.08 392	0.08 451	0.04 48	0.04 72

XX-TBD	0.09 171	0.06 106	0.07 11	0.14 59	0.07 131	0.12 302	0.16 387	0.14 142	0.13 183	0.11 259	0.12 263	0.09 218	0.08 227	0.10 121	0.10 206	0.06 167	0.04 25	0.05 47	0.03 1	0.06 289	0.05 203

raftrobust	0.09 171	0.06 106	0.10 185	0.17 295	0.08 211	0.09 135	0.10 35	0.18 295	0.16 277	0.10 224	0.09 156	0.12 303	0.07 178	0.12 289	0.10 206	0.08 412	0.05 268	0.06 187	0.05 189	0.05 167	0.05 203

sAnonymous2	0.13 385	0.12 529	0.24 565	0.20 521	0.12 534	0.17 465	0.13 169	0.26 463	0.21 395	0.11 259	0.11 242	0.13 329	0.08 227	0.10 121	0.10 206	0.09 472	0.05 268	0.08 392	0.06 280	0.15 616	0.10 529

CroCo_RVC	0.13 385	0.12 529	0.24 565	0.20 521	0.12 534	0.17 465	0.13 169	0.26 463	0.21 395	0.11 259	0.11 242	0.13 329	0.08 227	0.10 121	0.10 206	0.09 472	0.05 268	0.08 392	0.06 280	0.15 616	0.10 529

111	0.10 240	0.06 106	0.12 288	0.15 112	0.07 131	0.10 198	0.14 234	0.21 359	0.23 421	0.11 259	0.12 263	0.14 349	0.11 336	0.13 341	0.10 206	0.06 167	0.04 25	0.06 187	0.04 58	0.05 167	0.05 203

CREStereo	0.09 171	0.04 1	0.08 56	0.11 1	0.06 27	0.13 353	0.14 234	0.14 142	0.10 73	0.08 127	0.13 282	0.09 218	0.08 227	0.11 195	0.10 206	0.08 412	0.04 25	0.05 47	0.03 1	0.06 289	0.06 303
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 171	0.05 40	0.09 121	0.12 5	0.06 27	0.12 302	0.14 234	0.15 184	0.11 104	0.09 179	0.13 282	0.10 253	0.07 178	0.13 341	0.10 206	0.15 613	0.04 25	0.05 47	0.03 1	0.07 369	0.06 303

RT-IGEV	0.13 385	0.06 106	0.13 338	0.15 112	0.09 338	0.15 413	0.17 429	0.24 428	0.27 483	0.16 407	0.17 348	0.17 416	0.10 303	0.14 370	0.11 286	0.08 412	0.05 268	0.07 298	0.05 189	0.07 369	0.07 390

GeoVLM	0.08 83	0.04 1	0.10 185	0.13 16	0.06 27	0.10 198	0.12 96	0.13 111	0.08 24	0.06 24	0.07 64	0.06 42	0.08 227	0.10 121	0.11 286	0.06 167	0.05 268	0.04 1	0.03 1	0.04 48	0.05 203

Hybrid-DGEV-03	0.10 240	0.06 106	0.09 121	0.18 385	0.08 211	0.16 443	0.14 234	0.15 184	0.14 215	0.13 330	0.16 326	0.12 303	0.09 264	0.13 341	0.11 286	0.06 167	0.04 25	0.08 392	0.06 280	0.05 167	0.04 72

BStereo	0.08 83	0.06 106	0.16 459	0.15 112	0.08 211	0.07 42	0.09 20	0.15 184	0.16 277	0.06 24	0.07 64	0.07 123	0.05 14	0.09 58	0.11 286	0.04 11	0.05 268	0.05 47	0.07 378	0.04 48	0.04 72

Wave_Phase_stereo	0.09 171	0.06 106	0.16 459	0.15 112	0.08 211	0.11 250	0.09 20	0.18 295	0.16 277	0.06 24	0.07 64	0.07 123	0.05 14	0.09 58	0.11 286	0.04 11	0.05 268	0.05 47	0.07 378	0.04 48	0.04 72

WQFJA1	0.10 240	0.07 224	0.08 56	0.20 521	0.09 338	0.12 302	0.17 429	0.17 261	0.17 306	0.09 179	0.10 192	0.08 182	0.10 303	0.12 289	0.11 286	0.06 167	0.07 487	0.07 298	0.06 280	0.06 289	0.05 203

NLMM1	0.11 288	0.09 423	0.07 11	0.22 570	0.10 450	0.12 302	0.20 541	0.18 295	0.20 379	0.12 300	0.11 242	0.07 123	0.09 264	0.11 195	0.11 286	0.08 412	0.08 517	0.07 298	0.06 280	0.04 48	0.04 72

NLMM	0.10 240	0.07 224	0.08 56	0.20 521	0.09 338	0.12 302	0.17 429	0.17 261	0.17 306	0.09 179	0.10 192	0.08 182	0.10 303	0.12 289	0.11 286	0.06 167	0.07 487	0.07 298	0.06 280	0.06 289	0.05 203

NLSM3	0.09 171	0.06 106	0.08 56	0.19 454	0.08 211	0.11 250	0.16 387	0.18 295	0.16 277	0.06 24	0.08 121	0.07 123	0.08 227	0.09 58	0.11 286	0.04 11	0.04 25	0.06 187	0.07 378	0.03 1	0.03 2

NLSM1	0.10 240	0.07 224	0.07 11	0.19 454	0.08 211	0.13 353	0.16 387	0.21 359	0.15 240	0.11 259	0.10 192	0.06 42	0.10 303	0.10 121	0.11 286	0.07 335	0.08 517	0.08 392	0.07 378	0.05 167	0.05 203

MonSter++	0.08 83	0.04 1	0.10 185	0.13 16	0.06 27	0.09 135	0.12 96	0.13 111	0.08 24	0.06 24	0.07 64	0.06 42	0.08 227	0.10 121	0.11 286	0.06 167	0.05 268	0.04 1	0.03 1	0.04 48	0.04 72

HiDET	0.08 83	0.04 1	0.10 185	0.13 16	0.06 27	0.08 82	0.12 96	0.12 83	0.11 104	0.06 24	0.07 64	0.07 123	0.07 178	0.11 195	0.11 286	0.06 167	0.04 25	0.04 1	0.03 1	0.04 48	0.04 72

FlowAnything_test	0.11 288	0.08 343	0.14 375	0.15 112	0.09 338	0.07 42	0.14 234	0.20 336	0.11 104	0.09 179	0.09 156	0.12 303	0.12 367	0.13 341	0.11 286	0.09 472	0.06 415	0.09 475	0.09 498	0.06 289	0.09 500

2.75w_new	0.07 7	0.07 224	0.07 11	0.13 16	0.06 27	0.08 82	0.08 7	0.18 295	0.12 141	0.07 73	0.08 121	0.06 42	0.06 65	0.09 58	0.11 286	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.04 72

xyz-stereo-finetune2	0.11 288	0.07 224	0.13 338	0.13 16	0.07 131	0.11 250	0.19 518	0.17 261	0.12 141	0.15 379	0.15 313	0.17 416	0.12 367	0.13 341	0.11 286	0.05 51	0.04 25	0.07 298	0.05 189	0.04 48	0.06 303

xyz-stereo-finetune	0.11 288	0.08 343	0.13 338	0.14 59	0.06 27	0.10 198	0.19 518	0.17 261	0.19 356	0.12 300	0.14 296	0.15 378	0.10 303	0.13 341	0.11 286	0.05 51	0.04 25	0.07 298	0.05 189	0.04 48	0.05 203

S2M2_L	0.09 171	0.08 343	0.11 243	0.13 16	0.10 450	0.08 82	0.06 1	0.10 33	0.10 73	0.10 224	0.09 156	0.10 253	0.09 264	0.11 195	0.11 286	0.13 595	0.07 487	0.08 392	0.09 498	0.10 529	0.08 456
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
fffy	0.09 171	0.08 343	0.09 121	0.16 208	0.07 131	0.13 353	0.17 429	0.13 111	0.12 141	0.08 127	0.09 156	0.08 182	0.09 264	0.13 341	0.11 286	0.05 51	0.05 268	0.07 298	0.05 189	0.04 48	0.05 203

RAFT-Stereo-weight	0.09 171	0.06 106	0.10 185	0.16 208	0.07 131	0.09 135	0.14 234	0.19 325	0.16 277	0.11 259	0.10 192	0.08 182	0.06 65	0.10 121	0.11 286	0.06 167	0.04 25	0.06 187	0.04 58	0.04 48	0.04 72

qqq1	0.13 385	0.07 224	0.17 489	0.14 59	0.08 211	0.16 443	0.17 429	0.26 463	0.27 483	0.19 473	0.20 398	0.18 430	0.15 449	0.15 394	0.11 286	0.08 412	0.05 268	0.05 47	0.05 189	0.06 289	0.06 303

fff1	0.13 385	0.07 224	0.17 489	0.14 59	0.08 211	0.16 443	0.17 429	0.26 463	0.27 483	0.19 473	0.20 398	0.18 430	0.15 449	0.15 394	0.11 286	0.08 412	0.05 268	0.05 47	0.05 189	0.06 289	0.06 303

CoDeX	0.12 359	0.07 224	0.12 288	0.17 295	0.08 211	0.12 302	0.15 318	0.23 404	0.27 483	0.13 330	0.17 348	0.16 394	0.11 336	0.14 370	0.11 286	0.07 335	0.05 268	0.07 298	0.06 280	0.06 289	0.05 203

LL-Strereo	0.13 385	0.09 423	0.11 243	0.20 521	0.10 450	0.11 250	0.18 478	0.32 554	0.24 438	0.15 379	0.15 313	0.14 349	0.13 407	0.19 500	0.11 286	0.06 167	0.04 25	0.09 475	0.08 451	0.04 48	0.05 203

anonymousdsp2	0.11 288	0.07 224	0.10 185	0.16 208	0.09 338	0.13 353	0.14 234	0.18 295	0.22 409	0.13 330	0.14 296	0.12 303	0.09 264	0.14 370	0.11 286	0.05 51	0.04 25	0.05 47	0.04 58	0.06 289	0.05 203

EGLCR-Stereo	0.08 83	0.05 40	0.08 56	0.14 59	0.06 27	0.10 198	0.12 96	0.11 56	0.16 277	0.06 24	0.05 7	0.07 123	0.05 14	0.10 121	0.11 286	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

DCRE	0.11 288	0.07 224	0.13 338	0.16 208	0.11 500	0.11 250	0.17 429	0.18 295	0.17 306	0.11 259	0.18 375	0.10 253	0.10 303	0.15 394	0.11 286	0.06 167	0.05 268	0.06 187	0.06 280	0.05 167	0.04 72

knoymous	0.11 288	0.05 40	0.12 288	0.13 16	0.07 131	0.15 413	0.14 234	0.19 325	0.13 183	0.11 259	0.17 348	0.13 329	0.09 264	0.13 341	0.11 286	0.08 412	0.05 268	0.06 187	0.05 189	0.08 433	0.07 390

Selective-RAFT	0.11 288	0.10 485	0.11 243	0.21 553	0.08 211	0.16 443	0.13 169	0.20 336	0.22 409	0.10 224	0.10 192	0.11 283	0.10 303	0.15 394	0.11 286	0.05 51	0.05 268	0.06 187	0.05 189	0.06 289	0.05 203

RCA-Stereo	0.09 171	0.06 106	0.09 121	0.16 208	0.06 27	0.09 135	0.13 169	0.18 295	0.14 215	0.09 179	0.10 192	0.08 182	0.07 178	0.12 289	0.11 286	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.04 72

SA	0.12 359	0.09 423	0.08 56	0.18 385	0.08 211	0.12 302	0.24 595	0.23 404	0.18 337	0.17 426	0.27 507	0.14 349	0.11 336	0.11 195	0.11 286	0.05 51	0.05 268	0.09 475	0.08 451	0.05 167	0.04 72

test_4	0.10 240	0.10 485	0.08 56	0.19 454	0.09 338	0.08 82	0.22 571	0.15 184	0.17 306	0.12 300	0.18 375	0.12 303	0.09 264	0.08 25	0.11 286	0.04 11	0.04 25	0.08 392	0.08 451	0.04 48	0.03 2

CIPLG	0.11 288	0.08 343	0.14 375	0.17 295	0.08 211	0.12 302	0.15 318	0.17 261	0.15 240	0.14 352	0.11 242	0.16 394	0.09 264	0.16 429	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303

GLC_STEREO	0.11 288	0.07 224	0.11 243	0.17 295	0.07 131	0.09 135	0.13 169	0.15 184	0.24 438	0.12 300	0.13 282	0.12 303	0.08 227	0.18 485	0.11 286	0.06 167	0.08 517	0.08 392	0.06 280	0.05 167	0.05 203

IPLGR_C	0.11 288	0.08 343	0.14 375	0.17 295	0.08 211	0.12 302	0.15 318	0.17 261	0.15 240	0.14 352	0.10 192	0.16 394	0.09 264	0.16 429	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303

ACRE	0.11 288	0.08 343	0.14 375	0.17 295	0.08 211	0.12 302	0.15 318	0.17 261	0.14 215	0.14 352	0.10 192	0.16 394	0.09 264	0.16 429	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303

test_3	0.10 240	0.09 423	0.10 185	0.20 521	0.08 211	0.13 353	0.26 620	0.14 142	0.21 395	0.10 224	0.10 192	0.09 218	0.09 264	0.08 25	0.11 286	0.05 51	0.04 25	0.08 392	0.07 378	0.04 48	0.04 72

PFNet+	0.11 288	0.06 106	0.13 338	0.16 208	0.09 338	0.05 4	0.12 96	0.17 261	0.21 395	0.16 407	0.19 386	0.14 349	0.10 303	0.11 195	0.11 286	0.08 412	0.05 268	0.09 475	0.08 451	0.06 289	0.11 556

LCNet	0.11 288	0.07 224	0.09 121	0.19 454	0.09 338	0.08 82	0.15 318	0.21 359	0.15 240	0.11 259	0.15 313	0.16 394	0.11 336	0.12 289	0.11 286	0.05 51	0.04 25	0.08 392	0.07 378	0.06 289	0.15 616

NF-Stereo	0.11 288	0.07 224	0.13 338	0.17 295	0.09 338	0.10 198	0.14 234	0.23 404	0.19 356	0.12 300	0.17 348	0.12 303	0.11 336	0.11 195	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.12 569

OCTAStereo	0.11 288	0.07 224	0.13 338	0.17 295	0.09 338	0.10 198	0.14 234	0.23 404	0.19 356	0.12 300	0.17 348	0.12 303	0.11 336	0.11 195	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.12 569

PSM-softLoss	0.12 359	0.07 224	0.15 423	0.17 295	0.09 338	0.08 82	0.13 169	0.24 428	0.17 306	0.14 352	0.19 386	0.13 329	0.11 336	0.11 195	0.11 286	0.07 335	0.05 268	0.08 392	0.07 378	0.06 289	0.12 569

KMStereo	0.12 359	0.07 224	0.15 423	0.17 295	0.09 338	0.08 82	0.13 169	0.24 428	0.17 306	0.14 352	0.19 386	0.13 329	0.11 336	0.11 195	0.11 286	0.07 335	0.05 268	0.08 392	0.07 378	0.06 289	0.12 569

SST-Stereo	0.10 240	0.07 224	0.15 423	0.18 385	0.09 338	0.06 13	0.12 96	0.17 261	0.11 104	0.15 379	0.17 348	0.13 329	0.12 367	0.10 121	0.11 286	0.06 167	0.04 25	0.09 475	0.06 280	0.06 289	0.05 203

RAFT_R40	0.11 288	0.07 224	0.14 375	0.18 385	0.09 338	0.06 13	0.13 169	0.17 261	0.16 277	0.14 352	0.18 375	0.15 378	0.12 367	0.10 121	0.11 286	0.06 167	0.04 25	0.09 475	0.06 280	0.06 289	0.05 203

PFNet	0.12 359	0.06 106	0.17 489	0.17 295	0.08 211	0.09 135	0.15 318	0.26 463	0.20 379	0.16 407	0.16 326	0.14 349	0.11 336	0.12 289	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.05 167	0.05 203

GrayStereo	0.11 288	0.06 106	0.11 243	0.19 454	0.09 338	0.09 135	0.16 387	0.18 295	0.17 306	0.14 352	0.17 348	0.17 416	0.11 336	0.12 289	0.11 286	0.05 51	0.05 268	0.07 298	0.06 280	0.05 167	0.10 529

RE-Stereo	0.11 288	0.07 224	0.13 338	0.17 295	0.09 338	0.10 198	0.14 234	0.23 404	0.19 356	0.12 300	0.17 348	0.12 303	0.11 336	0.11 195	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.12 569

Pruner-Stereo	0.11 288	0.07 224	0.12 288	0.17 295	0.09 338	0.06 13	0.12 96	0.17 261	0.17 306	0.13 330	0.19 386	0.13 329	0.09 264	0.11 195	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.08 456

TVStereo	0.11 288	0.07 224	0.13 338	0.17 295	0.09 338	0.10 198	0.14 234	0.23 404	0.19 356	0.12 300	0.17 348	0.12 303	0.11 336	0.11 195	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.06 289	0.12 569

DeepStereo_RVC	0.11 288	0.08 343	0.16 459	0.18 385	0.08 211	0.08 82	0.12 96	0.17 261	0.12 141	0.13 330	0.14 296	0.12 303	0.12 367	0.12 289	0.11 286	0.06 167	0.04 25	0.07 298	0.06 280	0.07 369	0.08 456

CRE-IMP	0.11 288	0.09 423	0.16 459	0.19 454	0.08 211	0.10 198	0.12 96	0.18 295	0.10 73	0.14 352	0.13 282	0.13 329	0.12 367	0.12 289	0.11 286	0.07 335	0.04 25	0.08 392	0.06 280	0.08 433	0.08 456

cross-raft	0.10 240	0.09 423	0.09 121	0.19 454	0.07 131	0.11 250	0.25 611	0.13 111	0.15 240	0.08 127	0.11 242	0.12 303	0.10 303	0.09 58	0.11 286	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

