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

DepthFocus	0.08 85	0.04 1	0.15 441	0.12 7	0.09 355	0.07 43	0.12 100	0.10 35	0.05 4	0.09 183	0.05 7	0.07 124	0.04 1	0.08 25	0.08 25	0.06 168	0.05 276	0.07 312	0.07 393	0.05 170	0.04 73

Selective-IGEV-i32	0.07 7	0.06 117	0.08 57	0.17 309	0.06 28	0.08 85	0.12 100	0.13 115	0.07 15	0.08 131	0.07 65	0.06 42	0.04 1	0.10 124	0.09 104	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

MatchStereo	0.07 7	0.04 1	0.08 57	0.14 70	0.06 28	0.05 4	0.12 100	0.12 85	0.09 52	0.07 75	0.06 23	0.04 1	0.04 1	0.08 25	0.09 104	0.06 168	0.05 276	0.05 50	0.03 1	0.04 48	0.04 73
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
GASTEREO	0.08 85	0.05 43	0.09 123	0.19 472	0.07 134	0.07 43	0.12 100	0.14 146	0.11 110	0.10 230	0.09 161	0.07 124	0.04 1	0.12 295	0.08 25	0.06 168	0.05 276	0.05 50	0.04 60	0.04 48	0.05 207

MSCF	0.08 85	0.05 43	0.08 57	0.19 472	0.08 220	0.06 14	0.12 100	0.14 146	0.11 110	0.10 230	0.09 161	0.07 124	0.04 1	0.11 199	0.08 25	0.06 168	0.05 276	0.05 50	0.04 60	0.05 170	0.05 207

LG-Stereo_L1	0.07 7	0.05 43	0.11 252	0.14 70	0.06 28	0.07 43	0.13 179	0.09 21	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 50	0.03 1	0.04 48	0.04 73

MLG-Stereo_test2	0.06 1	0.04 1	0.10 189	0.15 124	0.05 2	0.07 43	0.11 64	0.09 21	0.04 2	0.06 25	0.05 7	0.06 42	0.04 1	0.08 25	0.09 104	0.06 168	0.04 25	0.05 50	0.03 1	0.05 170	0.05 207

SCV	0.08 85	0.09 440	0.08 57	0.15 124	0.08 220	0.10 202	0.13 179	0.10 35	0.12 149	0.07 75	0.07 65	0.06 42	0.04 1	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.04 60	0.06 293	0.04 73

FoundationStereo	0.06 1	0.04 1	0.08 57	0.12 7	0.05 2	0.09 139	0.13 179	0.06 1	0.09 52	0.05 2	0.05 7	0.06 42	0.04 1	0.06 1	0.07 1	0.06 168	0.04 25	0.05 50	0.03 1	0.05 170	0.04 73

AIO_rvc	0.07 7	0.06 117	0.08 57	0.15 124	0.06 28	0.08 85	0.14 246	0.09 21	0.08 25	0.07 75	0.08 125	0.07 124	0.04 1	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

GIP-stereo	0.08 85	0.06 117	0.11 252	0.14 70	0.06 28	0.09 139	0.13 179	0.14 146	0.11 110	0.07 75	0.08 125	0.05 5	0.04 1	0.10 124	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

IGEV-BASED-STEREO-	0.09 176	0.10 503	0.31 619	0.15 124	0.06 28	0.08 85	0.14 246	0.10 35	0.10 77	0.07 75	0.07 65	0.06 42	0.04 1	0.11 199	0.07 1	0.12 588	0.04 25	0.07 312	0.05 192	0.05 170	0.05 207

Selective-IGEV	0.07 7	0.06 117	0.08 57	0.17 309	0.06 28	0.08 85	0.12 100	0.13 115	0.07 15	0.08 131	0.07 65	0.06 42	0.04 1	0.10 124	0.09 104	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

depth_test_26	0.08 85	0.04 1	0.11 252	0.13 22	0.07 134	0.07 43	0.11 64	0.12 85	0.11 110	0.09 183	0.07 65	0.08 186	0.05 14	0.09 59	0.08 25	0.08 426	0.06 430	0.06 200	0.06 293	0.06 293	0.07 400

MGA	0.07 7	0.04 1	0.10 189	0.13 22	0.06 28	0.08 85	0.09 20	0.12 85	0.08 25	0.05 2	0.06 23	0.06 42	0.05 14	0.10 124	0.09 104	0.06 168	0.04 25	0.05 50	0.03 1	0.05 170	0.05 207

CAR	0.07 7	0.05 43	0.08 57	0.14 70	0.06 28	0.07 43	0.08 7	0.12 85	0.08 25	0.05 2	0.06 23	0.05 5	0.05 14	0.10 124	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

MSE-Stereo	0.07 7	0.04 1	0.08 57	0.13 22	0.06 28	0.07 43	0.08 7	0.12 85	0.08 25	0.05 2	0.06 23	0.05 5	0.05 14	0.10 124	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

aanet-new-40k	0.07 7	0.08 358	0.07 11	0.17 309	0.07 134	0.08 85	0.13 179	0.10 35	0.10 77	0.07 75	0.08 125	0.06 42	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-36k	0.08 85	0.06 117	0.09 123	0.17 309	0.06 28	0.09 139	0.13 179	0.11 58	0.13 192	0.08 131	0.08 125	0.06 42	0.05 14	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

aanet-new-34k	0.08 85	0.06 117	0.09 123	0.17 309	0.05 2	0.07 43	0.13 179	0.12 85	0.12 149	0.09 183	0.08 125	0.07 124	0.05 14	0.10 124	0.09 104	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT26K	0.07 7	0.06 117	0.07 11	0.16 222	0.06 28	0.08 85	0.12 100	0.10 35	0.08 25	0.06 25	0.09 161	0.06 42	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-20K	0.07 7	0.05 43	0.11 252	0.15 124	0.06 28	0.07 43	0.13 179	0.09 21	0.11 110	0.07 75	0.08 125	0.06 42	0.05 14	0.09 59	0.07 1	0.05 51	0.05 276	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-24K	0.07 7	0.06 117	0.07 11	0.15 124	0.06 28	0.10 202	0.15 334	0.12 85	0.11 110	0.06 25	0.11 248	0.06 42	0.05 14	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-50K	0.08 85	0.06 117	0.17 508	0.15 124	0.06 28	0.06 14	0.13 179	0.13 115	0.13 192	0.07 75	0.07 65	0.06 42	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-25K	0.08 85	0.06 117	0.07 11	0.16 222	0.06 28	0.06 14	0.14 246	0.14 146	0.14 225	0.07 75	0.10 197	0.06 42	0.05 14	0.09 59	0.09 104	0.04 11	0.04 25	0.04 1	0.04 60	0.03 1	0.03 2

PipStereo	0.07 7	0.04 1	0.09 123	0.13 22	0.05 2	0.08 85	0.11 64	0.06 1	0.06 6	0.06 25	0.05 7	0.08 186	0.05 14	0.08 25	0.09 104	0.06 168	0.04 25	0.04 1	0.03 1	0.05 170	0.04 73

PSi22b	0.06 1	0.04 1	0.09 123	0.13 22	0.05 2	0.08 85	0.11 64	0.06 1	0.06 6	0.06 25	0.06 23	0.08 186	0.05 14	0.08 25	0.09 104	0.06 168	0.04 25	0.04 1	0.03 1	0.05 170	0.04 73

PSi22a	0.06 1	0.04 1	0.09 123	0.12 7	0.05 2	0.06 14	0.11 64	0.06 1	0.06 6	0.06 25	0.06 23	0.06 42	0.05 14	0.08 25	0.09 104	0.07 343	0.04 25	0.04 1	0.03 1	0.05 170	0.04 73

Foundation-i32	0.06 1	0.04 1	0.09 123	0.13 22	0.04 1	0.06 14	0.12 100	0.06 1	0.05 4	0.06 25	0.05 7	0.05 5	0.05 14	0.07 4	0.09 104	0.06 168	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

Test_v1	0.07 7	0.04 1	0.06 5	0.13 22	0.06 28	0.08 85	0.11 64	0.15 188	0.12 149	0.06 25	0.05 7	0.04 1	0.05 14	0.08 25	0.10 208	0.07 343	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

Pro-Stereo	0.07 7	0.05 43	0.08 57	0.15 124	0.07 134	0.08 85	0.12 100	0.07 7	0.07 15	0.06 25	0.06 23	0.05 5	0.05 14	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

BStereo	0.08 85	0.06 117	0.16 477	0.15 124	0.08 220	0.07 43	0.09 20	0.15 188	0.16 291	0.06 25	0.07 65	0.07 124	0.05 14	0.09 59	0.11 291	0.04 11	0.05 276	0.05 50	0.07 393	0.04 48	0.04 73

Anonymus123	0.09 176	0.06 117	0.16 477	0.15 124	0.08 220	0.11 256	0.09 20	0.18 302	0.16 291	0.06 25	0.07 65	0.07 124	0.05 14	0.09 59	0.11 291	0.04 11	0.05 276	0.05 50	0.07 393	0.04 48	0.04 73

VIP-Stereo	0.07 7	0.07 239	0.07 11	0.15 124	0.06 28	0.12 310	0.10 35	0.11 58	0.11 110	0.06 25	0.07 65	0.06 42	0.05 14	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.03 1	0.03 1	0.02 1

GEAStereo	0.08 85	0.05 43	0.08 57	0.13 22	0.08 220	0.08 85	0.14 246	0.10 35	0.09 52	0.08 131	0.10 197	0.06 42	0.05 14	0.11 199	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.05 207

GSStereo	0.08 85	0.05 43	0.08 57	0.13 22	0.08 220	0.08 85	0.14 246	0.11 58	0.12 149	0.08 131	0.10 197	0.05 5	0.05 14	0.11 199	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.05 207

GS-Stereo							0.14 246	0.11 58	0.12 149	0.08 131	0.10 197	0.05 5	0.05 14	0.11 199	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.05 207

gasm-f	0.08 85	0.05 43	0.07 11	0.13 22	0.08 220	0.08 85	0.14 246	0.10 35	0.09 52	0.08 131	0.10 197	0.06 42	0.05 14	0.10 124	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.06 293	0.05 207

252Zero-FE	0.08 85	0.04 1	0.09 123	0.13 22	0.07 134	0.12 310	0.11 64	0.13 115	0.14 225	0.06 25	0.05 7	0.06 42	0.05 14	0.09 59	0.10 208	0.06 168	0.04 25	0.04 1	0.03 1	0.05 170	0.06 310

asda	0.07 7	0.08 358	0.08 57	0.16 222	0.06 28	0.06 14	0.10 35	0.16 228	0.10 77	0.06 25	0.06 23	0.05 5	0.05 14	0.10 124	0.10 208	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

IGEV	0.07 7	0.04 1	0.08 57	0.13 22	0.06 28	0.09 139	0.12 100	0.14 146	0.10 77	0.06 25	0.09 161	0.07 124	0.05 14	0.09 59	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

111111	0.07 7	0.04 1	0.09 123	0.17 309	0.06 28	0.05 4	0.10 35	0.11 58	0.09 52	0.06 25	0.06 23	0.07 124	0.05 14	0.09 59	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.07 381	0.06 310

LG-Stereo_L2	0.07 7	0.05 43	0.10 189	0.14 70	0.06 28	0.07 43	0.12 100	0.09 21	0.09 52	0.06 25	0.04 1	0.05 5	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.03 2

MLG-Stereo_test1	0.06 1	0.05 43	0.08 57	0.17 309	0.05 2	0.06 14	0.11 64	0.08 12	0.03 1	0.05 2	0.04 1	0.06 42	0.05 14	0.09 59	0.09 104	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

MLG-Stereo	0.07 7	0.05 43	0.08 57	0.17 309	0.05 2	0.07 43	0.11 64	0.08 12	0.04 2	0.05 2	0.04 1	0.06 42	0.05 14	0.10 124	0.09 104	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

LG-Stereo_Zeroshot	0.07 7	0.06 117	0.10 189	0.16 222	0.07 134	0.04 1	0.13 179	0.10 35	0.10 77	0.05 2	0.11 248	0.07 124	0.05 14	0.07 4	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

HART	0.08 85	0.07 239	0.09 123	0.17 309	0.07 134	0.10 202	0.16 405	0.13 115	0.11 110	0.08 131	0.10 197	0.07 124	0.05 14	0.10 124	0.08 25	0.05 51	0.04 25	0.06 200	0.04 60	0.05 170	0.04 73

GREAT-IGEV	0.07 7	0.06 117	0.08 57	0.13 22	0.07 134	0.07 43	0.14 246	0.09 21	0.09 52	0.06 25	0.07 65	0.06 42	0.05 14	0.10 124	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73
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 85	0.07 239	0.07 11	0.16 222	0.09 355	0.08 85	0.15 334	0.11 58	0.12 149	0.08 131	0.07 65	0.06 42	0.05 14	0.11 199	0.07 1	0.05 51	0.05 276	0.05 50	0.04 60	0.06 293	0.05 207

DEFOM-Stereo_RVC	0.08 85	0.06 117	0.09 123	0.22 590	0.06 28	0.08 85	0.12 100	0.10 35	0.10 77	0.07 75	0.07 65	0.06 42	0.05 14	0.11 199	0.09 104	0.06 168	0.04 25	0.05 50	0.03 1	0.06 293	0.04 73

StereoAnything_RVC	0.07 7	0.15 598	0.17 508	0.11 1	0.05 2	0.05 4	0.11 64	0.08 12	0.08 25	0.06 25	0.06 23	0.05 5	0.05 14	0.09 59	0.08 25	0.08 426	0.04 25	0.05 50	0.03 1	0.05 170	0.04 73

AIO_test	0.07 7	0.05 43	0.07 11	0.15 124	0.07 134	0.06 14	0.14 246	0.10 35	0.10 77	0.07 75	0.07 65	0.06 42	0.05 14	0.08 25	0.10 208	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

AIO-test2	0.10 246	0.08 358	0.10 189	0.23 614	0.08 220	0.11 256	0.10 35	0.23 421	0.23 439	0.08 131	0.09 161	0.08 186	0.05 14	0.10 124	0.08 25	0.06 168	0.05 276	0.08 406	0.09 514	0.05 170	0.05 207

DEFOM-Stereo	0.07 7	0.05 43	0.07 11	0.14 70	0.06 28	0.10 202	0.13 179	0.07 7	0.13 192	0.06 25	0.07 65	0.06 42	0.05 14	0.10 124	0.09 104	0.04 11	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

dual_stereo	0.07 7	0.04 1	0.08 57	0.15 124	0.05 2	0.05 4	0.13 179	0.12 85	0.08 25	0.07 75	0.06 23	0.05 5	0.05 14	0.07 4	0.09 104	0.06 168	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

Occ-G	0.08 85	0.05 43	0.06 5	0.14 70	0.07 134	0.08 85	0.14 246	0.13 115	0.15 252	0.07 75	0.11 248	0.07 124	0.05 14	0.09 59	0.10 208	0.06 168	0.05 276	0.05 50	0.04 60	0.05 170	0.05 207

U	0.08 85	0.07 239	0.09 123	0.19 472	0.10 469	0.10 202	0.13 179	0.12 85	0.17 321	0.07 75	0.07 65	0.06 42	0.05 14	0.07 4	0.08 25	0.06 168	0.04 25	0.06 200	0.04 60	0.06 293	0.05 207

AIO-Stereo	0.08 85	0.06 117	0.09 123	0.18 402	0.06 28	0.08 85	0.12 100	0.15 188	0.09 52	0.08 131	0.08 125	0.07 124	0.05 14	0.11 199	0.08 25	0.05 51	0.05 276	0.05 50	0.04 60	0.04 48	0.04 73

RSM++	0.08 85	0.06 117	0.09 123	0.17 309	0.07 134	0.09 139	0.12 100	0.11 58	0.11 110	0.08 131	0.06 23	0.07 124	0.05 14	0.10 124	0.09 104	0.04 11	0.04 25	0.06 200	0.05 192	0.05 170	0.03 2

RSM	0.08 85	0.06 117	0.09 123	0.17 309	0.06 28	0.08 85	0.12 100	0.12 85	0.10 77	0.08 131	0.07 65	0.06 42	0.05 14	0.11 199	0.09 104	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

GCAPDPT-zeroshot4090	0.07 7	0.05 43	0.11 252	0.15 124	0.06 28	0.07 43	0.13 179	0.09 21	0.11 110	0.07 75	0.08 125	0.06 42	0.05 14	0.09 59	0.07 1	0.05 51	0.05 276	0.05 50	0.04 60	0.03 1	0.04 73

MIM_Stereo	0.09 176	0.07 239	0.11 252	0.15 124	0.07 134	0.06 14	0.12 100	0.20 345	0.14 225	0.13 343	0.13 289	0.09 223	0.05 14	0.12 295	0.08 25	0.05 51	0.06 430	0.07 312	0.06 293	0.06 293	0.05 207

EGLCR-Stereo	0.08 85	0.05 43	0.08 57	0.14 70	0.06 28	0.10 202	0.12 100	0.11 58	0.16 291	0.06 25	0.05 7	0.07 124	0.05 14	0.10 124	0.11 291	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

CroCo-Stereo Lap2	0.09 176	0.09 440	0.08 57	0.22 590	0.09 355	0.09 139	0.19 536	0.16 228	0.12 149	0.09 183	0.10 197	0.05 5	0.05 14	0.08 25	0.08 25	0.06 168	0.06 430	0.07 312	0.05 192	0.05 170	0.05 207

iRaft-Stereo_20w	0.09 176	0.05 43	0.13 353	0.14 70	0.08 220	0.12 310	0.15 334	0.18 302	0.10 77	0.11 266	0.08 125	0.08 186	0.05 14	0.10 124	0.09 104	0.06 168	0.04 25	0.06 200	0.05 192	0.06 293	0.05 207

MCSU-Stereo	0.07 7	0.05 43	0.07 11	0.16 222	0.05 2	0.08 85	0.12 100	0.09 21	0.07 15	0.06 25	0.10 197	0.06 42	0.06 66	0.08 25	0.08 25	0.06 168	0.04 25	0.04 1	0.03 1	0.04 48	0.03 2

quiztm	0.08 85	0.07 239	0.08 57	0.18 402	0.07 134	0.09 139	0.14 246	0.14 146	0.12 149	0.07 75	0.07 65	0.05 5	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.04 60	0.04 48	0.03 2

monster-pro	0.07 7	0.06 117	0.05 1	0.15 124	0.05 2	0.07 43	0.10 35	0.15 188	0.15 252	0.05 2	0.06 23	0.05 5	0.06 66	0.07 4	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DN	0.10 246	0.05 43	0.09 123	0.14 70	0.09 355	0.12 310	0.18 496	0.17 267	0.16 291	0.08 131	0.09 161	0.08 186	0.06 66	0.08 25	0.09 104	0.11 563	0.05 276	0.07 312	0.06 293	0.07 381	0.09 517

aanet-new-90k	0.08 85	0.07 239	0.08 57	0.19 472	0.06 28	0.07 43	0.12 100	0.12 85	0.13 192	0.06 25	0.07 65	0.06 42	0.06 66	0.10 124	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

aanet-new-60k	0.07 7	0.07 239	0.08 57	0.18 402	0.06 28	0.07 43	0.10 35	0.09 21	0.14 225	0.07 75	0.07 65	0.06 42	0.06 66	0.11 199	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-70k	0.07 7	0.06 117	0.09 123	0.17 309	0.06 28	0.08 85	0.12 100	0.11 58	0.10 77	0.06 25	0.07 65	0.07 124	0.06 66	0.10 124	0.07 1	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-78k	0.07 7	0.07 239	0.09 123	0.19 472	0.06 28	0.07 43	0.12 100	0.11 58	0.13 192	0.06 25	0.07 65	0.06 42	0.06 66	0.09 59	0.07 1	0.04 11	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

aanet-new-32k	0.08 85	0.07 239	0.09 123	0.18 402	0.06 28	0.11 256	0.11 64	0.10 35	0.08 25	0.07 75	0.07 65	0.07 124	0.06 66	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-30k	0.08 85	0.07 239	0.09 123	0.18 402	0.06 28	0.11 256	0.11 64	0.10 35	0.08 25	0.07 75	0.07 65	0.07 124	0.06 66	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-28k	0.08 85	0.07 239	0.09 123	0.18 402	0.06 28	0.08 85	0.12 100	0.10 35	0.09 52	0.09 183	0.08 125	0.08 186	0.06 66	0.12 295	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-22k	0.08 85	0.06 117	0.09 123	0.17 309	0.06 28	0.08 85	0.11 64	0.14 146	0.12 149	0.09 183	0.09 161	0.08 186	0.06 66	0.10 124	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

aanet-new-16k	0.08 85	0.08 358	0.08 57	0.18 402	0.06 28	0.07 43	0.09 20	0.13 115	0.12 149	0.08 131	0.07 65	0.07 124	0.06 66	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

aanet-new-14k	0.08 85	0.09 440	0.08 57	0.19 472	0.06 28	0.07 43	0.10 35	0.14 146	0.15 252	0.06 25	0.08 125	0.05 5	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-8k	0.08 85	0.07 239	0.08 57	0.19 472	0.07 134	0.09 139	0.12 100	0.16 228	0.15 252	0.07 75	0.07 65	0.06 42	0.06 66	0.10 124	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

