Low-res two-view results

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

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

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

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

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

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

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

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

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

CREStereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

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

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

HITNet	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
STStereo	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

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

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

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

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

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

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

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

ADCMid	0.08 26	0.02 14	0.13 69	0.03 23	0.02 15	0.03 22	0.02 15	0.02 15	0.02 15	1.32 169	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.07 37	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 23

ADCS	0.06 24	0.02 14	0.04 21	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	1.03 148	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.02 15	0.01 9	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.02 15	0.04 27	0.02 15

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

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

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

FADNet_RVC	0.10 33	0.03 23	0.04 21	0.03 23	0.04 28	0.05 32	0.04 28	0.04 28	0.04 28	0.03 21	0.04 27	0.04 27	0.03 21	0.04 28	0.03 24	0.03 24	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.03 24	1.63 215	0.03 23	0.03 24	0.04 28	0.03 22	0.04 28

BEATNet_4x	0.08 26	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 176	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCL	0.08 26	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 176	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

AnyNet_C01	0.08 26	0.03 23	0.04 21	0.02 15	0.03 21	0.03 22	0.02 15	0.02 15	0.02 15	1.46 175	0.02 15	0.03 23	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.02 15	0.03 22	0.02 16	0.02 15	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.03 22	0.03 23

AnyNet_C32	0.12 48	0.03 23	0.07 33	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.02 15	2.33 209	0.04 27	0.04 27	0.03 21	0.02 15	0.03 24	0.04 28	0.04 25	0.04 27	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.04 28	0.03 24	0.03 22	0.02 15

ADCPNet	0.08 26	0.03 23	0.04 21	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.32 169	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.04 27	0.03 23

FADNet-RVC-Resample	0.10 33	0.04 29	0.05 26	0.04 29	0.05 31	0.05 32	0.05 33	0.07 35	0.05 33	0.05 24	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.04 29	1.53 214	0.04 29	0.05 33	0.05 33	0.06 38	0.05 33

FADNet-RVC	0.11 45	0.04 29	0.05 26	0.04 29	0.05 31	0.04 28	0.04 28	0.05 32	0.04 28	0.04 22	0.04 27	0.04 27	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	1.79 221	0.04 29	0.04 28	0.04 28	0.04 27	0.05 33

FADNet	0.11 45	0.04 29	0.05 26	0.06 34	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	0.04 22	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.05 34	0.05 32	0.04 29	1.74 219	0.04 29	0.04 28	0.05 33	0.04 27	0.05 33

ADCRef	0.13 53	0.04 29	0.05 26	0.04 29	0.04 28	0.04 28	0.09 41	0.04 28	0.04 28	2.46 212	0.04 27	0.04 27	0.04 29	0.04 28	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

ADCP+	0.12 48	0.04 29	0.07 33	0.04 29	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	2.28 203	0.05 31	0.05 31	0.04 29	0.04 28	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

APVNet	0.09 31	0.06 34	0.04 21	0.06 34	0.04 28	0.05 32	0.04 28	0.05 32	1.08 198	0.05 24	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.05 32	0.04 29	0.04 28	0.04 29	0.05 33	0.04 28	0.05 33	0.04 28

BEATNet-Init1	0.15 64	0.07 35	0.10 42	0.08 39	0.07 38	0.07 38	0.07 37	0.07 35	0.07 37	2.19 200	0.08 39	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 39	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 40	0.07 38	0.07 39	0.07 40

DeepPrunerF	0.15 64	0.07 35	0.10 42	0.08 39	0.07 38	0.07 38	0.07 37	0.07 35	0.07 37	2.19 200	0.08 39	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 39	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 40	0.07 38	0.07 39	0.07 40

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

JetRed	0.22 78	0.11 52	0.12 61	0.11 53	0.11 55	0.11 52	0.11 54	0.11 53	0.11 54	2.93 219	0.11 55	0.11 52	0.11 56	0.11 59	0.11 55	0.12 64	0.11 53	0.11 58	0.11 52	0.11 56	0.11 53	0.11 56	0.11 53	0.11 57	0.11 53	0.11 55	0.11 53	0.11 57

JetBlue	0.23 79	0.12 53	0.13 69	0.12 54	0.12 67	0.12 53	0.11 54	0.14 56	0.12 64	3.07 220	0.12 67	0.12 54	0.11 56	0.11 59	0.13 71	0.13 70	0.12 54	0.12 68	0.13 53	0.11 56	0.12 54	0.13 71	0.12 64	0.14 72	0.13 55	0.12 65	0.12 54	0.11 57

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

GMStereo	0.14 59	0.13 55	0.14 72	0.14 57	0.14 71	0.14 57	0.14 70	0.14 56	0.14 71	0.14 43	0.14 72	0.14 56	0.14 73	0.14 72	0.14 73	0.14 72	0.14 57	0.14 72	0.14 55	0.14 73	0.14 56	0.14 73	0.14 69	0.14 72	0.14 57	0.14 70	0.14 57	0.14 73
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UNet	0.19 71	0.13 55	0.09 39	0.13 56	0.09 41	0.13 55	0.09 41	0.13 55	0.09 41	0.90 140	0.09 42	0.13 55	0.09 42	0.10 46	0.09 43	0.70 173	0.13 56	0.09 43	0.13 53	0.10 44	0.91 175	0.09 43	0.10 41	0.09 42	0.13 55	0.10 42	0.13 56	0.09 42

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

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

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

IPLGR	0.13 53	0.15 57	0.12 61	0.14 57	0.11 55	0.14 57	0.11 54	0.14 56	0.13 69	0.15 47	0.11 55	0.14 56	0.12 69	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 55	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 62	0.11 55	0.14 57	0.11 57

PDISCO_ROB	0.50 127	0.15 57	0.11 55	0.16 65	3.16 233	0.13 55	0.12 65	0.14 56	0.12 64	0.15 47	0.11 55	2.55 222	0.11 56	2.20 222	0.13 71	0.12 64	0.16 65	0.10 44	0.14 55	0.12 68	0.15 64	0.12 67	0.12 64	0.12 65	0.15 62	0.10 42	2.75 222	0.09 42

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

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

ICVP	0.13 53	0.16 62	0.11 55	0.16 65	0.11 55	0.16 65	0.11 54	0.16 66	0.11 54	0.16 53	0.11 55	0.16 66	0.11 56	0.11 59	0.11 55	0.11 55	0.16 65	0.11 58	0.16 64	0.11 56	0.16 65	0.11 56	0.11 53	0.11 57	0.16 66	0.11 55	0.16 65	0.11 57
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
HSM	0.14 59	0.17 65	0.11 55	0.17 67	0.11 55	0.17 66	0.12 65	0.17 69	0.11 54	0.17 54	0.11 55	0.17 68	0.11 56	0.12 63	0.12 66	0.12 64	0.17 68	0.12 68	0.17 65	0.12 68	0.17 66	0.12 67	0.12 64	0.12 65	0.17 67	0.12 65	0.17 66	0.12 65

ProNet	0.12 48	0.18 66	0.11 55	0.14 57	0.10 43	0.14 57	0.11 54	0.14 56	0.11 54	0.14 43	0.10 44	0.14 56	0.10 45	0.10 46	0.11 55	0.10 44	0.15 63	0.10 44	0.14 55	0.10 44	0.14 56	0.10 45	0.11 53	0.10 45	0.15 62	0.10 42	0.14 57	0.10 46

SFCPSM	0.23 79	0.18 66	0.13 69	0.18 68	0.12 67	0.18 67	0.80 182	0.17 69	0.12 64	0.88 139	0.12 67	0.17 68	0.12 69	0.13 70	0.12 66	0.12 64	0.18 70	0.12 68	0.18 67	0.12 68	1.18 193	0.13 71	0.12 64	0.12 65	0.18 68	0.13 69	0.18 67	0.12 65

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

ELAS_RVC	0.14 59	0.18 66	0.11 55	0.19 70	0.11 55	0.18 67	0.13 69	0.16 66	0.11 54	0.17 54	0.11 55	0.14 56	0.11 56	0.09 43	0.11 55	0.12 64	0.17 68	0.10 44	0.18 67	0.11 56	0.18 67	0.11 56	0.10 41	0.11 57	0.19 71	0.11 55	0.19 69	0.12 65
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM_RVC	0.14 59	0.19 70	0.11 55	0.20 72	0.11 55	0.20 70	0.12 65	0.18 71	0.12 64	0.18 56	0.12 67	0.19 71	0.11 56	0.11 59	0.11 55	0.11 55	0.18 70	0.11 58	0.19 70	0.11 56	0.19 69	0.11 56	0.11 53	0.11 57	0.20 72	0.11 55	0.20 71	0.12 65
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DAS	0.20 75	0.20 71	0.20 87	0.20 72	0.20 86	0.20 70	0.20 86	0.20 73	0.20 85	0.20 58	0.20 86	0.20 72	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 71	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 72	0.20 85	0.20 71	0.20 86

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

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

LALA_ROB	0.15 64	0.21 73	0.12 61	0.21 75	0.12 67	0.20 70	0.14 70	0.20 73	0.12 64	0.22 62	0.12 67	0.16 66	0.12 69	0.10 46	0.12 66	0.12 64	0.21 76	0.11 58	0.22 75	0.12 68	0.20 71	0.12 67	0.11 53	0.12 65	0.21 76	0.14 70	0.21 75	0.13 72

WAO-6	0.30 92	0.22 75	0.23 91	0.22 77	0.23 93	0.23 84	0.22 91	0.22 79	0.23 92	2.21 202	0.22 91	0.22 77	0.22 92	0.22 90	0.22 93	0.23 88	0.22 78	0.23 95	0.22 75	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.23 82	0.23 92	0.22 76	0.22 91

IGEV_Zeroshot_test	0.18 68	0.22 75	0.18 82	0.21 75	0.18 81	0.20 70	0.17 77	0.20 73	0.16 73	0.25 69	0.16 75	0.21 74	0.17 78	0.16 76	0.18 82	0.15 74	0.20 73	0.16 74	0.20 71	0.18 83	0.21 74	0.17 80	0.17 73	0.17 77	0.20 72	0.17 77	0.20 71	0.16 74

dd	0.18 68	0.22 75	0.16 74	0.22 77	0.15 72	0.22 77	0.15 72	0.21 77	0.15 72	0.21 60	0.15 73	0.21 74	0.15 74	0.15 73	0.15 75	0.15 74	0.22 78	0.14 72	0.22 75	0.14 73	0.22 77	0.15 74	0.16 71	0.15 74	0.23 82	0.15 72	0.22 76	0.16 74