GMM-Stereo	0.11 288	0.07 224	0.10 185	0.18 385	0.09 338	0.08 82	0.15 318	0.23 404	0.16 277	0.11 259	0.15 313	0.13 329	0.11 336	0.11 195	0.11 286	0.05 51	0.04 25	0.08 392	0.07 378	0.06 289	0.09 500

CREStereo++_RVC	0.08 83	0.04 1	0.06 5	0.13 16	0.07 131	0.09 135	0.12 96	0.14 142	0.14 215	0.10 224	0.14 296	0.08 182	0.07 178	0.09 58	0.11 286	0.06 167	0.04 25	0.05 47	0.05 189	0.04 48	0.04 72
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
RALCasStereoNet	0.10 240	0.06 106	0.09 121	0.16 208	0.08 211	0.12 302	0.14 234	0.17 261	0.11 104	0.12 300	0.17 348	0.14 349	0.10 303	0.12 289	0.11 286	0.07 335	0.06 415	0.06 187	0.05 189	0.08 433	0.07 390

RALAANet	0.11 288	0.08 343	0.10 185	0.17 295	0.09 338	0.14 387	0.10 35	0.20 336	0.15 240	0.14 352	0.13 282	0.16 394	0.09 264	0.12 289	0.11 286	0.06 167	0.05 268	0.07 298	0.06 280	0.05 167	0.04 72

sCroCo_RVC	0.12 359	0.09 423	0.23 561	0.24 603	0.11 500	0.19 508	0.14 234	0.17 261	0.14 215	0.10 224	0.13 282	0.12 303	0.07 178	0.14 370	0.11 286	0.08 412	0.08 517	0.08 392	0.08 451	0.05 167	0.07 390

EAI-Stereo	0.09 171	0.07 224	0.11 243	0.15 112	0.06 27	0.10 198	0.15 318	0.16 222	0.09 50	0.08 127	0.09 156	0.08 182	0.07 178	0.09 58	0.11 286	0.05 51	0.04 25	0.05 47	0.05 189	0.05 167	0.04 72

SFCPSM	0.13 385	0.07 224	0.14 375	0.17 295	0.09 338	0.15 413	0.16 387	0.28 504	0.27 483	0.14 352	0.17 348	0.12 303	0.13 407	0.14 370	0.11 286	0.08 412	0.05 268	0.07 298	0.07 378	0.07 369	0.06 303

R-Stereo Train	0.10 240	0.06 106	0.10 185	0.17 295	0.08 211	0.11 250	0.14 234	0.23 404	0.11 104	0.12 300	0.19 386	0.11 283	0.08 227	0.09 58	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.05 203

RAFT-Stereo	0.10 240	0.06 106	0.10 185	0.17 295	0.08 211	0.11 250	0.14 234	0.23 404	0.11 104	0.12 300	0.19 386	0.11 283	0.08 227	0.09 58	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.05 203
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
TS12	0.08 83	0.06 106	0.09 121	0.21 553	0.07 131	0.11 250	0.13 169	0.11 56	0.09 50	0.10 224	0.10 192	0.08 182	0.10 303	0.09 58	0.12 347	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

Selective-IGEV-i16pb	0.14 422	0.08 343	0.17 489	0.15 112	0.11 500	0.41 648	0.16 387	0.28 504	0.23 421	0.11 259	0.20 398	0.10 253	0.07 178	0.17 463	0.12 347	0.10 513	0.07 487	0.06 187	0.08 451	0.09 496	0.10 529

xyz-stereo	0.13 385	0.07 224	0.20 537	0.15 112	0.05 2	0.20 524	0.15 318	0.17 261	0.31 523	0.15 379	0.29 533	0.26 531	0.16 477	0.13 341	0.12 347	0.05 51	0.05 268	0.06 187	0.05 189	0.04 48	0.04 72

fffft	0.09 171	0.06 106	0.12 288	0.16 208	0.07 131	0.09 135	0.17 429	0.12 83	0.11 104	0.08 127	0.07 64	0.09 218	0.06 65	0.11 195	0.12 347	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.05 203
1: 1. 1
mms	0.09 171	0.07 224	0.08 56	0.16 208	0.08 211	0.10 198	0.16 387	0.12 83	0.11 104	0.08 127	0.09 156	0.08 182	0.06 65	0.11 195	0.12 347	0.05 51	0.04 25	0.07 298	0.05 189	0.04 48	0.03 2

ours_stereo	0.09 171	0.07 224	0.09 121	0.17 295	0.08 211	0.11 250	0.16 387	0.11 56	0.12 141	0.08 127	0.10 192	0.08 182	0.06 65	0.12 289	0.12 347	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.03 2

rvit_0105_6	0.14 422	0.09 423	0.18 513	0.17 295	0.10 450	0.10 198	0.16 387	0.19 325	0.26 473	0.12 300	0.18 375	0.17 416	0.12 367	0.18 485	0.12 347	0.15 613	0.11 584	0.12 574	0.10 538	0.09 496	0.06 303

UGAM	0.13 385	0.10 485	0.09 121	0.22 570	0.08 211	0.12 302	0.20 541	0.17 261	0.23 421	0.21 510	0.16 326	0.13 329	0.13 407	0.19 500	0.12 347	0.07 335	0.05 268	0.13 589	0.11 572	0.07 369	0.05 203

rvit_stereo_0083	0.12 359	0.08 343	0.17 489	0.16 208	0.09 338	0.11 250	0.15 318	0.14 142	0.26 473	0.11 259	0.14 296	0.13 329	0.10 303	0.12 289	0.12 347	0.10 513	0.08 517	0.09 475	0.07 378	0.07 369	0.05 203

rvit_stereo_0081	0.11 288	0.08 343	0.15 423	0.16 208	0.09 338	0.10 198	0.14 234	0.14 142	0.24 438	0.11 259	0.13 282	0.13 329	0.09 264	0.11 195	0.12 347	0.10 513	0.07 487	0.08 392	0.07 378	0.07 369	0.05 203

rvit_stereo_0082	0.11 288	0.08 343	0.15 423	0.16 208	0.09 338	0.10 198	0.14 234	0.14 142	0.24 438	0.11 259	0.13 282	0.13 329	0.09 264	0.11 195	0.12 347	0.10 513	0.07 487	0.08 392	0.07 378	0.07 369	0.05 203

test_sample2	0.12 359	0.07 224	0.12 288	0.14 59	0.08 211	0.16 443	0.18 478	0.21 359	0.16 277	0.14 352	0.20 398	0.19 444	0.15 449	0.15 394	0.12 347	0.08 412	0.05 268	0.07 298	0.06 280	0.08 433	0.07 390

Former-RAFT_DAM_RVC	0.10 240	0.08 343	0.12 288	0.16 208	0.08 211	0.15 413	0.16 387	0.18 295	0.18 337	0.10 224	0.09 156	0.09 218	0.08 227	0.11 195	0.12 347	0.07 335	0.05 268	0.08 392	0.06 280	0.07 369	0.06 303

plain	0.10 240	0.08 343	0.10 185	0.19 454	0.09 338	0.10 198	0.15 318	0.14 142	0.13 183	0.13 330	0.15 313	0.09 218	0.12 367	0.13 341	0.12 347	0.07 335	0.05 268	0.09 475	0.06 280	0.06 289	0.06 303

MIF-Stereo (partial)	0.11 288	0.06 106	0.10 185	0.19 454	0.10 450	0.10 198	0.11 64	0.17 261	0.18 337	0.14 352	0.16 326	0.09 218	0.11 336	0.12 289	0.12 347	0.08 412	0.05 268	0.08 392	0.07 378	0.06 289	0.07 390

EKT-Stereo	0.11 288	0.07 224	0.14 375	0.15 112	0.10 450	0.13 353	0.14 234	0.18 295	0.21 395	0.11 259	0.08 121	0.12 303	0.09 264	0.11 195	0.12 347	0.08 412	0.06 415	0.07 298	0.06 280	0.08 433	0.07 390

riskmin	0.11 288	0.06 106	0.13 338	0.14 59	0.08 211	0.14 387	0.14 234	0.18 295	0.14 215	0.11 259	0.14 296	0.16 394	0.11 336	0.14 370	0.12 347	0.09 472	0.05 268	0.07 298	0.05 189	0.08 433	0.08 456

DCANet-4	0.10 240	0.06 106	0.12 288	0.16 208	0.06 27	0.09 135	0.17 429	0.18 295	0.19 356	0.13 330	0.16 326	0.09 218	0.14 431	0.11 195	0.12 347	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.05 203

fff	0.10 240	0.06 106	0.12 288	0.15 112	0.07 131	0.09 135	0.17 429	0.16 222	0.20 379	0.13 330	0.16 326	0.10 253	0.11 336	0.11 195	0.12 347	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.05 203

ADStereo(finetuned)	0.10 240	0.06 106	0.12 288	0.16 208	0.06 27	0.09 135	0.17 429	0.15 184	0.19 356	0.13 330	0.17 348	0.10 253	0.12 367	0.11 195	0.12 347	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

raft_robust	0.13 385	0.10 485	0.07 11	0.18 385	0.08 211	0.13 353	0.24 595	0.28 504	0.33 537	0.20 496	0.19 386	0.14 349	0.10 303	0.11 195	0.12 347	0.05 51	0.05 268	0.07 298	0.07 378	0.05 167	0.04 72

RAFT+CT+SA	0.13 385	0.11 511	0.09 121	0.19 454	0.09 338	0.15 413	0.28 633	0.22 383	0.22 409	0.15 379	0.26 498	0.10 253	0.10 303	0.11 195	0.12 347	0.05 51	0.04 25	0.07 298	0.08 451	0.07 369	0.06 303

hknet	0.15 467	0.11 511	0.13 338	0.22 570	0.11 500	0.14 387	0.15 318	0.34 583	0.25 459	0.17 426	0.22 432	0.22 483	0.18 515	0.17 463	0.12 347	0.07 335	0.06 415	0.10 523	0.09 498	0.07 369	0.07 390

DAS	0.15 467	0.08 343	0.18 513	0.19 454	0.10 450	0.19 508	0.17 429	0.27 485	0.29 505	0.18 456	0.25 481	0.21 465	0.15 449	0.16 429	0.12 347	0.08 412	0.06 415	0.06 187	0.06 280	0.07 369	0.07 390

SepStereo	0.15 467	0.08 343	0.18 513	0.19 454	0.10 450	0.19 508	0.17 429	0.27 485	0.29 505	0.18 456	0.25 481	0.21 465	0.15 449	0.25 581	0.12 347	0.08 412	0.06 415	0.06 187	0.06 280	0.07 369	0.07 390

MIPNet	0.11 288	0.08 343	0.14 375	0.17 295	0.09 338	0.12 302	0.14 234	0.20 336	0.24 438	0.11 259	0.10 192	0.09 218	0.07 178	0.13 341	0.12 347	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

IPLGR	0.11 288	0.09 423	0.16 459	0.18 385	0.08 211	0.12 302	0.17 429	0.21 359	0.24 438	0.11 259	0.12 263	0.11 283	0.08 227	0.12 289	0.12 347	0.06 167	0.05 268	0.06 187	0.06 280	0.04 48	0.04 72

CrosDoStereo	0.12 359	0.06 106	0.12 288	0.14 59	0.08 211	0.12 302	0.15 318	0.17 261	0.22 409	0.19 473	0.24 453	0.15 378	0.11 336	0.11 195	0.12 347	0.06 167	0.04 25	0.07 298	0.07 378	0.05 167	0.05 203

STrans-v2	0.10 240	0.07 224	0.12 288	0.18 385	0.07 131	0.10 198	0.14 234	0.21 359	0.11 104	0.11 259	0.15 313	0.12 303	0.10 303	0.11 195	0.12 347	0.05 51	0.04 25	0.06 187	0.06 280	0.04 48	0.04 72

IIG-Stereo	0.11 288	0.06 106	0.13 338	0.17 295	0.08 211	0.11 250	0.12 96	0.22 383	0.17 306	0.14 352	0.17 348	0.11 283	0.12 367	0.12 289	0.12 347	0.06 167	0.05 268	0.07 298	0.06 280	0.05 167	0.04 72

DeepStereo_LL	0.12 359	0.06 106	0.12 288	0.14 59	0.08 211	0.12 302	0.15 318	0.17 261	0.22 409	0.19 473	0.24 453	0.15 378	0.11 336	0.11 195	0.12 347	0.06 167	0.04 25	0.07 298	0.07 378	0.05 167	0.05 203

DRaft	0.12 359	0.06 106	0.11 243	0.14 59	0.09 338	0.14 387	0.17 429	0.21 359	0.30 515	0.17 426	0.28 521	0.10 253	0.15 449	0.10 121	0.12 347	0.05 51	0.04 25	0.07 298	0.06 280	0.05 167	0.05 203

RAFT-RH_RVC	0.11 288	0.06 106	0.14 375	0.16 208	0.09 338	0.12 302	0.12 96	0.17 261	0.12 141	0.13 330	0.41 614	0.11 283	0.10 303	0.13 341	0.12 347	0.05 51	0.04 25	0.08 392	0.05 189	0.04 48	0.06 303

RAFT-345	0.11 288	0.07 224	0.15 423	0.16 208	0.08 211	0.08 82	0.12 96	0.15 184	0.10 73	0.11 259	0.36 576	0.09 218	0.09 264	0.11 195	0.12 347	0.05 51	0.05 268	0.07 298	0.06 280	0.04 48	0.05 203

rafts_anoy	0.11 288	0.06 106	0.10 185	0.17 295	0.08 211	0.10 198	0.14 234	0.17 261	0.14 215	0.13 330	0.13 282	0.12 303	0.10 303	0.11 195	0.12 347	0.07 335	0.04 25	0.09 475	0.11 572	0.07 369	0.06 303

Anonymous3	0.16 490	0.13 557	0.33 606	0.26 620	0.14 578	0.27 603	0.17 429	0.28 504	0.28 498	0.15 379	0.17 348	0.14 349	0.10 303	0.15 394	0.12 347	0.08 412	0.08 517	0.08 392	0.08 451	0.08 433	0.11 556

s12784h	0.09 171	0.06 106	0.07 11	0.15 112	0.05 2	0.16 443	0.18 478	0.15 184	0.15 240	0.10 224	0.11 242	0.11 283	0.11 336	0.10 121	0.12 347	0.05 51	0.04 25	0.05 47	0.04 58	0.04 48	0.04 72

DCANet	0.10 240	0.06 106	0.12 288	0.16 208	0.06 27	0.09 135	0.17 429	0.15 184	0.19 356	0.13 330	0.17 348	0.10 253	0.11 336	0.11 195	0.12 347	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

csc	0.10 240	0.06 106	0.12 288	0.15 112	0.07 131	0.09 135	0.17 429	0.16 222	0.20 379	0.13 330	0.16 326	0.10 253	0.11 336	0.11 195	0.12 347	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.05 203

cscssc	0.10 240	0.06 106	0.12 288	0.15 112	0.07 131	0.09 135	0.17 429	0.16 222	0.20 379	0.13 330	0.16 326	0.10 253	0.11 336	0.11 195	0.12 347	0.06 167	0.04 25	0.05 47	0.04 58	0.04 48	0.05 203

ARAFT	0.12 359	0.08 343	0.17 489	0.19 454	0.09 338	0.14 387	0.18 478	0.20 336	0.12 141	0.12 300	0.13 282	0.14 349	0.11 336	0.15 394	0.12 347	0.06 167	0.05 268	0.10 523	0.09 498	0.05 167	0.04 72

RAFT + AFF	0.13 385	0.07 224	0.20 537	0.20 521	0.10 450	0.14 387	0.24 595	0.26 463	0.20 379	0.11 259	0.10 192	0.12 303	0.10 303	0.15 394	0.12 347	0.07 335	0.06 415	0.09 475	0.08 451	0.06 289	0.08 456

Selective-IGEV-i1	0.13 385	0.07 224	0.12 288	0.19 454	0.08 211	0.18 484	0.16 387	0.22 383	0.30 515	0.16 407	0.17 348	0.16 394	0.10 303	0.14 370	0.13 389	0.06 167	0.05 268	0.06 187	0.05 189	0.06 289	0.05 203

FACV-RUCA	0.13 385	0.11 511	0.12 288	0.19 454	0.12 534	0.15 413	0.15 318	0.22 383	0.20 379	0.15 379	0.16 326	0.14 349	0.16 477	0.14 370	0.13 389	0.07 335	0.05 268	0.08 392	0.06 280	0.10 529	0.08 456

rvit_0105_4	0.14 422	0.09 423	0.17 489	0.17 295	0.10 450	0.12 302	0.19 518	0.23 404	0.27 483	0.14 352	0.20 398	0.17 416	0.13 407	0.17 463	0.13 389	0.15 613	0.11 584	0.11 554	0.10 538	0.09 496	0.06 303

rvit_stereo_0075_2	0.17 511	0.12 529	0.25 570	0.23 594	0.16 609	0.13 353	0.10 35	0.30 532	0.27 483	0.20 496	0.28 521	0.22 483	0.15 449	0.18 485	0.13 389	0.16 629	0.10 571	0.17 625	0.10 538	0.10 529	0.09 500

rvit_stereo_ft	0.12 359	0.07 224	0.13 338	0.19 454	0.10 450	0.12 302	0.17 429	0.16 222	0.16 277	0.12 300	0.13 282	0.15 378	0.10 303	0.14 370	0.13 389	0.09 472	0.06 415	0.08 392	0.07 378	0.07 369	0.05 203

test_sample6	0.14 422	0.08 343	0.13 338	0.16 208	0.08 211	0.17 465	0.19 518	0.25 445	0.17 306	0.17 426	0.27 507	0.19 444	0.14 431	0.15 394	0.13 389	0.08 412	0.05 268	0.08 392	0.07 378	0.08 433	0.08 456

test_sample5	0.14 422	0.08 343	0.14 375	0.16 208	0.08 211	0.18 484	0.18 478	0.25 445	0.17 306	0.17 426	0.27 507	0.18 430	0.14 431	0.16 429	0.13 389	0.08 412	0.05 268	0.08 392	0.07 378	0.08 433	0.08 456

test_sample4	0.14 422	0.08 343	0.14 375	0.15 112	0.08 211	0.19 508	0.18 478	0.26 463	0.17 306	0.16 407	0.25 481	0.18 430	0.14 431	0.16 429	0.13 389	0.08 412	0.06 415	0.08 392	0.06 280	0.08 433	0.08 456

test_sample3	0.14 422	0.08 343	0.15 423	0.14 59	0.09 338	0.19 508	0.17 429	0.26 463	0.18 337	0.16 407	0.22 432	0.19 444	0.15 449	0.17 463	0.13 389	0.08 412	0.06 415	0.07 298	0.06 280	0.09 496	0.08 456