GCAP-Stereo-cres-4k	0.08 85	0.07 239	0.08 57	0.18 402	0.07 134	0.11 256	0.14 246	0.12 85	0.11 110	0.07 75	0.11 248	0.07 124	0.06 66	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

GCAP-Stereo-DPT-cres	0.08 85	0.05 43	0.07 11	0.15 124	0.06 28	0.10 202	0.14 246	0.13 115	0.12 149	0.07 75	0.09 161	0.07 124	0.06 66	0.10 124	0.09 104	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-36K	0.08 85	0.06 117	0.15 441	0.14 70	0.06 28	0.08 85	0.13 179	0.13 115	0.11 110	0.07 75	0.08 125	0.07 124	0.06 66	0.09 59	0.08 25	0.05 51	0.05 276	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-22K	0.08 85	0.06 117	0.07 11	0.17 309	0.06 28	0.07 43	0.14 246	0.13 115	0.16 291	0.05 2	0.10 197	0.06 42	0.06 66	0.08 25	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-5K	0.08 85	0.06 117	0.10 189	0.16 222	0.07 134	0.11 256	0.12 100	0.15 188	0.15 252	0.08 131	0.12 270	0.05 5	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 192	0.03 1	0.04 73

GCAP-Stereo-DPT-2K	0.08 85	0.06 117	0.10 189	0.16 222	0.07 134	0.11 256	0.13 179	0.14 146	0.14 225	0.08 131	0.13 289	0.05 5	0.06 66	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-3K	0.08 85	0.07 239	0.10 189	0.16 222	0.07 134	0.09 139	0.12 100	0.15 188	0.14 225	0.08 131	0.11 248	0.05 5	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-FT	0.08 85	0.05 43	0.12 300	0.15 124	0.06 28	0.10 202	0.14 246	0.12 85	0.12 149	0.07 75	0.09 161	0.06 42	0.06 66	0.10 124	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

PSi22	0.08 85	0.06 117	0.11 252	0.16 222	0.07 134	0.08 85	0.10 35	0.14 146	0.08 25	0.08 131	0.06 23	0.10 260	0.06 66	0.12 295	0.09 104	0.05 51	0.04 25	0.04 1	0.03 1	0.04 48	0.04 73

Foundation-i1b	0.08 85	0.05 43	0.07 11	0.14 70	0.05 2	0.09 139	0.12 100	0.13 115	0.10 77	0.09 183	0.10 197	0.09 223	0.06 66	0.07 4	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

Foundation-i1a	0.08 85	0.05 43	0.07 11	0.13 22	0.05 2	0.13 366	0.13 179	0.12 85	0.09 52	0.11 266	0.11 248	0.11 291	0.06 66	0.08 25	0.09 104	0.06 168	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

Selective-IGEV-i16pc	0.13 404	0.06 117	0.13 353	0.15 124	0.11 520	0.38 664	0.16 405	0.23 421	0.16 291	0.10 230	0.15 326	0.09 223	0.06 66	0.13 351	0.10 208	0.10 531	0.08 535	0.06 200	0.07 393	0.09 515	0.09 517

gcap_with_dpt	0.08 85	0.06 117	0.09 123	0.16 222	0.07 134	0.09 139	0.12 100	0.13 115	0.13 192	0.08 131	0.12 270	0.04 1	0.06 66	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

DispViT+	0.08 85	0.05 43	0.09 123	0.13 22	0.06 28	0.05 4	0.11 64	0.18 302	0.16 291	0.09 183	0.08 125	0.07 124	0.06 66	0.11 199	0.09 104	0.06 168	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 57	0.15 124	0.07 134	0.06 14	0.14 246	0.07 7	0.10 77	0.05 2	0.05 7	0.04 1	0.06 66	0.07 4	0.09 104	0.04 11	0.04 25	0.05 50	0.05 192	0.04 48	0.04 73

WQFJA1++	0.08 85	0.04 1	0.11 252	0.14 70	0.07 134	0.11 256	0.11 64	0.11 58	0.07 15	0.07 75	0.07 65	0.07 124	0.06 66	0.10 124	0.10 208	0.06 168	0.04 25	0.05 50	0.04 60	0.06 293	0.06 310

DLNR-FE	10.43 728	1.83 718	19.53 745	120.75 749	13.06 735	0.06 14	0.13 179	0.23 421	0.10 77	0.07 75	0.10 197	0.09 223	0.06 66	0.10 124	0.09 104	0.13 614	0.04 25	0.06 200	0.04 60	52.01 750	0.04 73

Select-FE	0.11 299	0.06 117	0.20 556	0.15 124	0.11 520	0.11 256	0.13 179	0.21 372	0.18 354	0.09 183	0.11 248	0.10 260	0.06 66	0.12 295	0.09 104	0.07 343	0.05 276	0.07 312	0.08 467	0.06 293	0.08 471

IGEV-FE	0.09 176	0.05 43	0.12 300	0.13 22	0.08 220	0.12 310	0.13 179	0.17 267	0.11 110	0.10 230	0.06 23	0.09 223	0.06 66	0.11 199	0.09 104	0.06 168	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

DDF-Stereo	0.08 85	0.04 1	0.09 123	0.15 124	0.10 469	0.06 14	0.13 179	0.09 21	0.14 225	0.06 25	0.06 23	0.07 124	0.06 66	0.09 59	0.10 208	0.06 168	0.04 25	0.06 200	0.04 60	0.08 450	0.05 207

Zero-FE251	0.07 7	0.05 43	0.09 123	0.13 22	0.06 28	0.12 310	0.12 100	0.11 58	0.10 77	0.07 75	0.08 125	0.06 42	0.06 66	0.09 59	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

MonStereo	0.07 7	0.06 117	0.05 1	0.15 124	0.05 2	0.08 85	0.10 35	0.15 188	0.15 252	0.05 2	0.06 23	0.05 5	0.06 66	0.07 4	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 7	0.06 117	0.05 1	0.15 124	0.05 2	0.08 85	0.10 35	0.15 188	0.15 252	0.05 2	0.06 23	0.05 5	0.06 66	0.07 4	0.09 104	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	0.09 123	0.13 22	0.06 28	0.05 4	0.09 20	0.11 58	0.07 15	0.06 25	0.06 23	0.05 5	0.06 66	0.09 59	0.09 104	0.06 168	0.04 25	0.04 1	0.03 1	0.05 170	0.05 207

Replicate-Monster	0.07 7	0.05 43	0.09 123	0.14 70	0.06 28	0.08 85	0.09 20	0.13 115	0.13 192	0.05 2	0.07 65	0.06 42	0.06 66	0.08 25	0.10 208	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

zero-FE	0.08 85	0.04 1	0.09 123	0.15 124	0.10 469	0.05 4	0.14 246	0.09 21	0.14 225	0.07 75	0.06 23	0.07 124	0.06 66	0.09 59	0.10 208	0.06 168	0.04 25	0.06 200	0.04 60	0.08 450	0.05 207

AdaDepth	0.07 7	0.06 117	0.07 11	0.18 402	0.06 28	0.11 256	0.12 100	0.09 21	0.07 15	0.06 25	0.05 7	0.07 124	0.06 66	0.09 59	0.10 208	0.04 11	0.05 276	0.05 50	0.04 60	0.04 48	0.04 73

S2M2_XL	0.08 85	0.06 117	0.12 300	0.12 7	0.08 220	0.09 139	0.09 20	0.07 7	0.07 15	0.08 131	0.07 65	0.07 124	0.06 66	0.09 59	0.09 104	0.08 426	0.06 430	0.07 312	0.05 192	0.08 450	0.06 310
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	0.08 358	0.07 11	0.16 222	0.07 134	0.08 85	0.08 7	0.11 58	0.08 25	0.07 75	0.07 65	0.06 42	0.06 66	0.10 124	0.09 104	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

qwe	0.07 7	0.08 358	0.07 11	0.15 124	0.06 28	0.07 43	0.10 35	0.18 302	0.11 110	0.07 75	0.07 65	0.06 42	0.06 66	0.10 124	0.09 104	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

2.25w	0.07 7	0.06 117	0.07 11	0.14 70	0.06 28	0.08 85	0.08 7	0.10 35	0.15 252	0.08 131	0.10 197	0.07 124	0.06 66	0.08 25	0.10 208	0.05 51	0.03 1	0.04 1	0.04 60	0.03 1	0.04 73

4.25_new	0.07 7	0.08 358	0.09 123	0.15 124	0.06 28	0.09 139	0.08 7	0.14 146	0.08 25	0.07 75	0.07 65	0.06 42	0.06 66	0.12 295	0.10 208	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5w_new	0.07 7	0.08 358	0.09 123	0.15 124	0.06 28	0.09 139	0.08 7	0.14 146	0.08 25	0.07 75	0.07 65	0.06 42	0.06 66	0.12 295	0.10 208	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5_new	0.07 7	0.09 440	0.08 57	0.15 124	0.07 134	0.06 14	0.10 35	0.14 146	0.11 110	0.06 25	0.08 125	0.06 42	0.06 66	0.08 25	0.10 208	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

4.5w-stereo	0.07 7	0.09 440	0.08 57	0.15 124	0.07 134	0.06 14	0.10 35	0.14 146	0.11 110	0.06 25	0.08 125	0.06 42	0.06 66	0.08 25	0.10 208	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

4.25w-stereo	0.07 7	0.08 358	0.09 123	0.15 124	0.06 28	0.09 139	0.08 7	0.14 146	0.08 25	0.07 75	0.07 65	0.06 42	0.06 66	0.12 295	0.10 208	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4w-stereo	0.07 7	0.08 358	0.08 57	0.16 222	0.06 28	0.07 43	0.08 7	0.12 85	0.08 25	0.07 75	0.07 65	0.05 5	0.06 66	0.09 59	0.10 208	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

2.5w	0.07 7	0.07 239	0.07 11	0.16 222	0.06 28	0.08 85	0.12 100	0.10 35	0.10 77	0.07 75	0.06 23	0.09 223	0.06 66	0.08 25	0.09 104	0.04 11	0.03 1	0.04 1	0.04 60	0.03 1	0.03 2

2.75w_new	0.07 7	0.07 239	0.07 11	0.13 22	0.06 28	0.08 85	0.08 7	0.18 302	0.12 149	0.07 75	0.08 125	0.06 42	0.06 66	0.09 59	0.11 291	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.04 73

3.25w_new	0.07 7	0.06 117	0.07 11	0.15 124	0.06 28	0.10 202	0.07 3	0.12 85	0.11 110	0.08 131	0.06 23	0.07 124	0.06 66	0.11 199	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 7	0.06 117	0.07 11	0.15 124	0.06 28	0.10 202	0.07 3	0.12 85	0.11 110	0.08 131	0.06 23	0.07 124	0.06 66	0.11 199	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 7	0.07 239	0.08 57	0.16 222	0.07 134	0.07 43	0.09 20	0.16 228	0.09 52	0.07 75	0.06 23	0.05 5	0.06 66	0.09 59	0.10 208	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3w_stereo	0.08 85	0.09 440	0.10 189	0.17 309	0.07 134	0.08 85	0.10 35	0.20 345	0.13 192	0.06 25	0.07 65	0.05 5	0.06 66	0.08 25	0.09 104	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

2w_stereo	0.08 85	0.08 358	0.09 123	0.16 222	0.06 28	0.08 85	0.10 35	0.20 345	0.15 252	0.08 131	0.07 65	0.06 42	0.06 66	0.06 1	0.09 104	0.04 11	0.03 1	0.04 1	0.04 60	0.03 1	0.03 2

1w_stereo	0.07 7	0.06 117	0.07 11	0.16 222	0.06 28	0.07 43	0.10 35	0.14 146	0.14 225	0.07 75	0.08 125	0.05 5	0.06 66	0.09 59	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 73

monsters	0.07 7	0.06 117	0.06 5	0.15 124	0.06 28	0.08 85	0.09 20	0.12 85	0.08 25	0.09 183	0.07 65	0.06 42	0.06 66	0.08 25	0.08 25	0.05 51	0.04 25	0.04 1	0.04 60	0.03 1	0.03 2

MLG-Stereo_test3	0.07 7	0.05 43	0.10 189	0.14 70	0.06 28	0.07 43	0.11 64	0.08 12	0.06 6	0.06 25	0.04 1	0.06 42	0.06 66	0.07 4	0.10 208	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.06 310

LGtest1	0.07 7	0.04 1	0.10 189	0.15 124	0.06 28	0.07 43	0.09 20	0.08 12	0.06 6	0.05 2	0.04 1	0.06 42	0.06 66	0.10 124	0.09 104	0.07 343	0.04 25	0.05 50	0.04 60	0.06 293	0.06 310

MM-Stereo_test3	0.10 246	0.07 239	0.07 11	0.18 402	0.07 134	0.12 310	0.19 536	0.24 445	0.19 373	0.06 25	0.10 197	0.08 186	0.06 66	0.11 199	0.08 25	0.06 168	0.06 430	0.07 312	0.05 192	0.05 170	0.04 73

MM-Stereo_test2	0.09 176	0.06 117	0.09 123	0.19 472	0.08 220	0.12 310	0.18 496	0.15 188	0.14 225	0.07 75	0.10 197	0.07 124	0.06 66	0.12 295	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.03 2

MM-Stereo_test1	0.10 246	0.07 239	0.08 57	0.18 402	0.07 134	0.12 310	0.18 496	0.21 372	0.20 397	0.09 183	0.11 248	0.08 186	0.06 66	0.10 124	0.10 208	0.06 168	0.05 276	0.07 312	0.06 293	0.05 170	0.04 73

HUF	0.08 85	0.05 43	0.08 57	0.14 70	0.06 28	0.09 139	0.13 179	0.13 115	0.13 192	0.07 75	0.07 65	0.08 186	0.06 66	0.10 124	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

castereo++	0.08 85	0.05 43	0.08 57	0.15 124	0.05 2	0.14 403	0.12 100	0.11 58	0.15 252	0.07 75	0.07 65	0.07 124	0.06 66	0.08 25	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

IGEV-RUCA	0.08 85	0.06 117	0.11 252	0.14 70	0.09 355	0.10 202	0.12 100	0.10 35	0.12 149	0.06 25	0.07 65	0.07 124	0.06 66	0.09 59	0.08 25	0.06 168	0.05 276	0.05 50	0.04 60	0.05 170	0.06 310

MonSter	0.07 7	0.06 117	0.05 1	0.15 124	0.05 2	0.07 43	0.10 35	0.15 188	0.15 252	0.05 2	0.06 23	0.05 5	0.06 66	0.07 4	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

fffft	0.09 176	0.06 117	0.12 300	0.16 222	0.07 134	0.09 139	0.17 447	0.12 85	0.11 110	0.08 131	0.07 65	0.09 223	0.06 66	0.11 199	0.12 355	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.05 207
1: 1. 1
tt45	0.09 176	0.06 117	0.11 252	0.15 124	0.07 134	0.11 256	0.16 405	0.13 115	0.11 110	0.09 183	0.06 23	0.08 186	0.06 66	0.13 351	0.10 208	0.06 168	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

mms	0.09 176	0.07 239	0.08 57	0.16 222	0.08 220	0.10 202	0.16 405	0.12 85	0.11 110	0.08 131	0.09 161	0.08 186	0.06 66	0.11 199	0.12 355	0.05 51	0.04 25	0.07 312	0.05 192	0.04 48	0.03 2

ours_stereo	0.09 176	0.07 239	0.09 123	0.17 309	0.08 220	0.11 256	0.16 405	0.11 58	0.12 149	0.08 131	0.10 197	0.08 186	0.06 66	0.12 295	0.12 355	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.03 2

WCG-NET	0.08 85	0.05 43	0.09 123	0.15 124	0.06 28	0.11 256	0.14 246	0.13 115	0.13 192	0.06 25	0.09 161	0.07 124	0.06 66	0.13 351	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

GCAP-BAT	0.09 176	0.05 43	0.11 252	0.13 22	0.07 134	0.11 256	0.14 246	0.14 146	0.16 291	0.07 75	0.10 197	0.08 186	0.06 66	0.13 351	0.08 25	0.07 343	0.05 276	0.05 50	0.05 192	0.04 48	0.04 73

IGEV-Stereo++	0.07 7	0.06 117	0.08 57	0.18 402	0.06 28	0.04 1	0.10 35	0.11 58	0.11 110	0.06 25	0.07 65	0.07 124	0.06 66	0.09 59	0.09 104	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

RAStereo	0.10 246	0.09 440	0.08 57	0.20 540	0.08 220	0.13 366	0.18 496	0.15 188	0.17 321	0.10 230	0.12 270	0.05 5	0.06 66	0.09 59	0.08 25	0.07 343	0.05 276	0.07 312	0.05 192	0.05 170	0.04 73

Pointernet	0.09 176	0.04 1	0.09 123	0.16 222	0.08 220	0.13 366	0.10 35	0.15 188	0.17 321	0.09 183	0.07 65	0.06 42	0.06 66	0.11 199	0.09 104	0.08 426	0.04 25	0.05 50	0.03 1	0.06 293	0.05 207

IGEV-Stereo+	0.07 7	0.04 1	0.08 57	0.15 124	0.06 28	0.04 1	0.09 20	0.10 35	0.09 52	0.06 25	0.06 23	0.06 42	0.06 66	0.06 1	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.06 293	0.06 310

WCG-NET（raft）	0.08 85	0.05 43	0.10 189	0.15 124	0.06 28	0.11 256	0.13 179	0.15 188	0.12 149	0.08 131	0.07 65	0.06 42	0.06 66	0.13 351	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

RAFT-Stereo-weight	0.09 176	0.06 117	0.10 189	0.16 222	0.07 134	0.09 139	0.14 246	0.19 333	0.16 291	0.11 266	0.10 197	0.08 186	0.06 66	0.10 124	0.11 291	0.06 168	0.04 25	0.06 200	0.04 60	0.04 48	0.04 73

gcap-zeroshot	0.08 85	0.06 117	0.10 189	0.15 124	0.07 134	0.11 256	0.12 100	0.15 188	0.15 252	0.08 131	0.12 270	0.05 5	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 192	0.03 1	0.04 73

test_for_model	0.08 85	0.06 117	0.10 189	0.16 222	0.07 134	0.11 256	0.12 100	0.15 188	0.15 252	0.08 131	0.12 270	0.05 5	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 192	0.03 1	0.04 73

MGS-Stereo	0.09 176	0.07 239	0.12 300	0.15 124	0.08 220	0.09 139	0.15 334	0.12 85	0.12 149	0.07 75	0.10 197	0.08 186	0.06 66	0.10 124	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.06 293	0.05 207