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

IMH-64-1	0.29 89	0.23 79	0.23 91	0.23 83	0.22 89	0.22 77	0.23 92	0.22 79	0.22 90	2.02 194	0.23 92	0.23 82	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 82	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 78	0.22 90	0.22 76	0.22 91

IMH-64	0.29 89	0.23 79	0.23 91	0.23 83	0.22 89	0.22 77	0.23 92	0.22 79	0.22 90	2.02 194	0.23 92	0.23 82	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 82	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 78	0.22 90	0.22 76	0.22 91

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

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

GEStereo_RVC	0.36 108	0.23 79	0.18 82	0.23 83	0.18 81	0.23 84	0.19 84	0.22 79	0.19 84	0.24 67	0.20 86	0.24 87	0.18 85	0.18 82	0.18 82	0.21 85	0.25 91	0.18 85	0.22 75	0.18 83	0.23 83	0.18 85	0.19 82	0.20 87	0.23 82	0.20 85	4.43 238	0.19 85

iResNet	0.19 71	0.23 79	0.17 78	0.22 77	0.17 77	0.22 77	0.19 84	0.22 79	0.17 78	0.22 62	0.17 77	0.22 77	0.17 78	0.17 77	0.17 79	0.17 76	0.22 78	0.17 78	0.22 75	0.17 78	0.23 83	0.17 80	0.18 80	0.17 77	0.23 82	0.17 77	0.23 83	0.17 79

ELAS	0.14 59	0.23 79	0.10 42	0.19 70	0.11 55	0.20 70	0.11 54	0.16 66	0.10 43	0.15 47	0.11 55	0.15 64	0.11 56	0.09 43	0.11 55	0.11 55	0.16 65	0.10 44	0.17 65	0.11 56	0.18 67	0.11 56	0.09 38	0.10 45	0.18 68	0.11 55	0.19 69	0.12 65
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MMNet	0.30 92	0.24 86	0.17 78	0.24 87	0.17 77	0.24 87	0.17 77	0.23 87	0.18 82	1.21 163	0.17 77	0.23 82	0.17 78	0.17 77	0.17 79	0.89 182	0.24 87	0.17 78	0.24 86	0.17 78	1.22 197	0.16 76	0.17 73	0.17 77	0.24 87	0.17 77	0.24 84	0.17 79

delet	0.30 92	0.24 86	0.17 78	0.24 87	0.17 77	0.24 87	0.17 77	0.23 87	0.16 73	1.21 163	0.17 77	0.24 87	0.17 78	0.17 77	0.17 79	0.91 186	0.24 87	0.17 78	0.24 86	0.17 78	1.23 199	0.17 80	0.17 73	0.17 77	0.24 87	0.17 77	0.24 84	0.17 79

psm_up	0.30 92	0.24 86	0.17 78	0.25 90	0.17 77	0.24 87	0.17 77	0.24 90	0.17 78	1.20 162	0.17 77	0.23 82	0.17 78	0.17 77	0.18 82	0.90 185	0.24 87	0.17 78	0.25 90	0.17 78	1.24 202	0.17 80	0.17 73	0.17 77	0.24 87	0.17 77	0.24 84	0.17 79

UPFNet	0.29 89	0.24 86	0.16 74	0.24 87	0.16 74	0.24 87	0.16 75	0.23 87	0.16 73	1.19 161	0.16 75	0.23 82	0.16 76	0.17 77	0.16 76	0.89 182	0.24 87	0.16 74	0.24 86	0.18 83	1.20 195	0.16 76	0.17 73	0.16 76	0.24 87	0.16 75	0.24 84	0.16 74

UNDER WATER-64	0.31 100	0.25 90	0.25 97	0.26 95	0.26 97	0.25 92	0.26 99	0.25 91	0.26 101	1.69 181	0.26 102	0.25 89	0.25 98	0.25 98	0.26 104	0.26 96	0.25 91	0.26 102	0.26 93	0.26 103	0.25 85	0.25 96	0.25 95	0.25 98	0.26 96	0.26 100	0.25 90	0.26 103

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

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

CAS	0.25 81	0.25 90	0.25 97	0.25 90	0.26 97	0.26 97	0.26 99	0.25 91	0.25 95	0.25 69	0.25 98	0.25 89	0.25 98	0.25 98	0.25 99	0.25 93	0.26 97	0.25 98	0.26 93	0.26 103	0.25 85	0.25 96	0.25 95	0.26 101	0.25 92	0.26 100	0.25 90	0.25 98

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

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

CFNet	0.55 141	0.25 90	0.18 82	0.25 90	0.18 81	0.25 92	0.18 83	0.25 91	0.18 82	0.25 69	0.18 84	0.25 89	0.18 85	0.18 82	0.18 82	0.18 80	0.25 91	0.18 85	0.25 90	0.18 83	5.31 248	4.36 248	0.18 80	0.18 84	0.25 92	0.18 83	0.25 90	0.18 84

SQANet	0.33 103	0.28 97	0.28 104	0.28 100	0.28 105	0.29 99	0.28 107	0.28 97	0.28 107	1.59 179	0.28 108	0.28 98	0.28 106	0.28 109	0.28 109	0.28 104	0.28 100	0.28 105	0.29 99	0.28 106	0.28 93	0.28 107	0.28 103	0.28 107	0.28 99	0.28 104	0.28 97	0.28 107

RAFT + AFF	0.34 105	0.29 98	0.32 119	0.31 102	0.30 119	0.39 126	0.32 125	0.39 124	0.30 117	0.39 92	0.32 122	0.39 121	0.32 120	0.35 120	0.36 127	0.32 121	0.38 118	0.31 119	0.38 116	0.31 122	0.38 111	0.28 107	0.37 129	0.34 125	0.38 116	0.30 119	0.38 114	0.28 107

DISCO	0.59 146	0.29 98	0.22 90	0.27 96	5.05 250	0.30 100	0.21 89	0.28 97	0.21 88	0.27 76	0.21 89	0.27 96	0.20 87	0.21 89	0.21 90	0.21 85	0.27 99	0.21 91	0.27 97	0.21 91	0.27 91	0.23 94	0.21 86	0.21 90	0.27 98	0.21 88	5.06 244	0.22 91

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

FCDSN-DC	0.44 120	0.31 101	0.35 121	0.34 107	0.28 105	0.35 108	0.30 122	0.32 102	0.25 95	1.32 169	0.24 95	1.00 183	0.32 120	0.35 120	0.34 123	0.30 114	0.72 168	0.37 130	0.48 148	0.32 124	0.53 151	0.49 158	0.23 92	0.29 115	0.50 149	0.42 144	0.61 159	0.71 177
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
AANet_RVC	0.61 147	0.31 101	5.05 240	0.31 102	0.19 84	0.24 87	0.20 86	5.86 236	0.20 85	0.24 67	0.18 84	0.25 89	0.20 87	0.23 93	0.21 90	0.18 80	0.37 116	0.18 85	0.24 86	0.19 87	0.25 85	0.19 87	0.19 82	0.19 86	0.24 87	0.15 72	0.24 84	0.20 86

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

SPstereo	0.27 85	0.33 104	0.23 91	0.32 104	0.23 93	0.31 101	0.23 92	0.31 100	0.23 92	0.31 77	0.24 95	0.31 101	0.23 95	0.23 93	0.23 94	0.23 88	0.31 103	0.23 95	0.31 101	0.23 96	0.31 96	0.23 94	0.23 92	0.23 95	0.31 102	0.23 92	0.31 100	0.23 95

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

CES	0.38 112	0.34 106	0.44 136	0.43 140	0.33 125	0.37 117	0.44 147	0.37 116	0.38 131	0.45 107	0.35 126	0.35 107	0.41 140	0.45 139	0.36 127	0.36 126	0.36 114	0.45 145	0.43 135	0.35 129	0.34 99	0.46 144	0.36 127	0.36 131	0.42 134	0.34 125	0.35 107	0.38 132

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

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

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

XPNet_ROB	0.37 111	0.37 110	0.37 123	0.37 117	0.37 131	0.37 117	0.37 133	0.37 116	0.37 130	0.37 88	0.37 131	0.37 114	0.37 131	0.37 125	0.37 130	0.37 128	0.37 116	0.37 130	0.37 113	0.37 133	0.37 109	0.37 129	0.37 129	0.37 133	0.37 114	0.37 132	0.37 113	0.37 131

WAO-7	0.46 121	0.38 111	0.38 125	0.38 120	0.38 134	0.38 120	0.38 135	0.38 118	0.38 131	2.57 213	0.38 133	0.38 117	0.38 132	0.38 126	0.38 131	0.38 130	0.38 118	0.38 132	0.38 116	0.38 135	0.38 111	0.38 130	0.38 131	0.38 134	0.38 116	0.38 133	0.38 114	0.38 132

Venus	0.46 121	0.38 111	0.40 128	0.38 120	0.38 134	0.39 126	0.38 135	0.38 118	0.38 131	2.71 215	0.38 133	0.38 117	0.38 132	0.38 126	0.38 131	0.38 130	0.38 118	0.38 132	0.38 116	0.38 135	0.38 111	0.38 130	0.38 131	0.38 134	0.38 116	0.38 133	0.39 123	0.38 132

DMCA	0.36 108	0.38 111	0.37 123	0.35 112	0.35 129	0.35 108	0.36 129	0.35 111	0.36 129	0.36 87	0.37 131	0.36 113	0.36 130	0.36 124	0.35 125	0.37 128	0.36 114	0.36 128	0.36 111	0.36 132	0.36 108	0.35 126	0.36 127	0.36 131	0.37 114	0.36 128	0.36 111	0.36 130

HanzoNet	0.47 123	0.39 114	0.38 125	0.38 120	0.38 134	0.38 120	0.38 135	0.40 126	0.38 131	2.63 214	0.38 133	0.38 117	0.38 132	0.38 126	0.38 131	0.39 134	0.38 118	0.38 132	0.38 116	0.42 145	0.38 111	0.39 135	0.39 135	0.38 134	0.38 116	0.38 133	0.38 114	0.39 137

IMH	0.47 123	0.40 115	0.39 127	0.38 120	0.38 134	0.38 120	0.38 135	0.38 118	0.40 136	2.79 217	0.38 133	0.38 117	0.38 132	0.38 126	0.38 131	0.38 130	0.39 127	0.38 132	0.38 116	0.40 139	0.38 111	0.38 130	0.38 131	0.38 134	0.38 116	0.38 133	0.38 114	0.38 132

GwcNet-ADL	0.41 115	0.41 116	0.41 129	0.41 136	0.41 139	0.41 132	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 130	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 139	0.41 127	0.41 139