MyStereo05	0.13 385	0.07 224	0.10 185	0.17 295	0.09 338	0.13 353	0.18 478	0.27 485	0.35 558	0.17 426	0.14 296	0.15 378	0.11 336	0.15 394	0.13 389	0.06 167	0.05 268	0.07 298	0.07 378	0.06 289	0.06 303

MyStereo04	0.13 385	0.07 224	0.10 185	0.17 295	0.09 338	0.14 387	0.18 478	0.29 518	0.38 577	0.17 426	0.14 296	0.16 394	0.10 303	0.15 394	0.13 389	0.06 167	0.05 268	0.08 392	0.07 378	0.06 289	0.06 303

11t1	0.12 359	0.06 106	0.13 338	0.14 59	0.08 211	0.17 465	0.15 318	0.18 295	0.15 240	0.15 379	0.15 313	0.16 394	0.16 477	0.15 394	0.13 389	0.08 412	0.05 268	0.06 187	0.05 189	0.08 433	0.07 390

DualNet	0.14 422	0.08 343	0.14 375	0.16 208	0.08 211	0.18 484	0.18 478	0.25 445	0.17 306	0.17 426	0.27 507	0.18 430	0.14 431	0.16 429	0.13 389	0.08 412	0.05 268	0.08 392	0.07 378	0.08 433	0.08 456

MaDis-Stereo	0.09 171	0.09 423	0.08 56	0.17 295	0.09 338	0.13 353	0.10 35	0.16 222	0.16 277	0.09 179	0.11 242	0.06 42	0.06 65	0.09 58	0.13 389	0.07 335	0.06 415	0.07 298	0.05 189	0.05 167	0.04 72

PCWNet_CMD	0.14 422	0.08 343	0.15 423	0.17 295	0.09 338	0.14 387	0.14 234	0.29 518	0.36 563	0.14 352	0.20 398	0.21 465	0.12 367	0.17 463	0.13 389	0.07 335	0.05 268	0.07 298	0.07 378	0.07 369	0.07 390

TestStereo1	0.13 385	0.08 343	0.08 56	0.19 454	0.08 211	0.18 484	0.29 643	0.23 404	0.16 277	0.17 426	0.20 398	0.16 394	0.10 303	0.12 289	0.13 389	0.06 167	0.06 415	0.08 392	0.06 280	0.05 167	0.05 203

BUS	0.14 422	0.09 423	0.14 375	0.22 570	0.10 450	0.19 508	0.14 234	0.34 583	0.19 356	0.17 426	0.22 432	0.16 394	0.13 407	0.15 394	0.13 389	0.08 412	0.06 415	0.10 523	0.09 498	0.07 369	0.07 390

test_5	0.14 422	0.12 529	0.08 56	0.20 521	0.10 450	0.14 387	0.29 643	0.21 359	0.24 438	0.18 456	0.28 521	0.11 283	0.15 449	0.12 289	0.13 389	0.06 167	0.05 268	0.07 298	0.08 451	0.08 433	0.07 390

NINENet	0.16 490	0.10 485	0.15 423	0.17 295	0.11 500	0.19 508	0.14 234	0.40 628	0.36 563	0.18 456	0.21 421	0.16 394	0.13 407	0.15 394	0.13 389	0.08 412	0.08 517	0.10 523	0.07 378	0.10 529	0.09 500

SA-5K	0.13 385	0.08 343	0.08 56	0.19 454	0.08 211	0.18 484	0.29 643	0.23 404	0.16 277	0.17 426	0.20 398	0.16 394	0.10 303	0.12 289	0.13 389	0.06 167	0.06 415	0.08 392	0.06 280	0.05 167	0.05 203

UDGNet	0.14 422	0.13 557	0.16 459	0.17 295	0.10 450	0.12 302	0.16 387	0.21 359	0.27 483	0.20 496	0.20 398	0.16 394	0.13 407	0.16 429	0.13 389	0.10 513	0.06 415	0.09 475	0.07 378	0.06 289	0.07 390

IPLG	0.10 240	0.07 224	0.15 423	0.17 295	0.08 211	0.11 250	0.14 234	0.20 336	0.15 240	0.12 300	0.17 348	0.07 123	0.07 178	0.14 370	0.13 389	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

GANet-ADL	0.13 385	0.07 224	0.15 423	0.17 295	0.10 450	0.18 484	0.15 318	0.30 532	0.20 379	0.13 330	0.18 375	0.19 444	0.12 367	0.16 429	0.13 389	0.08 412	0.06 415	0.06 187	0.05 189	0.07 369	0.08 456

OMP-Stereo	0.11 288	0.06 106	0.14 375	0.18 385	0.08 211	0.09 135	0.12 96	0.21 359	0.21 395	0.13 330	0.14 296	0.11 283	0.12 367	0.11 195	0.13 389	0.06 167	0.04 25	0.07 298	0.06 280	0.05 167	0.04 72

FTStereo	0.12 359	0.06 106	0.14 375	0.18 385	0.09 338	0.07 42	0.15 318	0.21 359	0.18 337	0.12 300	0.24 453	0.12 303	0.12 367	0.13 341	0.13 389	0.05 51	0.05 268	0.07 298	0.06 280	0.06 289	0.10 529

DEmStereo	0.12 359	0.06 106	0.14 375	0.14 59	0.10 450	0.16 443	0.15 318	0.16 222	0.24 438	0.17 426	0.24 453	0.13 329	0.14 431	0.12 289	0.13 389	0.05 51	0.04 25	0.07 298	0.06 280	0.05 167	0.05 203

raft+_RVC	0.11 288	0.07 224	0.09 121	0.16 208	0.07 131	0.10 198	0.11 64	0.24 428	0.20 379	0.12 300	0.15 313	0.12 303	0.08 227	0.12 289	0.13 389	0.07 335	0.04 25	0.07 298	0.06 280	0.05 167	0.05 203

GES	0.14 422	0.08 343	0.16 459	0.15 112	0.10 450	0.13 353	0.13 169	0.28 504	0.25 459	0.16 407	0.23 441	0.18 430	0.13 407	0.16 429	0.13 389	0.08 412	0.07 487	0.07 298	0.06 280	0.08 433	0.09 500

HCRNet	0.16 490	0.24 634	0.12 288	0.35 655	0.11 500	0.15 413	0.17 429	0.26 463	0.22 409	0.19 473	0.24 453	0.21 465	0.14 431	0.15 394	0.13 389	0.11 544	0.07 487	0.11 554	0.10 538	0.09 496	0.07 390

GMStereo	0.13 385	0.14 569	0.14 375	0.18 385	0.09 338	0.15 413	0.16 387	0.20 336	0.24 438	0.16 407	0.17 348	0.10 253	0.10 303	0.16 429	0.13 389	0.07 335	0.06 415	0.06 187	0.06 280	0.07 369	0.06 303
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 422	0.07 224	0.13 338	0.15 112	0.08 211	0.13 353	0.16 387	0.24 428	0.24 438	0.16 407	0.28 521	0.22 483	0.14 431	0.15 394	0.13 389	0.11 544	0.06 415	0.09 475	0.12 592	0.08 433	0.07 390

CCAANet	0.14 422	0.06 106	0.11 243	0.16 208	0.08 211	0.22 550	0.14 234	0.26 463	0.18 337	0.16 407	0.36 576	0.15 378	0.17 500	0.16 429	0.13 389	0.07 335	0.05 268	0.06 187	0.06 280	0.05 167	0.07 390

DIP-Stereo	0.11 288	0.07 224	0.14 375	0.17 295	0.09 338	0.13 353	0.09 20	0.16 222	0.16 277	0.11 259	0.16 326	0.14 349	0.12 367	0.15 394	0.13 389	0.06 167	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 422	0.08 343	0.11 243	0.15 112	0.08 211	0.15 413	0.15 318	0.27 485	0.29 505	0.19 473	0.21 421	0.29 557	0.14 431	0.17 463	0.13 389	0.06 167	0.06 415	0.06 187	0.06 280	0.07 369	0.06 303
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HITNet	0.10 240	0.06 106	0.12 288	0.14 59	0.06 27	0.11 250	0.10 35	0.18 295	0.18 337	0.13 330	0.16 326	0.14 349	0.11 336	0.15 394	0.13 389	0.06 167	0.04 25	0.04 1	0.04 58	0.06 289	0.05 203
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MLCV	0.12 359	0.07 224	0.16 459	0.18 385	0.06 27	0.15 413	0.17 429	0.19 325	0.21 395	0.18 456	0.25 481	0.17 416	0.13 407	0.14 370	0.13 389	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

iResNet_ROB	0.14 422	0.07 224	0.13 338	0.14 59	0.07 131	0.18 484	0.14 234	0.26 463	0.31 523	0.22 526	0.25 481	0.23 501	0.15 449	0.15 394	0.13 389	0.07 335	0.05 268	0.05 47	0.04 58	0.08 433	0.08 456

DN-CSS_ROB	0.13 385	0.13 557	0.16 459	0.18 385	0.10 450	0.16 443	0.08 7	0.22 383	0.18 337	0.17 426	0.22 432	0.13 329	0.13 407	0.12 289	0.13 389	0.05 51	0.05 268	0.10 523	0.10 538	0.08 433	0.06 303

IGEV_i1	0.12 359	0.07 224	0.12 288	0.16 208	0.08 211	0.19 508	0.14 234	0.18 295	0.22 409	0.18 456	0.18 375	0.16 394	0.12 367	0.16 429	0.14 427	0.06 167	0.05 268	0.06 187	0.05 189	0.06 289	0.06 303

LiteMatch	0.09 171	0.06 106	0.10 185	0.16 208	0.07 131	0.09 135	0.15 318	0.13 111	0.08 24	0.06 24	0.07 64	0.06 42	0.15 449	0.10 121	0.14 427	0.07 335	0.04 25	0.06 187	0.06 280	0.06 289	0.06 303

Lsterematch	0.11 288	0.06 106	0.11 243	0.16 208	0.07 131	0.13 353	0.15 318	0.14 142	0.17 306	0.16 407	0.18 375	0.15 378	0.15 449	0.12 289	0.14 427	0.07 335	0.04 25	0.06 187	0.06 280	0.06 289	0.06 303

DStereoRT	0.16 490	0.06 106	0.11 243	0.19 454	0.09 338	0.12 302	0.12 96	0.28 504	0.22 409	0.12 300	0.20 398	0.11 283	0.10 303	0.15 394	0.14 427	0.06 167	0.05 268	0.96 692	0.09 498	0.05 167	0.04 72

DFGA-Net	0.13 385	0.11 511	0.18 513	0.17 295	0.10 450	0.12 302	0.13 169	0.22 383	0.25 459	0.16 407	0.16 326	0.13 329	0.12 367	0.16 429	0.14 427	0.07 335	0.05 268	0.08 392	0.07 378	0.05 167	0.05 203

rvit_0105_5	0.14 422	0.09 423	0.13 338	0.17 295	0.09 338	0.14 387	0.23 582	0.24 428	0.27 483	0.14 352	0.15 313	0.18 430	0.12 367	0.17 463	0.14 427	0.14 609	0.11 584	0.10 523	0.10 538	0.08 433	0.06 303

rvit_0105_3	0.15 467	0.09 423	0.14 375	0.19 454	0.12 534	0.15 413	0.25 611	0.25 445	0.29 505	0.15 379	0.17 348	0.20 456	0.13 407	0.17 463	0.14 427	0.13 595	0.11 584	0.12 574	0.14 607	0.07 369	0.06 303

DCVSM-stereo	0.14 422	0.09 423	0.16 459	0.16 208	0.10 450	0.15 413	0.09 20	0.19 325	0.23 421	0.20 496	0.23 441	0.26 531	0.15 449	0.18 485	0.14 427	0.09 472	0.07 487	0.09 475	0.08 451	0.10 529	0.12 569

GCST	0.37 645	0.42 665	0.26 573	1.02 691	0.39 665	0.18 484	0.08 7	0.20 336	0.17 306	0.28 588	0.25 481	0.15 378	0.12 367	0.16 429	0.14 427	0.64 686	0.43 675	0.75 682	0.65 686	0.63 679	0.46 678

test_sample1	0.13 385	0.07 224	0.14 375	0.13 16	0.08 211	0.19 508	0.16 387	0.20 336	0.15 240	0.14 352	0.22 432	0.18 430	0.16 477	0.17 463	0.14 427	0.07 335	0.06 415	0.06 187	0.06 280	0.08 433	0.07 390

GMStereo_Zeroshot	0.16 490	0.13 557	0.24 565	0.20 521	0.10 450	0.17 465	0.13 169	0.29 518	0.25 459	0.23 539	0.32 552	0.25 521	0.11 336	0.19 500	0.14 427	0.09 472	0.06 415	0.11 554	0.06 280	0.12 567	0.08 456

CASS	0.13 385	0.12 529	0.11 243	0.23 594	0.09 338	0.15 413	0.17 429	0.18 295	0.19 356	0.17 426	0.18 375	0.15 378	0.15 449	0.14 370	0.14 427	0.09 472	0.06 415	0.10 523	0.08 451	0.09 496	0.07 390
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 385	0.07 224	0.13 338	0.18 385	0.09 338	0.13 353	0.17 429	0.19 325	0.29 505	0.15 379	0.24 453	0.15 378	0.14 431	0.14 370	0.14 427	0.07 335	0.05 268	0.07 298	0.09 498	0.05 167	0.06 303

IER	0.14 422	0.07 224	0.13 338	0.17 295	0.09 338	0.14 387	0.16 387	0.25 445	0.26 473	0.18 456	0.25 481	0.17 416	0.20 543	0.16 429	0.14 427	0.08 412	0.05 268	0.07 298	0.06 280	0.08 433	0.07 390

BSDual-CNN	0.15 467	0.09 423	0.14 375	0.22 570	0.10 450	0.14 387	0.15 318	0.34 583	0.19 356	0.17 426	0.22 432	0.25 521	0.16 477	0.15 394	0.14 427	0.08 412	0.06 415	0.10 523	0.09 498	0.07 369	0.07 390

psmg	0.14 422	0.09 423	0.14 375	0.17 295	0.10 450	0.15 413	0.17 429	0.29 518	0.19 356	0.17 426	0.21 421	0.25 521	0.16 477	0.15 394	0.14 427	0.08 412	0.06 415	0.08 392	0.08 451	0.07 369	0.06 303

GwcNet-ADL	0.13 385	0.08 343	0.14 375	0.20 521	0.09 338	0.11 250	0.20 541	0.30 532	0.24 438	0.13 330	0.14 296	0.18 430	0.14 431	0.13 341	0.14 427	0.07 335	0.05 268	0.06 187	0.05 189	0.07 369	0.06 303

AAGNet	0.11 288	0.07 224	0.16 459	0.19 454	0.09 338	0.08 82	0.13 169	0.18 295	0.13 183	0.16 407	0.21 421	0.13 329	0.14 431	0.11 195	0.14 427	0.06 167	0.04 25	0.09 475	0.06 280	0.06 289	0.05 203

THIR-Stereo	0.12 359	0.07 224	0.11 243	0.15 112	0.08 211	0.14 387	0.16 387	0.17 261	0.25 459	0.16 407	0.24 453	0.14 349	0.12 367	0.12 289	0.14 427	0.06 167	0.04 25	0.07 298	0.07 378	0.05 167	0.05 203

ICVP	0.15 467	0.09 423	0.12 288	0.22 570	0.09 338	0.17 465	0.21 561	0.25 445	0.23 421	0.18 456	0.30 540	0.26 531	0.18 515	0.17 463	0.14 427	0.09 472	0.07 487	0.08 392	0.07 378	0.07 369	0.07 390
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
TestStereo	0.13 385	0.14 569	0.11 243	0.23 594	0.08 211	0.15 413	0.21 561	0.20 336	0.23 421	0.14 352	0.24 453	0.16 394	0.12 367	0.16 429	0.14 427	0.05 51	0.06 415	0.08 392	0.06 280	0.09 496	0.05 203

CFNet_pseudo	0.14 422	0.08 343	0.15 423	0.16 208	0.09 338	0.13 353	0.14 234	0.27 485	0.34 549	0.14 352	0.21 421	0.22 483	0.13 407	0.18 485	0.14 427	0.07 335	0.05 268	0.08 392	0.06 280	0.07 369	0.07 390

cf-r	0.13 385	0.07 224	0.12 288	0.16 208	0.08 211	0.14 387	0.19 518	0.20 336	0.25 459	0.17 426	0.25 481	0.21 465	0.16 477	0.14 370	0.14 427	0.10 513	0.05 268	0.06 187	0.08 451	0.06 289	0.06 303

CFNet-ft	0.14 422	0.07 224	0.15 423	0.12 5	0.09 338	0.16 443	0.18 478	0.22 383	0.24 438	0.17 426	0.26 498	0.24 507	0.14 431	0.16 429	0.14 427	0.11 544	0.06 415	0.08 392	0.09 498	0.09 496	0.08 456

MSMDNet	0.14 422	0.08 343	0.15 423	0.17 295	0.09 338	0.14 387	0.14 234	0.29 518	0.36 563	0.14 352	0.21 421	0.21 465	0.12 367	0.17 463	0.14 427	0.07 335	0.05 268	0.07 298	0.07 378	0.07 369	0.07 390