MoCha-V2	0.08 85	0.05 43	0.10 189	0.20 540	0.07 134	0.09 139	0.14 246	0.11 58	0.08 25	0.07 75	0.08 125	0.07 124	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

IGEV++	0.08 85	0.06 117	0.08 57	0.18 402	0.07 134	0.09 139	0.13 179	0.10 35	0.09 52	0.08 131	0.08 125	0.06 42	0.06 66	0.13 351	0.09 104	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

ACVNet-DCA	0.10 246	0.08 358	0.12 300	0.17 309	0.09 355	0.13 366	0.15 334	0.23 421	0.16 291	0.09 183	0.09 161	0.06 42	0.06 66	0.10 124	0.07 1	0.06 168	0.04 25	0.06 200	0.05 192	0.07 381	0.07 400

1test111	0.11 299	0.08 358	0.12 300	0.17 309	0.09 355	0.13 366	0.15 334	0.23 421	0.16 291	0.09 183	0.09 161	0.06 42	0.06 66	0.15 412	0.16 493	0.06 168	0.04 25	0.06 200	0.05 192	0.07 381	0.07 400

cc1	0.10 246	0.08 358	0.12 300	0.17 309	0.09 355	0.13 366	0.15 334	0.16 228	0.18 354	0.09 183	0.09 161	0.06 42	0.06 66	0.10 124	0.07 1	0.06 168	0.04 25	0.06 200	0.05 192	0.06 293	0.06 310

ff7	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.10 230	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

IGEVStereo-DCA	0.09 176	0.06 117	0.11 252	0.15 124	0.10 469	0.11 256	0.15 334	0.16 228	0.12 149	0.10 230	0.06 23	0.08 186	0.06 66	0.10 124	0.08 25	0.06 168	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310

ffff	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.10 230	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

rrr	0.09 176	0.06 117	0.12 300	0.15 124	0.10 469	0.11 256	0.16 405	0.16 228	0.15 252	0.10 230	0.06 23	0.08 186	0.06 66	0.10 124	0.08 25	0.06 168	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310

11t	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.10 230	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

tt1	0.10 246	0.08 358	0.12 300	0.17 309	0.09 355	0.12 310	0.16 405	0.15 188	0.19 373	0.09 183	0.08 125	0.06 42	0.06 66	0.10 124	0.07 1	0.06 168	0.04 25	0.06 200	0.05 192	0.06 293	0.06 310

MaDis-Stereo	0.09 176	0.09 440	0.08 57	0.17 309	0.09 355	0.13 366	0.10 35	0.16 228	0.16 291	0.09 183	0.11 248	0.06 42	0.06 66	0.09 59	0.13 402	0.07 343	0.06 430	0.07 312	0.05 192	0.05 170	0.04 73

IGEV_Zeroshot_test	0.09 176	0.05 43	0.12 300	0.13 22	0.08 220	0.12 310	0.13 179	0.17 267	0.11 110	0.10 230	0.06 23	0.09 223	0.06 66	0.11 199	0.09 104	0.06 168	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

MSKI-zero shot	0.09 176	0.05 43	0.09 123	0.15 124	0.07 134	0.10 202	0.13 179	0.14 146	0.13 192	0.09 183	0.09 161	0.09 223	0.06 66	0.12 295	0.10 208	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

DLNR_Zeroshot_test	10.40 727	1.82 717	19.49 744	120.77 750	13.11 736	0.06 14	0.13 179	0.23 421	0.10 77	0.07 75	0.10 197	0.09 223	0.06 66	0.10 124	0.09 104	0.13 614	0.04 25	0.06 200	0.04 60	51.54 749	0.04 73

testlalala	0.08 85	0.06 117	0.10 189	0.15 124	0.07 134	0.11 256	0.12 100	0.15 188	0.15 252	0.08 131	0.12 270	0.05 5	0.06 66	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 192	0.03 1	0.04 73

GCAPDPT-zeroshot	0.09 176	0.05 43	0.11 252	0.13 22	0.07 134	0.11 256	0.14 246	0.14 146	0.16 291	0.07 75	0.10 197	0.08 186	0.06 66	0.13 351	0.08 25	0.07 343	0.05 276	0.05 50	0.05 192	0.04 48	0.04 73

CAS	0.08 85	0.04 1	0.07 11	0.17 309	0.08 220	0.10 202	0.13 179	0.12 85	0.09 52	0.09 183	0.10 197	0.08 186	0.06 66	0.09 59	0.08 25	0.08 426	0.04 25	0.05 50	0.03 1	0.05 170	0.04 73

anonymousdsp	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.09 183	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

CES	0.08 85	0.04 1	0.08 57	0.14 70	0.07 134	0.09 139	0.14 246	0.11 58	0.09 52	0.08 131	0.09 161	0.11 291	0.06 66	0.12 295	0.08 25	0.06 168	0.04 25	0.05 50	0.03 1	0.05 170	0.05 207

ProNet	0.09 176	0.07 239	0.10 189	0.17 309	0.08 220	0.10 202	0.15 334	0.15 188	0.12 149	0.09 183	0.06 23	0.07 124	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.06 310

MC-Stereo	0.08 85	0.06 117	0.09 123	0.17 309	0.06 28	0.10 202	0.14 246	0.12 85	0.10 77	0.09 183	0.12 270	0.09 223	0.06 66	0.11 199	0.10 208	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

ccc-4	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.10 230	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

IGEV-Stereo	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.09 183	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 176	0.05 43	0.12 300	0.15 124	0.12 554	0.10 202	0.13 179	0.18 302	0.18 354	0.09 183	0.09 161	0.09 223	0.06 66	0.10 124	0.08 25	0.07 343	0.05 276	0.07 312	0.07 393	0.04 48	0.04 73

CroCo-Stereo	0.09 176	0.08 358	0.08 57	0.22 590	0.09 355	0.09 139	0.19 536	0.15 188	0.12 149	0.07 75	0.07 65	0.08 186	0.06 66	0.08 25	0.07 1	0.07 343	0.05 276	0.06 200	0.04 60	0.05 170	0.04 73
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
TANstereo	0.09 176	0.04 1	0.08 57	0.13 22	0.06 28	0.11 256	0.14 246	0.15 188	0.19 373	0.11 266	0.15 326	0.10 260	0.06 66	0.12 295	0.09 104	0.07 343	0.05 276	0.05 50	0.04 60	0.06 293	0.05 207

XX-Stereo	0.09 176	0.05 43	0.08 57	0.17 309	0.09 355	0.15 430	0.12 100	0.20 345	0.10 77	0.10 230	0.14 305	0.07 124	0.06 66	0.12 295	0.08 25	0.06 168	0.05 276	0.06 200	0.06 293	0.04 48	0.04 73

test_xeample3	0.09 176	0.06 117	0.12 300	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.13 192	0.10 230	0.06 23	0.08 186	0.06 66	0.10 124	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

DNS	0.09 176	0.05 43	0.11 252	0.15 124	0.08 220	0.10 202	0.16 405	0.17 267	0.09 52	0.08 131	0.12 270	0.08 186	0.07 180	0.09 59	0.08 25	0.07 343	0.04 25	0.05 50	0.05 192	0.06 293	0.05 207

aanet-32k-new	0.08 85	0.07 239	0.08 57	0.18 402	0.06 28	0.08 85	0.12 100	0.11 58	0.12 149	0.07 75	0.08 125	0.05 5	0.07 180	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.06 293	0.04 73

aanet-new-24k	0.07 7	0.07 239	0.07 11	0.17 309	0.06 28	0.07 43	0.12 100	0.09 21	0.11 110	0.09 183	0.09 161	0.06 42	0.07 180	0.09 59	0.07 1	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-10k	0.08 85	0.08 358	0.08 57	0.19 472	0.07 134	0.08 85	0.12 100	0.14 146	0.11 110	0.07 75	0.08 125	0.07 124	0.07 180	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-12k	0.08 85	0.09 440	0.07 11	0.20 540	0.08 220	0.08 85	0.13 179	0.12 85	0.13 192	0.08 131	0.08 125	0.05 5	0.07 180	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.06 293	0.04 73

aanet-new	0.08 85	0.09 440	0.10 189	0.18 402	0.08 220	0.10 202	0.12 100	0.15 188	0.12 149	0.08 131	0.08 125	0.05 5	0.07 180	0.10 124	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.06 293	0.04 73

LACA3	0.07 7	0.08 358	0.08 57	0.13 22	0.05 2	0.09 139	0.11 64	0.08 12	0.08 25	0.08 131	0.05 7	0.07 124	0.07 180	0.07 4	0.07 1	0.06 168	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

Foundation-i1c-attn	0.08 85	0.05 43	0.07 11	0.14 70	0.05 2	0.09 139	0.12 100	0.12 85	0.10 77	0.09 183	0.10 197	0.10 260	0.07 180	0.07 4	0.10 208	0.06 168	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

Selective-IGEV-i16pb	0.14 441	0.08 358	0.17 508	0.15 124	0.11 520	0.41 669	0.16 405	0.28 523	0.23 439	0.11 266	0.20 414	0.10 260	0.07 180	0.17 481	0.12 355	0.10 531	0.07 503	0.06 200	0.08 467	0.09 515	0.10 548

Foundation-i1	0.09 176	0.04 1	0.10 189	0.14 70	0.06 28	0.10 202	0.13 179	0.16 228	0.14 225	0.10 230	0.10 197	0.11 291	0.07 180	0.07 4	0.10 208	0.06 168	0.04 25	0.05 50	0.05 192	0.05 170	0.05 207

LACA1	0.07 7	0.07 239	0.07 11	0.14 70	0.05 2	0.09 139	0.11 64	0.10 35	0.07 15	0.05 2	0.05 7	0.06 42	0.07 180	0.08 25	0.09 104	0.06 168	0.04 25	0.04 1	0.04 60	0.03 1	0.04 73

BridgeDepth_RVC	0.07 7	0.04 1	0.09 123	0.11 1	0.05 2	0.10 202	0.10 35	0.14 146	0.09 52	0.06 25	0.07 65	0.06 42	0.07 180	0.07 4	0.10 208	0.06 168	0.04 25	0.04 1	0.04 60	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
HiDET	0.08 85	0.04 1	0.10 189	0.13 22	0.06 28	0.08 85	0.12 100	0.12 85	0.11 110	0.06 25	0.07 65	0.07 124	0.07 180	0.11 199	0.11 291	0.06 168	0.04 25	0.04 1	0.03 1	0.04 48	0.04 73

LCMNet	0.08 85	0.05 43	0.10 189	0.13 22	0.07 134	0.09 139	0.12 100	0.10 35	0.11 110	0.06 25	0.08 125	0.06 42	0.07 180	0.11 199	0.10 208	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.04 73

FE-Mocha	0.09 176	0.06 117	0.14 392	0.16 222	0.09 355	0.10 202	0.15 334	0.18 302	0.16 291	0.10 230	0.09 161	0.07 124	0.07 180	0.09 59	0.09 104	0.06 168	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

Wavelet-MonSter	0.07 7	0.05 43	0.07 11	0.16 222	0.06 28	0.07 43	0.11 64	0.10 35	0.08 25	0.06 25	0.06 23	0.07 124	0.07 180	0.09 59	0.09 104	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 7	0.07 239	0.07 11	0.15 124	0.07 134	0.09 139	0.06 1	0.13 115	0.11 110	0.07 75	0.07 65	0.06 42	0.07 180	0.10 124	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

monsterstereo	0.07 7	0.06 117	0.06 5	0.16 222	0.06 28	0.08 85	0.10 35	0.16 228	0.11 110	0.07 75	0.08 125	0.06 42	0.07 180	0.08 25	0.09 104	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

LG-G_1	0.07 7	0.04 1	0.11 252	0.15 124	0.06 28	0.09 139	0.08 7	0.08 12	0.06 6	0.06 25	0.05 7	0.07 124	0.07 180	0.11 199	0.08 25	0.07 343	0.04 25	0.05 50	0.04 60	0.05 170	0.05 207

LG-G	0.07 7	0.04 1	0.11 252	0.15 124	0.06 28	0.09 139	0.08 7	0.08 12	0.06 6	0.06 25	0.05 7	0.07 124	0.07 180	0.11 199	0.08 25	0.07 343	0.04 25	0.05 50	0.04 60	0.05 170	0.05 207

LG-Stereo	0.08 85	0.07 239	0.10 189	0.18 402	0.07 134	0.10 202	0.17 447	0.11 58	0.08 25	0.05 2	0.07 65	0.05 5	0.07 180	0.09 59	0.09 104	0.04 11	0.05 276	0.07 312	0.07 393	0.04 48	0.04 73

AIO-test1	0.10 246	0.07 239	0.10 189	0.23 614	0.07 134	0.09 139	0.13 179	0.21 372	0.14 225	0.11 266	0.12 270	0.09 223	0.07 180	0.11 199	0.09 104	0.06 168	0.05 276	0.09 492	0.10 556	0.03 1	0.06 310

SMoEStereo_RVC	0.08 85	0.06 117	0.12 300	0.16 222	0.07 134	0.09 139	0.14 246	0.11 58	0.13 192	0.09 183	0.07 65	0.07 124	0.07 180	0.12 295	0.10 208	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

tg	0.10 246	0.06 117	0.10 189	0.18 402	0.08 220	0.11 256	0.16 405	0.20 345	0.12 149	0.08 131	0.11 248	0.11 291	0.07 180	0.11 199	0.10 208	0.05 51	0.04 25	0.08 406	0.08 467	0.04 48	0.04 73

PAM_32	0.09 176	0.05 43	0.17 508	0.15 124	0.08 220	0.10 202	0.15 334	0.14 146	0.15 252	0.09 183	0.08 125	0.09 223	0.07 180	0.14 385	0.08 25	0.06 168	0.05 276	0.06 200	0.06 293	0.05 170	0.06 310

PAM	0.10 246	0.05 43	0.16 477	0.15 124	0.08 220	0.09 139	0.16 405	0.15 188	0.16 291	0.12 309	0.09 161	0.09 223	0.07 180	0.13 351	0.08 25	0.06 168	0.05 276	0.06 200	0.06 293	0.05 170	0.06 310

UGAM-zero	0.09 176	0.05 43	0.15 441	0.15 124	0.08 220	0.09 139	0.13 179	0.19 333	0.15 252	0.11 266	0.15 326	0.07 124	0.07 180	0.09 59	0.09 104	0.06 168	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310

model_zeroshot	0.10 246	0.04 1	0.11 252	0.15 124	0.09 355	0.12 310	0.14 246	0.20 345	0.13 192	0.11 266	0.10 197	0.12 313	0.07 180	0.12 295	0.10 208	0.07 343	0.06 430	0.06 200	0.05 192	0.06 293	0.06 310

AIO-Stereo-zeroshot1	0.11 299	0.05 43	0.14 392	0.15 124	0.20 658	0.09 139	0.17 447	0.21 372	0.15 252	0.11 266	0.14 305	0.10 260	0.07 180	0.10 124	0.08 25	0.06 168	0.05 276	0.07 312	0.07 393	0.07 381	0.09 517

AIO-Stereo-zeroshot	0.11 299	0.05 43	0.11 252	0.15 124	0.13 577	0.13 366	0.16 405	0.23 421	0.17 321	0.10 230	0.12 270	0.10 260	0.07 180	0.11 199	0.09 104	0.06 168	0.05 276	0.06 200	0.06 293	0.07 381	0.08 471

CAS++	0.11 299	0.07 239	0.11 252	0.14 70	0.09 355	0.12 310	0.14 246	0.24 445	0.14 225	0.11 266	0.09 161	0.11 291	0.07 180	0.14 385	0.09 104	0.11 563	0.09 568	0.09 492	0.07 393	0.07 381	0.08 471
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MyStereo07	0.10 246	0.07 239	0.10 189	0.17 309	0.09 355	0.14 403	0.18 496	0.15 188	0.15 252	0.09 183	0.06 23	0.06 42	0.07 180	0.12 295	0.09 104	0.06 168	0.05 276	0.08 406	0.07 393	0.06 293	0.06 310

MyStereo06	0.10 246	0.07 239	0.12 300	0.17 309	0.09 355	0.13 366	0.18 496	0.19 333	0.12 149	0.12 309	0.08 125	0.07 124	0.07 180	0.11 199	0.09 104	0.06 168	0.05 276	0.07 312	0.07 393	0.06 293	0.06 310

UniTT-Stereo	0.09 176	0.07 239	0.08 57	0.18 402	0.08 220	0.13 366	0.11 64	0.12 85	0.11 110	0.10 230	0.12 270	0.05 5	0.07 180	0.09 59	0.09 104	0.07 343	0.05 276	0.05 50	0.05 192	0.05 170	0.05 207

CASnet	0.09 176	0.09 440	0.09 123	0.19 472	0.06 28	0.07 43	0.11 64	0.18 302	0.14 225	0.11 266	0.10 197	0.09 223	0.07 180	0.10 124	0.10 208	0.06 168	0.04 25	0.10 541	0.08 467	0.05 170	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 176	0.06 117	0.13 353	0.17 309	0.08 220	0.10 202	0.16 405	0.14 146	0.10 77	0.08 131	0.09 161	0.08 186	0.07 180	0.10 124	0.09 104	0.06 168	0.04 25	0.06 200	0.05 192	0.05 170	0.04 73

HanStereo	0.09 176	0.06 117	0.13 353	0.17 309	0.08 220	0.10 202	0.16 405	0.14 146	0.10 77	0.08 131	0.09 161	0.08 186	0.07 180	0.10 124	0.09 104	0.06 168	0.04 25	0.06 200	0.05 192	0.05 170	0.04 73

LL-Strereo2	0.10 246	0.10 503	0.15 441	0.18 402	0.08 220	0.15 430	0.09 20	0.17 267	0.14 225	0.14 370	0.10 197	0.09 223	0.07 180	0.16 447	0.10 208	0.05 51	0.05 276	0.10 541	0.07 393	0.06 293	0.05 207

4D-IteraStereo	0.09 176	0.07 239	0.10 189	0.18 402	0.07 134	0.09 139	0.15 334	0.17 267	0.15 252	0.10 230	0.11 248	0.10 260	0.07 180	0.11 199	0.09 104	0.05 51	0.03 1	0.08 406	0.07 393	0.06 293	0.05 207

RCA-Stereo	0.09 176	0.06 117	0.09 123	0.16 222	0.06 28	0.09 139	0.13 179	0.18 302	0.14 225	0.09 183	0.10 197	0.08 186	0.07 180	0.12 295	0.11 291	0.06 168	0.04 25	0.06 200	0.05 192	0.05 170	0.04 73

RAFT_CTSACE	0.12 377	0.09 440	0.10 189	0.22 590	0.08 220	0.12 310	0.24 615	0.18 302	0.16 291	0.20 515	0.27 526	0.13 346	0.07 180	0.13 351	0.09 104	0.05 51	0.06 430	0.08 406	0.07 393	0.04 48	0.04 73

IPLG	0.10 246	0.07 239	0.15 441	0.17 309	0.08 220	0.11 256	0.14 246	0.20 345	0.15 252	0.12 309	0.17 363	0.07 124	0.07 180	0.14 385	0.13 402	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

MIPNet	0.11 299	0.08 358	0.14 392	0.17 309	0.09 355	0.12 310	0.14 246	0.20 345	0.24 456	0.11 266	0.10 197	0.09 223	0.07 180	0.13 351	0.12 355	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

iRaftStereo_RVC	0.10 246	0.07 239	0.09 123	0.17 309	0.09 355	0.11 256	0.17 447	0.18 302	0.12 149	0.09 183	0.12 270	0.10 260	0.07 180	0.11 199	0.10 208	0.05 51	0.04 25	0.08 406	0.08 467	0.04 48	0.04 73