PSMNet-ADL	0.41 115	0.41 116	0.41 129	0.41 136	0.41 139	0.41 132	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 130	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 139	0.41 127	0.41 139

GANet-ADL	0.41 115	0.41 116	0.41 129	0.41 136	0.41 139	0.41 132	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 130	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 139	0.41 127	0.41 139

ADLNet	0.41 115	0.41 116	0.41 129	0.41 136	0.41 139	0.41 132	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 130	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 139	0.41 127	0.41 139

GES	0.43 119	0.41 116	0.31 116	0.35 112	0.30 119	0.47 146	0.28 107	0.33 103	0.28 107	0.35 83	0.29 116	2.95 223	0.38 132	0.35 120	0.30 119	0.34 123	0.34 106	0.30 117	0.33 102	0.30 120	0.35 104	0.30 119	0.33 121	0.33 123	0.33 104	0.31 121	0.33 101	0.29 116

DGSMNet	0.33 103	0.42 121	0.28 104	0.40 130	0.28 105	0.40 129	0.28 107	0.40 126	0.28 107	0.40 97	0.28 108	0.39 121	0.28 106	0.27 106	0.28 109	0.28 104	0.40 131	0.28 105	0.42 134	0.29 115	0.41 124	0.31 120	0.29 109	0.28 107	0.41 129	0.28 104	0.42 131	0.29 116

GMOStereo	0.50 127	0.44 122	2.38 228	0.40 130	0.34 126	0.42 136	0.36 129	1.96 208	0.34 123	0.41 98	0.36 128	0.42 130	0.35 126	0.34 116	0.38 131	0.31 116	0.39 127	0.34 123	0.40 127	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 125	0.36 128	0.40 124	0.32 125

error version	0.50 127	0.44 122	2.38 228	0.40 130	0.34 126	0.42 136	0.36 129	1.96 208	0.34 123	0.41 98	0.36 128	0.42 130	0.35 126	0.34 116	0.38 131	0.31 116	0.39 127	0.34 123	0.40 127	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 125	0.36 128	0.40 124	0.32 125

Any-RAFT	0.32 101	0.45 124	0.29 109	0.36 116	0.29 114	0.36 113	0.29 119	0.36 115	0.29 115	0.35 83	0.29 116	0.35 107	0.28 106	0.27 106	0.28 109	0.28 104	0.35 109	0.28 105	0.35 108	0.28 106	0.35 104	0.28 107	0.29 109	0.29 115	0.36 112	0.29 117	0.36 111	0.29 116

RAFT-Test	0.34 105	0.45 124	0.30 113	0.38 120	0.32 123	0.40 129	0.32 125	0.39 124	0.32 120	0.39 92	0.30 119	0.37 114	0.29 115	0.30 114	0.30 119	0.29 112	0.38 118	0.30 117	0.38 116	0.29 115	0.38 111	0.29 117	0.29 109	0.30 119	0.38 116	0.30 119	0.38 114	0.30 121

otaku	0.52 131	0.46 126	0.48 143	0.46 142	0.46 146	0.46 140	0.46 149	0.46 133	0.47 151	1.88 184	0.46 146	0.46 135	0.46 148	0.46 141	0.46 148	0.46 142	0.47 141	0.46 146	0.46 138	0.46 148	0.47 135	0.46 144	0.46 143	0.46 147	0.47 142	0.46 146	0.46 134	0.47 148

Dean	0.52 131	0.46 126	0.48 143	0.46 142	0.46 146	0.46 140	0.46 149	0.46 133	0.46 147	1.90 185	0.46 146	0.47 139	0.46 148	0.46 141	0.46 148	0.46 142	0.48 145	0.46 146	0.46 138	0.46 148	0.46 131	0.46 144	0.46 143	0.46 147	0.46 136	0.46 146	0.46 134	0.46 145

ACVNet_1	0.53 135	0.46 126	0.48 143	0.47 147	0.47 150	0.46 140	0.48 157	0.48 142	0.48 155	2.07 197	0.47 150	0.48 144	0.48 155	0.47 145	0.47 152	0.46 142	0.49 149	0.47 152	0.47 142	0.47 153	0.48 141	0.46 144	0.46 143	0.48 154	0.47 142	0.47 152	0.48 143	0.47 148

ACVNet-4b	0.53 135	0.46 126	0.47 138	0.46 142	0.46 146	0.46 140	0.46 149	0.46 133	0.46 147	2.17 199	0.46 146	0.46 135	0.47 151	0.46 141	0.46 148	0.46 142	0.46 137	0.46 146	0.46 138	0.46 148	0.46 131	0.46 144	0.46 143	0.47 150	0.46 136	0.46 146	0.46 134	0.46 145

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

Ntro	0.53 135	0.47 131	0.50 149	0.46 142	0.48 155	0.47 146	0.47 153	0.46 133	0.46 147	2.05 196	0.47 150	0.47 139	0.49 159	0.47 145	0.47 152	0.46 142	0.48 145	0.46 146	0.49 151	0.46 148	0.47 135	0.46 144	0.46 143	0.47 150	0.46 136	0.46 146	0.47 138	0.47 148

UNDER WATER	0.52 131	0.47 131	0.47 138	0.47 147	0.47 150	0.47 146	0.47 153	0.47 139	0.47 151	1.90 185	0.47 150	0.47 139	0.47 151	0.47 145	0.47 152	0.47 149	0.46 137	0.47 152	0.47 142	0.47 153	0.46 131	0.47 152	0.47 149	0.48 154	0.47 142	0.47 152	0.47 138	0.47 148

LVE	0.53 135	0.47 131	0.48 143	0.47 147	0.47 150	0.47 146	0.47 153	0.48 142	0.47 151	1.96 191	0.47 150	0.47 139	0.47 151	0.47 145	0.47 152	0.47 149	0.47 141	0.47 152	0.47 142	0.47 153	0.47 135	0.47 152	0.47 149	0.47 150	0.47 142	0.47 152	0.47 138	0.47 148

RainbowNet	0.53 135	0.48 134	0.48 143	0.48 151	0.48 155	0.48 152	0.48 157	0.48 142	0.48 155	1.92 187	0.48 155	0.48 144	0.48 155	0.48 150	0.48 157	0.48 152	0.48 145	0.48 156	0.48 148	0.48 157	0.48 141	0.48 155	0.48 152	0.48 154	0.48 147	0.48 156	0.48 143	0.48 154

HaxPig	0.52 131	0.48 134	0.47 138	0.47 147	0.47 150	0.47 146	0.47 153	0.47 139	0.47 151	1.80 182	0.47 150	0.47 139	0.47 151	0.47 145	0.47 152	0.47 149	0.47 141	0.47 152	0.47 142	0.47 153	0.47 135	0.47 152	0.47 149	0.47 150	0.47 142	0.47 152	0.47 138	0.47 148

notaker	0.54 140	0.48 134	0.48 143	0.48 151	0.48 155	0.48 152	0.49 160	0.48 142	0.48 155	1.95 190	0.48 155	0.48 144	0.48 155	0.48 150	0.48 157	0.48 152	0.48 145	0.48 156	0.48 148	0.48 157	0.49 144	0.48 155	0.48 152	0.49 157	0.48 147	0.48 156	0.48 143	0.49 155

ACVNet_2	0.55 141	0.49 137	0.50 149	0.49 153	0.49 159	0.49 154	0.49 160	0.49 146	0.49 159	2.14 198	0.49 157	0.50 148	0.49 159	0.49 152	0.49 160	0.49 155	0.50 151	0.49 160	0.50 154	0.49 160	0.49 144	0.49 158	0.49 154	0.50 158	0.50 149	0.49 158	0.50 148	0.49 155

EKT-Stereo	0.36 108	0.50 138	0.30 113	0.40 130	0.29 114	0.40 129	0.29 119	0.35 111	0.30 117	0.47 111	0.30 119	0.35 107	0.32 120	0.29 111	0.34 123	0.33 122	0.59 158	0.31 119	0.39 126	0.29 115	0.37 109	0.38 130	0.29 109	0.31 120	0.58 161	0.28 104	0.51 150	0.29 116

SANet	0.50 127	0.50 138	0.50 149	0.50 155	0.50 162	0.50 155	0.50 162	0.50 149	0.50 160	0.50 112	0.50 158	0.50 148	0.50 161	0.50 155	0.50 162	0.50 158	0.50 151	0.50 161	0.50 154	0.50 162	0.50 146	0.50 162	0.50 156	0.50 158	0.50 149	0.50 160	0.50 148	0.50 157

AEACV	0.74 166	0.52 140	3.10 232	0.60 163	0.48 155	0.56 159	0.48 157	3.02 222	0.83 184	0.61 119	0.62 171	0.72 168	0.50 161	0.49 152	0.49 160	0.48 152	0.58 157	0.50 161	0.55 159	0.48 157	0.56 153	0.50 162	0.50 156	0.51 160	0.58 161	0.51 162	0.60 158	0.51 159

CASnet	0.32 101	0.53 141	0.34 120	0.27 96	0.31 121	0.34 106	0.29 119	0.31 100	0.32 120	0.25 69	0.31 121	0.27 96	0.40 139	0.45 139	0.27 106	0.30 114	0.26 97	0.40 137	0.28 98	0.37 133	0.28 93	0.39 135	0.29 109	0.40 139	0.29 100	0.28 104	0.24 84	0.30 121
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
PSMNet_ROB	0.55 141	0.55 142	0.56 160	0.56 159	0.55 165	0.56 159	0.55 166	0.55 156	0.55 163	0.55 116	0.55 163	0.55 153	0.55 166	0.55 157	0.56 165	0.55 162	0.55 155	0.55 165	0.55 159	0.55 165	0.55 152	0.55 165	0.55 160	0.55 165	0.55 157	0.55 165	0.55 154	0.55 161

PML	0.39 114	0.56 143	0.29 109	0.55 158	0.28 105	0.56 159	0.28 107	0.51 152	0.28 107	0.50 112	0.28 108	0.51 150	0.28 106	0.29 111	0.28 109	0.29 112	0.56 156	0.29 114	0.57 162	0.28 106	0.56 153	0.28 107	0.28 103	0.29 115	0.56 158	0.28 104	0.56 155	0.28 107

LMCR-Stereo	0.61 147	0.61 144	0.61 165	0.61 164	0.61 171	0.67 168	0.61 173	0.61 159	0.61 171	0.61 119	0.61 170	0.61 157	0.61 171	0.61 162	0.61 171	0.61 167	0.61 159	0.61 171	0.61 164	0.61 171	0.61 156	0.61 171	0.61 166	0.61 172	0.61 163	0.61 171	0.61 159	0.61 170