CFNet	0.15 467	0.10 485	0.17 489	0.17 295	0.08 211	0.18 484	0.09 20	0.28 504	0.25 459	0.19 473	0.24 453	0.24 507	0.17 500	0.17 463	0.14 427	0.08 412	0.06 415	0.09 475	0.10 538	0.07 369	0.06 303

CFNet_RVC	0.14 422	0.07 224	0.15 423	0.12 5	0.09 338	0.16 443	0.18 478	0.22 383	0.24 438	0.17 426	0.26 498	0.24 507	0.14 431	0.16 429	0.14 427	0.11 544	0.06 415	0.08 392	0.09 498	0.09 496	0.08 456

ccs_rob	0.14 422	0.08 343	0.15 423	0.16 208	0.09 338	0.12 302	0.14 234	0.27 485	0.34 549	0.14 352	0.21 421	0.22 483	0.13 407	0.18 485	0.14 427	0.07 335	0.05 268	0.08 392	0.07 378	0.07 369	0.07 390

AdaStereo	0.15 467	0.11 511	0.15 423	0.18 385	0.09 338	0.20 524	0.11 64	0.32 554	0.28 498	0.20 496	0.23 441	0.20 456	0.13 407	0.19 500	0.14 427	0.12 569	0.05 268	0.10 523	0.07 378	0.09 496	0.07 390
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 422	0.08 343	0.15 423	0.16 208	0.08 211	0.16 443	0.12 96	0.25 445	0.35 558	0.21 510	0.29 533	0.24 507	0.13 407	0.14 370	0.14 427	0.06 167	0.05 268	0.06 187	0.04 58	0.09 496	0.08 456

iResNet	0.13 385	0.10 485	0.18 513	0.19 454	0.08 211	0.13 353	0.18 478	0.20 336	0.26 473	0.15 379	0.23 441	0.15 378	0.13 407	0.14 370	0.14 427	0.06 167	0.04 25	0.06 187	0.05 189	0.06 289	0.05 203

DDVS	0.15 467	0.10 485	0.21 546	0.16 208	0.12 534	0.15 413	0.14 234	0.25 445	0.19 356	0.18 456	0.29 533	0.27 539	0.12 367	0.19 500	0.15 458	0.09 472	0.06 415	0.09 475	0.07 378	0.11 552	0.11 556

DispNO	0.14 422	0.08 343	0.17 489	0.19 454	0.12 534	0.11 250	0.21 561	0.23 404	0.29 505	0.17 426	0.23 441	0.18 430	0.17 500	0.15 394	0.15 458	0.07 335	0.05 268	0.08 392	0.08 451	0.07 369	0.06 303

CFNet_ucs	0.15 467	0.08 343	0.16 459	0.16 208	0.11 500	0.14 387	0.14 234	0.30 532	0.34 549	0.16 407	0.24 453	0.23 501	0.14 431	0.18 485	0.15 458	0.09 472	0.06 415	0.08 392	0.07 378	0.09 496	0.09 500

SDNR	0.19 537	0.08 343	0.19 525	0.16 208	0.12 534	0.77 679	0.14 234	0.25 445	0.32 530	0.19 473	0.24 453	0.19 444	0.13 407	0.19 500	0.15 458	0.16 629	0.18 641	0.14 602	0.11 572	0.08 433	0.11 556

gwcnet-sp	0.14 422	0.07 224	0.12 288	0.18 385	0.09 338	0.16 443	0.17 429	0.24 428	0.24 438	0.18 456	0.24 453	0.15 378	0.16 477	0.15 394	0.15 458	0.08 412	0.06 415	0.07 298	0.08 451	0.08 433	0.07 390

scenet	0.14 422	0.07 224	0.12 288	0.18 385	0.09 338	0.16 443	0.17 429	0.24 428	0.24 438	0.18 456	0.24 453	0.15 378	0.16 477	0.15 394	0.15 458	0.08 412	0.06 415	0.07 298	0.08 451	0.08 433	0.07 390

ssnet	0.14 422	0.07 224	0.12 288	0.18 385	0.09 338	0.16 443	0.17 429	0.24 428	0.24 438	0.18 456	0.24 453	0.15 378	0.16 477	0.15 394	0.15 458	0.08 412	0.06 415	0.07 298	0.08 451	0.08 433	0.07 390

FENet	0.13 385	0.08 343	0.12 288	0.16 208	0.08 211	0.14 387	0.15 318	0.22 383	0.23 421	0.17 426	0.23 441	0.16 394	0.12 367	0.14 370	0.15 458	0.08 412	0.05 268	0.08 392	0.08 451	0.07 369	0.07 390

GANet-RSSM	0.14 422	0.07 224	0.13 338	0.13 16	0.08 211	0.14 387	0.17 429	0.22 383	0.21 395	0.17 426	0.24 453	0.23 501	0.15 449	0.16 429	0.15 458	0.10 513	0.06 415	0.07 298	0.08 451	0.08 433	0.07 390

GwcNet-RSSM	0.14 422	0.07 224	0.12 288	0.15 112	0.08 211	0.15 413	0.20 541	0.21 359	0.27 483	0.18 456	0.27 507	0.22 483	0.16 477	0.14 370	0.15 458	0.10 513	0.05 268	0.07 298	0.09 498	0.07 369	0.07 390

FADNet-RVC-Resample	0.16 490	0.11 511	0.31 599	0.22 570	0.11 500	0.19 508	0.14 234	0.25 445	0.24 438	0.24 548	0.27 507	0.20 456	0.15 449	0.16 429	0.15 458	0.07 335	0.08 517	0.12 574	0.10 538	0.09 496	0.10 529

FADNet	0.21 561	0.22 629	0.36 615	0.18 385	0.17 624	0.24 572	0.13 169	0.31 543	0.31 523	0.23 539	0.25 481	0.27 539	0.21 547	0.19 500	0.15 458	0.13 595	0.15 630	0.12 574	0.15 624	0.16 625	0.18 639

BEATNet_4x	0.12 359	0.08 343	0.14 375	0.18 385	0.07 131	0.15 413	0.07 3	0.22 383	0.18 337	0.16 407	0.19 386	0.18 430	0.14 431	0.16 429	0.15 458	0.07 335	0.05 268	0.05 47	0.05 189	0.06 289	0.06 303

UCFNet_RVC	0.14 422	0.08 343	0.13 338	0.11 1	0.10 450	0.20 524	0.10 35	0.24 428	0.22 409	0.17 426	0.20 398	0.23 501	0.15 449	0.17 463	0.15 458	0.12 569	0.07 487	0.10 523	0.13 603	0.11 552	0.10 529

DeepPruner_ROB	0.16 490	0.11 511	0.15 423	0.17 295	0.10 450	0.17 465	0.15 318	0.32 554	0.21 395	0.19 473	0.21 421	0.22 483	0.18 515	0.20 525	0.15 458	0.13 595	0.09 550	0.09 475	0.09 498	0.11 552	0.10 529

HSM	0.15 467	0.08 343	0.14 375	0.16 208	0.09 338	0.16 443	0.14 234	0.28 504	0.25 459	0.19 473	0.23 441	0.37 612	0.16 477	0.20 525	0.15 458	0.07 335	0.05 268	0.07 298	0.06 280	0.07 369	0.06 303

G2L-ROB	0.13 385	0.06 106	0.13 338	0.13 16	0.08 211	0.14 387	0.16 387	0.25 445	0.18 337	0.19 473	0.18 375	0.20 456	0.14 431	0.17 463	0.16 474	0.08 412	0.05 268	0.06 187	0.05 189	0.08 433	0.09 500

ITSA-stereo	0.15 467	0.10 485	0.14 375	0.19 454	0.08 211	0.12 302	0.14 234	0.30 532	0.49 623	0.17 426	0.19 386	0.22 483	0.15 449	0.17 463	0.16 474	0.10 513	0.06 415	0.08 392	0.08 451	0.08 433	0.08 456

DualNet (step1)	0.16 490	0.12 529	0.20 537	0.12 5	0.14 578	0.17 465	0.13 169	0.27 485	0.23 421	0.20 496	0.20 398	0.24 507	0.19 531	0.16 429	0.16 474	0.15 613	0.06 415	0.14 602	0.14 607	0.14 600	0.12 569

test_sample7	0.15 467	0.10 485	0.16 459	0.14 59	0.11 500	0.16 443	0.16 387	0.27 485	0.23 421	0.20 496	0.20 398	0.24 507	0.19 531	0.16 429	0.16 474	0.12 569	0.06 415	0.10 523	0.09 498	0.10 529	0.10 529

1test111	0.11 288	0.08 343	0.12 288	0.17 295	0.09 338	0.13 353	0.15 318	0.23 404	0.16 277	0.09 179	0.09 156	0.06 42	0.06 65	0.15 394	0.16 474	0.06 167	0.04 25	0.06 187	0.05 189	0.07 369	0.07 390

qqq	0.13 385	0.09 423	0.15 423	0.16 208	0.08 211	0.13 353	0.15 318	0.23 404	0.16 277	0.15 379	0.19 386	0.16 394	0.16 477	0.15 394	0.16 474	0.07 335	0.06 415	0.08 392	0.08 451	0.07 369	0.07 390

iRaft-Stereo_5w	0.12 359	0.09 423	0.12 288	0.19 454	0.08 211	0.09 135	0.12 96	0.21 359	0.21 395	0.19 473	0.14 296	0.11 283	0.09 264	0.20 525	0.16 474	0.05 51	0.05 268	0.07 298	0.06 280	0.05 167	0.06 303

dd	0.15 467	0.16 587	0.16 459	0.19 454	0.09 338	0.15 413	0.18 478	0.21 359	0.25 459	0.23 539	0.20 398	0.21 465	0.09 264	0.21 542	0.16 474	0.10 513	0.06 415	0.08 392	0.06 280	0.08 433	0.06 303

dad	0.17 511	0.20 619	0.20 537	0.16 208	0.11 500	0.20 524	0.18 478	0.21 359	0.28 498	0.30 602	0.24 453	0.29 557	0.13 407	0.19 500	0.16 474	0.18 636	0.09 550	0.11 554	0.09 498	0.11 552	0.07 390

AACVNet	0.16 490	0.08 343	0.14 375	0.15 112	0.10 450	0.18 484	0.15 318	0.23 404	0.24 438	0.27 573	0.27 507	0.28 549	0.17 500	0.19 500	0.16 474	0.09 472	0.07 487	0.09 475	0.07 378	0.10 529	0.09 500

GEStereo_RVC	0.17 511	0.12 529	0.15 423	0.22 570	0.11 500	0.19 508	0.17 429	0.32 554	0.48 616	0.20 496	0.25 481	0.17 416	0.13 407	0.21 542	0.16 474	0.10 513	0.06 415	0.08 392	0.07 378	0.09 496	0.08 456

FADNet_RVC	0.16 490	0.14 569	0.40 625	0.20 521	0.11 500	0.13 353	0.13 169	0.26 463	0.22 409	0.21 510	0.23 441	0.20 456	0.17 500	0.14 370	0.16 474	0.08 412	0.08 517	0.12 574	0.09 498	0.11 552	0.10 529

AANet_RVC	0.16 490	0.10 485	0.10 185	0.18 385	0.09 338	0.18 484	0.19 518	0.26 463	0.31 523	0.22 526	0.35 573	0.21 465	0.21 547	0.22 555	0.16 474	0.06 167	0.05 268	0.06 187	0.06 280	0.07 369	0.06 303

CBMV_ROB	0.19 537	0.13 557	0.17 489	0.16 208	0.11 500	0.15 413	0.13 169	0.26 463	0.28 498	0.27 573	0.30 540	0.27 539	0.24 570	0.23 566	0.16 474	0.15 613	0.17 639	0.22 643	0.20 641	0.10 529	0.11 556

NOSS_ROB	0.19 537	0.12 529	0.18 513	0.16 208	0.12 534	0.15 413	0.12 96	0.30 532	0.32 530	0.20 496	0.22 432	0.27 539	0.23 564	0.21 542	0.16 474	0.16 629	0.18 641	0.23 644	0.21 643	0.12 567	0.13 592

rvit_105_1	0.19 537	0.11 511	0.25 570	0.21 553	0.16 609	0.21 541	0.27 627	0.31 543	0.41 589	0.19 473	0.20 398	0.22 483	0.17 500	0.19 500	0.17 489	0.12 569	0.12 600	0.13 589	0.15 624	0.08 433	0.07 390

ACV-stereo	0.15 467	0.10 485	0.28 586	0.18 385	0.12 534	0.14 387	0.12 96	0.23 404	0.21 395	0.19 473	0.23 441	0.22 483	0.15 449	0.23 566	0.17 489	0.07 335	0.06 415	0.07 298	0.07 378	0.07 369	0.07 390

test_sample9	0.18 525	0.12 529	0.20 537	0.12 5	0.14 578	0.17 465	0.13 169	0.27 485	0.23 421	0.20 496	0.20 398	0.24 507	0.19 531	0.19 500	0.17 489	0.15 613	0.30 667	0.14 602	0.14 607	0.14 600	0.12 569

test_sample8	0.19 537	0.12 529	0.20 537	0.12 5	0.14 578	0.17 465	0.13 169	0.31 543	0.21 395	0.27 573	0.22 432	0.36 607	0.25 579	0.19 500	0.17 489	0.15 613	0.30 667	0.14 602	0.14 607	0.14 600	0.12 569

SMFormer	0.14 422	0.07 224	0.17 489	0.14 59	0.08 211	0.16 443	0.17 429	0.26 463	0.27 483	0.19 473	0.20 398	0.18 430	0.15 449	0.15 394	0.17 489	0.08 412	0.05 268	0.07 298	0.06 280	0.07 369	0.06 303

tta	0.14 422	0.07 224	0.17 489	0.14 59	0.08 211	0.16 443	0.17 429	0.26 463	0.27 483	0.19 473	0.20 398	0.18 430	0.15 449	0.15 394	0.17 489	0.08 412	0.05 268	0.07 298	0.06 280	0.06 289	0.06 303

mmm	0.14 422	0.08 343	0.17 489	0.17 295	0.09 338	0.17 465	0.18 478	0.21 359	0.15 240	0.15 379	0.23 441	0.21 465	0.16 477	0.16 429	0.17 489	0.08 412	0.05 268	0.08 392	0.07 378	0.07 369	0.07 390

HBP-ISP	0.18 525	0.13 557	0.16 459	0.15 112	0.11 500	0.08 82	0.13 169	0.28 504	0.29 505	0.22 526	0.33 564	0.21 465	0.25 579	0.23 566	0.17 489	0.14 609	0.16 634	0.21 639	0.17 635	0.10 529	0.08 456

CRFU-Net	0.16 490	0.08 343	0.14 375	0.17 295	0.09 338	0.19 508	0.14 234	0.26 463	0.20 379	0.28 588	0.27 507	0.29 557	0.17 500	0.19 500	0.17 489	0.09 472	0.09 550	0.07 298	0.07 378	0.08 433	0.08 456

SACVNet	0.18 525	0.12 529	0.14 375	0.17 295	0.13 557	0.22 550	0.18 478	0.31 543	0.30 515	0.23 539	0.31 548	0.30 567	0.22 556	0.22 555	0.17 489	0.11 544	0.08 517	0.10 523	0.10 538	0.12 567	0.14 609

PSMNet-ADL	0.15 467	0.12 529	0.13 338	0.22 570	0.09 338	0.13 353	0.20 541	0.26 463	0.23 421	0.18 456	0.20 398	0.24 507	0.16 477	0.18 485	0.17 489	0.08 412	0.08 517	0.08 392	0.11 572	0.08 433	0.07 390

LMCR-Stereo	0.15 467	0.08 343	0.13 338	0.21 553	0.09 338	0.17 465	0.20 541	0.27 485	0.19 356	0.24 548	0.24 453	0.23 501	0.17 500	0.20 525	0.17 489	0.07 335	0.06 415	0.08 392	0.06 280	0.10 529	0.08 456

FINET	0.21 561	0.18 609	0.26 573	0.18 385	0.16 609	0.23 567	0.23 582	0.32 554	0.48 616	0.25 561	0.32 552	0.22 483	0.22 556	0.22 555	0.17 489	0.18 636	0.16 634	0.11 554	0.10 538	0.15 616	0.13 592

DMCA	0.14 422	0.09 423	0.16 459	0.19 454	0.09 338	0.15 413	0.17 429	0.23 404	0.27 483	0.14 352	0.19 386	0.17 416	0.18 515	0.15 394	0.17 489	0.10 513	0.06 415	0.08 392	0.06 280	0.09 496	0.10 529

CVANet_RVC	0.18 525	0.10 485	0.14 375	0.21 553	0.10 450	0.18 484	0.17 429	0.34 583	0.33 537	0.22 526	0.31 548	0.28 549	0.18 515	0.23 566	0.17 489	0.12 569	0.08 517	0.12 574	0.11 572	0.09 496	0.07 390

NVstereo2D	0.19 537	0.10 485	0.15 423	0.17 295	0.15 598	0.28 610	0.23 582	0.44 645	0.42 597	0.15 379	0.27 507	0.25 521	0.19 531	0.22 555	0.17 489	0.09 472	0.06 415	0.10 523	0.08 451	0.15 616	0.09 500

SGM-Forest	0.20 549	0.14 569	0.18 513	0.19 454	0.13 557	0.20 524	0.22 571	0.33 574	0.30 515	0.24 548	0.29 533	0.28 549	0.19 531	0.23 566	0.17 489	0.15 613	0.16 634	0.15 614	0.14 607	0.12 567	0.12 569
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
pmcnn	0.15 467	0.07 224	0.19 525	0.15 112	0.07 131	0.20 524	0.15 318	0.24 428	0.26 473	0.21 510	0.34 568	0.28 549	0.18 515	0.18 485	0.17 489	0.07 335	0.05 268	0.05 47	0.04 58	0.07 369	0.06 303

MultiAttention	0.29 627	0.08 343	0.14 375	0.19 454	0.12 534	1.45 694	1.33 698	0.36 606	0.37 570	0.19 473	0.21 421	0.24 507	0.11 336	0.38 641	0.18 507	0.06 167	0.05 268	0.08 392	0.08 451	0.10 529	0.09 500