CREStereo++_RVC	0.08 85	0.04 1	0.06 5	0.13 22	0.07 134	0.09 139	0.12 100	0.14 146	0.14 225	0.10 230	0.14 305	0.08 186	0.07 180	0.09 59	0.11 291	0.06 168	0.04 25	0.05 50	0.05 192	0.04 48	0.04 73
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
raftrobust	0.09 176	0.06 117	0.10 189	0.17 309	0.08 220	0.09 139	0.10 35	0.18 302	0.16 291	0.10 230	0.09 161	0.12 313	0.07 180	0.12 295	0.10 208	0.08 426	0.05 276	0.06 200	0.05 192	0.05 170	0.05 207

sCroCo_RVC	0.12 377	0.09 440	0.23 581	0.24 623	0.11 520	0.19 528	0.14 246	0.17 267	0.14 225	0.10 230	0.13 289	0.12 313	0.07 180	0.14 385	0.11 291	0.08 426	0.08 535	0.08 406	0.08 467	0.05 170	0.07 400

EAI-Stereo	0.09 176	0.07 239	0.11 252	0.15 124	0.06 28	0.10 202	0.15 334	0.16 228	0.09 52	0.08 131	0.09 161	0.08 186	0.07 180	0.09 59	0.11 291	0.05 51	0.04 25	0.05 50	0.05 192	0.05 170	0.04 73

PMTNet	0.09 176	0.05 43	0.09 123	0.12 7	0.06 28	0.12 310	0.14 246	0.15 188	0.11 110	0.09 183	0.13 289	0.10 260	0.07 180	0.13 351	0.10 208	0.15 632	0.04 25	0.05 50	0.03 1	0.07 381	0.06 310

SE	0.10 246	0.10 503	0.08 57	0.19 472	0.09 355	0.11 256	0.11 64	0.15 188	0.11 110	0.10 230	0.16 339	0.09 223	0.08 229	0.09 59	0.10 208	0.06 168	0.05 276	0.08 406	0.07 393	0.07 381	0.04 73

Anonymus	0.08 85	0.05 43	0.10 189	0.15 124	0.08 220	0.10 202	0.15 334	0.15 188	0.10 77	0.07 75	0.06 23	0.07 124	0.08 229	0.12 295	0.10 208	0.06 168	0.04 25	0.05 50	0.05 192	0.05 170	0.06 310

LGCAT	0.08 85	0.04 1	0.10 189	0.11 1	0.06 28	0.07 43	0.12 100	0.07 7	0.08 25	0.09 183	0.07 65	0.07 124	0.08 229	0.12 295	0.11 291	0.10 531	0.09 568	0.04 1	0.05 192	0.04 48	0.09 517

derf	0.07 7	0.04 1	0.10 189	0.14 70	0.06 28	0.05 4	0.12 100	0.12 85	0.09 52	0.05 2	0.07 65	0.07 124	0.08 229	0.10 124	0.10 208	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.05 207

mm2	0.07 7	0.04 1	0.10 189	0.13 22	0.06 28	0.06 14	0.12 100	0.13 115	0.08 25	0.06 25	0.07 65	0.06 42	0.08 229	0.10 124	0.09 104	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.05 207

mm1	0.07 7	0.04 1	0.10 189	0.13 22	0.06 28	0.06 14	0.12 100	0.06 1	0.08 25	0.06 25	0.07 65	0.06 42	0.08 229	0.10 124	0.09 104	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.05 207

qqai	0.07 7	0.05 43	0.10 189	0.14 70	0.06 28	0.05 4	0.12 100	0.08 12	0.09 52	0.05 2	0.06 23	0.06 42	0.08 229	0.10 124	0.09 104	0.06 168	0.05 276	0.05 50	0.03 1	0.04 48	0.05 207

PointNet	0.07 7	0.06 117	0.07 11	0.15 124	0.07 134	0.08 85	0.14 246	0.11 58	0.08 25	0.05 2	0.07 65	0.08 186	0.08 229	0.09 59	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

DF	0.08 85	0.05 43	0.09 123	0.15 124	0.06 28	0.11 256	0.13 179	0.10 35	0.12 149	0.09 183	0.10 197	0.10 260	0.08 229	0.11 199	0.09 104	0.07 343	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

RT-Monster	0.09 176	0.05 43	0.09 123	0.14 70	0.08 220	0.11 256	0.10 35	0.17 267	0.18 354	0.13 343	0.10 197	0.09 223	0.08 229	0.10 124	0.10 208	0.07 343	0.05 276	0.05 50	0.04 60	0.05 170	0.06 310

GeoVLM	0.08 85	0.04 1	0.10 189	0.13 22	0.06 28	0.10 202	0.12 100	0.13 115	0.08 25	0.06 25	0.07 65	0.06 42	0.08 229	0.10 124	0.11 291	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.05 207

LACA2	0.07 7	0.05 43	0.06 5	0.15 124	0.06 28	0.09 139	0.11 64	0.11 58	0.10 77	0.05 2	0.05 7	0.06 42	0.08 229	0.09 59	0.07 1	0.07 343	0.04 25	0.04 1	0.04 60	0.04 48	0.04 73

NLSM3	0.09 176	0.06 117	0.08 57	0.19 472	0.08 220	0.11 256	0.16 405	0.18 302	0.16 291	0.06 25	0.08 125	0.07 124	0.08 229	0.09 59	0.11 291	0.04 11	0.04 25	0.06 200	0.07 393	0.03 1	0.03 2

MonSter++	0.08 85	0.04 1	0.10 189	0.13 22	0.06 28	0.09 139	0.12 100	0.13 115	0.08 25	0.06 25	0.07 65	0.06 42	0.08 229	0.10 124	0.11 291	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.04 73

CSFM-Stereo	0.07 7	0.05 43	0.07 11	0.14 70	0.06 28	0.09 139	0.13 179	0.15 188	0.06 6	0.07 75	0.08 125	0.06 42	0.08 229	0.09 59	0.09 104	0.06 168	0.05 276	0.04 1	0.03 1	0.04 48	0.04 73

DA	0.08 85	0.07 239	0.07 11	0.19 472	0.08 220	0.09 139	0.12 100	0.13 115	0.12 149	0.08 131	0.10 197	0.10 260	0.08 229	0.09 59	0.10 208	0.05 51	0.04 25	0.06 200	0.04 60	0.05 170	0.03 2

GGEV	0.08 85	0.07 239	0.07 11	0.19 472	0.08 220	0.09 139	0.12 100	0.13 115	0.12 149	0.08 131	0.10 197	0.10 260	0.08 229	0.09 59	0.10 208	0.05 51	0.04 25	0.06 200	0.04 60	0.05 170	0.03 2

Reg-Stereo(zero)	0.08 85	0.05 43	0.08 57	0.16 222	0.06 28	0.12 310	0.11 64	0.15 188	0.10 77	0.12 309	0.09 161	0.10 260	0.08 229	0.11 199	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.05 207

castereo	0.09 176	0.06 117	0.11 252	0.15 124	0.06 28	0.11 256	0.15 334	0.14 146	0.18 354	0.08 131	0.10 197	0.11 291	0.08 229	0.09 59	0.10 208	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

999	0.09 176	0.05 43	0.13 353	0.15 124	0.08 220	0.10 202	0.14 246	0.15 188	0.11 110	0.10 230	0.08 125	0.08 186	0.08 229	0.16 447	0.10 208	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.05 207

rvit_stereo_0080	0.10 246	0.08 358	0.14 392	0.15 124	0.09 355	0.07 43	0.15 334	0.16 228	0.16 291	0.11 266	0.10 197	0.14 368	0.08 229	0.12 295	0.10 208	0.09 488	0.07 503	0.07 312	0.06 293	0.07 381	0.05 207

trnet	0.08 85	0.05 43	0.07 11	0.12 7	0.05 2	0.12 310	0.11 64	0.13 115	0.10 77	0.08 131	0.13 289	0.09 223	0.08 229	0.11 199	0.10 208	0.08 426	0.05 276	0.05 50	0.03 1	0.06 293	0.05 207

Former-RAFT_DAM_RVC	0.10 246	0.08 358	0.12 300	0.16 222	0.08 220	0.15 430	0.16 405	0.18 302	0.18 354	0.10 230	0.09 161	0.09 223	0.08 229	0.11 199	0.12 355	0.07 343	0.05 276	0.08 406	0.06 293	0.07 381	0.06 310

AE-Stereo	0.10 246	0.08 358	0.10 189	0.18 402	0.09 355	0.10 202	0.15 334	0.14 146	0.19 373	0.09 183	0.14 305	0.12 313	0.08 229	0.11 199	0.10 208	0.05 51	0.06 430	0.07 312	0.06 293	0.05 170	0.04 73

whm_eth	0.10 246	0.08 358	0.14 392	0.15 124	0.09 355	0.07 43	0.15 334	0.16 228	0.16 291	0.11 266	0.10 197	0.14 368	0.08 229	0.12 295	0.10 208	0.09 488	0.07 503	0.07 312	0.06 293	0.07 381	0.05 207

AEACV	0.08 85	0.05 43	0.08 57	0.14 70	0.13 577	0.14 403	0.13 179	0.14 146	0.09 52	0.07 75	0.09 161	0.07 124	0.08 229	0.10 124	0.09 104	0.06 168	0.04 25	0.06 200	0.05 192	0.05 170	0.04 73

GLC_STEREO	0.11 299	0.07 239	0.11 252	0.17 309	0.07 134	0.09 139	0.13 179	0.15 188	0.24 456	0.12 309	0.13 289	0.12 313	0.08 229	0.18 504	0.11 291	0.06 168	0.08 535	0.08 406	0.06 293	0.05 170	0.05 207

IPLGR	0.11 299	0.09 440	0.16 477	0.18 402	0.08 220	0.12 310	0.17 447	0.21 372	0.24 456	0.11 266	0.12 270	0.11 291	0.08 229	0.12 295	0.12 355	0.06 168	0.05 276	0.06 200	0.06 293	0.04 48	0.04 73

test-3	0.08 85	0.06 117	0.09 123	0.17 309	0.07 134	0.07 43	0.14 246	0.12 85	0.15 252	0.09 183	0.08 125	0.07 124	0.08 229	0.11 199	0.10 208	0.05 51	0.04 25	0.07 312	0.05 192	0.04 48	0.04 73

test_1	0.08 85	0.06 117	0.09 123	0.17 309	0.07 134	0.07 43	0.14 246	0.12 85	0.15 252	0.09 183	0.08 125	0.07 124	0.08 229	0.11 199	0.10 208	0.05 51	0.04 25	0.07 312	0.05 192	0.04 48	0.04 73

HHNet	0.11 299	0.06 117	0.16 477	0.15 124	0.14 598	0.07 43	0.13 179	0.20 345	0.17 321	0.14 370	0.25 500	0.11 291	0.08 229	0.13 351	0.10 208	0.05 51	0.04 25	0.08 406	0.06 293	0.05 170	0.09 517

AnonymousM	0.09 176	0.05 43	0.10 189	0.14 70	0.06 28	0.09 139	0.13 179	0.19 333	0.14 225	0.13 343	0.11 248	0.09 223	0.08 229	0.13 351	0.10 208	0.08 426	0.05 276	0.08 406	0.05 192	0.05 170	0.05 207

test-1	0.10 246	0.07 239	0.16 477	0.19 472	0.08 220	0.11 256	0.24 615	0.14 146	0.18 354	0.09 183	0.07 65	0.09 223	0.08 229	0.07 4	0.09 104	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

Prome-Stereo	0.11 299	0.06 117	0.10 189	0.18 402	0.08 220	0.12 310	0.15 334	0.22 398	0.13 192	0.12 309	0.17 363	0.13 346	0.08 229	0.12 295	0.10 208	0.05 51	0.04 25	0.07 312	0.06 293	0.06 293	0.09 517

raft+_RVC	0.11 299	0.07 239	0.09 123	0.16 222	0.07 134	0.10 202	0.11 64	0.24 445	0.20 397	0.12 309	0.15 326	0.12 313	0.08 229	0.12 295	0.13 402	0.07 343	0.04 25	0.07 312	0.06 293	0.05 170	0.05 207

XX-TBD	0.09 176	0.06 117	0.07 11	0.14 70	0.07 134	0.12 310	0.16 405	0.14 146	0.13 192	0.11 266	0.12 270	0.09 223	0.08 229	0.10 124	0.10 208	0.06 168	0.04 25	0.05 50	0.03 1	0.06 293	0.05 207

sAnonymous2	0.13 404	0.12 548	0.24 585	0.20 540	0.12 554	0.17 485	0.13 179	0.26 482	0.21 413	0.11 266	0.11 248	0.13 346	0.08 229	0.10 124	0.10 208	0.09 488	0.05 276	0.08 406	0.06 293	0.15 636	0.10 548

CroCo_RVC	0.13 404	0.12 548	0.24 585	0.20 540	0.12 554	0.17 485	0.13 179	0.26 482	0.21 413	0.11 266	0.11 248	0.13 346	0.08 229	0.10 124	0.10 208	0.09 488	0.05 276	0.08 406	0.06 293	0.15 636	0.10 548

CREStereo	0.09 176	0.04 1	0.08 57	0.11 1	0.06 28	0.13 366	0.14 246	0.14 146	0.10 77	0.08 131	0.13 289	0.09 223	0.08 229	0.11 199	0.10 208	0.08 426	0.04 25	0.05 50	0.03 1	0.06 293	0.06 310
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
R-Stereo Train	0.10 246	0.06 117	0.10 189	0.17 309	0.08 220	0.11 256	0.14 246	0.23 421	0.11 110	0.12 309	0.19 402	0.11 291	0.08 229	0.09 59	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.05 207

RAFT-Stereo	0.10 246	0.06 117	0.10 189	0.17 309	0.08 220	0.11 256	0.14 246	0.23 421	0.11 110	0.12 309	0.19 402	0.11 291	0.08 229	0.09 59	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.05 207
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
SMOE	0.10 246	0.08 358	0.09 123	0.18 402	0.07 134	0.13 366	0.14 246	0.18 302	0.13 192	0.11 266	0.13 289	0.12 313	0.09 270	0.11 199	0.11 291	0.05 51	0.05 276	0.08 406	0.06 293	0.06 293	0.04 73

ManiGeoR	0.10 246	0.05 43	0.12 300	0.12 7	0.08 220	0.12 310	0.12 100	0.24 445	0.14 225	0.12 309	0.14 305	0.12 313	0.09 270	0.13 351	0.13 402	0.07 343	0.04 25	0.05 50	0.05 192	0.07 381	0.07 400

HLf10	0.10 246	0.05 43	0.12 300	0.12 7	0.08 220	0.12 310	0.12 100	0.24 445	0.14 225	0.12 309	0.14 305	0.12 313	0.09 270	0.13 351	0.13 402	0.07 343	0.04 25	0.05 50	0.05 192	0.07 381	0.07 400

TestStereo_HLe17	0.10 246	0.05 43	0.12 300	0.13 22	0.07 134	0.11 256	0.15 334	0.21 372	0.15 252	0.11 266	0.14 305	0.11 291	0.09 270	0.13 351	0.12 355	0.07 343	0.04 25	0.05 50	0.05 192	0.07 381	0.06 310

GGDA	0.11 299	0.06 117	0.11 252	0.13 22	0.07 134	0.12 310	0.14 246	0.19 333	0.19 373	0.13 343	0.20 414	0.12 313	0.09 270	0.12 295	0.12 355	0.07 343	0.04 25	0.05 50	0.05 192	0.06 293	0.07 400

LiteMatch*	0.08 85	0.04 1	0.11 252	0.13 22	0.08 220	0.08 85	0.13 179	0.14 146	0.09 52	0.05 2	0.05 7	0.05 5	0.09 270	0.11 199	0.10 208	0.06 168	0.05 276	0.05 50	0.04 60	0.05 170	0.05 207

VMStereo-Base	0.09 176	0.05 43	0.10 189	0.13 22	0.07 134	0.10 202	0.10 35	0.16 228	0.13 192	0.10 230	0.15 326	0.10 260	0.09 270	0.11 199	0.10 208	0.07 343	0.05 276	0.05 50	0.04 60	0.05 170	0.06 310

Hybrid-DGEV-03	0.10 246	0.06 117	0.09 123	0.18 402	0.08 220	0.16 462	0.14 246	0.15 188	0.14 225	0.13 343	0.16 339	0.12 313	0.09 270	0.13 351	0.11 291	0.06 168	0.04 25	0.08 406	0.06 293	0.05 170	0.04 73

WQFJX	0.10 246	0.07 239	0.09 123	0.21 573	0.09 355	0.12 310	0.16 405	0.18 302	0.17 321	0.12 309	0.10 197	0.07 124	0.09 270	0.12 295	0.10 208	0.06 168	0.07 503	0.06 200	0.05 192	0.06 293	0.05 207

NLMM1	0.11 299	0.09 440	0.07 11	0.22 590	0.10 469	0.12 310	0.20 560	0.18 302	0.20 397	0.12 309	0.11 248	0.07 124	0.09 270	0.11 199	0.11 291	0.08 426	0.08 535	0.07 312	0.06 293	0.04 48	0.04 73

NLCSM	0.11 299	0.09 440	0.09 123	0.23 614	0.11 520	0.12 310	0.19 536	0.18 302	0.18 354	0.12 309	0.11 248	0.07 124	0.09 270	0.11 199	0.10 208	0.07 343	0.08 535	0.07 312	0.07 393	0.06 293	0.05 207

BridgeDepth	0.07 7	0.07 239	0.08 57	0.18 402	0.06 28	0.07 43	0.11 64	0.09 21	0.06 6	0.04 1	0.07 65	0.10 260	0.09 270	0.08 25	0.08 25	0.04 11	0.03 1	0.04 1	0.04 60	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
water-stereo	0.09 176	0.06 117	0.08 57	0.16 222	0.07 134	0.09 139	0.13 179	0.15 188	0.13 192	0.11 266	0.12 270	0.08 186	0.09 270	0.07 4	0.08 25	0.06 168	0.05 276	0.05 50	0.05 192	0.04 48	0.04 73

DilatedVolume-Stereo	0.09 176	0.05 43	0.08 57	0.15 124	0.06 28	0.11 256	0.12 100	0.14 146	0.16 291	0.11 266	0.11 248	0.09 223	0.09 270	0.11 199	0.10 208	0.06 168	0.05 276	0.05 50	0.04 60	0.03 1	0.03 2

S2M2_L	0.09 176	0.08 358	0.11 252	0.13 22	0.10 469	0.08 85	0.06 1	0.10 35	0.10 77	0.10 230	0.09 161	0.10 260	0.09 270	0.11 199	0.11 291	0.13 614	0.07 503	0.08 406	0.09 514	0.10 548	0.08 471
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
SGD-Stereo	0.08 85	0.05 43	0.10 189	0.14 70	0.05 2	0.12 310	0.12 100	0.11 58	0.12 149	0.07 75	0.09 161	0.09 223	0.09 270	0.08 25	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

fast-iter	0.11 299	0.06 117	0.11 252	0.13 22	0.09 355	0.09 139	0.14 246	0.21 372	0.10 77	0.19 492	0.17 363	0.14 368	0.09 270	0.16 447	0.08 25	0.05 51	0.04 25	0.07 312	0.08 467	0.07 381	0.06 310