PA-Net	0.71 162	0.62 145	0.55 158	0.69 169	0.71 178	0.70 169	0.69 178	0.69 162	0.74 178	0.73 127	0.75 179	0.59 156	0.72 178	0.82 181	0.79 181	0.83 180	0.67 164	0.76 180	0.81 179	0.67 176	0.61 156	0.76 180	0.68 176	0.65 177	0.82 177	0.76 181	0.71 164	0.69 175
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TorneroNet-64	0.69 158	0.65 146	0.30 113	0.27 96	0.47 150	0.28 98	0.35 127	0.34 108	0.80 180	7.93 254	0.29 116	0.30 100	0.31 117	0.81 180	0.28 109	0.27 103	0.29 101	0.28 105	0.85 180	0.83 185	0.62 158	0.28 107	0.30 117	0.28 107	0.52 155	0.29 117	0.29 98	0.27 106

KSHMR	0.85 176	0.72 147	0.51 152	0.49 153	0.49 159	0.51 156	1.07 198	0.50 149	0.48 155	6.04 248	0.52 160	0.66 160	0.98 192	0.49 152	0.77 179	0.49 155	1.17 197	0.51 163	0.49 151	1.06 197	0.51 147	0.49 158	0.49 154	0.51 160	1.04 188	0.49 158	0.81 175	0.72 178

DMCA-RVC	0.71 162	0.72 147	0.72 170	0.71 173	0.70 177	0.70 169	0.70 179	0.70 163	0.71 177	0.70 124	0.71 177	0.71 167	0.70 177	0.70 175	0.71 178	0.70 173	0.70 165	0.71 179	0.70 168	0.71 177	0.70 163	0.70 179	0.71 179	0.71 179	0.70 167	0.72 179	0.71 164	0.70 176

AFF-stereo	0.71 162	0.73 149	0.65 168	0.82 181	0.63 174	0.83 178	0.63 174	0.73 166	0.65 173	0.82 136	0.73 178	0.74 171	0.64 173	0.63 166	0.62 172	0.62 168	0.73 170	0.63 174	0.74 173	0.72 179	0.80 169	0.58 167	0.70 178	0.71 179	0.79 173	0.69 178	0.78 170	0.72 178

DSFCA	0.66 152	0.73 149	0.74 171	0.68 168	0.65 175	0.64 165	0.65 176	0.65 161	0.65 173	0.66 122	0.65 173	0.65 159	0.64 173	0.65 171	0.65 176	0.65 171	0.65 162	0.65 176	0.65 166	0.65 174	0.65 162	0.65 174	0.65 171	0.65 177	0.66 165	0.66 176	0.65 162	0.65 174

ARAFT	0.64 150	0.74 151	0.62 166	0.70 172	0.56 167	0.72 171	0.55 166	0.72 165	0.54 162	0.73 127	0.56 164	0.72 168	0.56 167	0.56 158	0.62 172	0.63 169	0.73 170	0.53 164	0.73 171	0.54 164	0.72 165	0.65 174	0.62 167	0.56 166	0.72 169	0.54 163	0.72 166	0.57 162

RAFT-Stereo + iAFF	0.67 156	0.74 151	0.60 163	0.79 178	0.61 171	0.76 172	0.57 169	0.71 164	0.56 165	0.71 125	0.54 162	0.72 168	0.66 176	0.65 171	0.65 176	0.64 170	0.74 172	0.64 175	0.74 173	0.63 172	0.73 166	0.65 174	0.64 169	0.64 176	0.74 171	0.61 171	0.73 167	0.64 172

NaN_ROB	0.80 170	0.80 153	0.80 175	0.80 179	0.80 181	0.80 175	0.80 182	0.80 169	0.80 180	0.80 134	0.80 182	0.80 175	0.80 181	0.80 178	0.80 182	0.80 178	0.80 175	0.80 183	0.80 177	0.80 183	0.80 169	0.80 182	0.80 182	0.80 182	0.80 175	0.80 183	0.80 172	0.80 182

CSAN	0.80 170	0.80 153	0.80 175	0.80 179	0.80 181	0.80 175	0.80 182	0.80 169	0.80 180	0.80 134	0.80 182	0.80 175	0.80 181	0.80 178	0.80 182	0.80 178	0.80 175	0.80 183	0.80 177	0.80 183	0.80 169	0.80 182	0.80 182	0.80 182	0.80 175	0.80 183	0.80 172	0.80 182

FC-DCNN	1.10 194	0.81 155	0.77 172	0.63 166	0.42 144	0.86 180	0.64 175	0.91 174	0.96 190	1.11 151	0.80 182	1.07 189	0.81 183	0.67 174	1.75 220	1.30 210	1.41 209	0.85 186	1.28 204	0.71 177	2.12 218	1.32 210	0.52 158	0.81 185	1.64 212	1.40 215	2.39 220	1.75 222

DDUNet	0.69 158	0.84 156	0.59 162	0.84 182	0.59 169	0.87 181	0.57 169	0.84 171	0.59 170	0.82 136	0.58 167	0.85 178	0.57 168	0.59 161	0.59 168	0.57 164	0.87 179	0.59 168	0.85 180	0.59 169	0.85 173	0.59 169	0.59 164	0.59 168	0.87 178	0.59 168	0.84 176	0.59 164

UDG	0.70 160	0.87 157	0.56 160	0.87 183	0.59 169	0.84 179	0.59 172	0.85 172	0.57 167	0.84 138	0.59 168	0.84 177	0.60 170	0.58 159	0.60 169	0.59 165	0.85 178	0.59 168	0.87 182	0.58 167	0.87 174	0.60 170	0.57 162	0.59 168	0.87 178	0.58 167	0.86 177	0.60 166

CASS	0.58 145	0.89 158	0.55 158	0.56 159	0.55 165	0.60 163	0.57 169	0.57 158	0.56 165	0.55 116	0.56 164	0.56 154	0.50 161	0.63 166	0.56 165	0.56 163	0.62 160	0.62 172	0.59 163	0.56 166	0.56 153	0.48 155	0.60 165	0.56 166	0.57 160	0.60 169	0.57 157	0.59 164
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DPSM_ROB	0.93 180	0.92 159	0.94 180	0.96 186	1.02 190	0.92 182	0.98 188	0.95 177	0.92 186	0.92 141	0.92 187	0.91 179	0.97 190	0.92 185	0.91 188	0.91 186	0.96 184	0.94 190	0.93 185	0.91 189	0.93 178	0.92 187	0.93 186	0.91 187	0.91 180	0.99 188	0.92 178	0.91 186

DPSM	0.93 180	0.92 159	0.94 180	0.96 186	1.02 190	0.92 182	0.98 188	0.95 177	0.92 186	0.92 141	0.92 187	0.91 179	0.97 190	0.92 185	0.91 188	0.91 186	0.96 184	0.94 190	0.93 185	0.91 189	0.93 178	0.92 187	0.93 186	0.91 187	0.91 180	0.99 188	0.92 178	0.91 186

pmcnn	0.92 178	0.92 159	0.92 179	0.92 184	0.92 186	0.92 182	0.92 186	0.92 175	0.92 186	0.92 141	0.92 187	0.92 182	0.92 188	0.92 185	0.92 190	0.92 189	0.92 182	0.92 188	0.92 183	0.92 191	0.92 177	0.92 187	0.92 185	0.92 189	0.92 182	0.92 187	0.92 178	0.92 188

DGTPSM_ROB	0.92 178	0.93 162	0.91 178	0.93 185	0.91 185	0.92 182	0.93 187	0.92 175	0.92 186	0.92 141	0.91 186	0.91 179	0.93 189	0.91 183	0.92 190	0.92 189	0.92 182	0.92 188	0.92 183	0.90 188	0.91 175	0.92 187	0.93 186	0.94 190	0.92 182	0.91 186	0.92 178	0.97 189

GANet	1.00 185	1.00 163	1.00 182	1.00 188	1.00 187	1.00 186	1.00 191	1.00 179	1.00 191	1.00 145	1.00 190	1.00 183	1.00 193	1.00 190	1.00 192	1.00 192	1.00 186	1.00 192	1.00 187	1.00 192	1.00 180	1.00 191	1.00 190	1.00 192	1.00 184	1.00 191	1.00 182	1.00 190

TDLM	1.00 185	1.00 163	1.00 182	1.00 188	1.00 187	1.00 186	1.00 191	1.00 179	1.00 191	1.00 145	1.00 190	1.00 183	1.00 193	1.00 190	1.00 192	1.00 192	1.00 186	1.00 192	1.00 187	1.00 192	1.00 180	1.00 191	1.00 190	1.00 192	1.00 184	1.00 191	1.00 182	1.00 190

CVANet_RVC	1.00 185	1.00 163	1.00 182	1.00 188	1.00 187	1.00 186	1.00 191	1.00 179	1.00 191	1.00 145	1.00 190	1.00 183	1.00 193	1.00 190	1.00 192	1.00 192	1.00 186	1.00 192	1.00 187	1.00 192	1.00 180	1.00 191	1.00 190	1.00 192	1.00 184	1.00 191	1.00 182	1.00 190

GLC_STEREO	1.05 193	1.01 166	1.02 185	1.02 191	1.02 190	1.05 190	1.06 195	1.05 183	1.05 194	1.04 150	1.05 193	1.05 188	1.04 196	1.06 195	1.05 195	1.06 196	1.06 189	1.05 196	1.06 190	1.05 196	1.06 184	1.06 195	1.04 194	1.05 195	1.04 188	1.05 194	1.06 186	1.06 193

DPSimNet_ROB	0.93 180	1.04 167	0.83 177	1.05 192	0.82 183	1.04 189	0.83 185	1.03 182	0.89 185	1.03 148	0.84 185	1.03 187	0.84 184	0.83 182	0.84 185	0.83 180	1.14 192	0.84 185	1.12 194	0.84 186	1.04 183	0.88 186	0.83 184	0.84 186	1.07 192	0.83 185	1.15 193	0.88 184

Former-RAFT_DAM_RVC	0.38 112	1.06 168	0.54 156	0.59 162	0.27 102	0.46 140	0.27 102	0.46 133	0.27 103	0.46 109	0.27 105	0.46 135	0.26 104	0.27 106	0.27 106	0.26 96	0.46 137	0.26 102	0.45 137	0.30 120	0.46 131	0.27 103	0.27 101	0.27 104	0.46 136	0.27 103	0.45 133	0.26 103