G2L-Stereo_test	0.14 422	0.07 224	0.11 243	0.13 16	0.08 211	0.12 302	0.16 387	0.30 532	0.28 498	0.20 496	0.23 441	0.20 456	0.16 477	0.17 463	0.18 507	0.07 335	0.05 268	0.05 47	0.05 189	0.07 369	0.06 303

coex_refinement	0.14 422	0.07 224	0.12 288	0.17 295	0.10 450	0.15 413	0.15 318	0.26 463	0.29 505	0.18 456	0.20 398	0.22 483	0.17 500	0.16 429	0.18 507	0.08 412	0.05 268	0.06 187	0.06 280	0.09 496	0.08 456

G2L-Stereo	0.14 422	0.07 224	0.13 338	0.17 295	0.09 338	0.13 353	0.12 96	0.27 485	0.22 409	0.16 407	0.27 507	0.21 465	0.13 407	0.17 463	0.18 507	0.09 472	0.08 517	0.08 392	0.07 378	0.07 369	0.07 390

MyStereo8	0.12 359	0.07 224	0.15 423	0.15 112	0.09 338	0.18 484	0.14 234	0.19 325	0.22 409	0.12 300	0.18 375	0.11 283	0.10 303	0.16 429	0.18 507	0.07 335	0.05 268	0.07 298	0.05 189	0.08 433	0.09 500

CBFPSM	0.14 422	0.06 106	0.26 573	0.17 295	0.09 338	0.13 353	0.15 318	0.22 383	0.23 421	0.20 496	0.27 507	0.24 507	0.16 477	0.16 429	0.18 507	0.06 167	0.06 415	0.06 187	0.07 378	0.07 369	0.07 390

GASNet	0.22 570	0.23 631	0.33 606	0.26 620	0.17 624	0.26 593	0.16 387	0.44 645	0.42 597	0.27 573	0.24 453	0.30 567	0.15 449	0.27 586	0.18 507	0.12 569	0.08 517	0.12 574	0.11 572	0.16 625	0.07 390

x	0.13 385	0.07 224	0.14 375	0.14 59	0.08 211	0.18 484	0.14 234	0.22 383	0.20 379	0.15 379	0.19 386	0.19 444	0.17 500	0.18 485	0.18 507	0.07 335	0.05 268	0.06 187	0.06 280	0.07 369	0.07 390

CSP-Net	0.16 490	0.09 423	0.14 375	0.16 208	0.09 338	0.19 508	0.17 429	0.25 445	0.32 530	0.25 561	0.30 540	0.24 507	0.15 449	0.21 542	0.18 507	0.09 472	0.06 415	0.07 298	0.07 378	0.08 433	0.07 390

UNet	0.17 511	0.09 423	0.18 513	0.19 454	0.12 534	0.27 603	0.19 518	0.33 574	0.29 505	0.21 510	0.24 453	0.23 501	0.19 531	0.19 500	0.18 507	0.07 335	0.06 415	0.08 392	0.07 378	0.08 433	0.06 303

acv_ft	0.15 467	0.09 423	0.15 423	0.19 454	0.10 450	0.16 443	0.17 429	0.25 445	0.33 537	0.19 473	0.26 498	0.21 465	0.17 500	0.17 463	0.18 507	0.07 335	0.06 415	0.06 187	0.06 280	0.08 433	0.06 303

TDLM	0.17 511	0.12 529	0.13 338	0.24 603	0.10 450	0.18 484	0.18 478	0.36 606	0.30 515	0.21 510	0.28 521	0.28 549	0.18 515	0.23 566	0.18 507	0.11 544	0.07 487	0.10 523	0.10 538	0.08 433	0.08 456

MDST_ROB	0.22 570	0.10 485	0.17 489	0.18 385	0.11 500	0.37 640	0.19 518	0.43 643	0.41 589	0.39 632	0.39 597	0.29 557	0.21 547	0.26 583	0.18 507	0.11 544	0.10 571	0.14 602	0.11 572	0.10 529	0.08 456

Wz-Net-LNSev-Ref	0.18 525	0.09 423	0.29 594	0.15 112	0.10 450	0.22 550	0.20 541	0.26 463	0.39 580	0.25 561	0.42 620	0.24 507	0.15 449	0.20 525	0.19 520	0.07 335	0.05 268	0.06 187	0.05 189	0.10 529	0.09 500

pcwnet_v2	0.19 537	0.10 485	0.26 573	0.17 295	0.14 578	0.18 484	0.15 318	0.37 612	0.46 614	0.19 473	0.24 453	0.21 465	0.19 531	0.20 525	0.19 520	0.13 595	0.10 571	0.10 523	0.10 538	0.11 552	0.13 592

FADNet-RVC	0.20 549	0.20 619	0.38 621	0.21 553	0.16 609	0.20 524	0.15 318	0.26 463	0.26 473	0.26 567	0.32 552	0.26 531	0.21 547	0.22 555	0.19 520	0.12 569	0.13 615	0.12 574	0.14 607	0.13 586	0.18 639

STTStereo	0.18 525	0.12 529	0.27 581	0.20 521	0.11 500	0.16 443	0.21 561	0.29 518	0.23 421	0.21 510	0.30 540	0.29 557	0.18 515	0.20 525	0.19 520	0.12 569	0.11 584	0.11 554	0.14 607	0.09 496	0.08 456

RASNet	0.14 422	0.07 224	0.14 375	0.16 208	0.08 211	0.18 484	0.14 234	0.29 518	0.20 379	0.17 426	0.25 481	0.21 465	0.18 515	0.20 525	0.19 520	0.07 335	0.06 415	0.06 187	0.08 451	0.06 289	0.06 303

CBMV	0.19 537	0.14 569	0.17 489	0.18 385	0.10 450	0.20 524	0.11 64	0.29 518	0.30 515	0.29 597	0.30 540	0.30 567	0.23 564	0.27 586	0.19 520	0.13 595	0.15 630	0.17 625	0.16 628	0.10 529	0.10 529
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ISRNet	0.18 525	0.08 343	0.19 525	0.19 454	0.13 557	0.15 413	0.12 96	0.30 532	0.32 530	0.21 510	0.25 481	0.27 539	0.17 500	0.17 463	0.20 526	0.20 644	0.08 517	0.14 602	0.14 607	0.14 600	0.17 636

PSMNet-RUCA	0.27 618	0.33 656	0.41 628	0.36 657	0.32 664	0.18 484	0.19 518	0.42 639	0.30 515	0.33 618	0.41 614	0.39 624	0.25 579	0.31 609	0.20 526	0.18 636	0.10 571	0.25 646	0.15 624	0.21 642	0.16 627

ff1	0.13 385	0.09 423	0.14 375	0.16 208	0.08 211	0.17 465	0.17 429	0.15 184	0.19 356	0.15 379	0.25 481	0.19 444	0.13 407	0.14 370	0.20 526	0.06 167	0.04 25	0.09 475	0.08 451	0.06 289	0.06 303

mmx	0.14 422	0.09 423	0.14 375	0.16 208	0.08 211	0.17 465	0.17 429	0.27 485	0.25 459	0.15 379	0.25 481	0.19 444	0.13 407	0.14 370	0.20 526	0.08 412	0.06 415	0.09 475	0.08 451	0.08 433	0.08 456

xxx	0.14 422	0.09 423	0.14 375	0.16 208	0.08 211	0.17 465	0.17 429	0.27 485	0.25 459	0.15 379	0.25 481	0.19 444	0.13 407	0.14 370	0.20 526	0.08 412	0.06 415	0.09 475	0.08 451	0.08 433	0.08 456

ToySt	0.17 511	0.11 511	0.18 513	0.17 295	0.11 500	0.16 443	0.25 611	0.24 428	0.33 537	0.19 473	0.24 453	0.26 531	0.24 570	0.19 500	0.20 526	0.07 335	0.08 517	0.09 475	0.10 538	0.09 496	0.08 456

ssnet_v2	0.17 511	0.10 485	0.17 489	0.17 295	0.11 500	0.21 541	0.21 561	0.33 574	0.25 459	0.22 526	0.22 432	0.27 539	0.18 515	0.22 555	0.20 526	0.11 544	0.09 550	0.09 475	0.09 498	0.08 433	0.08 456

DDUNet	0.22 570	0.17 598	0.21 546	0.22 570	0.15 598	0.25 583	0.24 595	0.29 518	0.30 515	0.31 608	0.36 576	0.33 594	0.25 579	0.24 576	0.20 526	0.18 636	0.13 615	0.17 625	0.11 572	0.16 625	0.16 627

AASNet	0.16 490	0.08 343	0.12 288	0.19 454	0.09 338	0.18 484	0.15 318	0.37 612	0.37 570	0.19 473	0.23 441	0.20 456	0.16 477	0.17 463	0.20 526	0.10 513	0.08 517	0.08 392	0.07 378	0.09 496	0.09 500

MMNet	0.17 511	0.09 423	0.16 459	0.20 521	0.11 500	0.27 603	0.20 541	0.25 445	0.41 589	0.22 526	0.30 540	0.21 465	0.20 543	0.17 463	0.20 526	0.06 167	0.06 415	0.07 298	0.07 378	0.08 433	0.07 390

HGLStereo	0.17 511	0.08 343	0.19 525	0.17 295	0.12 534	0.18 484	0.18 478	0.31 543	0.32 530	0.21 510	0.32 552	0.25 521	0.18 515	0.19 500	0.20 526	0.09 472	0.09 550	0.07 298	0.07 378	0.09 496	0.10 529

FAT-Stereo	0.20 549	0.12 529	0.22 552	0.21 553	0.12 534	0.17 465	0.18 478	0.34 583	0.39 580	0.27 573	0.37 583	0.34 601	0.32 625	0.21 542	0.20 526	0.09 472	0.11 584	0.10 523	0.09 498	0.11 552	0.14 609

DSFCA	0.16 490	0.09 423	0.14 375	0.16 208	0.10 450	0.20 524	0.19 518	0.28 504	0.31 523	0.23 539	0.24 453	0.22 483	0.15 449	0.19 500	0.20 526	0.10 513	0.07 487	0.09 475	0.09 498	0.08 433	0.08 456

DMCA-RVC	0.17 511	0.10 485	0.15 423	0.24 603	0.11 500	0.18 484	0.18 478	0.25 445	0.24 438	0.21 510	0.26 498	0.25 521	0.27 593	0.18 485	0.20 526	0.12 569	0.08 517	0.13 589	0.10 538	0.10 529	0.08 456

NLCA_NET_v2_RVC	0.17 511	0.10 485	0.22 552	0.20 521	0.10 450	0.15 413	0.18 478	0.31 543	0.25 459	0.21 510	0.30 540	0.25 521	0.17 500	0.21 542	0.20 526	0.09 472	0.06 415	0.08 392	0.08 451	0.07 369	0.08 456
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 549	0.21 625	0.23 561	0.20 521	0.10 450	0.19 508	0.17 429	0.36 606	0.25 459	0.27 573	0.33 564	0.27 539	0.24 570	0.20 525	0.20 526	0.15 613	0.12 600	0.17 625	0.14 607	0.10 529	0.08 456

StereoDRNet-Refined	0.17 511	0.12 529	0.15 423	0.20 521	0.09 338	0.18 484	0.18 478	0.26 463	0.23 421	0.26 567	0.40 603	0.22 483	0.17 500	0.21 542	0.20 526	0.08 412	0.05 268	0.09 475	0.10 538	0.07 369	0.07 390
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
StereoDRNet	0.18 525	0.11 511	0.17 489	0.22 570	0.11 500	0.21 541	0.22 571	0.37 612	0.33 537	0.24 548	0.28 521	0.30 567	0.19 531	0.20 525	0.20 526	0.09 472	0.08 517	0.11 554	0.09 498	0.09 496	0.07 390

DLCB_ROB	0.18 525	0.10 485	0.15 423	0.23 594	0.11 500	0.24 572	0.18 478	0.29 518	0.28 498	0.27 573	0.28 521	0.28 549	0.24 570	0.19 500	0.20 526	0.08 412	0.08 517	0.09 475	0.09 498	0.07 369	0.07 390

PWCDC_ROB	0.20 549	0.13 557	0.22 552	0.24 603	0.11 500	0.19 508	0.15 318	0.33 574	0.54 636	0.29 597	0.50 636	0.21 465	0.15 449	0.27 586	0.20 526	0.11 544	0.09 550	0.10 523	0.08 451	0.11 552	0.09 500

iinet-f	0.16 490	0.06 106	0.45 632	0.14 59	0.10 450	0.21 541	0.14 234	0.27 485	0.23 421	0.21 510	0.24 453	0.21 465	0.15 449	0.18 485	0.21 546	0.09 472	0.07 487	0.07 298	0.06 280	0.09 496	0.10 529

ADLNet	0.16 490	0.08 343	0.15 423	0.16 208	0.10 450	0.16 443	0.17 429	0.32 554	0.27 483	0.22 526	0.27 507	0.24 507	0.16 477	0.18 485	0.21 546	0.10 513	0.06 415	0.10 523	0.10 538	0.08 433	0.09 500

delet	0.17 511	0.08 343	0.17 489	0.19 454	0.11 500	0.20 524	0.21 561	0.30 532	0.37 570	0.17 426	0.26 498	0.19 444	0.19 531	0.19 500	0.21 546	0.08 412	0.08 517	0.09 475	0.11 572	0.06 289	0.06 303

UPFNet	0.16 490	0.08 343	0.12 288	0.20 521	0.12 534	0.20 524	0.23 582	0.28 504	0.26 473	0.17 426	0.24 453	0.22 483	0.19 531	0.19 500	0.21 546	0.09 472	0.07 487	0.08 392	0.09 498	0.08 433	0.06 303

ACVNet	0.15 467	0.09 423	0.15 423	0.13 16	0.12 534	0.14 387	0.20 541	0.22 383	0.33 537	0.17 426	0.26 498	0.21 465	0.16 477	0.17 463	0.21 546	0.07 335	0.06 415	0.06 187	0.06 280	0.08 433	0.06 303

hitnet-ft	0.18 525	0.09 423	0.17 489	0.14 59	0.09 338	0.26 593	0.20 541	0.25 445	0.26 473	0.24 548	0.32 552	0.31 580	0.22 556	0.24 576	0.21 546	0.12 569	0.07 487	0.10 523	0.08 451	0.12 567	0.11 556

MaskLacGwcNet_RVC	0.22 570	0.21 625	0.24 565	0.26 620	0.11 500	0.23 567	0.14 234	0.39 624	0.24 438	0.32 614	0.36 576	0.30 567	0.21 547	0.19 500	0.21 546	0.17 634	0.14 624	0.21 639	0.16 628	0.12 567	0.12 569

SuperB	0.20 549	0.10 485	0.56 648	0.16 208	0.09 338	0.18 484	0.18 478	0.24 428	0.50 626	0.26 567	0.39 597	0.17 416	0.21 547	0.22 555	0.21 546	0.08 412	0.06 415	0.06 187	0.06 280	0.12 567	0.10 529

NaN_ROB	0.22 570	0.19 613	0.24 565	0.25 615	0.13 557	0.29 614	0.26 620	0.33 574	0.41 589	0.31 608	0.31 548	0.32 590	0.23 564	0.30 608	0.21 546	0.11 544	0.17 639	0.10 523	0.10 538	0.08 433	0.09 500

YMNet	0.20 549	0.12 529	0.19 525	0.20 521	0.14 578	0.26 593	0.23 582	0.32 554	0.34 549	0.27 573	0.34 568	0.30 567	0.18 515	0.18 485	0.22 555	0.10 513	0.13 615	0.10 523	0.10 538	0.08 433	0.09 500

YMNet_1	0.20 549	0.12 529	0.19 525	0.20 521	0.14 578	0.26 593	0.23 582	0.32 554	0.34 549	0.27 573	0.34 568	0.30 567	0.18 515	0.18 485	0.22 555	0.10 513	0.13 615	0.10 523	0.10 538	0.08 433	0.09 500

UDG	0.21 561	0.17 598	0.19 525	0.23 594	0.15 598	0.30 617	0.20 541	0.33 574	0.35 558	0.23 539	0.28 521	0.31 580	0.27 593	0.20 525	0.22 555	0.15 613	0.12 600	0.13 589	0.09 498	0.14 600	0.14 609

ADLNet2	0.16 490	0.09 423	0.13 338	0.16 208	0.09 338	0.20 524	0.16 387	0.31 543	0.39 580	0.16 407	0.20 398	0.20 456	0.18 515	0.21 542	0.22 555	0.08 412	0.06 415	0.07 298	0.07 378	0.09 496	0.07 390

psm_up	0.18 525	0.10 485	0.18 513	0.20 521	0.11 500	0.17 465	0.19 518	0.37 612	0.34 549	0.21 510	0.28 521	0.29 557	0.24 570	0.20 525	0.22 555	0.09 472	0.10 571	0.11 554	0.11 572	0.08 433	0.08 456

ac_64	0.16 490	0.08 343	0.15 423	0.18 385	0.10 450	0.22 550	0.18 478	0.24 428	0.21 395	0.18 456	0.24 453	0.29 557	0.18 515	0.19 500	0.22 555	0.09 472	0.07 487	0.08 392	0.09 498	0.07 369	0.06 303

S-Stereo	0.20 549	0.12 529	0.25 570	0.21 553	0.13 557	0.20 524	0.18 478	0.32 554	0.43 602	0.23 539	0.36 576	0.28 549	0.30 616	0.19 500	0.22 555	0.09 472	0.12 600	0.10 523	0.10 538	0.13 586	0.13 592

RGC	0.25 605	0.20 619	0.29 594	0.28 636	0.16 609	0.22 550	0.23 582	0.32 554	0.44 607	0.27 573	0.40 603	0.38 616	0.27 593	0.36 634	0.22 555	0.11 544	0.13 615	0.17 625	0.17 635	0.14 600	0.16 627

stereogan	0.22 570	0.11 511	0.21 546	0.20 521	0.12 534	0.31 619	0.19 518	0.35 599	0.44 607	0.22 526	0.39 597	0.35 605	0.27 593	0.33 619	0.22 555	0.10 513	0.12 600	0.10 523	0.10 538	0.14 600	0.13 592