CoSv	0.11 299	0.06 117	0.11 252	0.13 22	0.09 355	0.09 139	0.14 246	0.21 372	0.10 77	0.19 492	0.17 363	0.14 368	0.09 270	0.16 447	0.08 25	0.05 51	0.04 25	0.07 312	0.08 467	0.07 381	0.06 310

fffy	0.09 176	0.08 358	0.09 123	0.16 222	0.07 134	0.13 366	0.17 447	0.13 115	0.12 149	0.08 131	0.09 161	0.08 186	0.09 270	0.13 351	0.11 291	0.05 51	0.05 276	0.07 312	0.05 192	0.04 48	0.05 207

rvit_stereo_0081_aga	0.11 299	0.09 440	0.14 392	0.18 402	0.09 355	0.13 366	0.14 246	0.14 146	0.19 373	0.10 230	0.18 391	0.16 412	0.09 270	0.12 295	0.09 104	0.10 531	0.06 430	0.08 406	0.07 393	0.07 381	0.06 310

rvit_stereo_0081	0.11 299	0.08 358	0.15 441	0.16 222	0.09 355	0.10 202	0.14 246	0.14 146	0.24 456	0.11 266	0.13 289	0.13 346	0.09 270	0.11 199	0.12 355	0.10 531	0.07 503	0.08 406	0.07 393	0.07 381	0.05 207

rvit_stereo_0082	0.11 299	0.08 358	0.15 441	0.16 222	0.09 355	0.10 202	0.14 246	0.14 146	0.24 456	0.11 266	0.13 289	0.13 346	0.09 270	0.11 199	0.12 355	0.10 531	0.07 503	0.08 406	0.07 393	0.07 381	0.05 207

EKT-Stereo	0.11 299	0.07 239	0.14 392	0.15 124	0.10 469	0.13 366	0.14 246	0.18 302	0.21 413	0.11 266	0.08 125	0.12 313	0.09 270	0.11 199	0.12 355	0.08 426	0.06 430	0.07 312	0.06 293	0.08 450	0.07 400

GCAP-Stereo	0.09 176	0.07 239	0.13 353	0.18 402	0.06 28	0.11 256	0.07 3	0.13 115	0.12 149	0.09 183	0.10 197	0.07 124	0.09 270	0.13 351	0.10 208	0.06 168	0.05 276	0.05 50	0.04 60	0.04 48	0.05 207

Any-RAFT	0.10 246	0.05 43	0.09 123	0.14 70	0.07 134	0.13 366	0.14 246	0.21 372	0.15 252	0.11 266	0.12 270	0.12 313	0.09 270	0.12 295	0.09 104	0.07 343	0.04 25	0.05 50	0.04 60	0.06 293	0.05 207

RAFT-Test	0.09 176	0.06 117	0.10 189	0.15 124	0.07 134	0.11 256	0.15 334	0.16 228	0.13 192	0.09 183	0.10 197	0.10 260	0.09 270	0.12 295	0.09 104	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.05 207

LoS_RVC	0.08 85	0.05 43	0.07 11	0.15 124	0.07 134	0.08 85	0.15 334	0.11 58	0.10 77	0.08 131	0.09 161	0.06 42	0.09 270	0.10 124	0.09 104	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.03 2

anonymousdsp2	0.11 299	0.07 239	0.10 189	0.16 222	0.09 355	0.13 366	0.14 246	0.18 302	0.22 427	0.13 343	0.14 305	0.12 313	0.09 270	0.14 385	0.11 291	0.05 51	0.04 25	0.05 50	0.04 60	0.06 293	0.05 207

LoS	0.09 176	0.05 43	0.11 252	0.13 22	0.07 134	0.14 403	0.11 64	0.15 188	0.15 252	0.09 183	0.09 161	0.12 313	0.09 270	0.15 412	0.10 208	0.07 343	0.05 276	0.05 50	0.03 1	0.05 170	0.05 207
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 299	0.05 43	0.12 300	0.13 22	0.07 134	0.15 430	0.14 246	0.19 333	0.13 192	0.11 266	0.17 363	0.13 346	0.09 270	0.13 351	0.11 291	0.08 426	0.05 276	0.06 200	0.05 192	0.08 450	0.07 400

test_4	0.10 246	0.10 503	0.08 57	0.19 472	0.09 355	0.08 85	0.22 591	0.15 188	0.17 321	0.12 309	0.18 391	0.12 313	0.09 270	0.08 25	0.11 291	0.04 11	0.04 25	0.08 406	0.08 467	0.04 48	0.03 2

iRaft-Stereo_5w	0.12 377	0.09 440	0.12 300	0.19 472	0.08 220	0.09 139	0.12 100	0.21 372	0.21 413	0.19 492	0.14 305	0.11 291	0.09 270	0.20 544	0.16 493	0.05 51	0.05 276	0.07 312	0.06 293	0.05 170	0.06 310

CIPLG	0.11 299	0.08 358	0.14 392	0.17 309	0.08 220	0.12 310	0.15 334	0.17 267	0.15 252	0.14 370	0.11 248	0.16 412	0.09 270	0.16 447	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310

dd	0.15 486	0.16 606	0.16 477	0.19 472	0.09 355	0.15 430	0.18 496	0.21 372	0.25 478	0.23 559	0.20 414	0.21 484	0.09 270	0.21 561	0.16 493	0.10 531	0.06 430	0.08 406	0.06 293	0.08 450	0.06 310

IPLGR_C	0.11 299	0.08 358	0.14 392	0.17 309	0.08 220	0.12 310	0.15 334	0.17 267	0.15 252	0.14 370	0.10 197	0.16 412	0.09 270	0.16 447	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310

ACRE	0.11 299	0.08 358	0.14 392	0.17 309	0.08 220	0.12 310	0.15 334	0.17 267	0.14 225	0.14 370	0.10 197	0.16 412	0.09 270	0.16 447	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310

test_3	0.10 246	0.09 440	0.10 189	0.20 540	0.08 220	0.13 366	0.26 640	0.14 146	0.21 413	0.10 230	0.10 197	0.09 223	0.09 270	0.08 25	0.11 291	0.05 51	0.04 25	0.08 406	0.07 393	0.04 48	0.04 73

Pruner-Stereo	0.11 299	0.07 239	0.12 300	0.17 309	0.09 355	0.06 14	0.12 100	0.17 267	0.17 321	0.13 343	0.19 402	0.13 346	0.09 270	0.11 199	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.08 471

RAFT-345	0.11 299	0.07 239	0.15 441	0.16 222	0.08 220	0.08 85	0.12 100	0.15 188	0.10 77	0.11 266	0.36 597	0.09 223	0.09 270	0.11 199	0.12 355	0.05 51	0.05 276	0.07 312	0.06 293	0.04 48	0.05 207

RALAANet	0.11 299	0.08 358	0.10 189	0.17 309	0.09 355	0.14 403	0.10 35	0.20 345	0.15 252	0.14 370	0.13 289	0.16 412	0.09 270	0.12 295	0.11 291	0.06 168	0.05 276	0.07 312	0.06 293	0.05 170	0.04 73

RAFT-Stereo + iAFF	0.09 176	0.06 117	0.10 189	0.17 309	0.06 28	0.10 202	0.16 405	0.17 267	0.14 225	0.09 183	0.10 197	0.08 186	0.09 270	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.06 293	0.04 48	0.03 2

AFF-stereo	0.09 176	0.06 117	0.10 189	0.17 309	0.07 134	0.10 202	0.16 405	0.17 267	0.09 52	0.10 230	0.12 270	0.09 223	0.09 270	0.12 295	0.09 104	0.05 51	0.04 25	0.07 312	0.07 393	0.04 48	0.03 2

CFNet-RSSM	0.09 176	0.07 239	0.09 123	0.16 222	0.07 134	0.09 139	0.15 334	0.16 228	0.17 321	0.08 131	0.12 270	0.10 260	0.09 270	0.11 199	0.09 104	0.06 168	0.04 25	0.06 200	0.04 60	0.04 48	0.04 73

Gwc-CoAtRS	0.09 176	0.06 117	0.10 189	0.16 222	0.07 134	0.10 202	0.14 246	0.17 267	0.17 321	0.08 131	0.10 197	0.12 313	0.09 270	0.12 295	0.09 104	0.06 168	0.04 25	0.06 200	0.04 60	0.04 48	0.04 73

S	0.12 377	0.08 358	0.09 123	0.20 540	0.08 220	0.13 366	0.19 536	0.17 267	0.16 291	0.13 343	0.11 248	0.13 346	0.10 314	0.11 199	0.13 402	0.09 488	0.07 503	0.13 607	0.15 643	0.06 293	0.04 73

PhaseNet	0.09 176	0.06 117	0.10 189	0.15 124	0.08 220	0.10 202	0.14 246	0.20 345	0.12 149	0.07 75	0.08 125	0.09 223	0.10 314	0.13 351	0.12 355	0.06 168	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

HLf8	0.11 299	0.05 43	0.13 353	0.11 1	0.08 220	0.15 430	0.12 100	0.22 398	0.15 252	0.13 343	0.17 363	0.12 313	0.10 314	0.14 385	0.12 355	0.09 488	0.05 276	0.05 50	0.05 192	0.08 450	0.08 471

TestStereo_HL2	0.11 299	0.06 117	0.11 252	0.12 7	0.08 220	0.12 310	0.14 246	0.20 345	0.18 354	0.13 343	0.21 438	0.12 313	0.10 314	0.12 295	0.12 355	0.07 343	0.05 276	0.05 50	0.05 192	0.07 381	0.07 400

TS12	0.08 85	0.06 117	0.09 123	0.21 573	0.07 134	0.11 256	0.13 179	0.11 58	0.09 52	0.10 230	0.10 197	0.08 186	0.10 314	0.09 59	0.12 355	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

RT-IGEV	0.13 404	0.06 117	0.13 353	0.15 124	0.09 355	0.15 430	0.17 447	0.24 445	0.27 502	0.16 426	0.17 363	0.17 434	0.10 314	0.14 385	0.11 291	0.08 426	0.05 276	0.07 312	0.05 192	0.07 381	0.07 400

Selective-IGEV-i1	0.13 404	0.07 239	0.12 300	0.19 472	0.08 220	0.18 504	0.16 405	0.22 398	0.30 534	0.16 426	0.17 363	0.16 412	0.10 314	0.14 385	0.13 402	0.06 168	0.05 276	0.06 200	0.05 192	0.06 293	0.05 207

DStereoRT	0.16 509	0.06 117	0.11 252	0.19 472	0.09 355	0.12 310	0.12 100	0.28 523	0.22 427	0.12 309	0.20 414	0.11 291	0.10 314	0.15 412	0.14 445	0.06 168	0.05 276	0.96 712	0.09 514	0.05 170	0.04 73

WQFJA1	0.10 246	0.07 239	0.08 57	0.20 540	0.09 355	0.12 310	0.17 447	0.17 267	0.17 321	0.09 183	0.10 197	0.08 186	0.10 314	0.12 295	0.11 291	0.06 168	0.07 503	0.07 312	0.06 293	0.06 293	0.05 207

WQFJX1	0.10 246	0.07 239	0.08 57	0.22 590	0.09 355	0.12 310	0.17 447	0.18 302	0.17 321	0.10 230	0.09 161	0.07 124	0.10 314	0.11 199	0.09 104	0.07 343	0.08 535	0.07 312	0.06 293	0.05 170	0.04 73

NLMM	0.10 246	0.07 239	0.08 57	0.20 540	0.09 355	0.12 310	0.17 447	0.17 267	0.17 321	0.09 183	0.10 197	0.08 186	0.10 314	0.12 295	0.11 291	0.06 168	0.07 503	0.07 312	0.06 293	0.06 293	0.05 207

NLSM1	0.10 246	0.07 239	0.07 11	0.19 472	0.08 220	0.13 366	0.16 405	0.21 372	0.15 252	0.11 266	0.10 197	0.06 42	0.10 314	0.10 124	0.11 291	0.07 343	0.08 535	0.08 406	0.07 393	0.05 170	0.05 207

xyz-stereo-finetune	0.11 299	0.08 358	0.13 353	0.14 70	0.06 28	0.10 202	0.19 536	0.17 267	0.19 373	0.12 309	0.14 305	0.15 397	0.10 314	0.13 351	0.11 291	0.05 51	0.04 25	0.07 312	0.05 192	0.04 48	0.05 207

rvit_stereo_0083	0.12 377	0.08 358	0.17 508	0.16 222	0.09 355	0.11 256	0.15 334	0.14 146	0.26 492	0.11 266	0.14 305	0.13 346	0.10 314	0.12 295	0.12 355	0.10 531	0.08 535	0.09 492	0.07 393	0.07 381	0.05 207

rvit_stereo_ft	0.12 377	0.07 239	0.13 353	0.19 472	0.10 469	0.12 310	0.17 447	0.16 228	0.16 291	0.12 309	0.13 289	0.15 397	0.10 314	0.14 385	0.13 402	0.09 488	0.06 430	0.08 406	0.07 393	0.07 381	0.05 207

H2IRNET	0.10 246	0.09 440	0.09 123	0.18 402	0.09 355	0.12 310	0.15 334	0.14 146	0.21 413	0.10 230	0.10 197	0.10 260	0.10 314	0.10 124	0.10 208	0.05 51	0.04 25	0.08 406	0.08 467	0.06 293	0.05 207

MyStereo8	0.12 377	0.07 239	0.15 441	0.15 124	0.09 355	0.18 504	0.14 246	0.19 333	0.22 427	0.12 309	0.18 391	0.11 291	0.10 314	0.16 447	0.18 526	0.07 343	0.05 276	0.07 312	0.05 192	0.08 450	0.09 517

MyStereo04	0.13 404	0.07 239	0.10 189	0.17 309	0.09 355	0.14 403	0.18 496	0.29 537	0.38 596	0.17 445	0.14 305	0.16 412	0.10 314	0.15 412	0.13 402	0.06 168	0.05 276	0.08 406	0.07 393	0.06 293	0.06 310

StereoVision	0.13 404	0.12 548	0.09 123	0.24 623	0.10 469	0.15 430	0.21 581	0.21 372	0.20 397	0.12 309	0.24 472	0.10 260	0.10 314	0.16 447	0.10 208	0.09 488	0.11 603	0.12 592	0.12 611	0.06 293	0.05 207

DCRE	0.11 299	0.07 239	0.13 353	0.16 222	0.11 520	0.11 256	0.17 447	0.18 302	0.17 321	0.11 266	0.18 391	0.10 260	0.10 314	0.15 412	0.11 291	0.06 168	0.05 276	0.06 200	0.06 293	0.05 170	0.04 73

Selective-RAFT	0.11 299	0.10 503	0.11 252	0.21 573	0.08 220	0.16 462	0.13 179	0.20 345	0.22 427	0.10 230	0.10 197	0.11 291	0.10 314	0.15 412	0.11 291	0.05 51	0.05 276	0.06 200	0.05 192	0.06 293	0.05 207

TestStereo1	0.13 404	0.08 358	0.08 57	0.19 472	0.08 220	0.18 504	0.29 663	0.23 421	0.16 291	0.17 445	0.20 414	0.16 412	0.10 314	0.12 295	0.13 402	0.06 168	0.06 430	0.08 406	0.06 293	0.05 170	0.05 207

DisPM	0.11 299	0.07 239	0.12 300	0.16 222	0.09 355	0.06 14	0.13 179	0.17 267	0.17 321	0.14 370	0.20 414	0.12 313	0.10 314	0.11 199	0.10 208	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.11 575

raft_robust	0.13 404	0.10 503	0.07 11	0.18 402	0.08 220	0.13 366	0.24 615	0.28 523	0.33 556	0.20 515	0.19 402	0.14 368	0.10 314	0.11 199	0.12 355	0.05 51	0.05 276	0.07 312	0.07 393	0.05 170	0.04 73

RAFT+CT+SA	0.13 404	0.11 530	0.09 123	0.19 472	0.09 355	0.15 430	0.28 653	0.22 398	0.22 427	0.15 397	0.26 517	0.10 260	0.10 314	0.11 199	0.12 355	0.05 51	0.04 25	0.07 312	0.08 467	0.07 381	0.06 310

SA-5K	0.13 404	0.08 358	0.08 57	0.19 472	0.08 220	0.18 504	0.29 663	0.23 421	0.16 291	0.17 445	0.20 414	0.16 412	0.10 314	0.12 295	0.13 402	0.06 168	0.06 430	0.08 406	0.06 293	0.05 170	0.05 207

PFNet+	0.11 299	0.06 117	0.13 353	0.16 222	0.09 355	0.05 4	0.12 100	0.17 267	0.21 413	0.16 426	0.19 402	0.14 368	0.10 314	0.11 199	0.11 291	0.08 426	0.05 276	0.09 492	0.08 467	0.06 293	0.11 575

STrans-v2	0.10 246	0.07 239	0.12 300	0.18 402	0.07 134	0.10 202	0.14 246	0.21 372	0.11 110	0.11 266	0.15 326	0.12 313	0.10 314	0.11 199	0.12 355	0.05 51	0.04 25	0.06 200	0.06 293	0.04 48	0.04 73

KYRaft	0.11 299	0.07 239	0.10 189	0.19 472	0.09 355	0.08 85	0.15 334	0.22 398	0.12 149	0.13 343	0.16 339	0.20 475	0.10 314	0.12 295	0.10 208	0.05 51	0.04 25	0.08 406	0.08 467	0.06 293	0.16 647

ASMatch	0.11 299	0.06 117	0.13 353	0.16 222	0.10 469	0.07 43	0.14 246	0.17 267	0.17 321	0.12 309	0.16 339	0.16 412	0.10 314	0.13 351	0.10 208	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.08 471

RAFT-RH_RVC	0.11 299	0.06 117	0.14 392	0.16 222	0.09 355	0.12 310	0.12 100	0.17 267	0.12 149	0.13 343	0.41 634	0.11 291	0.10 314	0.13 351	0.12 355	0.05 51	0.04 25	0.08 406	0.05 192	0.04 48	0.06 310

cross-raft	0.10 246	0.09 440	0.09 123	0.19 472	0.07 134	0.11 256	0.25 631	0.13 115	0.15 252	0.08 131	0.11 248	0.12 313	0.10 314	0.09 59	0.11 291	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

rafts_anoy	0.11 299	0.06 117	0.10 189	0.17 309	0.08 220	0.10 202	0.14 246	0.17 267	0.14 225	0.13 343	0.13 289	0.12 313	0.10 314	0.11 199	0.12 355	0.07 343	0.04 25	0.09 492	0.11 590	0.07 381	0.06 310

Anonymous3	0.16 509	0.13 576	0.33 626	0.26 640	0.14 598	0.27 623	0.17 447	0.28 523	0.28 517	0.15 397	0.17 363	0.14 368	0.10 314	0.15 412	0.12 355	0.08 426	0.08 535	0.08 406	0.08 467	0.08 450	0.11 575

RALCasStereoNet	0.10 246	0.06 117	0.09 123	0.16 222	0.08 220	0.12 310	0.14 246	0.17 267	0.11 110	0.12 309	0.17 363	0.14 368	0.10 314	0.12 295	0.11 291	0.07 343	0.06 430	0.06 200	0.05 192	0.08 450	0.07 400

RAFT + AFF	0.13 404	0.07 239	0.20 556	0.20 540	0.10 469	0.14 403	0.24 615	0.26 482	0.20 397	0.11 266	0.10 197	0.12 313	0.10 314	0.15 412	0.12 355	0.07 343	0.06 430	0.09 492	0.08 467	0.06 293	0.08 471

GMStereo	0.13 404	0.14 588	0.14 392	0.18 402	0.09 355	0.15 430	0.16 405	0.20 345	0.24 456	0.16 426	0.17 363	0.10 260	0.10 314	0.16 447	0.13 402	0.07 343	0.06 430	0.06 200	0.06 293	0.07 381	0.06 310
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HLF11	0.11 299	0.05 43	0.13 353	0.12 7	0.08 220	0.14 403	0.11 64	0.22 398	0.10 77	0.12 309	0.23 459	0.11 291	0.11 351	0.14 385	0.13 402	0.08 426	0.05 276	0.05 50	0.04 60	0.08 450	0.08 471

TestStereo-Hl	0.11 299	0.06 117	0.11 252	0.13 22	0.08 220	0.15 430	0.14 246	0.20 345	0.17 321	0.13 343	0.16 339	0.12 313	0.11 351	0.14 385	0.13 402	0.06 168	0.04 25	0.05 50	0.05 192	0.06 293	0.06 310