HBP-ISP	1.47 207	1.07 169	1.03 186	1.30 206	1.08 195	1.36 205	1.06 195	1.44 200	1.25 211	1.97 192	1.51 215	1.65 209	1.58 216	0.98 188	1.58 216	1.68 218	1.98 215	1.32 211	2.02 215	1.28 213	2.95 223	1.89 226	0.97 189	1.06 197	1.26 204	0.99 188	1.94 210	1.43 216

HSM-Net_RVC	0.93 180	1.09 170	0.79 174	1.10 194	0.78 179	1.09 191	0.79 181	1.16 189	0.80 180	1.14 153	0.79 181	1.17 195	0.77 179	0.73 176	0.83 184	0.78 175	1.19 199	0.79 181	1.18 198	0.72 179	1.19 194	0.80 182	0.72 180	0.80 182	1.18 200	0.74 180	1.14 192	0.73 180
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
TorneroNet	1.15 197	1.10 171	0.51 152	0.69 169	0.51 163	1.10 192	0.50 162	0.51 152	0.51 161	13.92 255	1.17 204	0.49 147	0.51 164	0.54 156	0.48 157	0.49 155	0.49 149	0.65 176	0.70 168	0.49 160	0.51 147	0.49 158	0.67 174	1.36 213	0.51 153	0.50 160	0.52 152	1.23 207

ktn	0.84 174	1.15 172	0.54 156	1.16 201	1.26 209	0.51 156	0.53 165	0.51 152	0.66 175	4.54 238	0.51 159	0.52 152	0.52 165	0.66 173	0.51 163	0.51 159	1.37 208	1.17 204	0.49 151	0.51 163	1.23 199	0.51 164	0.67 174	0.51 160	0.51 153	0.68 177	0.51 150	0.51 159

Nwc_Net	1.15 197	1.15 172	1.15 194	1.09 193	1.19 205	1.16 195	1.17 202	1.15 187	1.16 203	1.16 157	1.16 200	1.08 190	1.16 203	1.11 198	1.15 204	1.18 205	1.11 190	1.10 198	1.16 195	1.17 206	1.16 189	1.13 200	1.18 203	1.20 208	1.11 194	1.15 201	1.16 194	1.20 204

RP	1.14 195	1.16 174	1.15 194	1.17 202	1.10 197	1.16 195	1.15 200	1.10 184	1.16 203	1.15 154	1.08 195	1.16 193	1.15 202	1.15 202	1.14 202	1.16 201	1.16 195	1.10 198	1.10 191	1.10 200	1.16 189	1.11 198	1.10 197	1.19 207	1.14 196	1.19 206	1.07 187	1.10 196

RGC	1.15 197	1.16 174	1.17 197	1.15 199	1.11 199	1.21 200	1.21 210	1.10 184	1.15 201	1.16 157	1.11 197	1.17 195	1.09 198	1.14 201	1.11 199	1.16 201	1.19 199	1.11 201	1.10 191	1.15 205	1.11 186	1.19 204	1.16 201	1.12 202	1.17 198	1.10 198	1.16 194	1.17 201

Abc-Net	1.14 195	1.16 174	1.18 198	1.10 194	1.10 197	1.16 195	1.18 204	1.16 189	1.13 200	1.11 151	1.16 200	1.16 193	1.12 200	1.10 196	1.17 205	1.16 201	1.16 195	1.10 198	1.16 195	1.14 203	1.17 191	1.16 201	1.11 198	1.09 200	1.10 193	1.10 198	1.16 194	1.17 201
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereo	1.15 197	1.17 177	1.12 193	1.10 194	1.15 200	1.14 193	1.15 200	1.15 187	1.12 199	1.17 160	1.17 204	1.11 191	1.17 206	1.11 198	1.10 198	1.16 201	1.12 191	1.11 201	1.16 195	1.13 202	1.23 199	1.16 201	1.19 205	1.11 201	1.18 200	1.17 203	1.17 197	1.13 199

S-Stereo	1.22 203	1.18 178	1.19 200	1.20 203	1.23 207	1.23 201	1.19 205	1.19 192	1.18 207	1.27 166	1.20 208	1.20 199	1.20 208	1.23 206	1.22 209	1.23 208	1.23 202	1.23 210	1.20 200	1.25 212	1.20 195	1.22 209	1.25 208	1.24 210	1.20 202	1.22 209	1.26 201	1.24 208

edge stereo	1.15 197	1.18 178	1.11 192	1.12 197	1.17 204	1.17 199	1.17 202	1.16 189	1.18 207	1.16 157	1.17 204	1.17 195	1.13 201	1.11 198	1.11 199	1.12 198	1.17 197	1.17 204	1.11 193	1.17 206	1.17 191	1.17 203	1.18 203	1.14 203	1.11 194	1.18 204	1.12 191	1.11 197

stereogan	1.17 202	1.19 180	1.15 194	1.15 199	1.15 200	1.15 194	1.19 205	1.19 192	1.15 201	1.15 154	1.16 200	1.19 198	1.19 207	1.19 204	1.19 206	1.19 206	1.15 193	1.19 207	1.19 199	1.19 209	1.15 188	1.19 204	1.15 200	1.15 204	1.16 197	1.15 201	1.19 198	1.20 204

FAT-Stereo	1.22 203	1.23 181	1.19 200	1.21 204	1.24 208	1.24 202	1.19 205	1.25 194	1.24 210	1.25 165	1.19 207	1.20 199	1.24 210	1.20 205	1.21 207	1.25 209	1.22 201	1.21 208	1.25 202	1.23 211	1.22 197	1.19 204	1.19 205	1.24 210	1.25 203	1.20 207	1.19 198	1.25 209

RASNet	1.39 206	1.37 182	1.35 203	1.38 209	1.40 211	1.39 207	1.77 220	1.36 197	1.74 220	1.36 172	1.36 211	1.36 206	1.36 212	1.36 207	1.35 210	1.41 215	1.36 206	1.36 215	1.36 206	1.35 214	1.36 206	1.35 212	1.36 210	1.35 212	1.36 208	1.35 212	1.36 206	1.35 210

SPS-STEREO	1.25 205	1.47 183	1.06 190	1.54 211	1.08 195	1.52 209	1.20 209	1.44 200	1.06 196	1.49 178	1.10 196	1.41 207	1.10 199	0.98 188	1.08 197	1.12 198	1.47 210	1.04 195	1.53 209	1.14 203	1.52 208	1.07 196	1.02 193	1.05 195	1.48 210	1.07 196	1.55 207	1.11 197
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-8	1.02 191	1.50 184	1.49 207	0.40 130	0.40 138	1.56 210	0.98 188	1.55 202	0.58 168	4.18 235	0.40 138	0.79 174	0.48 155	0.91 183	0.39 139	0.99 191	0.71 167	0.70 178	0.51 157	0.77 181	1.07 185	0.82 185	0.69 177	0.96 191	1.01 187	1.30 210	1.10 190	1.38 214

STTRV1_RVC	0.66 152	1.59 185	0.52 155	0.69 169	0.61 171	0.66 167	0.43 146	0.88 173	0.45 146	0.71 125	0.62 171	0.69 166	0.45 147	0.62 163	0.40 140	0.44 141	0.80 175	0.59 168	0.76 175	0.63 172	0.80 169	0.46 144	0.64 169	0.61 172	0.72 169	0.54 163	0.80 172	0.60 166

DPSMNet_ROB	1.62 211	1.60 186	1.59 208	1.61 212	1.69 215	1.66 211	1.61 216	1.70 203	1.65 218	1.62 180	1.60 217	1.61 208	1.60 217	1.60 212	1.59 217	1.62 216	1.60 211	1.63 218	1.62 210	1.68 221	1.70 209	1.60 216	1.64 216	1.60 218	1.61 211	1.60 217	1.60 208	1.59 218

iRaftStereo_RVC	0.62 149	1.76 187	2.24 225	0.52 157	0.37 131	0.53 158	0.38 135	2.51 219	0.38 131	0.51 114	0.38 133	0.51 150	0.38 132	0.38 126	0.38 131	0.38 130	0.52 153	0.38 132	0.52 158	0.38 135	0.52 149	0.38 130	0.38 131	0.38 134	0.52 155	0.39 137	0.52 152	0.38 132

G-Net	0.82 173	1.77 188	0.78 173	0.78 177	0.78 179	0.78 174	0.78 180	0.78 167	0.79 179	0.79 133	0.78 180	0.78 172	0.78 180	0.78 177	0.78 180	0.78 175	0.79 174	0.79 181	0.79 176	0.79 182	0.79 168	0.79 181	0.79 181	0.79 181	0.79 173	0.79 182	0.79 171	0.79 181

MFMNet_re	1.77 214	1.89 189	1.72 212	1.88 213	1.69 215	1.89 212	1.67 217	1.91 205	1.70 219	1.87 183	1.67 218	1.89 210	1.68 219	1.67 213	1.67 219	1.70 219	1.88 212	1.68 220	1.88 211	1.67 219	1.89 210	1.68 219	1.70 218	1.71 220	1.87 213	1.68 222	1.87 209	1.68 220

R-Stereo Train	1.62 211	2.01 190	1.41 205	1.97 214	1.40 211	1.96 213	1.39 213	1.93 206	1.39 214	1.92 187	1.38 213	1.94 211	1.39 214	1.40 210	1.45 213	1.38 213	1.96 213	1.37 216	1.97 212	1.39 215	1.98 211	1.41 214	1.40 211	1.37 214	1.97 214	1.38 213	1.96 211	1.37 212

RAFT-Stereo	1.62 211	2.01 190	1.41 205	1.97 214	1.40 211	1.96 213	1.39 213	1.93 206	1.39 214	1.92 187	1.38 213	1.94 211	1.39 214	1.40 210	1.45 213	1.38 213	1.96 213	1.37 216	1.97 212	1.39 215	1.98 211	1.41 214	1.40 211	1.37 214	1.97 214	1.38 213	1.96 211	1.37 212
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
GANetREF_RVC	1.52 210	2.01 190	1.21 202	1.98 216	1.21 206	1.98 215	1.21 210	1.98 211	1.21 209	1.99 193	1.21 209	1.98 213	1.21 209	1.02 193	1.21 207	1.21 207	1.99 216	1.21 208	1.99 214	1.21 210	1.99 213	1.21 207	1.21 207	1.21 209	1.99 216	1.21 208	1.99 213	1.21 206
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
HH	0.66 152	2.13 193	0.47 138	0.37 117	0.29 114	0.36 113	0.27 102	0.49 146	0.44 144	0.78 131	0.68 175	0.67 162	0.90 186	0.62 163	0.90 186	0.53 160	0.88 180	0.48 156	0.37 113	0.29 115	0.63 159	0.66 177	0.66 172	0.51 160	1.06 190	0.61 171	1.08 188	0.60 166