DeepPrunerF	0.24 593	0.17 598	0.42 630	0.26 620	0.16 609	0.22 550	0.28 633	0.37 612	0.50 626	0.26 567	0.29 533	0.24 507	0.28 604	0.21 542	0.22 555	0.15 613	0.11 584	0.20 638	0.18 639	0.12 567	0.13 592

GANet	0.21 561	0.12 529	0.21 546	0.24 603	0.13 557	0.22 550	0.22 571	0.41 634	0.26 473	0.31 608	0.42 620	0.37 612	0.28 604	0.23 566	0.22 555	0.10 513	0.12 600	0.10 523	0.09 498	0.10 529	0.08 456

PWC_ROB	0.21 561	0.16 587	0.26 573	0.18 385	0.11 500	0.22 550	0.13 169	0.32 554	0.49 623	0.30 602	0.40 603	0.32 590	0.24 570	0.31 609	0.22 555	0.10 513	0.07 487	0.11 554	0.08 451	0.11 552	0.10 529

z-ln-s-r	0.17 511	0.10 485	0.40 625	0.19 454	0.08 211	0.17 465	0.18 478	0.22 383	0.33 537	0.18 456	0.40 603	0.22 483	0.17 500	0.20 525	0.23 567	0.07 335	0.05 268	0.07 298	0.07 378	0.07 369	0.05 203

w-ln-seven-2	0.20 549	0.14 569	0.37 619	0.22 570	0.12 534	0.20 524	0.21 561	0.28 504	0.37 570	0.25 561	0.37 583	0.27 539	0.22 556	0.21 542	0.23 567	0.08 412	0.08 517	0.09 475	0.09 498	0.10 529	0.09 500

TCMNet	0.19 537	0.12 529	0.19 525	0.20 521	0.18 631	0.20 524	0.24 595	0.27 485	0.36 563	0.23 539	0.26 498	0.25 521	0.19 531	0.19 500	0.23 567	0.13 595	0.11 584	0.11 554	0.12 592	0.13 586	0.12 569

1111x	0.15 467	0.08 343	0.12 288	0.18 385	0.07 131	0.18 484	0.25 611	0.31 543	0.24 438	0.17 426	0.24 453	0.26 531	0.15 449	0.13 341	0.23 567	0.07 335	0.07 487	0.08 392	0.09 498	0.07 369	0.06 303

SQANet	0.23 586	0.23 631	0.30 597	0.30 647	0.19 635	0.27 603	0.13 169	0.29 518	0.33 537	0.24 548	0.37 583	0.31 580	0.22 556	0.27 586	0.23 567	0.15 613	0.10 571	0.21 639	0.16 628	0.21 642	0.15 616

fast-acv-ft	0.18 525	0.11 511	0.19 525	0.19 454	0.12 534	0.24 572	0.21 561	0.25 445	0.34 549	0.22 526	0.34 568	0.27 539	0.20 543	0.21 542	0.23 567	0.09 472	0.09 550	0.08 392	0.10 538	0.08 433	0.07 390

Anonymous_2	0.22 570	0.17 598	0.28 586	0.15 112	0.16 609	0.32 620	0.22 571	0.22 383	0.17 306	0.23 539	0.24 453	0.26 531	0.27 593	0.27 586	0.23 567	0.22 653	0.25 663	0.17 625	0.17 635	0.17 633	0.17 636

DGSMNet	0.24 593	0.19 613	0.33 606	0.21 553	0.24 649	0.24 572	0.20 541	0.35 599	0.41 589	0.24 548	0.32 552	0.38 616	0.21 547	0.29 605	0.23 567	0.12 569	0.11 584	0.14 602	0.16 628	0.23 646	0.23 651

aanetorigin	0.22 570	0.17 598	0.56 648	0.17 295	0.10 450	0.15 413	0.19 518	0.20 336	0.33 537	0.49 652	0.48 631	0.29 557	0.27 593	0.20 525	0.23 567	0.08 412	0.07 487	0.08 392	0.07 378	0.10 529	0.09 500

DANet	0.21 561	0.15 579	0.28 586	0.25 615	0.13 557	0.22 550	0.19 518	0.27 485	0.27 483	0.28 588	0.32 552	0.35 605	0.31 620	0.31 609	0.23 567	0.11 544	0.09 550	0.11 554	0.10 538	0.13 586	0.11 556
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 623	0.16 587	0.31 599	0.18 385	0.13 557	0.54 658	0.42 669	0.51 661	0.67 663	0.29 597	0.38 589	0.38 616	0.29 612	0.31 609	0.23 567	0.11 544	0.10 571	0.11 554	0.08 451	0.20 641	0.16 627

FBW_ROB	0.24 593	0.17 598	0.22 552	0.26 620	0.14 578	0.25 583	0.22 571	0.41 634	0.41 589	0.41 639	0.41 614	0.42 631	0.27 593	0.31 609	0.23 567	0.09 472	0.14 624	0.14 602	0.12 592	0.11 552	0.09 500

DispFullNet	0.27 618	0.21 625	0.65 658	0.28 636	0.16 609	0.26 593	0.17 429	0.33 574	0.58 645	0.27 573	0.38 589	0.43 635	0.23 564	0.38 641	0.23 567	0.12 569	0.06 415	0.19 636	0.11 572	0.21 642	0.15 616

FSD	0.25 605	0.27 644	0.26 573	0.24 603	0.22 644	0.25 583	0.25 611	0.27 485	0.26 473	0.25 561	0.26 498	0.25 521	0.27 593	0.27 586	0.24 580	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652

ACVNet-4b	0.39 646	0.53 668	0.55 645	0.45 665	0.24 649	0.47 652	0.18 478	0.49 655	0.64 658	0.42 642	0.45 627	0.60 659	0.27 593	0.34 622	0.24 580	0.33 666	0.14 624	0.48 670	0.42 672	0.30 662	0.26 660

Syn2CoEx	0.21 561	0.16 587	0.27 581	0.29 645	0.14 578	0.26 593	0.20 541	0.33 574	0.31 523	0.28 588	0.36 576	0.27 539	0.25 579	0.19 500	0.24 580	0.16 629	0.12 600	0.14 602	0.11 572	0.09 496	0.08 456

GwcNet	0.20 549	0.13 557	0.19 525	0.18 385	0.12 534	0.24 572	0.19 518	0.35 599	0.43 602	0.20 496	0.32 552	0.33 594	0.20 543	0.22 555	0.24 580	0.11 544	0.09 550	0.09 475	0.09 498	0.09 496	0.10 529

edge stereo	0.22 570	0.13 557	0.20 537	0.21 553	0.13 557	0.23 567	0.16 387	0.32 554	0.42 597	0.32 614	0.40 603	0.38 616	0.35 635	0.25 581	0.24 580	0.13 595	0.11 584	0.14 602	0.11 572	0.12 567	0.13 592

ADCRef	0.19 537	0.12 529	0.41 628	0.20 521	0.12 534	0.22 550	0.18 478	0.32 554	0.36 563	0.26 567	0.32 552	0.17 416	0.23 564	0.24 576	0.24 580	0.07 335	0.06 415	0.09 475	0.09 498	0.08 433	0.08 456

DRN-Test	0.19 537	0.11 511	0.20 537	0.22 570	0.10 450	0.22 550	0.22 571	0.39 624	0.37 570	0.24 548	0.32 552	0.26 531	0.21 547	0.22 555	0.24 580	0.11 544	0.07 487	0.11 554	0.10 538	0.09 496	0.07 390

NCCL2	0.23 586	0.15 579	0.17 489	0.34 653	0.18 631	0.24 572	0.23 582	0.34 583	0.28 498	0.31 608	0.38 589	0.38 616	0.28 604	0.23 566	0.24 580	0.15 613	0.12 600	0.18 634	0.21 643	0.13 586	0.13 592

SANet	0.24 593	0.14 569	0.28 586	0.21 553	0.11 500	0.27 603	0.24 595	0.38 620	0.64 658	0.36 624	0.40 603	0.43 635	0.26 585	0.27 586	0.24 580	0.12 569	0.09 550	0.10 523	0.09 498	0.13 586	0.11 556

SGM_RVC	0.23 586	0.12 529	0.15 423	0.15 112	0.09 338	0.33 627	0.18 478	0.34 583	0.31 523	0.44 647	0.37 583	0.53 655	0.35 635	0.35 628	0.24 580	0.13 595	0.13 615	0.13 589	0.13 603	0.10 529	0.11 556
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
zh-mn7	0.25 605	0.14 569	0.56 648	0.19 454	0.14 578	0.24 572	0.22 571	0.34 583	0.62 653	0.35 621	0.65 657	0.31 580	0.25 579	0.31 609	0.25 590	0.09 472	0.08 517	0.09 475	0.09 498	0.09 496	0.11 556

z-mn7	0.24 593	0.14 569	0.45 632	0.19 454	0.13 557	0.28 610	0.25 611	0.34 583	0.62 653	0.27 573	0.56 648	0.29 557	0.24 570	0.32 616	0.25 590	0.08 412	0.08 517	0.08 392	0.08 451	0.10 529	0.10 529

Wz-Net-LNSev	0.22 570	0.16 587	0.38 621	0.21 553	0.13 557	0.25 583	0.23 582	0.32 554	0.43 602	0.30 602	0.41 614	0.31 580	0.18 515	0.22 555	0.25 590	0.10 513	0.09 550	0.08 392	0.08 451	0.12 567	0.11 556

Wz-Net-MNSev	0.22 570	0.13 557	0.31 599	0.20 521	0.14 578	0.36 639	0.24 595	0.33 574	0.44 607	0.28 588	0.40 603	0.38 616	0.19 531	0.24 576	0.25 590	0.09 472	0.07 487	0.09 475	0.09 498	0.12 567	0.10 529

APVNet	0.22 570	0.12 529	0.19 525	0.18 385	0.14 578	0.32 620	0.31 656	0.39 624	0.32 530	0.27 573	0.40 603	0.30 567	0.29 612	0.26 583	0.25 590	0.11 544	0.12 600	0.11 554	0.14 607	0.12 567	0.12 569

AF-Net	0.22 570	0.17 598	0.17 489	0.26 620	0.13 557	0.25 583	0.24 595	0.32 554	0.50 626	0.25 561	0.33 564	0.38 616	0.26 585	0.28 598	0.25 590	0.11 544	0.10 571	0.16 621	0.11 572	0.11 552	0.10 529

RP	0.21 561	0.13 557	0.21 546	0.23 594	0.11 500	0.21 541	0.20 541	0.25 445	0.44 607	0.21 510	0.38 589	0.36 607	0.24 570	0.27 586	0.25 590	0.11 544	0.12 600	0.13 589	0.12 592	0.12 567	0.14 609

Nwc_Net	0.23 586	0.16 587	0.21 546	0.25 615	0.14 578	0.24 572	0.26 620	0.37 612	0.38 577	0.22 526	0.41 614	0.30 567	0.28 604	0.28 598	0.25 590	0.11 544	0.10 571	0.17 625	0.20 641	0.10 529	0.10 529

STTRV1_RVC	0.25 605	0.26 640	0.39 623	0.19 454	0.26 656	0.30 617	0.24 595	0.34 583	0.35 558	0.36 624	0.34 568	0.31 580	0.31 620	0.28 598	0.25 590	0.17 634	0.10 571	0.16 621	0.14 607	0.17 633	0.12 569

PA-Net	0.23 586	0.18 609	0.33 606	0.28 636	0.22 644	0.21 541	0.38 665	0.29 518	0.39 580	0.22 526	0.32 552	0.25 521	0.26 585	0.20 525	0.25 590	0.09 472	0.23 660	0.15 614	0.22 646	0.09 496	0.13 592
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LSM	0.33 640	0.20 619	0.58 651	0.26 620	0.60 682	0.34 630	0.25 611	0.42 639	0.48 616	0.45 648	0.58 653	0.42 631	0.36 637	0.35 628	0.25 590	0.12 569	0.20 647	0.14 602	0.16 628	0.19 640	0.33 667

WCMA_ROB	0.24 593	0.11 511	0.22 552	0.17 295	0.14 578	0.32 620	0.15 318	0.32 554	0.32 530	0.38 630	0.53 639	0.40 628	0.34 632	0.34 622	0.25 590	0.11 544	0.12 600	0.12 574	0.10 538	0.14 600	0.14 609

w-ln-seven	0.24 593	0.14 569	0.55 645	0.19 454	0.14 578	0.26 593	0.22 571	0.35 599	0.60 650	0.29 597	0.39 597	0.30 567	0.22 556	0.21 542	0.26 602	0.09 472	0.09 550	0.11 554	0.10 538	0.11 552	0.10 529

xxxx	0.15 467	0.07 224	0.14 375	0.14 59	0.08 211	0.23 567	0.18 478	0.31 543	0.19 356	0.14 352	0.28 521	0.22 483	0.14 431	0.15 394	0.26 602	0.09 472	0.05 268	0.07 298	0.07 378	0.08 433	0.07 390

test_xeample	0.15 467	0.06 106	0.13 338	0.14 59	0.08 211	0.21 541	0.20 541	0.28 504	0.20 379	0.16 407	0.29 533	0.19 444	0.16 477	0.15 394	0.26 602	0.09 472	0.05 268	0.07 298	0.07 378	0.07 369	0.07 390

G-Net	0.24 593	0.16 587	0.36 615	0.22 570	0.16 609	0.51 656	0.23 582	0.29 518	0.34 549	0.36 624	0.38 589	0.31 580	0.29 612	0.27 586	0.26 602	0.11 544	0.09 550	0.12 574	0.09 498	0.16 625	0.13 592

CC-Net-ROB	0.28 623	0.31 654	0.36 615	0.29 645	0.15 598	0.25 583	0.19 518	0.45 648	0.33 537	0.39 632	0.37 583	0.39 624	0.31 620	0.27 586	0.26 602	0.24 659	0.19 644	0.30 661	0.23 650	0.18 637	0.15 616

ETE_ROB	0.23 586	0.17 598	0.22 552	0.25 615	0.13 557	0.26 593	0.29 643	0.31 543	0.36 563	0.28 588	0.36 576	0.45 639	0.26 585	0.27 586	0.26 602	0.11 544	0.08 517	0.12 574	0.09 498	0.14 600	0.13 592

PSMNet_ROB	0.21 561	0.11 511	0.15 423	0.27 633	0.15 598	0.24 572	0.35 660	0.43 643	0.37 570	0.27 573	0.32 552	0.32 590	0.22 556	0.21 542	0.26 602	0.12 569	0.08 517	0.13 589	0.11 572	0.09 496	0.09 500

MeshStereo	0.27 618	0.13 557	0.18 513	0.15 112	0.11 500	0.32 620	0.24 595	0.40 628	0.36 563	0.52 654	0.57 651	0.67 666	0.40 646	0.35 628	0.26 602	0.14 609	0.13 615	0.13 589	0.11 572	0.11 552	0.10 529
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
DStereoO	0.24 593	0.18 609	0.18 513	0.20 521	0.14 578	0.21 541	0.19 518	0.32 554	0.41 589	0.29 597	0.21 421	0.32 590	0.27 593	0.41 653	0.27 610	0.46 675	0.12 600	0.31 662	0.11 572	0.15 616	0.12 569

psmorigin	0.25 605	0.15 579	0.34 614	0.17 295	0.13 557	0.23 567	0.14 234	0.34 583	0.33 537	0.41 639	0.55 643	0.41 630	0.37 639	0.34 622	0.27 610	0.11 544	0.15 630	0.11 554	0.11 572	0.12 567	0.16 627

NCC-stereo	0.24 593	0.15 579	0.31 599	0.26 620	0.16 609	0.20 524	0.30 650	0.40 628	0.40 586	0.24 548	0.38 589	0.33 594	0.28 604	0.36 634	0.27 610	0.12 569	0.11 584	0.15 614	0.22 646	0.13 586	0.13 592

Abc-Net	0.24 593	0.15 579	0.31 599	0.26 620	0.16 609	0.20 524	0.30 650	0.40 628	0.40 586	0.24 548	0.38 589	0.33 594	0.28 604	0.36 634	0.27 610	0.12 569	0.11 584	0.15 614	0.22 646	0.13 586	0.13 592
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCP+	0.20 549	0.10 485	0.33 606	0.20 521	0.12 534	0.22 550	0.26 620	0.31 543	0.34 549	0.26 567	0.37 583	0.22 483	0.22 556	0.27 586	0.27 610	0.09 472	0.06 415	0.08 392	0.08 451	0.09 496	0.10 529

SGM-ForestM	0.32 637	0.12 529	0.16 459	0.16 208	0.11 500	0.39 645	0.19 518	0.41 634	0.50 626	0.52 654	0.54 641	1.32 687	0.42 654	0.40 650	0.27 610	0.14 609	0.16 634	0.16 621	0.16 628	0.12 567	0.12 569

LALA_ROB	0.25 605	0.16 587	0.22 552	0.26 620	0.17 624	0.27 603	0.27 627	0.42 639	0.37 570	0.33 618	0.38 589	0.51 651	0.26 585	0.28 598	0.27 610	0.16 629	0.09 550	0.12 574	0.11 572	0.13 586	0.12 569

MSMD_ROB	0.31 635	0.26 640	0.26 573	0.24 603	0.21 642	0.34 630	0.25 611	0.34 583	0.39 580	0.40 635	0.69 661	0.45 639	0.40 646	0.34 622	0.27 610	0.20 644	0.19 644	0.26 647	0.25 652	0.23 646	0.22 649

DStereoSA	0.25 605	0.19 613	0.37 619	0.26 620	0.17 624	0.22 550	0.20 541	0.49 655	0.59 646	0.22 526	0.29 533	0.29 557	0.33 627	0.39 645	0.28 618	0.12 569	0.11 584	0.16 621	0.14 607	0.14 600	0.12 569