MultiAttention	0.29 647	0.08 358	0.14 392	0.19 472	0.12 554	1.45 715	1.33 719	0.36 626	0.37 589	0.19 492	0.21 438	0.24 526	0.11 351	0.38 661	0.18 526	0.06 168	0.05 276	0.08 406	0.08 467	0.10 548	0.09 517

depthmonostereo	0.09 176	0.06 117	0.09 123	0.15 124	0.06 28	0.10 202	0.13 179	0.14 146	0.14 225	0.10 230	0.10 197	0.09 223	0.11 351	0.08 25	0.09 104	0.06 168	0.05 276	0.06 200	0.04 60	0.04 48	0.03 2

MyStereo05	0.13 404	0.07 239	0.10 189	0.17 309	0.09 355	0.13 366	0.18 496	0.27 503	0.35 577	0.17 445	0.14 305	0.15 397	0.11 351	0.15 412	0.13 402	0.06 168	0.05 276	0.07 312	0.07 393	0.06 293	0.06 310

CoDeX	0.12 377	0.07 239	0.12 300	0.17 309	0.08 220	0.12 310	0.15 334	0.23 421	0.27 502	0.13 343	0.17 363	0.16 412	0.11 351	0.14 385	0.11 291	0.07 343	0.05 276	0.07 312	0.06 293	0.06 293	0.05 207

GMStereo_Zeroshot	0.16 509	0.13 576	0.24 585	0.20 540	0.10 469	0.17 485	0.13 179	0.29 537	0.25 478	0.23 559	0.32 572	0.25 540	0.11 351	0.19 519	0.14 445	0.09 488	0.06 430	0.11 572	0.06 293	0.12 586	0.08 471

MIF-Stereo (partial)	0.11 299	0.06 117	0.10 189	0.19 472	0.10 469	0.10 202	0.11 64	0.17 267	0.18 354	0.14 370	0.16 339	0.09 223	0.11 351	0.12 295	0.12 355	0.08 426	0.05 276	0.08 406	0.07 393	0.06 293	0.07 400

riskmin	0.11 299	0.06 117	0.13 353	0.14 70	0.08 220	0.14 403	0.14 246	0.18 302	0.14 225	0.11 266	0.14 305	0.16 412	0.11 351	0.14 385	0.12 355	0.09 488	0.05 276	0.07 312	0.05 192	0.08 450	0.08 471

fff	0.10 246	0.06 117	0.12 300	0.15 124	0.07 134	0.09 139	0.17 447	0.16 228	0.20 397	0.13 343	0.16 339	0.10 260	0.11 351	0.11 199	0.12 355	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.05 207

Sa-1000	0.12 377	0.08 358	0.08 57	0.18 402	0.08 220	0.14 403	0.22 591	0.22 398	0.18 354	0.15 397	0.20 414	0.17 434	0.11 351	0.10 124	0.10 208	0.06 168	0.05 276	0.09 492	0.09 514	0.05 170	0.05 207

SA	0.12 377	0.09 440	0.08 57	0.18 402	0.08 220	0.12 310	0.24 615	0.23 421	0.18 354	0.17 445	0.27 526	0.14 368	0.11 351	0.11 199	0.11 291	0.05 51	0.05 276	0.09 492	0.08 467	0.05 170	0.04 73

CrosDoStereo	0.12 377	0.06 117	0.12 300	0.14 70	0.08 220	0.12 310	0.15 334	0.17 267	0.22 427	0.19 492	0.24 472	0.15 397	0.11 351	0.11 199	0.12 355	0.06 168	0.04 25	0.07 312	0.07 393	0.05 170	0.05 207

LCNet	0.11 299	0.07 239	0.09 123	0.19 472	0.09 355	0.08 85	0.15 334	0.21 372	0.15 252	0.11 266	0.15 326	0.16 412	0.11 351	0.12 295	0.11 291	0.05 51	0.04 25	0.08 406	0.07 393	0.06 293	0.15 636

TransformOpticalFlow	0.10 246	0.08 358	0.13 353	0.18 402	0.07 134	0.09 139	0.15 334	0.19 333	0.15 252	0.12 309	0.17 363	0.11 291	0.11 351	0.11 199	0.10 208	0.05 51	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

NF-Stereo	0.11 299	0.07 239	0.13 353	0.17 309	0.09 355	0.10 202	0.14 246	0.23 421	0.19 373	0.12 309	0.17 363	0.12 313	0.11 351	0.11 199	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.12 588

OCTAStereo	0.11 299	0.07 239	0.13 353	0.17 309	0.09 355	0.10 202	0.14 246	0.23 421	0.19 373	0.12 309	0.17 363	0.12 313	0.11 351	0.11 199	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.12 588

PSM-softLoss	0.12 377	0.07 239	0.15 441	0.17 309	0.09 355	0.08 85	0.13 179	0.24 445	0.17 321	0.14 370	0.19 402	0.13 346	0.11 351	0.11 199	0.11 291	0.07 343	0.05 276	0.08 406	0.07 393	0.06 293	0.12 588

KMStereo	0.12 377	0.07 239	0.15 441	0.17 309	0.09 355	0.08 85	0.13 179	0.24 445	0.17 321	0.14 370	0.19 402	0.13 346	0.11 351	0.11 199	0.11 291	0.07 343	0.05 276	0.08 406	0.07 393	0.06 293	0.12 588

PSM-AAD	0.11 299	0.07 239	0.10 189	0.19 472	0.09 355	0.10 202	0.15 334	0.20 345	0.13 192	0.12 309	0.14 305	0.18 448	0.11 351	0.11 199	0.10 208	0.05 51	0.05 276	0.09 492	0.08 467	0.06 293	0.14 629

DeepStereo_LL	0.12 377	0.06 117	0.12 300	0.14 70	0.08 220	0.12 310	0.15 334	0.17 267	0.22 427	0.19 492	0.24 472	0.15 397	0.11 351	0.11 199	0.12 355	0.06 168	0.04 25	0.07 312	0.07 393	0.05 170	0.05 207

PFNet	0.12 377	0.06 117	0.17 508	0.17 309	0.08 220	0.09 139	0.15 334	0.26 482	0.20 397	0.16 426	0.16 339	0.14 368	0.11 351	0.12 295	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.05 170	0.05 207

GrayStereo	0.11 299	0.06 117	0.11 252	0.19 472	0.09 355	0.09 139	0.16 405	0.18 302	0.17 321	0.14 370	0.17 363	0.17 434	0.11 351	0.12 295	0.11 291	0.05 51	0.05 276	0.07 312	0.06 293	0.05 170	0.10 548

RE-Stereo	0.11 299	0.07 239	0.13 353	0.17 309	0.09 355	0.10 202	0.14 246	0.23 421	0.19 373	0.12 309	0.17 363	0.12 313	0.11 351	0.11 199	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.12 588

TVStereo	0.11 299	0.07 239	0.13 353	0.17 309	0.09 355	0.10 202	0.14 246	0.23 421	0.19 373	0.12 309	0.17 363	0.12 313	0.11 351	0.11 199	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.12 588

GMM-Stereo	0.11 299	0.07 239	0.10 189	0.18 402	0.09 355	0.08 85	0.15 334	0.23 421	0.16 291	0.11 266	0.15 326	0.13 346	0.11 351	0.11 199	0.11 291	0.05 51	0.04 25	0.08 406	0.07 393	0.06 293	0.09 517

s12784h	0.09 176	0.06 117	0.07 11	0.15 124	0.05 2	0.16 462	0.18 496	0.15 188	0.15 252	0.10 230	0.11 248	0.11 291	0.11 351	0.10 124	0.12 355	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

DCANet	0.10 246	0.06 117	0.12 300	0.16 222	0.06 28	0.09 139	0.17 447	0.15 188	0.19 373	0.13 343	0.17 363	0.10 260	0.11 351	0.11 199	0.12 355	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

csc	0.10 246	0.06 117	0.12 300	0.15 124	0.07 134	0.09 139	0.17 447	0.16 228	0.20 397	0.13 343	0.16 339	0.10 260	0.11 351	0.11 199	0.12 355	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.05 207

cscssc	0.10 246	0.06 117	0.12 300	0.15 124	0.07 134	0.09 139	0.17 447	0.16 228	0.20 397	0.13 343	0.16 339	0.10 260	0.11 351	0.11 199	0.12 355	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.05 207

111	0.10 246	0.06 117	0.12 300	0.15 124	0.07 134	0.10 202	0.14 246	0.21 372	0.23 439	0.11 266	0.12 270	0.14 368	0.11 351	0.13 351	0.10 208	0.06 168	0.04 25	0.06 200	0.04 60	0.05 170	0.05 207

ARAFT	0.12 377	0.08 358	0.17 508	0.19 472	0.09 355	0.14 403	0.18 496	0.20 345	0.12 149	0.12 309	0.13 289	0.14 368	0.11 351	0.15 412	0.12 355	0.06 168	0.05 276	0.10 541	0.09 514	0.05 170	0.04 73

HITNet	0.10 246	0.06 117	0.12 300	0.14 70	0.06 28	0.11 256	0.10 35	0.18 302	0.18 354	0.13 343	0.16 339	0.14 368	0.11 351	0.15 412	0.13 402	0.06 168	0.04 25	0.04 1	0.04 60	0.06 293	0.05 207
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
SME	0.11 299	0.09 440	0.10 189	0.17 309	0.07 134	0.20 544	0.13 179	0.21 372	0.17 321	0.12 309	0.13 289	0.10 260	0.12 384	0.13 351	0.13 402	0.07 343	0.07 503	0.08 406	0.09 514	0.06 293	0.05 207

TestStereo_HL3	0.11 299	0.05 43	0.16 477	0.13 22	0.07 134	0.12 310	0.11 64	0.20 345	0.09 52	0.15 397	0.30 559	0.13 346	0.12 384	0.16 447	0.11 291	0.07 343	0.05 276	0.05 50	0.05 192	0.06 293	0.07 400

IGEV_i1	0.12 377	0.07 239	0.12 300	0.16 222	0.08 220	0.19 528	0.14 246	0.18 302	0.22 427	0.18 475	0.18 391	0.16 412	0.12 384	0.16 447	0.14 445	0.06 168	0.05 276	0.06 200	0.05 192	0.06 293	0.06 310

Hybrid-DGEV-2	0.11 299	0.06 117	0.12 300	0.18 402	0.09 355	0.09 139	0.13 179	0.28 523	0.29 524	0.11 266	0.11 248	0.09 223	0.12 384	0.12 295	0.09 104	0.06 168	0.05 276	0.07 312	0.07 393	0.05 170	0.05 207

FlowAnything_test	0.11 299	0.08 358	0.14 392	0.15 124	0.09 355	0.07 43	0.14 246	0.20 345	0.11 110	0.09 183	0.09 161	0.12 313	0.12 384	0.13 351	0.11 291	0.09 488	0.06 430	0.09 492	0.09 514	0.06 293	0.09 517

xyz-stereo-finetune2	0.11 299	0.07 239	0.13 353	0.13 22	0.07 134	0.11 256	0.19 536	0.17 267	0.12 149	0.15 397	0.15 326	0.17 434	0.12 384	0.13 351	0.11 291	0.05 51	0.04 25	0.07 312	0.05 192	0.04 48	0.06 310

DFGA-Net	0.13 404	0.11 530	0.18 532	0.17 309	0.10 469	0.12 310	0.13 179	0.22 398	0.25 478	0.16 426	0.16 339	0.13 346	0.12 384	0.16 447	0.14 445	0.07 343	0.05 276	0.08 406	0.07 393	0.05 170	0.05 207

DDVS	0.15 486	0.10 503	0.21 566	0.16 222	0.12 554	0.15 430	0.14 246	0.25 464	0.19 373	0.18 475	0.29 552	0.27 558	0.12 384	0.19 519	0.15 477	0.09 488	0.06 430	0.09 492	0.07 393	0.11 571	0.11 575

rvit_0105_6	0.14 441	0.09 440	0.18 532	0.17 309	0.10 469	0.10 202	0.16 405	0.19 333	0.26 492	0.12 309	0.18 391	0.17 434	0.12 384	0.18 504	0.12 355	0.15 632	0.11 603	0.12 592	0.10 556	0.09 515	0.06 310

rvit_0105_5	0.14 441	0.09 440	0.13 353	0.17 309	0.09 355	0.14 403	0.23 602	0.24 445	0.27 502	0.14 370	0.15 326	0.18 448	0.12 384	0.17 481	0.14 445	0.14 628	0.11 603	0.10 541	0.10 556	0.08 450	0.06 310

GCST	0.37 665	0.42 685	0.26 593	1.02 711	0.39 685	0.18 504	0.08 7	0.20 345	0.17 321	0.28 608	0.25 500	0.15 397	0.12 384	0.16 447	0.14 445	0.64 706	0.43 695	0.75 702	0.65 706	0.63 699	0.46 698

plain	0.10 246	0.08 358	0.10 189	0.19 472	0.09 355	0.10 202	0.15 334	0.14 146	0.13 192	0.13 343	0.15 326	0.09 223	0.12 384	0.13 351	0.12 355	0.07 343	0.05 276	0.09 492	0.06 293	0.06 293	0.06 310

PCWNet_CMD	0.14 441	0.08 358	0.15 441	0.17 309	0.09 355	0.14 403	0.14 246	0.29 537	0.36 582	0.14 370	0.20 414	0.21 484	0.12 384	0.17 481	0.13 402	0.07 343	0.05 276	0.07 312	0.07 393	0.07 381	0.07 400

ADStereo(finetuned)	0.10 246	0.06 117	0.12 300	0.16 222	0.06 28	0.09 139	0.17 447	0.15 188	0.19 373	0.13 343	0.17 363	0.10 260	0.12 384	0.11 199	0.12 355	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

GMOStereo	0.11 299	0.09 440	0.07 11	0.19 472	0.08 220	0.12 310	0.28 653	0.13 115	0.17 321	0.11 266	0.17 363	0.14 368	0.12 384	0.07 4	0.07 1	0.05 51	0.05 276	0.09 492	0.07 393	0.04 48	0.04 73

error version	0.11 299	0.09 440	0.07 11	0.19 472	0.08 220	0.12 310	0.28 653	0.13 115	0.17 321	0.11 266	0.17 363	0.14 368	0.12 384	0.07 4	0.07 1	0.05 51	0.05 276	0.09 492	0.07 393	0.04 48	0.04 73

test-v	0.11 299	0.09 440	0.07 11	0.19 472	0.08 220	0.12 310	0.28 653	0.13 115	0.17 321	0.11 266	0.17 363	0.14 368	0.12 384	0.07 4	0.07 1	0.05 51	0.05 276	0.09 492	0.07 393	0.04 48	0.04 73

GANet-ADL	0.13 404	0.07 239	0.15 441	0.17 309	0.10 469	0.18 504	0.15 334	0.30 551	0.20 397	0.13 343	0.18 391	0.19 463	0.12 384	0.16 447	0.13 402	0.08 426	0.06 430	0.06 200	0.05 192	0.07 381	0.08 471

Patchmatch Stereo++	0.11 299	0.09 440	0.16 477	0.18 402	0.08 220	0.06 14	0.11 64	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400
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
OMP-Stereo	0.11 299	0.06 117	0.14 392	0.18 402	0.08 220	0.09 139	0.12 100	0.21 372	0.21 413	0.13 343	0.14 305	0.11 291	0.12 384	0.11 199	0.13 402	0.06 168	0.04 25	0.07 312	0.06 293	0.05 170	0.04 73

IIG-Stereo	0.11 299	0.06 117	0.13 353	0.17 309	0.08 220	0.11 256	0.12 100	0.22 398	0.17 321	0.14 370	0.17 363	0.11 291	0.12 384	0.12 295	0.12 355	0.06 168	0.05 276	0.07 312	0.06 293	0.05 170	0.04 73

NRIStereo	0.11 299	0.08 358	0.14 392	0.18 402	0.08 220	0.10 202	0.14 246	0.16 228	0.15 252	0.12 309	0.14 305	0.13 346	0.12 384	0.13 351	0.10 208	0.06 168	0.04 25	0.07 312	0.06 293	0.06 293	0.07 400

PSM-adaLoss	0.11 299	0.09 440	0.16 477	0.18 402	0.08 220	0.06 14	0.12 100	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

FTStereo	0.12 377	0.06 117	0.14 392	0.18 402	0.09 355	0.07 43	0.15 334	0.21 372	0.18 354	0.12 309	0.24 472	0.12 313	0.12 384	0.13 351	0.13 402	0.05 51	0.05 276	0.07 312	0.06 293	0.06 293	0.10 548

ROB_FTStereo_v2	0.11 299	0.09 440	0.16 477	0.19 472	0.08 220	0.06 14	0.12 100	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

ROB_FTStereo	0.11 299	0.09 440	0.16 477	0.19 472	0.08 220	0.06 14	0.11 64	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

HUI-Stereo	0.11 299	0.09 440	0.16 477	0.18 402	0.08 220	0.06 14	0.12 100	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

SST-Stereo	0.10 246	0.07 239	0.15 441	0.18 402	0.09 355	0.06 14	0.12 100	0.17 267	0.11 110	0.15 397	0.17 363	0.13 346	0.12 384	0.10 124	0.11 291	0.06 168	0.04 25	0.09 492	0.06 293	0.06 293	0.05 207

THIR-Stereo	0.12 377	0.07 239	0.11 252	0.15 124	0.08 220	0.14 403	0.16 405	0.17 267	0.25 478	0.16 426	0.24 472	0.14 368	0.12 384	0.12 295	0.14 445	0.06 168	0.04 25	0.07 312	0.07 393	0.05 170	0.05 207

RAFT_R40	0.11 299	0.07 239	0.14 392	0.18 402	0.09 355	0.06 14	0.13 179	0.17 267	0.16 291	0.14 370	0.18 391	0.15 397	0.12 384	0.10 124	0.11 291	0.06 168	0.04 25	0.09 492	0.06 293	0.06 293	0.05 207

DeepStereo_RVC	0.11 299	0.08 358	0.16 477	0.18 402	0.08 220	0.08 85	0.12 100	0.17 267	0.12 149	0.13 343	0.14 305	0.12 313	0.12 384	0.12 295	0.11 291	0.06 168	0.04 25	0.07 312	0.06 293	0.07 381	0.08 471

iGMRVC	0.11 299	0.09 440	0.16 477	0.19 472	0.08 220	0.06 14	0.12 100	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

IRAFT_RVC	0.12 377	0.08 358	0.16 477	0.19 472	0.08 220	0.07 43	0.15 334	0.24 445	0.23 439	0.14 370	0.14 305	0.15 397	0.12 384	0.12 295	0.10 208	0.06 168	0.04 25	0.09 492	0.06 293	0.06 293	0.06 310

iRAFT	0.11 299	0.09 440	0.16 477	0.18 402	0.08 220	0.06 14	0.11 64	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

CRE-IMP	0.11 299	0.09 440	0.16 477	0.19 472	0.08 220	0.10 202	0.12 100	0.18 302	0.10 77	0.14 370	0.13 289	0.13 346	0.12 384	0.12 295	0.11 291	0.07 343	0.04 25	0.08 406	0.06 293	0.08 450	0.08 471

test-2	0.11 299	0.09 440	0.07 11	0.19 472	0.08 220	0.12 310	0.28 653	0.13 115	0.17 321	0.11 266	0.17 363	0.14 368	0.12 384	0.07 4	0.07 1	0.05 51	0.05 276	0.09 492	0.07 393	0.04 48	0.04 73

RAFT	0.13 404	0.09 440	0.11 252	0.18 402	0.08 220	0.15 430	0.24 615	0.20 345	0.19 373	0.21 530	0.21 438	0.17 434	0.12 384	0.16 447	0.09 104	0.06 168	0.07 503	0.10 541	0.09 514	0.05 170	0.05 207

RAFT-IKP	0.11 299	0.09 440	0.16 477	0.19 472	0.08 220	0.06 14	0.12 100	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400