HanStereo	0.66 152	2.13 193	0.47 138	0.37 117	0.29 114	0.36 113	0.27 102	0.49 146	0.44 144	0.78 131	0.68 175	0.67 162	0.90 186	0.62 163	0.90 186	0.53 160	0.88 180	0.48 156	0.37 113	0.29 115	0.63 159	0.66 177	0.66 172	0.51 160	1.06 190	0.61 171	1.08 188	0.60 166

TRStereo	2.05 218	2.13 193	1.85 216	2.27 217	1.84 220	2.28 216	1.84 223	2.29 214	1.87 224	2.29 206	1.86 222	2.30 216	1.87 224	2.30 226	1.87 225	2.08 226	2.29 218	1.87 224	2.30 217	1.87 225	2.08 215	1.72 220	1.86 224	2.30 230	2.13 217	1.84 225	2.29 215	1.87 225

XX-Stereo	2.05 218	2.13 193	1.85 216	2.27 217	1.84 220	2.28 216	1.84 223	2.29 214	1.87 224	2.29 206	1.86 222	2.30 216	1.87 224	2.30 226	1.87 225	2.08 226	2.29 218	1.87 224	2.30 217	1.87 225	2.08 215	1.72 220	1.86 224	2.30 230	2.13 217	1.84 225	2.29 215	1.87 225

EAI-Stereo	2.05 218	2.13 193	1.85 216	2.27 217	1.84 220	2.28 216	1.84 223	2.29 214	1.87 224	2.29 206	1.86 222	2.30 216	1.87 224	2.30 226	1.87 225	2.08 226	2.29 218	1.87 224	2.30 217	1.87 225	2.08 215	1.72 220	1.86 224	2.30 230	2.13 217	1.84 225	2.29 215	1.87 225

NCCL2	2.27 223	2.27 198	2.28 227	2.27 217	2.28 229	2.28 216	2.28 230	2.27 213	2.28 230	2.28 203	2.28 229	2.29 215	2.28 230	2.28 225	2.29 231	2.28 231	2.28 217	2.28 232	2.27 216	2.28 233	2.28 219	2.28 231	2.28 231	2.28 228	2.28 220	2.28 231	2.11 214	2.28 233

STTStereo	2.30 224	2.34 199	2.26 226	2.37 221	2.23 226	2.40 220	2.35 231	2.20 212	2.33 231	2.28 203	2.31 230	2.19 214	2.37 231	2.20 222	2.31 232	2.23 230	2.38 221	2.25 231	2.33 220	2.27 232	2.39 220	2.27 230	2.31 232	2.29 229	2.37 221	2.32 232	2.34 219	2.26 232

UDGNet	1.97 216	2.43 200	1.67 209	2.46 223	1.70 217	2.44 222	1.69 218	2.34 217	1.63 217	2.35 210	1.67 218	2.37 220	1.67 218	1.68 214	1.64 218	1.67 217	2.44 223	1.64 219	2.43 221	1.67 219	2.43 222	1.66 217	1.67 217	1.63 219	2.43 222	1.66 220	2.42 221	1.66 219

FBW_ROB	2.04 217	2.50 201	1.75 213	2.45 222	1.78 218	2.40 220	1.74 219	2.47 218	1.77 221	2.37 211	1.81 220	2.30 216	1.80 220	1.78 215	1.88 228	1.80 220	2.41 222	1.77 221	2.43 221	1.83 223	2.39 220	1.81 224	1.76 220	1.75 221	2.56 223	1.75 223	2.30 218	1.74 221

CroCo-Stereo	0.80 170	2.51 202	0.41 129	1.27 205	0.41 139	1.27 203	0.41 140	1.27 195	0.41 138	1.27 166	0.41 139	1.27 202	0.41 140	0.41 132	0.41 141	0.41 135	1.28 203	0.41 139	1.27 203	0.41 140	1.27 203	0.41 138	0.42 141	0.41 140	1.27 205	0.41 139	1.27 202	0.41 139
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
LL-Strereo2	0.47 123	2.60 203	0.51 152	0.38 120	0.28 105	0.37 117	0.28 107	0.55 156	0.35 127	0.44 106	0.34 125	0.44 134	0.34 124	0.34 116	0.36 127	0.36 126	0.47 141	0.36 128	0.47 142	0.35 129	0.47 135	0.35 126	0.35 125	0.35 129	0.46 136	0.35 126	0.47 138	0.35 128

IER	0.56 144	2.72 204	2.20 223	0.38 120	0.29 114	0.38 120	0.27 102	2.77 221	0.27 103	0.38 89	0.28 108	0.37 114	0.25 98	0.26 100	0.25 99	0.26 96	0.38 118	0.29 114	0.38 116	0.25 99	0.39 119	0.25 96	0.29 109	0.29 115	0.40 125	0.25 96	0.38 114	0.25 98

NLCA_NET_v2_RVC	2.50 225	2.85 205	1.90 221	2.90 224	2.77 230	2.88 223	2.85 232	2.51 219	2.85 233	2.88 218	1.99 227	2.50 221	2.76 233	2.20 222	1.57 215	2.64 232	2.89 224	2.63 233	5.69 248	1.03 195	2.01 214	2.71 232	2.74 235	2.73 233	2.87 224	1.64 218	1.00 182	1.49 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CroCo-Stereo Lap2	0.85 176	2.86 206	0.43 135	1.33 207	0.43 145	1.31 204	0.42 145	1.32 196	0.42 143	1.31 168	0.44 144	1.32 203	0.44 146	0.43 138	0.44 147	0.43 140	1.35 204	0.43 144	1.32 205	0.43 146	1.31 204	0.43 143	0.43 142	0.42 146	1.31 206	0.42 144	1.31 203	0.43 144

test croco	1.96 215	3.33 207	1.04 187	3.24 225	1.04 193	3.24 225	1.04 194	3.26 224	1.05 194	3.26 221	1.13 198	3.27 224	1.06 197	1.05 194	1.05 195	1.05 195	3.28 225	1.05 196	3.29 223	1.06 197	3.30 224	1.05 194	1.05 195	1.06 197	3.30 225	1.06 195	3.30 225	1.06 193

4D-IteraStereo	0.67 156	3.40 208	1.05 188	0.71 173	0.83 184	0.47 146	0.27 102	0.47 139	0.27 103	0.35 83	0.26 102	0.68 164	0.84 184	0.41 132	0.54 164	0.89 182	0.74 172	0.88 187	0.73 171	0.87 187	0.42 129	0.27 103	0.28 103	0.28 107	0.36 112	0.28 104	0.68 163	0.90 185

MIF-Stereo (partial)	2.52 226	3.41 209	1.05 188	3.29 226	1.05 194	3.29 227	1.06 195	3.30 225	1.06 196	3.31 222	1.06 194	4.97 243	2.72 232	2.72 229	2.71 233	2.70 233	6.57 251	2.19 229	5.08 245	1.08 199	3.36 225	1.07 196	1.07 196	1.07 199	3.35 227	1.07 196	3.36 226	1.07 195

DPSNet	3.67 232	3.61 210	3.62 235	3.64 229	3.61 238	3.64 229	3.65 238	3.64 227	3.67 237	3.67 225	3.65 236	3.68 227	3.69 243	3.69 237	3.69 244	3.68 240	3.70 228	3.70 241	3.69 229	3.69 242	3.71 230	3.69 238	3.67 239	3.69 241	3.68 231	3.67 237	3.68 229	3.67 235

MIF-Stereo	2.12 222	3.66 211	1.10 191	3.48 228	1.15 200	3.57 228	1.11 199	3.44 226	1.16 203	3.52 223	1.16 200	3.50 225	1.16 203	1.10 196	1.13 201	1.15 200	3.61 226	1.17 204	3.64 224	1.12 201	3.58 227	1.12 199	1.12 199	1.17 205	3.53 228	1.18 204	3.52 227	1.18 203

MyStereo	0.47 123	3.97 212	0.31 116	0.34 107	0.32 123	0.36 113	0.30 122	0.35 111	0.31 119	0.51 114	0.45 145	0.35 107	0.31 117	0.31 115	0.32 122	0.31 116	0.35 109	0.31 119	0.34 105	0.31 122	0.34 99	0.32 122	0.31 118	0.32 121	0.35 109	0.31 121	0.35 107	0.30 121

sCroCo_RVC	2.76 227	4.00 213	1.82 215	4.00 235	1.83 219	3.98 234	1.82 221	3.99 228	1.81 222	4.14 232	2.76 231	4.13 236	1.82 222	1.83 216	1.83 221	1.82 221	4.01 235	1.82 223	3.98 232	1.86 224	4.00 235	1.82 225	1.83 222	1.84 222	4.02 237	1.81 224	4.00 234	1.83 224

sAnonymous2	2.87 228	4.16 214	1.89 219	4.26 239	1.87 223	4.23 237	1.92 226	4.17 229	1.94 227	4.16 233	1.92 225	4.20 237	1.92 227	1.96 218	1.86 223	1.87 223	4.25 238	1.90 227	4.23 237	1.91 228	4.26 238	1.93 227	1.89 227	1.90 223	4.07 238	1.91 228	5.09 246	1.93 229

CroCo_RVC	2.87 228	4.16 214	1.89 219	4.26 239	1.87 223	4.23 237	1.92 226	4.17 229	1.94 227	4.16 233	1.92 225	4.20 237	1.92 227	1.96 218	1.86 223	1.87 223	4.25 238	1.90 227	4.23 237	1.91 228	4.26 238	1.93 227	1.89 227	1.90 223	4.07 238	1.91 228	5.09 246	1.93 229

test_1	0.65 151	4.37 216	2.38 228	0.40 130	0.34 126	0.42 136	0.36 129	1.96 208	0.34 123	0.41 98	0.36 128	0.42 130	0.35 126	0.34 116	0.38 131	0.31 116	0.39 127	0.34 123	0.40 127	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 125	0.36 128	0.40 124	0.32 125

test-3	0.78 168	4.38 217	1.80 214	0.62 165	0.49 159	0.62 164	0.50 162	1.86 204	0.64 172	0.69 123	0.52 160	0.66 160	0.38 132	0.58 159	0.57 167	0.46 142	0.66 163	0.46 146	0.50 154	0.44 147	0.48 141	0.58 167	0.54 159	0.60 170	0.70 167	0.46 146	0.48 143	0.50 157