MFN_U_SF_DS_RVC	0.30 633	0.24 634	0.29 594	0.36 657	0.16 609	0.34 630	0.30 650	0.32 554	0.42 597	0.40 635	0.46 628	0.38 616	0.31 620	0.34 622	0.28 618	0.19 642	0.20 647	0.26 647	0.29 660	0.18 637	0.19 644

DISCO	0.19 537	0.09 423	0.22 552	0.17 295	0.10 450	0.25 583	0.18 478	0.27 485	0.44 607	0.22 526	0.31 548	0.33 594	0.26 585	0.28 598	0.28 618	0.08 412	0.06 415	0.07 298	0.07 378	0.09 496	0.09 500

XPNet_ROB	0.22 570	0.11 511	0.19 525	0.22 570	0.13 557	0.22 550	0.19 518	0.34 583	0.40 586	0.30 602	0.39 597	0.39 624	0.26 585	0.26 583	0.28 618	0.15 613	0.10 571	0.10 523	0.10 538	0.13 586	0.12 569

light-stereo	0.42 653	0.26 640	0.59 653	0.60 673	0.49 672	0.32 620	0.23 582	0.46 650	0.52 635	0.56 660	0.58 653	0.76 671	0.32 625	0.48 657	0.29 622	0.32 664	0.24 661	0.27 650	0.33 665	0.46 670	0.39 672

DStereoFS	0.27 618	0.22 629	0.31 599	0.22 570	0.15 598	0.22 550	0.20 541	0.50 659	0.48 616	0.28 588	0.44 625	0.33 594	0.34 632	0.52 663	0.29 622	0.12 569	0.11 584	0.15 614	0.13 603	0.16 625	0.16 627

FC-DCNN v2	0.33 640	0.27 644	0.28 586	0.26 620	0.23 647	0.37 640	0.28 633	0.40 628	0.43 602	0.45 648	0.56 648	0.51 651	0.40 646	0.37 639	0.29 622	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652

SHD	0.26 616	0.15 579	0.30 597	0.24 603	0.18 631	0.22 550	0.15 318	0.38 620	0.71 666	0.32 614	0.41 614	0.36 607	0.28 604	0.32 616	0.29 622	0.12 569	0.11 584	0.14 602	0.13 603	0.16 625	0.20 645

RTSC	0.23 586	0.12 529	0.28 586	0.21 553	0.13 557	0.28 610	0.16 387	0.35 599	0.66 662	0.27 573	0.33 564	0.30 567	0.21 547	0.31 609	0.29 622	0.10 513	0.08 517	0.09 475	0.10 538	0.13 586	0.13 592

ADCL	0.24 593	0.11 511	0.47 637	0.22 570	0.12 534	0.34 630	0.29 643	0.29 518	0.56 640	0.24 548	0.46 628	0.30 567	0.30 616	0.29 605	0.29 622	0.08 412	0.07 487	0.09 475	0.09 498	0.10 529	0.10 529

LE_ROB	0.50 662	0.07 224	0.14 375	0.15 112	0.08 211	0.24 572	0.16 387	0.22 383	1.81 697	4.63 703	0.67 659	0.47 647	0.44 656	0.20 525	0.29 622	0.07 335	0.06 415	0.06 187	0.06 280	0.08 433	0.06 303

Wz-Net-TNSev	0.29 627	0.20 619	0.65 658	0.19 454	0.15 598	0.38 643	0.27 627	0.35 599	0.55 637	0.34 620	0.42 620	0.45 639	0.38 640	0.32 616	0.30 629	0.12 569	0.13 615	0.10 523	0.12 592	0.15 616	0.14 609

Wz-Net-SNSev	0.25 605	0.17 598	0.44 631	0.25 615	0.14 578	0.26 593	0.23 582	0.38 620	0.56 640	0.30 602	0.55 643	0.39 624	0.26 585	0.23 566	0.30 629	0.10 513	0.09 550	0.09 475	0.10 538	0.11 552	0.11 556

FCDSN-DC	0.33 640	0.28 649	0.28 586	0.30 647	0.24 649	0.39 645	0.28 633	0.42 639	0.42 597	0.43 645	0.53 639	0.51 651	0.41 651	0.36 634	0.30 629	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
EDNetEfficient	0.29 627	0.24 634	1.13 686	0.18 385	0.10 450	0.19 508	0.20 541	0.20 336	0.60 650	0.74 674	0.56 648	0.31 580	0.39 643	0.22 555	0.30 629	0.09 472	0.07 487	0.08 392	0.07 378	0.11 552	0.09 500

RYNet	0.22 570	0.12 529	0.22 552	0.19 454	0.17 624	0.46 650	0.26 620	0.38 620	0.48 616	0.24 548	0.28 521	0.34 601	0.23 564	0.20 525	0.30 629	0.10 513	0.06 415	0.09 475	0.09 498	0.13 586	0.15 616

FC-DCNN	0.33 640	0.27 644	0.28 586	0.26 620	0.23 647	0.37 640	0.28 633	0.40 628	0.43 602	0.45 648	0.55 643	0.51 651	0.40 646	0.37 639	0.30 629	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652

CSAN	0.29 627	0.24 634	0.27 581	0.34 653	0.19 635	0.33 627	0.42 669	0.37 612	0.50 626	0.38 630	0.40 603	0.44 637	0.33 627	0.28 598	0.30 629	0.20 644	0.16 634	0.19 636	0.19 640	0.14 600	0.15 616

Ntro	0.40 649	0.40 663	0.53 642	0.46 668	0.30 662	0.65 666	0.24 595	0.46 650	0.68 664	0.41 639	0.49 632	0.48 649	0.42 654	0.39 645	0.31 636	0.32 664	0.28 665	0.37 665	0.30 662	0.32 666	0.29 662

AANet	0.30 633	0.19 613	1.03 684	0.16 208	0.13 557	0.22 550	0.16 387	0.30 532	0.62 653	0.60 661	0.52 638	0.46 643	0.38 640	0.23 566	0.32 637	0.12 569	0.09 550	0.11 554	0.10 538	0.13 586	0.12 569

zh-sn7	0.25 605	0.17 598	0.50 639	0.24 603	0.13 557	0.25 583	0.24 595	0.34 583	0.48 616	0.28 588	0.54 641	0.28 549	0.31 620	0.36 634	0.32 637	0.10 513	0.10 571	0.11 554	0.10 538	0.12 567	0.12 569

otaku	0.39 646	0.37 661	0.52 641	0.44 664	0.28 658	0.58 660	0.24 595	0.41 634	0.62 653	0.40 635	0.49 632	0.46 643	0.33 627	0.40 650	0.32 637	0.30 662	0.30 667	0.39 666	0.33 665	0.29 661	0.28 661

ADCPNet	0.25 605	0.16 587	0.61 655	0.21 553	0.15 598	0.35 638	0.25 611	0.32 554	0.35 558	0.30 602	0.40 603	0.36 607	0.28 604	0.28 598	0.32 637	0.12 569	0.10 571	0.11 554	0.12 592	0.14 600	0.13 592

GANetREF_RVC	0.31 635	0.34 658	0.27 581	0.35 655	0.16 609	0.32 620	0.41 666	0.48 653	0.51 633	0.35 621	0.35 573	0.34 601	0.33 627	0.39 645	0.32 637	0.27 661	0.20 647	0.29 659	0.15 624	0.18 637	0.17 636
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
ADCMid	0.25 605	0.15 579	0.40 625	0.20 521	0.14 578	0.25 583	0.26 620	0.34 583	0.38 577	0.36 624	0.44 625	0.34 601	0.40 646	0.35 628	0.33 642	0.10 513	0.09 550	0.11 554	0.11 572	0.13 586	0.12 569

AnyNet_C32	0.26 616	0.16 587	0.36 615	0.20 521	0.16 609	0.25 583	0.30 650	0.32 554	0.44 607	0.31 608	0.49 632	0.30 567	0.33 627	0.40 650	0.33 642	0.12 569	0.12 600	0.12 574	0.14 607	0.14 600	0.15 616

PDISCO_ROB	0.27 618	0.16 587	0.26 573	0.28 636	0.20 638	0.32 620	0.26 620	0.44 645	0.57 642	0.28 588	0.40 603	0.45 639	0.29 612	0.33 619	0.34 644	0.12 569	0.09 550	0.17 625	0.16 628	0.17 633	0.13 592

ACVNet_1	0.44 655	0.49 667	0.60 654	0.45 665	0.28 658	0.49 655	0.27 627	0.57 669	0.72 667	0.62 663	0.58 653	0.74 670	0.49 660	0.50 659	0.35 645	0.26 660	0.24 661	0.39 666	0.29 660	0.31 665	0.24 652

WZ-Net	0.28 623	0.17 598	0.78 675	0.22 570	0.16 609	0.34 630	0.29 643	0.39 624	0.57 642	0.24 548	0.55 643	0.37 612	0.24 570	0.33 619	0.35 645	0.09 472	0.08 517	0.09 475	0.10 538	0.14 600	0.16 627

RTS	0.45 657	0.19 613	3.26 696	0.24 603	0.15 598	0.74 673	0.20 541	0.36 606	0.76 673	0.42 642	0.43 623	0.31 580	0.41 651	0.53 666	0.35 645	0.10 513	0.08 517	0.13 589	0.12 592	0.15 616	0.15 616

RTSA	0.45 657	0.19 613	3.26 696	0.24 603	0.15 598	0.74 673	0.20 541	0.36 606	0.76 673	0.42 642	0.43 623	0.31 580	0.41 651	0.53 666	0.35 645	0.10 513	0.08 517	0.13 589	0.12 592	0.15 616	0.15 616

PASM	0.32 637	0.24 634	0.48 638	0.28 636	0.27 657	0.29 614	0.30 650	0.34 583	0.49 623	0.35 621	0.39 597	0.46 643	0.34 632	0.34 622	0.35 645	0.23 657	0.25 663	0.26 647	0.28 659	0.23 646	0.21 647

MFN_U_SF_RVC	0.32 637	0.21 625	0.55 645	0.30 647	0.15 598	0.34 630	0.17 429	0.52 662	0.46 614	0.46 651	0.55 643	0.59 658	0.39 643	0.35 628	0.37 650	0.15 613	0.14 624	0.18 634	0.21 643	0.16 625	0.15 616

MANE	0.45 657	0.27 644	0.27 581	0.27 633	0.24 649	0.47 652	0.31 656	0.55 666	0.59 646	0.72 670	1.13 688	1.15 681	0.61 671	0.52 663	0.37 650	0.21 648	0.20 647	0.27 650	0.31 664	0.25 654	0.24 652

PVD	0.39 646	0.20 619	0.39 623	0.31 651	0.22 644	0.29 614	0.43 671	0.52 662	0.96 680	0.55 658	0.79 671	0.53 655	0.59 670	0.52 663	0.38 652	0.19 642	0.14 624	0.17 625	0.14 607	0.24 653	0.31 665

XQC	0.28 623	0.23 631	0.51 640	0.28 636	0.19 635	0.34 630	0.27 627	0.36 606	0.57 642	0.31 608	0.30 540	0.37 612	0.30 616	0.38 641	0.38 652	0.13 595	0.09 550	0.15 614	0.12 592	0.17 633	0.18 639

MSAF-DinoV2	0.22 570	0.11 511	0.23 561	0.17 295	0.10 450	0.27 603	0.16 387	0.37 612	0.55 637	0.21 510	0.27 507	0.47 647	0.27 593	0.35 628	0.39 654	0.09 472	0.06 415	0.07 298	0.09 498	0.12 567	0.10 529

EDNetEfficientorigin	7.91 702	0.31 654	153.02 727	0.19 454	0.09 338	0.21 541	0.16 387	0.22 383	0.59 646	0.72 670	0.67 659	0.42 631	0.50 661	0.24 576	0.39 654	0.08 412	0.07 487	0.08 392	0.07 378	0.12 567	0.10 529

SAMSARA	0.40 649	0.28 649	0.33 606	0.55 671	0.39 665	0.82 680	1.23 697	0.47 652	0.51 633	0.36 624	0.35 573	0.55 657	0.39 643	0.38 641	0.39 654	0.15 613	0.20 647	0.15 614	0.14 607	0.23 646	0.20 645

222	0.16 490	0.07 224	0.14 375	0.14 59	0.08 211	0.24 572	0.18 478	0.30 532	0.20 379	0.17 426	0.28 521	0.17 416	0.16 477	0.15 394	0.40 657	0.10 513	0.05 268	0.07 298	0.06 280	0.07 369	0.08 456

ADCS	0.29 627	0.18 609	0.45 632	0.21 553	0.17 624	0.28 610	0.23 582	0.41 634	0.63 657	0.40 635	0.49 632	0.40 628	0.36 637	0.39 645	0.40 657	0.13 595	0.12 600	0.13 589	0.14 607	0.16 625	0.16 627

ELAS_RVC	0.41 651	0.29 652	0.33 606	0.28 636	0.24 649	0.54 658	0.36 661	0.49 655	0.59 646	0.72 670	0.74 667	0.65 664	0.54 663	0.54 668	0.40 657	0.22 653	0.20 647	0.27 650	0.26 653	0.26 659	0.25 658
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
coex-ft	3.30 694	0.34 658	59.09 726	0.18 385	0.13 557	0.26 593	0.22 571	0.27 485	0.72 667	1.90 698	0.70 663	0.44 637	0.45 657	0.29 605	0.41 660	0.09 472	0.09 550	0.12 574	0.09 498	0.14 600	0.13 592

ccnet	0.29 627	0.28 649	0.23 561	0.20 521	0.28 658	0.41 648	0.21 561	0.45 648	0.33 537	0.36 624	0.46 628	0.36 607	0.30 616	0.39 645	0.42 661	0.23 657	0.14 624	0.21 639	0.17 635	0.23 646	0.18 639

BEATNet-Init1	0.52 663	0.27 644	0.62 656	0.30 647	0.21 642	0.76 677	0.29 643	0.54 665	0.65 661	0.86 679	0.95 679	2.07 697	0.62 673	0.56 670	0.42 661	0.18 636	0.18 641	0.23 644	0.22 646	0.22 645	0.21 647

ELAS	0.41 651	0.29 652	0.33 606	0.27 633	0.24 649	0.60 663	0.36 661	0.50 659	0.50 626	0.71 668	0.79 671	0.67 666	0.54 663	0.51 661	0.42 661	0.22 653	0.20 647	0.27 650	0.26 653	0.26 659	0.25 658
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RainbowNet	0.54 665	0.61 672	0.70 673	0.57 672	0.43 669	0.65 666	0.37 664	0.60 671	0.87 677	0.50 653	0.66 658	0.64 662	0.47 658	0.49 658	0.43 664	0.47 676	0.48 681	0.52 674	0.41 671	0.52 673	0.40 675

MSC_U_SF_DS_RVC	0.43 654	0.39 662	0.54 643	0.40 660	0.20 638	0.64 665	0.32 658	0.53 664	0.72 667	0.71 668	0.72 664	0.61 660	0.54 663	0.51 661	0.46 665	0.20 644	0.19 644	0.29 659	0.30 662	0.23 646	0.18 639

ACVNet_2	0.66 671	0.66 676	0.68 667	0.63 674	0.41 667	0.71 671	0.49 674	0.96 685	1.39 690	0.89 680	1.09 684	1.04 677	0.73 677	0.54 668	0.47 666	0.43 673	0.40 674	0.53 675	0.44 673	0.47 671	0.35 670

AnyNet_C01	0.36 644	0.25 639	1.37 689	0.22 570	0.17 624	0.48 654	0.27 627	0.35 599	0.39 580	0.39 632	0.74 667	0.46 643	0.38 640	0.45 655	0.47 666	0.13 595	0.13 615	0.13 589	0.14 607	0.14 600	0.15 616

IMH-64-1	0.65 669	0.61 672	0.68 667	0.71 676	0.51 673	0.59 661	0.49 674	0.91 681	0.85 675	0.74 674	1.02 681	0.81 672	0.78 679	0.79 678	0.49 668	0.42 671	0.46 676	0.71 679	0.47 674	0.52 673	0.39 672

IMH-64	0.65 669	0.61 672	0.68 667	0.71 676	0.51 673	0.59 661	0.49 674	0.91 681	0.85 675	0.74 674	1.02 681	0.81 672	0.78 679	0.79 678	0.49 668	0.42 671	0.46 676	0.71 679	0.47 674	0.52 673	0.39 672

Consistency-Raft	0.44 655	0.40 663	0.45 632	0.37 659	0.43 669	0.46 650	0.41 666	0.57 669	0.55 637	0.32 614	0.73 665	0.33 594	0.48 659	0.42 654	0.49 668	0.39 669	0.35 672	0.45 669	0.51 679	0.42 669	0.29 662

anonymity	0.53 664	0.58 670	0.65 658	0.41 662	0.61 683	0.53 657	0.41 666	0.56 667	0.41 589	0.55 658	0.50 636	0.49 650	0.55 666	0.58 671	0.50 671	0.58 682	0.50 685	0.51 672	0.51 679	0.51 672	0.57 681

IMH	0.71 672	0.64 675	0.68 667	0.76 678	0.54 675	0.69 669	0.54 678	0.98 687	1.10 683	0.82 678	1.09 684	0.89 674	0.88 684	0.87 686	0.52 672	0.44 674	0.50 685	0.75 682	0.51 679	0.56 678	0.41 676

MonStereo1	0.47 661	0.26 640	0.58 651	0.28 636	0.20 638	0.39 645	0.18 478	0.49 655	0.64 658	0.52 654	0.87 674	1.01 676	0.57 668	0.50 659	0.56 673	0.53 679	0.31 670	0.54 676	0.40 670	0.33 667	0.34 668

SGM+DAISY	0.56 666	0.57 669	0.65 658	0.40 660	0.54 675	0.66 668	0.49 674	0.56 667	0.45 613	0.66 664	0.69 661	0.67 666	0.56 667	0.63 673	0.56 673	0.59 683	0.48 681	0.50 671	0.50 678	0.52 673	0.58 682

ktn	1.01 687	1.21 692	0.80 678	1.23 695	0.86 693	1.01 688	0.87 692	0.94 684	1.39 690	1.04 686	1.12 687	1.15 681	1.07 690	0.94 690	0.59 675	1.28 700	0.71 697	1.38 700	0.83 693	1.02 695	0.75 694