TestStereo	0.13 404	0.14 588	0.11 252	0.23 614	0.08 220	0.15 430	0.21 581	0.20 345	0.23 439	0.14 370	0.24 472	0.16 412	0.12 384	0.16 447	0.14 445	0.05 51	0.06 430	0.08 406	0.06 293	0.09 515	0.05 207

FENet	0.13 404	0.08 358	0.12 300	0.16 222	0.08 220	0.14 403	0.15 334	0.22 398	0.23 439	0.17 445	0.23 459	0.16 412	0.12 384	0.14 385	0.15 477	0.08 426	0.05 276	0.08 406	0.08 467	0.07 381	0.07 400

DIP-Stereo	0.11 299	0.07 239	0.14 392	0.17 309	0.09 355	0.13 366	0.09 20	0.16 228	0.16 291	0.11 266	0.16 339	0.14 368	0.12 384	0.15 412	0.13 402	0.06 168	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 441	0.08 358	0.15 441	0.17 309	0.09 355	0.14 403	0.14 246	0.29 537	0.36 582	0.14 370	0.21 438	0.21 484	0.12 384	0.17 481	0.14 445	0.07 343	0.05 276	0.07 312	0.07 393	0.07 381	0.07 400

G2L-Stereo	0.14 441	0.07 239	0.13 353	0.17 309	0.09 355	0.13 366	0.12 100	0.27 503	0.22 427	0.16 426	0.27 526	0.21 484	0.13 426	0.17 481	0.18 526	0.09 488	0.08 535	0.08 406	0.07 393	0.07 381	0.07 400

rvit_0105_4	0.14 441	0.09 440	0.17 508	0.17 309	0.10 469	0.12 310	0.19 536	0.23 421	0.27 502	0.14 370	0.20 414	0.17 434	0.13 426	0.17 481	0.13 402	0.15 632	0.11 603	0.11 572	0.10 556	0.09 515	0.06 310

rvit_0105_3	0.15 486	0.09 440	0.14 392	0.19 472	0.12 554	0.15 430	0.25 631	0.25 464	0.29 524	0.15 397	0.17 363	0.20 475	0.13 426	0.17 481	0.14 445	0.13 614	0.11 603	0.12 592	0.14 626	0.07 381	0.06 310

UGAM	0.13 404	0.10 503	0.09 123	0.22 590	0.08 220	0.12 310	0.20 560	0.17 267	0.23 439	0.21 530	0.16 339	0.13 346	0.13 426	0.19 519	0.12 355	0.07 343	0.05 276	0.13 607	0.11 590	0.07 381	0.05 207

ffm	0.12 377	0.09 440	0.14 392	0.16 222	0.08 220	0.17 485	0.17 447	0.15 188	0.19 373	0.15 397	0.25 500	0.19 463	0.13 426	0.10 124	0.07 1	0.06 168	0.04 25	0.09 492	0.08 467	0.06 293	0.06 310

ff1	0.13 404	0.09 440	0.14 392	0.16 222	0.08 220	0.17 485	0.17 447	0.15 188	0.19 373	0.15 397	0.25 500	0.19 463	0.13 426	0.14 385	0.20 545	0.06 168	0.04 25	0.09 492	0.08 467	0.06 293	0.06 310

mmx	0.14 441	0.09 440	0.14 392	0.16 222	0.08 220	0.17 485	0.17 447	0.27 503	0.25 478	0.15 397	0.25 500	0.19 463	0.13 426	0.14 385	0.20 545	0.08 426	0.06 430	0.09 492	0.08 467	0.08 450	0.08 471

xxx	0.14 441	0.09 440	0.14 392	0.16 222	0.08 220	0.17 485	0.17 447	0.27 503	0.25 478	0.15 397	0.25 500	0.19 463	0.13 426	0.14 385	0.20 545	0.08 426	0.06 430	0.09 492	0.08 467	0.08 450	0.08 471

LL-Strereo	0.13 404	0.09 440	0.11 252	0.20 540	0.10 469	0.11 256	0.18 496	0.32 574	0.24 456	0.15 397	0.15 326	0.14 368	0.13 426	0.19 519	0.11 291	0.06 168	0.04 25	0.09 492	0.08 467	0.04 48	0.05 207

SDNR	0.19 556	0.08 358	0.19 544	0.16 222	0.12 554	0.77 700	0.14 246	0.25 464	0.32 549	0.19 492	0.24 472	0.19 463	0.13 426	0.19 519	0.15 477	0.16 648	0.18 661	0.14 621	0.11 590	0.08 450	0.11 575

BUS	0.14 441	0.09 440	0.14 392	0.22 590	0.10 469	0.19 528	0.14 246	0.34 603	0.19 373	0.17 445	0.22 450	0.16 412	0.13 426	0.15 412	0.13 402	0.08 426	0.06 430	0.10 541	0.09 514	0.07 381	0.07 400

NINENet	0.16 509	0.10 503	0.15 441	0.17 309	0.11 520	0.19 528	0.14 246	0.40 648	0.36 582	0.18 475	0.21 438	0.16 412	0.13 426	0.15 412	0.13 402	0.08 426	0.08 535	0.10 541	0.07 393	0.10 548	0.09 517

UDGNet	0.14 441	0.13 576	0.16 477	0.17 309	0.10 469	0.12 310	0.16 405	0.21 372	0.27 502	0.20 515	0.20 414	0.16 412	0.13 426	0.16 447	0.13 402	0.10 531	0.06 430	0.09 492	0.07 393	0.06 293	0.07 400

dad	0.17 530	0.20 638	0.20 556	0.16 222	0.11 520	0.20 544	0.18 496	0.21 372	0.28 517	0.30 622	0.24 472	0.29 577	0.13 426	0.19 519	0.16 493	0.18 655	0.09 568	0.11 572	0.09 514	0.11 571	0.07 400

GEStereo_RVC	0.17 530	0.12 548	0.15 441	0.22 590	0.11 520	0.19 528	0.17 447	0.32 574	0.48 636	0.20 515	0.25 500	0.17 434	0.13 426	0.21 561	0.16 493	0.10 531	0.06 430	0.08 406	0.07 393	0.09 515	0.08 471

CFNet_pseudo	0.14 441	0.08 358	0.15 441	0.16 222	0.09 355	0.13 366	0.14 246	0.27 503	0.34 568	0.14 370	0.21 438	0.22 502	0.13 426	0.18 504	0.14 445	0.07 343	0.05 276	0.08 406	0.06 293	0.07 381	0.07 400

GES	0.14 441	0.08 358	0.16 477	0.15 124	0.10 469	0.13 366	0.13 179	0.28 523	0.25 478	0.16 426	0.23 459	0.18 448	0.13 426	0.16 447	0.13 402	0.08 426	0.07 503	0.07 312	0.06 293	0.08 450	0.09 517

SFCPSM	0.13 404	0.07 239	0.14 392	0.17 309	0.09 355	0.15 430	0.16 405	0.28 523	0.27 502	0.14 370	0.17 363	0.12 313	0.13 426	0.14 385	0.11 291	0.08 426	0.05 276	0.07 312	0.07 393	0.07 381	0.06 310

ccs_rob	0.14 441	0.08 358	0.15 441	0.16 222	0.09 355	0.12 310	0.14 246	0.27 503	0.34 568	0.14 370	0.21 438	0.22 502	0.13 426	0.18 504	0.14 445	0.07 343	0.05 276	0.08 406	0.07 393	0.07 381	0.07 400

AdaStereo	0.15 486	0.11 530	0.15 441	0.18 402	0.09 355	0.20 544	0.11 64	0.32 574	0.28 517	0.20 515	0.23 459	0.20 475	0.13 426	0.19 519	0.14 445	0.12 588	0.05 276	0.10 541	0.07 393	0.09 515	0.07 400
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	0.14 441	0.08 358	0.15 441	0.16 222	0.08 220	0.16 462	0.12 100	0.25 464	0.35 577	0.21 530	0.29 552	0.24 526	0.13 426	0.14 385	0.14 445	0.06 168	0.05 276	0.06 200	0.04 60	0.09 515	0.08 471

MLCV	0.12 377	0.07 239	0.16 477	0.18 402	0.06 28	0.15 430	0.17 447	0.19 333	0.21 413	0.18 475	0.25 500	0.17 434	0.13 426	0.14 385	0.13 402	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

iResNet	0.13 404	0.10 503	0.18 532	0.19 472	0.08 220	0.13 366	0.18 496	0.20 345	0.26 492	0.15 397	0.23 459	0.15 397	0.13 426	0.14 385	0.14 445	0.06 168	0.04 25	0.06 200	0.05 192	0.06 293	0.05 207

DN-CSS_ROB	0.13 404	0.13 576	0.16 477	0.18 402	0.10 469	0.16 462	0.08 7	0.22 398	0.18 354	0.17 445	0.22 450	0.13 346	0.13 426	0.12 295	0.13 402	0.05 51	0.05 276	0.10 541	0.10 556	0.08 450	0.06 310

G2L-ROB	0.13 404	0.06 117	0.13 353	0.13 22	0.08 220	0.14 403	0.16 405	0.25 464	0.18 354	0.19 492	0.18 391	0.20 475	0.14 450	0.17 481	0.16 493	0.08 426	0.05 276	0.06 200	0.05 192	0.08 450	0.09 517

test_sample6	0.14 441	0.08 358	0.13 353	0.16 222	0.08 220	0.17 485	0.19 536	0.25 464	0.17 321	0.17 445	0.27 526	0.19 463	0.14 450	0.15 412	0.13 402	0.08 426	0.05 276	0.08 406	0.07 393	0.08 450	0.08 471

test_sample5	0.14 441	0.08 358	0.14 392	0.16 222	0.08 220	0.18 504	0.18 496	0.25 464	0.17 321	0.17 445	0.27 526	0.18 448	0.14 450	0.16 447	0.13 402	0.08 426	0.05 276	0.08 406	0.07 393	0.08 450	0.08 471

test_sample4	0.14 441	0.08 358	0.14 392	0.15 124	0.08 220	0.19 528	0.18 496	0.26 482	0.17 321	0.16 426	0.25 500	0.18 448	0.14 450	0.16 447	0.13 402	0.08 426	0.06 430	0.08 406	0.06 293	0.08 450	0.08 471

DualNet	0.14 441	0.08 358	0.14 392	0.16 222	0.08 220	0.18 504	0.18 496	0.25 464	0.17 321	0.17 445	0.27 526	0.18 448	0.14 450	0.16 447	0.13 402	0.08 426	0.05 276	0.08 406	0.07 393	0.08 450	0.08 471

CFNet_ucs	0.15 486	0.08 358	0.16 477	0.16 222	0.11 520	0.14 403	0.14 246	0.30 551	0.34 568	0.16 426	0.24 472	0.23 520	0.14 450	0.18 504	0.15 477	0.09 488	0.06 430	0.08 406	0.07 393	0.09 515	0.09 517

anonymousa	0.13 404	0.07 239	0.13 353	0.18 402	0.09 355	0.13 366	0.17 447	0.19 333	0.29 524	0.15 397	0.24 472	0.15 397	0.14 450	0.14 385	0.14 445	0.07 343	0.05 276	0.07 312	0.09 514	0.05 170	0.06 310

DCANet-4	0.10 246	0.06 117	0.12 300	0.16 222	0.06 28	0.09 139	0.17 447	0.18 302	0.19 373	0.13 343	0.16 339	0.09 223	0.14 450	0.11 199	0.12 355	0.06 168	0.04 25	0.05 50	0.04 60	0.04 48	0.05 207

GwcNet-ADL	0.13 404	0.08 358	0.14 392	0.20 540	0.09 355	0.11 256	0.20 560	0.30 551	0.24 456	0.13 343	0.14 305	0.18 448	0.14 450	0.13 351	0.14 445	0.07 343	0.05 276	0.06 200	0.05 192	0.07 381	0.06 310

AAGNet	0.11 299	0.07 239	0.16 477	0.19 472	0.09 355	0.08 85	0.13 179	0.18 302	0.13 192	0.16 426	0.21 438	0.13 346	0.14 450	0.11 199	0.14 445	0.06 168	0.04 25	0.09 492	0.06 293	0.06 293	0.05 207

DEmStereo	0.12 377	0.06 117	0.14 392	0.14 70	0.10 469	0.16 462	0.15 334	0.16 228	0.24 456	0.17 445	0.24 472	0.13 346	0.14 450	0.12 295	0.13 402	0.05 51	0.04 25	0.07 312	0.06 293	0.05 170	0.05 207

HCRNet	0.16 509	0.24 654	0.12 300	0.35 675	0.11 520	0.15 430	0.17 447	0.26 482	0.22 427	0.19 492	0.24 472	0.21 484	0.14 450	0.15 412	0.13 402	0.11 563	0.07 503	0.11 572	0.10 556	0.09 515	0.07 400

xxxx	0.15 486	0.07 239	0.14 392	0.14 70	0.08 220	0.23 587	0.18 496	0.31 563	0.19 373	0.14 370	0.28 540	0.22 502	0.14 450	0.15 412	0.26 621	0.09 488	0.05 276	0.07 312	0.07 393	0.08 450	0.07 400

PSMNet-RSSM	0.14 441	0.07 239	0.13 353	0.15 124	0.08 220	0.13 366	0.16 405	0.24 445	0.24 456	0.16 426	0.28 540	0.22 502	0.14 450	0.15 412	0.13 402	0.11 563	0.06 430	0.09 492	0.12 611	0.08 450	0.07 400

CFNet-ft	0.14 441	0.07 239	0.15 441	0.12 7	0.09 355	0.16 462	0.18 496	0.22 398	0.24 456	0.17 445	0.26 517	0.24 526	0.14 450	0.16 447	0.14 445	0.11 563	0.06 430	0.08 406	0.09 514	0.09 515	0.08 471

BEATNet_4x	0.12 377	0.08 358	0.14 392	0.18 402	0.07 134	0.15 430	0.07 3	0.22 398	0.18 354	0.16 426	0.19 402	0.18 448	0.14 450	0.16 447	0.15 477	0.07 343	0.05 276	0.05 50	0.05 192	0.06 293	0.06 310

HSM-Net_RVC	0.14 441	0.08 358	0.11 252	0.15 124	0.08 220	0.15 430	0.15 334	0.27 503	0.29 524	0.19 492	0.21 438	0.29 577	0.14 450	0.17 481	0.13 402	0.06 168	0.06 430	0.06 200	0.06 293	0.07 381	0.06 310
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 441	0.07 239	0.15 441	0.12 7	0.09 355	0.16 462	0.18 496	0.22 398	0.24 456	0.17 445	0.26 517	0.24 526	0.14 450	0.16 447	0.14 445	0.11 563	0.06 430	0.08 406	0.09 514	0.09 515	0.08 471

LiteMatch	0.09 176	0.06 117	0.10 189	0.16 222	0.07 134	0.09 139	0.15 334	0.13 115	0.08 25	0.06 25	0.07 65	0.06 42	0.15 468	0.10 124	0.14 445	0.07 343	0.04 25	0.06 200	0.06 293	0.06 293	0.06 310

Lsterematch	0.11 299	0.06 117	0.11 252	0.16 222	0.07 134	0.13 366	0.15 334	0.14 146	0.17 321	0.16 426	0.18 391	0.15 397	0.15 468	0.12 295	0.14 445	0.07 343	0.04 25	0.06 200	0.06 293	0.06 293	0.06 310

DCVSM-stereo	0.14 441	0.09 440	0.16 477	0.16 222	0.10 469	0.15 430	0.09 20	0.19 333	0.23 439	0.20 515	0.23 459	0.26 550	0.15 468	0.18 504	0.14 445	0.09 488	0.07 503	0.09 492	0.08 467	0.10 548	0.12 588

ACV-stereo	0.15 486	0.10 503	0.28 606	0.18 402	0.12 554	0.14 403	0.12 100	0.23 421	0.21 413	0.19 492	0.23 459	0.22 502	0.15 468	0.23 585	0.17 508	0.07 343	0.06 430	0.07 312	0.07 393	0.07 381	0.07 400

ITSA-stereo	0.15 486	0.10 503	0.14 392	0.19 472	0.08 220	0.12 310	0.14 246	0.30 551	0.49 643	0.17 445	0.19 402	0.22 502	0.15 468	0.17 481	0.16 493	0.10 531	0.06 430	0.08 406	0.08 467	0.08 450	0.08 471

rvit_stereo_0075_2	0.17 530	0.12 548	0.25 590	0.23 614	0.16 629	0.13 366	0.10 35	0.30 551	0.27 502	0.20 515	0.28 540	0.22 502	0.15 468	0.18 504	0.13 402	0.16 648	0.10 590	0.17 645	0.10 556	0.10 548	0.09 517

test_sample3	0.14 441	0.08 358	0.15 441	0.14 70	0.09 355	0.19 528	0.17 447	0.26 482	0.18 354	0.16 426	0.22 450	0.19 463	0.15 468	0.17 481	0.13 402	0.08 426	0.06 430	0.07 312	0.06 293	0.09 515	0.08 471

test_sample2	0.12 377	0.07 239	0.12 300	0.14 70	0.08 220	0.16 462	0.18 496	0.21 372	0.16 291	0.14 370	0.20 414	0.19 463	0.15 468	0.15 412	0.12 355	0.08 426	0.05 276	0.07 312	0.06 293	0.08 450	0.07 400

SMFormer	0.14 441	0.07 239	0.17 508	0.14 70	0.08 220	0.16 462	0.17 447	0.26 482	0.27 502	0.19 492	0.20 414	0.18 448	0.15 468	0.15 412	0.17 508	0.08 426	0.05 276	0.07 312	0.06 293	0.07 381	0.06 310

tta	0.14 441	0.07 239	0.17 508	0.14 70	0.08 220	0.16 462	0.17 447	0.26 482	0.27 502	0.19 492	0.20 414	0.18 448	0.15 468	0.15 412	0.17 508	0.08 426	0.05 276	0.07 312	0.06 293	0.06 293	0.06 310

qqq1	0.13 404	0.07 239	0.17 508	0.14 70	0.08 220	0.16 462	0.17 447	0.26 482	0.27 502	0.19 492	0.20 414	0.18 448	0.15 468	0.15 412	0.11 291	0.08 426	0.05 276	0.05 50	0.05 192	0.06 293	0.06 310

fff1	0.13 404	0.07 239	0.17 508	0.14 70	0.08 220	0.16 462	0.17 447	0.26 482	0.27 502	0.19 492	0.20 414	0.18 448	0.15 468	0.15 412	0.11 291	0.08 426	0.05 276	0.05 50	0.05 192	0.06 293	0.06 310

1111x	0.15 486	0.08 358	0.12 300	0.18 402	0.07 134	0.18 504	0.25 631	0.31 563	0.24 456	0.17 445	0.24 472	0.26 550	0.15 468	0.13 351	0.23 586	0.07 343	0.07 503	0.08 406	0.09 514	0.07 381	0.06 310

iinet-f	0.16 509	0.06 117	0.45 652	0.14 70	0.10 469	0.21 562	0.14 246	0.27 503	0.23 439	0.21 530	0.24 472	0.21 484	0.15 468	0.18 504	0.21 565	0.09 488	0.07 503	0.07 312	0.06 293	0.09 515	0.10 548

GASNet	0.22 590	0.23 651	0.33 626	0.26 640	0.17 644	0.26 613	0.16 405	0.44 665	0.42 617	0.27 593	0.24 472	0.30 587	0.15 468	0.27 606	0.18 526	0.12 588	0.08 535	0.12 592	0.11 590	0.16 645	0.07 400