CC-Net-ROB	1.51 209	4.40 218	1.69 211	1.39 210	1.40 211	1.37 206	1.40 215	1.36 197	1.39 214	1.41 174	1.36 211	1.35 205	1.38 213	1.39 209	1.39 211	1.36 212	1.36 206	1.35 213	1.39 207	1.39 215	1.37 207	1.36 213	1.41 213	1.48 217	1.39 209	1.42 216	1.35 205	1.35 210

PS-NSSS	1.48 208	4.46 219	1.35 203	1.35 208	1.35 210	1.41 208	1.34 212	1.36 197	1.35 213	1.40 173	1.35 210	1.33 204	1.35 211	1.37 208	1.40 212	1.35 211	1.35 204	1.35 213	1.39 207	1.44 218	1.35 205	1.34 211	1.35 209	1.38 216	1.35 207	1.33 211	1.34 204	1.38 214

MyStereo02	0.84 174	4.69 220	0.69 169	0.73 176	0.65 175	0.80 175	0.66 177	0.79 168	0.67 176	0.77 130	0.66 174	0.78 172	0.65 175	0.63 166	0.63 175	0.79 177	0.72 168	0.62 172	0.72 170	0.59 169	0.74 167	0.62 172	0.63 168	0.62 175	0.78 172	0.62 175	0.74 168	0.64 172

MyStereo04	0.76 167	4.78 221	0.62 166	0.63 166	0.54 164	0.65 166	0.56 168	0.61 159	0.58 168	0.61 119	0.56 164	0.63 158	0.57 168	0.63 166	0.60 169	0.60 166	0.64 161	0.56 167	0.63 165	0.58 167	0.63 159	0.62 172	0.55 160	0.60 170	0.63 164	0.57 166	0.64 161	0.58 163

TestStereo	4.92 248	4.80 222	4.98 239	4.82 244	4.97 249	4.91 245	4.78 250	4.80 233	4.88 250	4.78 241	4.80 249	4.99 244	4.81 251	4.83 247	4.87 251	4.97 251	4.93 246	5.01 252	5.03 244	4.90 251	5.02 246	5.02 250	5.06 250	5.04 250	4.93 245	4.89 249	5.01 243	5.09 250

Anonymous3	3.36 230	4.93 223	2.20 223	4.92 245	2.23 226	4.90 244	2.23 229	4.89 234	2.24 229	4.95 243	2.21 228	4.91 242	2.21 229	2.18 221	2.22 230	2.22 229	4.86 245	2.20 230	4.90 243	2.20 231	4.96 245	2.21 229	2.21 230	2.21 227	6.30 249	2.21 230	4.90 241	2.23 231

MyStereo03	0.79 169	4.96 224	0.60 163	0.72 175	0.58 168	0.77 173	0.44 147	0.51 152	0.55 163	0.73 127	0.60 169	0.68 164	0.61 171	0.63 166	0.62 172	0.66 172	0.70 165	0.55 165	0.69 167	0.65 174	0.71 164	0.57 166	0.58 163	0.61 172	0.68 166	0.60 169	0.75 169	0.63 171

DispFullNet	4.96 249	5.67 225	3.30 234	5.01 246	3.21 234	4.50 241	3.11 233	4.43 231	3.44 236	4.60 239	3.46 235	5.13 245	3.44 237	3.53 233	3.20 235	2.87 235	4.80 244	3.15 234	4.70 241	4.83 250	9.02 255	5.98 253	5.95 254	6.21 252	8.84 255	5.85 251	9.76 255	5.91 252

Anonymous	4.38 242	6.03 226	2.67 231	6.71 251	3.03 232	5.98 250	3.20 234	6.18 243	2.49 232	6.13 249	3.16 232	6.07 249	2.97 234	3.15 230	3.09 234	3.15 236	6.62 252	3.20 235	6.32 251	3.16 236	6.80 251	3.15 234	2.63 233	3.20 234	7.02 250	2.85 233	6.13 248	3.25 234

HCRNet	0.71 162	6.06 227	3.15 233	0.50 155	0.22 89	0.21 76	0.15 72	3.04 223	0.34 123	0.43 105	0.33 124	0.43 133	0.33 123	0.15 73	0.14 73	0.14 72	0.21 76	0.17 78	0.47 142	0.20 88	0.21 74	0.16 76	0.32 119	0.33 123	0.50 149	0.33 124	0.49 147	0.28 107

SGM-Forest	5.07 250	6.74 228	4.17 236	6.46 250	4.68 248	6.21 251	4.38 248	6.00 238	4.14 246	5.84 247	4.44 248	6.28 250	4.16 249	3.92 242	4.56 250	4.60 250	6.15 249	4.27 249	6.12 250	4.31 249	5.99 250	4.27 246	3.92 245	4.27 247	6.13 248	4.10 248	6.18 249	4.49 249
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MaskLacGwcNet_RVC	0.70 160	6.91 229	0.46 137	0.46 142	0.46 146	0.46 140	0.46 149	0.46 133	0.46 147	0.46 109	0.46 146	0.46 135	0.46 148	0.46 141	0.46 148	0.46 142	0.46 137	0.46 146	0.46 138	0.46 148	0.47 135	0.46 144	0.46 143	0.46 147	0.46 136	0.46 146	0.46 134	0.46 145

SA	3.93 235	7.22 230	4.74 237	4.15 237	3.88 244	3.70 230	4.02 247	6.67 246	3.95 242	3.64 224	3.74 238	3.63 226	3.00 235	3.51 232	3.68 243	3.68 240	3.73 230	3.71 242	3.64 224	3.48 237	3.58 227	2.97 233	3.69 240	3.61 236	3.55 230	3.42 234	3.64 228	3.79 243

cross-raft	4.43 243	7.31 231	6.46 245	4.47 241	3.95 245	4.46 240	3.95 245	6.70 247	3.97 243	4.41 236	3.82 241	4.38 240	3.94 247	3.95 243	3.95 248	3.95 244	4.45 242	3.95 246	4.46 240	3.95 246	4.46 242	3.95 243	3.95 246	3.94 245	4.40 240	3.95 246	4.45 239	3.95 245

RAFT+CT+SA	4.43 243	7.34 232	6.71 247	5.01 246	4.38 247	4.40 239	3.85 243	6.15 242	4.30 247	4.89 242	3.26 233	4.49 241	3.01 236	4.53 246	3.36 236	3.65 239	3.64 227	4.39 250	3.94 231	4.28 248	4.44 241	4.30 247	4.24 249	4.52 248	3.90 234	3.85 244	4.89 240	4.00 246

test-1	4.11 236	7.65 233	4.93 238	3.65 230	3.58 236	4.70 243	3.74 242	4.73 232	4.06 244	3.72 226	4.11 246	3.70 228	3.49 238	3.36 231	3.65 239	4.17 248	3.92 233	4.04 248	4.19 236	3.75 243	4.69 244	4.18 245	3.88 243	3.90 243	4.73 242	3.77 242	3.12 224	3.68 238

Sa-1000	3.84 234	7.71 234	6.81 250	4.15 237	2.86 231	3.27 226	3.87 244	5.99 237	4.35 248	2.78 216	3.71 237	3.88 229	3.56 239	3.88 240	3.64 237	2.71 234	3.72 229	3.27 236	3.67 228	3.15 235	3.51 226	3.36 236	2.70 234	3.49 235	3.32 226	3.76 241	2.87 223	3.76 242

raft_robust	4.19 241	7.78 235	6.08 243	3.30 227	3.85 243	4.03 235	3.73 241	6.25 245	3.30 235	4.44 237	3.28 234	4.01 233	3.82 246	4.29 245	3.70 245	4.01 245	4.48 243	3.42 237	4.11 234	3.76 244	4.05 236	3.32 235	3.85 242	3.82 242	4.71 241	3.83 243	4.09 235	3.80 244

TestStereo1	4.11 236	7.79 236	6.72 248	3.93 232	3.81 241	3.96 232	3.58 236	6.96 249	3.74 239	3.90 227	3.76 239	3.89 230	3.57 240	3.70 238	3.66 240	3.34 237	3.80 231	3.62 238	3.66 226	3.68 240	3.91 232	3.70 239	3.65 237	3.67 238	3.88 232	3.53 235	3.89 231	3.68 238

SA-5K	4.11 236	7.79 236	6.72 248	3.93 232	3.81 241	3.96 232	3.58 236	6.96 249	3.74 239	3.90 227	3.76 239	3.89 230	3.57 240	3.70 238	3.66 240	3.34 237	3.80 231	3.62 238	3.66 226	3.68 240	3.91 232	3.70 239	3.65 237	3.67 238	3.88 232	3.53 235	3.89 231	3.68 238

TESTraft	4.16 240	8.03 238	6.81 250	3.99 234	3.68 239	3.93 231	3.70 240	6.86 248	3.69 238	3.93 229	3.88 244	3.93 232	3.59 242	3.65 236	3.64 237	3.68 240	3.92 233	3.72 243	3.92 230	3.57 239	3.84 231	3.70 239	3.71 241	3.67 238	3.91 235	3.74 239	3.92 233	3.67 235

test_4	4.11 236	8.05 239	6.64 246	4.52 242	3.68 239	3.00 224	3.40 235	6.21 244	3.29 234	4.07 231	3.84 242	4.04 234	3.76 245	3.56 235	3.67 242	3.76 243	4.04 236	3.79 244	4.10 233	3.53 238	3.98 234	3.74 242	3.55 236	3.61 236	3.94 236	3.75 240	3.73 230	3.73 241

SGM+DAISY	6.35 251	8.16 240	5.14 241	8.12 255	5.08 251	8.12 254	5.16 251	8.01 252	5.18 252	7.92 253	5.14 250	7.89 254	5.14 252	4.95 248	5.33 252	5.32 252	8.14 255	5.16 253	8.16 254	5.16 252	8.21 254	5.19 251	5.12 251	5.12 251	8.18 254	5.24 250	8.12 254	5.11 251

RAFT_CTSACE	4.43 243	8.26 241	6.10 244	4.62 243	4.01 246	4.54 242	3.65 238	6.09 239	3.93 241	4.64 240	4.14 247	4.26 239	4.13 248	3.91 241	3.88 246	4.06 247	4.30 240	4.03 247	4.27 239	3.92 245	4.26 238	3.67 237	3.91 244	4.16 246	4.82 243	4.08 247	4.20 237	3.67 235