MFMNet_re	0.64 668	0.66 676	0.65 658	0.51 669	0.69 687	0.69 669	0.57 680	0.64 673	0.73 671	0.60 661	0.73 665	0.62 661	0.67 675	0.65 674	0.60 676	0.66 687	0.58 694	0.63 677	0.59 682	0.68 684	0.69 691

NVStereoNet_ROB	0.46 660	0.36 660	0.46 636	0.41 662	0.28 658	0.34 630	0.34 659	0.48 653	0.60 650	0.72 670	0.93 677	0.70 669	0.66 674	0.47 656	0.60 676	0.22 653	0.33 671	0.34 664	0.34 668	0.30 662	0.30 664
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	0.57 667	0.58 670	0.65 658	0.45 665	0.55 677	0.62 664	0.44 673	0.62 672	0.50 626	0.68 666	0.64 656	0.66 665	0.57 668	0.61 672	0.60 676	0.62 685	0.47 680	0.51 672	0.49 676	0.55 677	0.58 682
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-7	0.79 677	0.78 681	0.54 643	0.85 684	0.67 686	0.74 673	0.68 688	1.05 690	1.32 688	0.90 681	1.20 691	1.04 677	0.92 685	0.69 675	0.66 679	0.60 684	0.62 695	0.67 678	0.68 688	0.64 680	0.58 682

WAO-6	0.81 678	0.80 682	0.62 656	0.86 685	0.63 684	0.76 677	0.58 681	0.98 687	1.54 695	0.90 681	0.96 680	1.07 679	1.03 689	0.70 676	0.66 679	0.72 688	0.49 683	0.90 690	0.71 689	0.68 684	0.58 682

PWCK	0.71 672	0.94 687	0.95 682	0.76 678	0.31 663	0.74 673	0.36 661	0.90 680	0.90 678	0.96 683	0.75 669	0.95 675	0.61 671	0.87 686	0.66 679	0.72 688	0.46 676	0.75 682	0.49 676	0.69 686	0.44 677

TorneroNet-64	0.76 676	0.72 679	0.74 674	0.78 680	0.58 681	0.91 684	0.56 679	0.84 679	1.29 687	0.66 664	0.90 675	1.40 689	0.75 678	0.85 684	0.67 682	0.49 677	0.46 676	0.72 681	0.59 682	0.67 683	0.53 680

notaker	0.97 685	1.11 690	0.98 683	1.13 693	0.81 691	0.73 672	0.68 688	0.93 683	1.16 684	1.18 693	1.18 690	1.41 690	1.16 694	1.08 695	0.69 683	0.81 693	0.64 696	1.17 696	0.79 692	0.98 693	0.80 695

LVE	0.83 680	0.85 685	0.85 680	0.80 681	0.56 678	1.04 690	0.65 685	1.05 690	1.47 693	0.96 683	1.22 692	1.10 680	0.85 682	0.83 681	0.71 684	0.49 677	0.55 691	0.76 685	0.60 684	0.65 681	0.59 687

WAO-8	0.91 682	0.81 683	0.65 658	0.94 688	0.69 687	0.90 681	0.67 686	1.07 693	1.83 698	1.06 688	1.45 694	1.30 684	1.07 690	0.84 682	0.78 685	0.74 690	0.53 688	0.86 688	0.75 690	0.69 686	0.62 688

Venus	0.91 682	0.81 683	0.65 658	0.94 688	0.69 687	0.90 681	0.67 686	1.07 693	1.83 698	1.06 688	1.45 694	1.30 684	1.07 690	0.84 682	0.78 685	0.74 690	0.53 688	0.86 688	0.75 690	0.69 686	0.62 688

TorneroNet	0.82 679	0.74 680	0.81 679	0.84 683	0.63 684	0.99 686	0.63 682	0.96 685	1.16 684	0.80 677	1.11 686	1.36 688	0.86 683	0.93 689	0.80 687	0.56 680	0.49 683	0.78 687	0.66 687	0.73 689	0.63 690

Dean	0.87 681	0.86 686	0.79 677	0.81 682	0.56 678	0.90 681	0.63 682	1.15 696	1.73 696	1.15 691	1.15 689	1.31 686	0.99 688	0.81 680	0.81 688	0.57 681	0.56 692	0.77 686	0.64 685	0.66 682	0.58 682

KSHMR	1.09 688	1.17 691	0.88 681	1.25 696	1.00 695	0.99 686	0.96 694	1.13 695	1.37 689	1.16 692	1.29 693	1.41 690	0.96 687	1.01 692	0.92 689	1.03 697	1.08 699	1.20 697	1.03 698	1.01 694	0.97 697

UNDER WATER-64	0.95 684	0.94 687	1.43 691	0.87 686	0.56 678	1.18 693	0.87 692	0.77 677	0.94 679	1.04 686	0.85 673	1.58 694	1.21 695	0.94 690	0.96 690	0.87 694	0.57 693	1.03 694	0.88 695	0.78 690	0.73 692

UNDER WATER	0.97 685	0.97 689	1.42 690	0.99 690	0.70 690	1.12 692	0.84 691	0.80 678	1.08 682	1.01 685	0.90 675	1.55 693	1.22 696	1.03 693	1.00 691	0.78 692	0.53 688	1.02 693	0.87 694	0.80 691	0.74 693

JetBlue	0.71 672	0.45 666	1.14 687	0.51 669	0.47 671	2.02 695	0.64 684	0.75 676	0.70 665	0.69 667	0.77 670	1.22 683	0.83 681	1.03 693	1.01 692	0.40 670	0.28 665	0.33 663	0.33 665	0.30 662	0.34 668

MADNet+	0.75 675	0.71 678	3.70 699	0.66 675	0.41 667	0.98 685	0.97 695	0.69 675	0.73 671	0.52 654	0.57 651	0.64 662	0.68 676	0.86 685	1.01 692	0.34 667	0.36 673	0.28 658	0.23 650	0.36 668	0.31 665

DPSimNet_ROB	1.11 689	1.23 693	0.78 675	1.13 693	0.88 694	1.10 691	1.13 696	1.16 697	1.23 686	1.43 695	1.02 681	1.41 690	1.10 693	0.90 688	1.60 694	1.46 701	0.51 687	1.21 698	1.03 698	0.90 692	1.01 699

HanzoNet	1.29 690	1.26 694	1.19 688	1.12 692	0.85 692	1.02 689	0.83 690	1.03 689	1.48 694	1.64 696	1.61 696	2.50 699	1.72 697	1.61 697	1.61 695	1.26 699	0.80 698	1.31 699	1.01 697	1.02 695	0.86 696

LRCNet_RVC	10.62 710	13.42 717	7.30 702	18.92 716	2.07 699	0.33 627	0.30 650	5.59 705	0.48 616	13.03 715	17.94 714	8.87 708	5.65 703	4.79 702	1.89 696	23.51 724	2.73 707	27.55 727	25.71 727	16.07 721	16.33 723

Selective-IGEV-i1pa	2.80 693	3.51 702	0.67 666	0.28 636	0.14 578	10.22 703	0.43 671	4.36 701	3.63 701	3.53 701	6.92 702	3.47 700	1.97 698	13.41 715	2.26 697	0.36 668	0.15 630	0.13 589	0.10 538	0.15 616	0.35 670

MADNet++	1.95 692	1.75 696	1.59 692	1.82 698	1.69 698	2.33 696	1.40 699	2.35 700	2.09 700	2.57 700	2.36 699	2.24 698	2.17 699	2.28 698	2.34 698	1.87 702	1.66 702	1.54 701	1.34 701	1.92 699	1.77 702

TCMNet-wrong-test	3.67 696	5.48 710	3.89 700	12.18 712	11.75 713	4.65 697	3.88 701	1.06 692	0.72 667	1.09 690	2.15 698	6.30 705	0.53 662	3.43 701	2.36 699	0.89 695	0.20 647	1.87 703	1.69 702	5.57 707	3.62 708

JetRed	1.62 691	1.46 695	2.98 694	0.92 687	1.21 696	4.99 698	1.53 700	1.27 698	1.39 690	1.83 697	1.74 697	1.60 695	0.95 686	1.41 696	2.45 700	0.90 696	1.60 701	0.93 691	0.90 696	1.35 697	0.99 698

ASD4	3.54 695	3.38 701	2.05 693	1.72 697	2.51 700	9.03 702	17.71 706	2.25 699	5.51 703	2.46 699	2.81 700	2.03 696	3.36 701	2.73 699	5.06 701	1.22 698	1.34 700	1.13 695	1.33 700	1.68 698	1.49 701

PML	8.91 705	9.34 716	6.13 701	5.35 703	6.41 704	14.99 707	23.38 713	5.27 702	6.83 704	18.04 719	28.19 726	7.67 706	6.83 704	7.85 706	5.75 702	5.35 709	1.83 703	5.95 715	1.93 703	8.64 712	2.52 704

tt	4.67 697	0.06 106	3.55 698	2.02 699	1.55 697	10.25 704	16.71 705	8.91 710	5.03 702	1.31 694	0.94 678	4.71 701	4.76 702	3.33 700	5.87 703	6.06 710	10.30 716	1.88 704	2.11 704	2.75 701	1.21 700

Selective-IGEV-i16pa	18.58 715	3.30 700	1.09 685	0.21 553	0.18 631	103.68 727	0.28 633	19.87 720	40.73 728	4.16 702	56.45 727	8.07 707	2.59 700	123.95 729	5.89 704	0.18 636	0.12 600	0.09 475	0.12 592	0.12 567	0.51 679

USTest	6.22 698	2.73 699	3.00 695	6.57 706	7.29 705	14.37 706	21.57 707	7.00 709	9.56 708	5.34 706	6.10 701	5.72 704	7.64 705	6.41 705	6.96 705	1.97 703	3.42 708	1.64 702	2.15 705	2.66 700	2.36 703

xxxxx1	7.79 699	5.02 707	7.31 703	3.12 700	3.85 701	16.35 708	22.88 708	5.86 706	8.69 705	7.97 707	8.54 703	9.12 709	8.27 706	10.18 707	10.92 706	2.42 704	2.45 704	3.56 707	12.37 713	3.77 702	3.06 705

tt_ll	7.79 699	5.02 707	7.31 703	3.12 700	3.85 701	16.35 708	22.88 708	5.86 706	8.69 705	7.97 707	8.54 703	9.12 709	8.27 706	10.18 707	10.92 706	2.42 704	2.45 704	3.56 707	12.37 713	3.77 702	3.06 705

ff	7.79 699	5.02 707	7.31 703	3.12 700	3.85 701	16.35 708	22.88 708	5.86 706	8.69 705	7.97 707	8.54 703	9.12 709	8.27 706	10.18 707	10.92 706	2.42 704	2.45 704	3.56 707	12.37 713	3.77 702	3.06 705

DPSMNet_ROB	8.06 703	4.48 703	8.63 711	5.37 705	10.74 708	8.32 700	22.98 712	5.46 703	13.36 713	5.12 704	9.92 708	5.08 702	10.40 709	5.53 704	12.58 709	3.80 708	8.00 709	3.50 705	7.02 710	3.83 705	7.14 712

DGTPSM_ROB	8.06 703	4.48 703	8.63 711	5.35 703	10.72 707	8.32 700	22.97 711	5.46 703	13.35 712	5.12 704	9.92 708	5.08 702	10.40 709	5.52 703	12.58 709	3.79 707	8.00 709	3.50 705	7.02 710	3.83 705	7.14 712

Anonymous_1	10.96 711	7.92 711	7.46 706	10.33 709	10.06 706	18.65 714	26.34 716	11.06 713	13.44 714	9.40 710	10.05 710	9.67 714	11.23 713	10.73 710	12.72 711	6.42 711	8.38 713	5.77 712	10.61 712	12.12 713	6.77 709

iinet-test	10.48 708	8.09 712	7.54 707	10.26 707	10.94 709	18.00 712	25.26 714	11.33 714	13.28 710	9.69 711	9.85 706	9.42 712	11.17 711	11.02 711	12.78 712	6.59 712	8.30 711	5.56 710	6.56 706	6.89 708	7.02 710

IINet	10.48 708	8.09 712	7.54 707	10.26 707	10.94 709	18.00 712	25.26 714	11.33 714	13.28 710	9.69 711	9.85 706	9.42 712	11.17 711	11.02 711	12.78 712	6.59 712	8.30 711	5.56 710	6.56 706	6.89 708	7.02 710

DPSM_ROB	11.15 712	8.58 714	8.00 709	10.88 710	11.58 711	19.10 715	26.71 717	12.05 716	14.07 717	10.36 713	10.84 711	10.33 715	11.86 714	11.70 713	13.54 714	6.99 714	8.79 714	5.89 713	6.95 708	7.29 710	7.42 714

DPSM	11.15 712	8.58 714	8.00 709	10.88 710	11.58 711	19.10 715	26.71 717	12.05 716	14.07 717	10.36 713	10.84 711	10.33 715	11.86 714	11.70 713	13.54 714	6.99 714	8.79 714	5.89 713	6.95 708	7.29 710	7.42 714

HaxPig	15.71 714	18.52 725	19.18 720	16.89 715	15.89 716	7.73 699	7.60 702	13.31 718	10.82 709	15.42 716	14.91 713	15.98 717	14.92 716	15.58 716	15.98 716	18.95 723	16.73 717	19.46 723	18.08 723	19.26 722	19.05 726

RSGM-EC	20.36 716	4.73 705	0.68 667	16.76 713	16.92 717	21.28 717	27.18 719	10.46 711	14.04 715	18.00 717	21.31 717	22.24 726	21.82 718	22.57 718	17.63 717	62.81 727	33.79 727	20.14 724	18.10 724	20.18 723	16.45 724

acva	20.36 716	4.73 705	0.68 667	16.76 713	16.92 717	21.28 717	27.18 719	10.46 711	14.04 715	18.00 717	21.31 717	22.24 726	21.82 718	22.57 718	17.63 717	62.81 727	33.79 727	20.14 724	18.10 724	20.18 723	16.45 724

MEDIAN_ROB	20.38 718	24.04 726	23.31 723	21.23 717	21.71 719	10.40 705	7.92 703	17.64 719	15.50 719	20.12 720	19.70 715	20.34 718	20.32 717	21.19 717	21.13 719	23.81 725	21.81 725	24.98 726	23.76 726	24.71 725	23.93 727

AVERAGE_ROB	24.90 726	29.20 727	28.14 724	24.89 725	24.64 726	17.75 711	11.12 704	21.45 721	19.93 720	25.12 728	24.46 725	25.12 728	25.46 727	24.69 727	22.83 720	29.76 726	27.13 726	28.97 728	27.95 728	29.91 726	29.47 728

FlowAnything	22.44 722	17.35 722	16.14 717	22.07 723	23.23 720	38.39 723	53.77 722	24.25 725	28.44 725	20.96 727	21.82 723	20.70 719	23.84 720	23.49 724	27.14 721	14.04 716	17.79 724	11.75 716	14.15 722	14.65 714	14.89 716

CasAABBNet	22.42 719	17.33 719	16.01 715	22.01 719	23.28 721	38.32 719	53.80 723	24.14 724	28.41 724	20.60 722	21.77 721	20.89 724	23.91 722	23.43 722	27.36 722	14.07 717	17.69 719	11.83 718	14.01 717	14.67 716	14.95 719

LSM0	22.87 725	17.28 718	18.96 719	22.19 724	29.04 727	38.42 725	53.71 721	24.28 726	28.31 721	20.78 726	21.00 716	21.43 725	24.16 726	23.50 725	27.39 723	14.09 722	17.38 718	11.84 722	14.04 720	14.73 720	14.89 716

Hybrid-DGEV	22.47 723	17.40 724	16.14 717	22.00 718	23.29 722	38.36 722	53.80 723	24.43 728	28.63 727	20.59 721	21.81 722	20.88 721	23.91 722	23.45 723	27.42 724	14.08 720	17.69 719	11.83 718	14.06 721	14.65 714	14.93 718

RAFT-FEzeroshot	22.43 720	17.33 719	15.98 713	22.02 720	23.31 723	38.34 720	53.82 725	24.05 722	28.39 722	20.61 723	21.76 719	20.88 721	23.92 724	23.41 720	27.42 724	14.07 717	17.69 719	11.83 718	14.02 718	14.69 717	14.97 720

RAFT-FE	22.43 720	17.33 719	15.98 713	22.02 720	23.31 723	38.34 720	53.82 725	24.05 722	28.39 722	20.61 723	21.76 719	20.88 721	23.92 724	23.41 720	27.42 724	14.07 717	17.69 719	11.83 718	14.02 718	14.69 717	14.97 720

Selective-RAFT-Error	22.47 723	17.37 723	16.09 716	22.06 722	23.34 725	38.39 723	53.83 727	24.29 727	28.47 726	20.74 725	21.83 724	20.81 720	23.90 721	23.54 726	27.53 727	14.08 720	17.69 719	11.82 717	14.00 716	14.69 717	15.00 722

test_example2	98.32 727	94.13 728	45.89 725	96.35 726	109.85 728	88.61 726	95.45 728	25.75 729	94.37 729	130.00 730	126.06 729	58.17 729	74.63 728	88.51 728	79.96 728	150.23 729	221.02 729	77.62 729	99.10 729	113.75 729	96.94 729

ccccc	245.47 728	285.66 729	306.18 728	368.85 729	370.60 729	123.16 728	145.33 729	115.05 730	110.08 730	126.68 729	110.87 728	122.83 730	165.88 729	252.94 730	276.56 729	384.56 730	353.86 730	254.69 730	223.00 730	425.87 730	386.83 730

FADE		0.33 656		0.33 652	0.25 655			0.64 673	1.07 681	0.43 645		0.42 631		0.70 676		0.30 662	0.21 659	0.41 668	0.38 669	0.23 646	0.22 649

Low-res two-view benchmark