CFNet_RVC	0.93 180	8.54 242	0.41 129	0.56 159	0.37 131	0.56 159	0.37 133	0.50 149	0.40 136	0.56 118	5.24 251	0.56 154	0.34 124	0.40 131	0.41 141	0.34 123	0.53 154	0.40 137	0.56 161	0.38 135	0.52 149	0.40 137	0.40 136	0.41 140	0.56 158	0.40 138	0.56 155	0.40 138

test_5	4.51 246	8.85 243	5.35 242	3.66 231	3.56 235	5.10 246	4.47 249	6.14 240	4.07 245	4.96 244	3.87 243	5.14 246	4.17 250	3.53 233	4.39 249	4.53 249	4.15 237	3.62 238	4.74 242	2.94 234	3.63 229	4.53 249	4.20 248	4.54 249	4.86 244	3.68 238	4.95 242	4.06 247

pcwnet_v2	1.01 189	9.73 244	0.28 104	0.38 120	0.28 105	0.38 120	0.28 107	0.38 118	0.28 107	0.38 89	0.28 108	0.39 121	0.28 106	9.61 254	0.28 109	0.28 104	0.38 118	0.28 105	0.38 116	0.28 106	0.38 111	0.28 107	0.29 109	0.28 107	0.38 116	0.28 104	0.38 114	0.28 107

CFNet_pseudo	1.01 189	9.78 245	0.29 109	0.38 120	0.28 105	0.38 120	0.28 107	0.38 118	0.28 107	0.39 92	0.28 108	0.39 121	0.28 106	9.50 253	0.29 117	0.28 104	0.38 118	0.28 105	0.38 116	0.28 106	0.38 111	0.28 107	0.28 103	0.28 107	0.38 116	0.28 104	0.38 114	0.28 107

RAFT	6.60 252	9.99 246	8.33 255	7.21 254	6.55 252	5.95 249	5.87 252	8.70 255	5.02 251	5.10 245	6.69 252	7.06 253	6.94 255	6.17 251	7.09 255	6.84 253	6.47 250	4.72 251	5.60 246	5.60 253	5.11 247	5.97 252	6.93 255	6.89 253	7.16 251	7.08 254	6.58 251	6.66 253

ccs_rob	1.00 185	10.06 247	0.31 116	0.44 141	0.31 121	0.43 139	0.31 124	0.43 132	0.32 120	0.45 107	0.32 122	1.20 199	0.31 117	7.02 252	0.31 121	0.31 116	0.44 136	0.31 119	0.44 136	0.32 124	0.44 130	0.31 120	0.32 119	0.32 121	0.44 135	0.32 123	0.43 132	0.31 124

UCFNet_RVC	1.03 192	10.10 248	0.28 104	0.38 120	0.28 105	0.39 126	0.28 107	0.38 118	0.28 107	0.39 92	0.28 108	0.39 121	0.29 115	9.62 255	0.28 109	0.28 104	0.38 118	0.28 105	0.38 116	0.28 106	0.39 119	0.28 107	0.29 109	0.28 107	0.39 124	0.28 104	0.38 114	0.29 116

StereoVision	3.44 231	10.12 249	1.68 210	5.44 248	2.26 228	5.87 247	1.97 228	5.17 235	1.31 212	5.80 246	1.56 216	5.62 247	1.84 223	1.97 220	1.91 229	1.84 222	4.98 247	1.32 211	5.60 246	1.71 222	5.35 249	1.73 223	1.97 229	1.96 225	5.40 246	1.65 219	5.08 245	1.76 223

StereoIM	3.69 233	10.19 250	2.01 222	6.09 249	2.01 225	5.94 248	1.82 221	6.14 240	1.85 223	6.59 250	1.82 221	6.01 248	1.81 221	1.83 216	1.83 221	2.02 225	5.87 248	1.79 222	5.93 249	2.06 230	4.63 243	1.67 218	1.84 223	2.08 226	5.90 247	1.66 220	6.34 250	1.87 225

test_3	4.55 247	10.96 251	7.69 254	4.04 236	3.60 237	4.10 236	3.98 246	7.94 251	4.56 249	3.99 230	4.03 245	4.08 235	3.74 244	3.99 244	3.91 247	4.05 246	4.33 241	3.89 245	4.14 235	4.00 247	4.11 237	4.02 244	4.01 247	3.91 244	3.53 228	3.94 245	4.19 236	4.20 248

test-v	7.17 253	11.53 252	7.63 252	7.17 252	6.87 253	7.48 252	6.90 253	8.14 253	6.88 253	6.93 251	7.42 253	7.05 251	6.14 253	6.05 249	6.86 253	6.99 254	7.60 253	6.75 254	6.90 252	6.66 254	7.83 252	6.36 254	5.89 252	7.34 254	7.19 252	6.75 252	7.52 252	6.77 254

test-2	7.17 253	11.53 252	7.63 252	7.17 252	6.87 253	7.48 252	6.90 253	8.14 253	6.88 253	6.93 251	7.42 253	7.05 251	6.14 253	6.05 249	6.86 253	6.99 254	7.60 253	6.75 254	6.90 252	6.66 254	7.83 252	6.36 254	5.89 252	7.34 254	7.19 252	6.75 252	7.52 252	6.77 254

rafts_anoy	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

raft+_RVC	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

raftrobust	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

CasAABBNet	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

RALCasStereoNet	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

RALAANet	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

MSMDNet	20.00 256	20.00 254	20.00 257	20.00 256	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 256	20.00 256	20.00 257

MANE	18.41 255	23.00 261	16.00 256	22.00 263	15.00 255	22.00 262	15.00 255	22.00 263	15.00 255	21.00 263	15.00 255	22.00 262	15.00 256	15.00 256	17.00 256	15.00 256	23.00 263	15.00 256	22.00 262	15.00 256	23.00 263	15.00 256	18.00 256	15.00 256	24.00 263	17.00 255	24.00 263	16.00 256

AF-Net	2.06 221	25.73 262	1.18 198	1.12 197	1.16 203	1.16 195	1.19 205	1.10 184	1.17 206	1.15 154	1.14 199	1.11 191	1.16 203	1.16 203	1.14 202	1.11 197	1.15 193	1.13 203	1.21 201	1.17 206	1.11 186	1.21 207	1.17 202	1.17 205	1.17 198	1.11 200	1.20 200	1.13 199

CBMV	101.59 264	71.60 263	48.40 265	72.70 265	49.00 264	79.60 264	48.40 264	80.90 265	46.90 263	68.90 264	49.00 264	78.00 264	572.10 272	49.50 264	51.30 264	48.40 264	72.20 264	639.60 272	79.40 263	48.90 265	79.50 264	51.40 264	52.30 265	48.30 265	80.20 264	49.10 263	79.60 265	47.60 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MDST_ROB	61.15 263	72.66 264	46.52 264	70.00 264	44.89 263	64.24 263	43.75 263	73.65 264	48.92 264	72.70 265	42.40 263	60.70 263	50.23 264	50.07 265	67.69 265	68.60 265	83.13 265	47.77 264	82.48 264	46.00 264	95.93 265	53.44 265	50.66 264	45.00 264	84.99 265	53.64 264	79.01 264	52.07 265

MeshStereo	151.99 265	131.36 265	140.69 266	151.38 266	151.40 265	150.79 265	151.72 265	149.36 266	159.46 265	146.42 266	150.73 265	149.06 267	176.22 265	143.94 266	133.10 267	133.45 267	153.30 267	154.22 266	154.67 266	153.95 267	156.90 268	156.53 268	160.21 266	162.72 266	154.57 266	160.59 265	153.47 266	163.50 266
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
AE-Stereo	252.48 267	202.00 266	361.00 270	502.00 270	324.00 269	321.00 266	482.00 271	423.00 269	227.00 268	201.00 267	273.00 268	101.00 265	207.00 266	198.00 267	183.00 268	181.00 268	221.00 268	232.00 269	477.00 268	220.00 269	111.00 266	100.00 266	219.00 268	214.00 267	204.00 267	211.00 267	200.00 267	222.00 269

EGLCR-Stereo	276.81 268	209.00 267	366.00 271	514.00 271	354.00 270	336.00 267	422.00 269	440.00 270	220.00 267	231.00 268	245.00 267	135.00 266	237.00 268	218.00 269	197.00 269	222.00 270	223.00 269	230.00 268	487.00 270	255.00 270	250.00 269	273.00 270	272.00 270	228.00 270	241.00 268	220.00 269	214.00 268	235.00 270

DLCB_ROB	280.78 269	376.74 268	215.59 267	376.74 267	215.59 266	376.74 268	215.59 266	366.42 268	218.39 266	366.42 269	218.39 266	366.42 268	218.39 267	209.96 268	219.76 270	219.38 269	376.72 270	216.43 267	376.72 267	216.43 268	376.72 270	216.43 269	216.14 267	216.14 269	376.69 270	217.67 268	376.69 270	217.67 268

NOSS_ROB	248.11 266	409.00 269	288.00 268	412.00 268	280.00 267	411.00 269	288.00 267	356.00 267	275.00 269	379.00 270	303.00 269	415.00 269	278.00 269	260.00 270	104.00 266	103.00 266	126.00 266	108.00 265	118.00 265	98.00 266	126.00 267	104.00 267	268.00 269	216.00 268	279.00 269	201.00 266	288.00 269	206.00 267

LE_ROB	387.11 270	453.07 270	321.39 269	500.23 269	323.05 268	493.99 270	324.56 268	477.63 271	322.28 270	465.51 271	322.97 270	486.37 270	334.17 270	305.26 271	320.63 271	327.66 271	476.08 271	315.70 270	483.76 269	335.15 271	469.64 271	309.74 271	315.90 271	318.85 271	498.41 271	328.85 270	491.00 271	330.08 271

SGM-ForestM	522.49 271	676.08 271	448.56 272	638.17 272	433.15 271	639.59 271	427.03 270	617.52 272	439.90 271	604.63 272	429.02 271	611.68 271	432.74 271	420.18 272	451.96 272	465.85 272	601.06 272	403.73 271	659.15 271	405.50 272	669.64 272	437.21 272	455.85 272	425.66 272	689.82 272	481.65 271	662.43 272	479.61 272

CBMV_ROB	1133.35 272	1280.38 272	976.92 273	1317.57 273	1021.62 272	1282.66 272	1022.22 272	1213.88 273	982.57 272	1194.12 273	975.90 272	1357.87 272	1090.02 273	943.32 273	1021.85 273	1006.47 273	1309.01 273	986.29 273	1499.40 272	986.35 273	1359.35 273	975.96 273	975.21 273	969.30 273	1337.82 273	1042.34 272	1398.25 273	1073.86 273

anonymousdsp2	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 274

anonymousdsp	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 274

AMNet	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 273	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 273	10000000.00 274	10000000.00 274

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

Low-res two-view benchmark