CASS	0.13 404	0.12 548	0.11 252	0.23 614	0.09 355	0.15 430	0.17 447	0.18 302	0.19 373	0.17 445	0.18 391	0.15 397	0.15 468	0.14 385	0.14 445	0.09 488	0.06 430	0.10 541	0.08 467	0.09 515	0.07 400
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 544	0.09 440	0.29 614	0.15 124	0.10 469	0.22 571	0.20 560	0.26 482	0.39 600	0.25 581	0.42 641	0.24 526	0.15 468	0.20 544	0.19 539	0.07 343	0.05 276	0.06 200	0.05 192	0.10 548	0.09 517

test_5	0.14 441	0.12 548	0.08 57	0.20 540	0.10 469	0.14 403	0.29 663	0.21 372	0.24 456	0.18 475	0.28 540	0.11 291	0.15 468	0.12 295	0.13 402	0.06 168	0.05 276	0.07 312	0.08 467	0.08 450	0.07 400

CSP-Net	0.16 509	0.09 440	0.14 392	0.16 222	0.09 355	0.19 528	0.17 447	0.25 464	0.32 549	0.25 581	0.30 559	0.24 526	0.15 468	0.21 561	0.18 526	0.09 488	0.06 430	0.07 312	0.07 393	0.08 450	0.07 400

DAS	0.15 486	0.08 358	0.18 532	0.19 472	0.10 469	0.19 528	0.17 447	0.27 503	0.29 524	0.18 475	0.25 500	0.21 484	0.15 468	0.16 447	0.12 355	0.08 426	0.06 430	0.06 200	0.06 293	0.07 381	0.07 400

SepStereo	0.15 486	0.08 358	0.18 532	0.19 472	0.10 469	0.19 528	0.17 447	0.27 503	0.29 524	0.18 475	0.25 500	0.21 484	0.15 468	0.25 601	0.12 355	0.08 426	0.06 430	0.06 200	0.06 293	0.07 381	0.07 400

DRaft	0.12 377	0.06 117	0.11 252	0.14 70	0.09 355	0.14 403	0.17 447	0.21 372	0.30 534	0.17 445	0.28 540	0.10 260	0.15 468	0.10 124	0.12 355	0.05 51	0.04 25	0.07 312	0.06 293	0.05 170	0.05 207

GANet-RSSM	0.14 441	0.07 239	0.13 353	0.13 22	0.08 220	0.14 403	0.17 447	0.22 398	0.21 413	0.17 445	0.24 472	0.23 520	0.15 468	0.16 447	0.15 477	0.10 531	0.06 430	0.07 312	0.08 467	0.08 450	0.07 400

DSFCA	0.16 509	0.09 440	0.14 392	0.16 222	0.10 469	0.20 544	0.19 536	0.28 523	0.31 542	0.23 559	0.24 472	0.22 502	0.15 468	0.19 519	0.20 545	0.10 531	0.07 503	0.09 492	0.09 514	0.08 450	0.08 471

FADNet-RVC-Resample	0.16 509	0.11 530	0.31 619	0.22 590	0.11 520	0.19 528	0.14 246	0.25 464	0.24 456	0.24 568	0.27 526	0.20 475	0.15 468	0.16 447	0.15 477	0.07 343	0.08 535	0.12 592	0.10 556	0.09 515	0.10 548

UCFNet_RVC	0.14 441	0.08 358	0.13 353	0.11 1	0.10 469	0.20 544	0.10 35	0.24 445	0.22 427	0.17 445	0.20 414	0.23 520	0.15 468	0.17 481	0.15 477	0.12 588	0.07 503	0.10 541	0.13 622	0.11 571	0.10 548

iResNet_ROB	0.14 441	0.07 239	0.13 353	0.14 70	0.07 134	0.18 504	0.14 246	0.26 482	0.31 542	0.22 546	0.25 500	0.23 520	0.15 468	0.15 412	0.13 402	0.07 343	0.05 276	0.05 50	0.04 60	0.08 450	0.08 471

PWCDC_ROB	0.20 568	0.13 576	0.22 572	0.24 623	0.11 520	0.19 528	0.15 334	0.33 594	0.54 656	0.29 617	0.50 657	0.21 484	0.15 468	0.27 606	0.20 545	0.11 563	0.09 568	0.10 541	0.08 467	0.11 571	0.09 517

xyz-stereo	0.13 404	0.07 239	0.20 556	0.15 124	0.05 2	0.20 544	0.15 334	0.17 267	0.31 542	0.15 397	0.29 552	0.26 550	0.16 496	0.13 351	0.12 355	0.05 51	0.05 276	0.06 200	0.05 192	0.04 48	0.04 73

G2L-Stereo_test	0.14 441	0.07 239	0.11 252	0.13 22	0.08 220	0.12 310	0.16 405	0.30 551	0.28 517	0.20 515	0.23 459	0.20 475	0.16 496	0.17 481	0.18 526	0.07 343	0.05 276	0.05 50	0.05 192	0.07 381	0.06 310

FACV-RUCA	0.13 404	0.11 530	0.12 300	0.19 472	0.12 554	0.15 430	0.15 334	0.22 398	0.20 397	0.15 397	0.16 339	0.14 368	0.16 496	0.14 385	0.13 402	0.07 343	0.05 276	0.08 406	0.06 293	0.10 548	0.08 471

test_sample1	0.13 404	0.07 239	0.14 392	0.13 22	0.08 220	0.19 528	0.16 405	0.20 345	0.15 252	0.14 370	0.22 450	0.18 448	0.16 496	0.17 481	0.14 445	0.07 343	0.06 430	0.06 200	0.06 293	0.08 450	0.07 400

xx1	0.11 299	0.08 358	0.12 300	0.17 309	0.09 355	0.13 366	0.15 334	0.16 228	0.18 354	0.09 183	0.09 161	0.16 412	0.16 496	0.10 124	0.07 1	0.06 168	0.04 25	0.08 406	0.08 467	0.07 381	0.07 400

mmm	0.14 441	0.08 358	0.17 508	0.17 309	0.09 355	0.17 485	0.18 496	0.21 372	0.15 252	0.15 397	0.23 459	0.21 484	0.16 496	0.16 447	0.17 508	0.08 426	0.05 276	0.08 406	0.07 393	0.07 381	0.07 400

11t1	0.12 377	0.06 117	0.13 353	0.14 70	0.08 220	0.17 485	0.15 334	0.18 302	0.15 252	0.15 397	0.15 326	0.16 412	0.16 496	0.15 412	0.13 402	0.08 426	0.05 276	0.06 200	0.05 192	0.08 450	0.07 400

CBFPSM	0.14 441	0.06 117	0.26 593	0.17 309	0.09 355	0.13 366	0.15 334	0.22 398	0.23 439	0.20 515	0.27 526	0.24 526	0.16 496	0.16 447	0.18 526	0.06 168	0.06 430	0.06 200	0.07 393	0.07 381	0.07 400

gwcnet-sp	0.14 441	0.07 239	0.12 300	0.18 402	0.09 355	0.16 462	0.17 447	0.24 445	0.24 456	0.18 475	0.24 472	0.15 397	0.16 496	0.15 412	0.15 477	0.08 426	0.06 430	0.07 312	0.08 467	0.08 450	0.07 400

scenet	0.14 441	0.07 239	0.12 300	0.18 402	0.09 355	0.16 462	0.17 447	0.24 445	0.24 456	0.18 475	0.24 472	0.15 397	0.16 496	0.15 412	0.15 477	0.08 426	0.06 430	0.07 312	0.08 467	0.08 450	0.07 400

ssnet	0.14 441	0.07 239	0.12 300	0.18 402	0.09 355	0.16 462	0.17 447	0.24 445	0.24 456	0.18 475	0.24 472	0.15 397	0.16 496	0.15 412	0.15 477	0.08 426	0.06 430	0.07 312	0.08 467	0.08 450	0.07 400

qqq	0.13 404	0.09 440	0.15 441	0.16 222	0.08 220	0.13 366	0.15 334	0.23 421	0.16 291	0.15 397	0.19 402	0.16 412	0.16 496	0.15 412	0.16 493	0.07 343	0.06 430	0.08 406	0.08 467	0.07 381	0.07 400

BSDual-CNN	0.15 486	0.09 440	0.14 392	0.22 590	0.10 469	0.14 403	0.15 334	0.34 603	0.19 373	0.17 445	0.22 450	0.25 540	0.16 496	0.15 412	0.14 445	0.08 426	0.06 430	0.10 541	0.09 514	0.07 381	0.07 400

psmg	0.14 441	0.09 440	0.14 392	0.17 309	0.10 469	0.15 430	0.17 447	0.29 537	0.19 373	0.17 445	0.21 438	0.25 540	0.16 496	0.15 412	0.14 445	0.08 426	0.06 430	0.08 406	0.08 467	0.07 381	0.06 310

AASNet	0.16 509	0.08 358	0.12 300	0.19 472	0.09 355	0.18 504	0.15 334	0.37 632	0.37 589	0.19 492	0.23 459	0.20 475	0.16 496	0.17 481	0.20 545	0.10 531	0.08 535	0.08 406	0.07 393	0.09 515	0.09 517

PSMNet-ADL	0.15 486	0.12 548	0.13 353	0.22 590	0.09 355	0.13 366	0.20 560	0.26 482	0.23 439	0.18 475	0.20 414	0.24 526	0.16 496	0.18 504	0.17 508	0.08 426	0.08 535	0.08 406	0.11 590	0.08 450	0.07 400

ADLNet	0.16 509	0.08 358	0.15 441	0.16 222	0.10 469	0.16 462	0.17 447	0.32 574	0.27 502	0.22 546	0.27 526	0.24 526	0.16 496	0.18 504	0.21 565	0.10 531	0.06 430	0.10 541	0.10 556	0.08 450	0.09 517

222	0.16 509	0.07 239	0.14 392	0.14 70	0.08 220	0.24 592	0.18 496	0.30 551	0.20 397	0.17 445	0.28 540	0.17 434	0.16 496	0.15 412	0.40 677	0.10 531	0.05 276	0.07 312	0.06 293	0.07 381	0.08 471

test_xeample	0.15 486	0.06 117	0.13 353	0.14 70	0.08 220	0.21 562	0.20 560	0.28 523	0.20 397	0.16 426	0.29 552	0.19 463	0.16 496	0.15 412	0.26 621	0.09 488	0.05 276	0.07 312	0.07 393	0.07 381	0.07 400

ACVNet	0.15 486	0.09 440	0.15 441	0.13 22	0.12 554	0.14 403	0.20 560	0.22 398	0.33 556	0.17 445	0.26 517	0.21 484	0.16 496	0.17 481	0.21 565	0.07 343	0.06 430	0.06 200	0.06 293	0.08 450	0.06 310

cf-r	0.13 404	0.07 239	0.12 300	0.16 222	0.08 220	0.14 403	0.19 536	0.20 345	0.25 478	0.17 445	0.25 500	0.21 484	0.16 496	0.14 385	0.14 445	0.10 531	0.05 276	0.06 200	0.08 467	0.06 293	0.06 310

GwcNet-RSSM	0.14 441	0.07 239	0.12 300	0.15 124	0.08 220	0.15 430	0.20 560	0.21 372	0.27 502	0.18 475	0.27 526	0.22 502	0.16 496	0.14 385	0.15 477	0.10 531	0.05 276	0.07 312	0.09 514	0.07 381	0.07 400

HSM	0.15 486	0.08 358	0.14 392	0.16 222	0.09 355	0.16 462	0.14 246	0.28 523	0.25 478	0.19 492	0.23 459	0.37 632	0.16 496	0.20 544	0.15 477	0.07 343	0.05 276	0.07 312	0.06 293	0.07 381	0.06 310

z-ln-s-r	0.17 530	0.10 503	0.40 645	0.19 472	0.08 220	0.17 485	0.18 496	0.22 398	0.33 556	0.18 475	0.40 623	0.22 502	0.17 519	0.20 544	0.23 586	0.07 343	0.05 276	0.07 312	0.07 393	0.07 381	0.05 207

coex_refinement	0.14 441	0.07 239	0.12 300	0.17 309	0.10 469	0.15 430	0.15 334	0.26 482	0.29 524	0.18 475	0.20 414	0.22 502	0.17 519	0.16 447	0.18 526	0.08 426	0.05 276	0.06 200	0.06 293	0.09 515	0.08 471

ISRNet	0.18 544	0.08 358	0.19 544	0.19 472	0.13 577	0.15 430	0.12 100	0.30 551	0.32 549	0.21 530	0.25 500	0.27 558	0.17 519	0.17 481	0.20 545	0.20 664	0.08 535	0.14 621	0.14 626	0.14 620	0.17 656

rvit_105_1	0.19 556	0.11 530	0.25 590	0.21 573	0.16 629	0.21 562	0.27 647	0.31 563	0.41 609	0.19 492	0.20 414	0.22 502	0.17 519	0.19 519	0.17 508	0.12 588	0.12 619	0.13 607	0.15 643	0.08 450	0.07 400

DispNO	0.14 441	0.08 358	0.17 508	0.19 472	0.12 554	0.11 256	0.21 581	0.23 421	0.29 524	0.17 445	0.23 459	0.18 448	0.17 519	0.15 412	0.15 477	0.07 343	0.05 276	0.08 406	0.08 467	0.07 381	0.06 310

x	0.13 404	0.07 239	0.14 392	0.14 70	0.08 220	0.18 504	0.14 246	0.22 398	0.20 397	0.15 397	0.19 402	0.19 463	0.17 519	0.18 504	0.18 526	0.07 343	0.05 276	0.06 200	0.06 293	0.07 381	0.07 400

CRFU-Net	0.16 509	0.08 358	0.14 392	0.17 309	0.09 355	0.19 528	0.14 246	0.26 482	0.20 397	0.28 608	0.27 526	0.29 577	0.17 519	0.19 519	0.17 508	0.09 488	0.09 568	0.07 312	0.07 393	0.08 450	0.08 471

AACVNet	0.16 509	0.08 358	0.14 392	0.15 124	0.10 469	0.18 504	0.15 334	0.23 421	0.24 456	0.27 593	0.27 526	0.28 568	0.17 519	0.19 519	0.16 493	0.09 488	0.07 503	0.09 492	0.07 393	0.10 548	0.09 517

LMCR-Stereo	0.15 486	0.08 358	0.13 353	0.21 573	0.09 355	0.17 485	0.20 560	0.27 503	0.19 373	0.24 568	0.24 472	0.23 520	0.17 519	0.20 544	0.17 508	0.07 343	0.06 430	0.08 406	0.06 293	0.10 548	0.08 471

acv_ft	0.15 486	0.09 440	0.15 441	0.19 472	0.10 469	0.16 462	0.17 447	0.25 464	0.33 556	0.19 492	0.26 517	0.21 484	0.17 519	0.17 481	0.18 526	0.07 343	0.06 430	0.06 200	0.06 293	0.08 450	0.06 310

CCAANet	0.14 441	0.06 117	0.14 392	0.17 309	0.09 355	0.16 462	0.13 179	0.30 551	0.24 456	0.16 426	0.32 572	0.18 448	0.17 519	0.17 481	0.14 445	0.06 168	0.05 276	0.09 492	0.09 514	0.06 293	0.09 517

FADNet_RVC	0.16 509	0.14 588	0.40 645	0.20 540	0.11 520	0.13 366	0.13 179	0.26 482	0.22 427	0.21 530	0.23 459	0.20 475	0.17 519	0.14 385	0.16 493	0.08 426	0.08 535	0.12 592	0.09 514	0.11 571	0.10 548

CFNet	0.15 486	0.10 503	0.17 508	0.17 309	0.08 220	0.18 504	0.09 20	0.28 523	0.25 478	0.19 492	0.24 472	0.24 526	0.17 519	0.17 481	0.14 445	0.08 426	0.06 430	0.09 492	0.10 556	0.07 381	0.06 310

NLCA_NET_v2_RVC	0.17 530	0.10 503	0.22 572	0.20 540	0.10 469	0.15 430	0.18 496	0.31 563	0.25 478	0.21 530	0.30 559	0.25 540	0.17 519	0.21 561	0.20 545	0.09 488	0.06 430	0.08 406	0.08 467	0.07 381	0.08 471
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 530	0.12 548	0.15 441	0.20 540	0.09 355	0.18 504	0.18 496	0.26 482	0.23 439	0.26 587	0.40 623	0.22 502	0.17 519	0.21 561	0.20 545	0.08 426	0.05 276	0.09 492	0.10 556	0.07 381	0.07 400
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 568	0.12 548	0.19 544	0.20 540	0.14 598	0.26 613	0.23 602	0.32 574	0.34 568	0.27 593	0.34 589	0.30 587	0.18 534	0.18 504	0.22 574	0.10 531	0.13 634	0.10 541	0.10 556	0.08 450	0.09 517

YMNet_1	0.20 568	0.12 548	0.19 544	0.20 540	0.14 598	0.26 613	0.23 602	0.32 574	0.34 568	0.27 593	0.34 589	0.30 587	0.18 534	0.18 504	0.22 574	0.10 531	0.13 634	0.10 541	0.10 556	0.08 450	0.09 517

ssnet_v2	0.17 530	0.10 503	0.17 508	0.17 309	0.11 520	0.21 562	0.21 581	0.33 594	0.25 478	0.22 546	0.22 450	0.27 558	0.18 534	0.22 574	0.20 545	0.11 563	0.09 568	0.09 492	0.09 514	0.08 450	0.08 471

Wz-Net-LNSev	0.22 590	0.16 606	0.38 641	0.21 573	0.13 577	0.25 603	0.23 602	0.32 574	0.43 622	0.30 622	0.41 634	0.31 600	0.18 534	0.22 574	0.25 609	0.10 531	0.09 568	0.08 406	0.08 467	0.12 586	0.11 575

hknet	0.15 486	0.11 530	0.13 353	0.22 590	0.11 520	0.14 403	0.15 334	0.34 603	0.25 478	0.17 445	0.22 450	0.22 502	0.18 534	0.17 481	0.12 355	0.07 343	0.06 430	0.10 541	0.09 514	0.07 381	0.07 400

ADLNet2	0.16 509	0.09 440	0.13 353	0.16 222	0.09 355	0.20 544	0.16 405	0.31 563	0.39 600	0.16 426	0.20 414	0.20 475	0.18 534	0.21 561	0.22 574	0.08 426	0.06 430	0.07 312	0.07 393	0.09 515	0.07 400

ICVP	0.15 486	0.09 440	0.12 300	0.22 590	0.09 355	0.17 485	0.21 581	0.25 464	0.23 439	0.18 475	0.30 559	0.26 550	0.18 534	0.17 481	0.14 445	0.09 488	0.07 503	0.08 406	0.07 393	0.07 381	0.07 400
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 509	0.08 358	0.15 441	0.18 402	0.10 469	0.22 571	0.18 496	0.24 445	0.21 413	0.18 475	0.24 472	0.29 577	0.18 534	0.19 519	0.22 574	0.09 488	0.07 503	0.08 406	0.09 514	0.07 381	0.06 310

HGLStereo	0.17 530	0.08 358	0.19 544	0.17 309	0.12 554	0.18 504	0.18 496	0.31 563	0.32 549	0.21 530	0.32 572	0.25 540	0.18 534	0.19 519	0.20 545	0.09 488	0.09 568	0.07 312	0.07 393	0.09 515	0.10 548

DMCA	0.14 441	0.09 440	0.16 477	0.19 472	0.09 355	0.15 430	0.17 447	0.23 421	0.27 502	0.14 370	0.19 402	0.17 434	0.18 534	0.15 412	0.17 508	0.10 531	0.06 430	0.08 406	0.06 293	0.09 515	0.10 548

STTStereo	0.18 544	0.12 548	0.27 601	0.20 540	0.11 520	0.16 462	0.21 581	0.29 537	0.23 439	0.21 530	0.30 559	0.29 577	0.18 534	0.20 544	0.19 539	0.12 588	0.11 603	0.11 572	0.14 626	0.09 515	0.08 471

RASNet	0.14 441	0.07 239	0.14 392	0.16 222	0.08 220	0.18 504	0.14 246	0.29 537	0.20 397	0.17 445	0.25 500	0.21 484	0.18 534	0.20 544	0.19 539	0.07 343	0.06 430	0.06 200	0.08 467	0.06 293	0.06 310

TDLM	0.17 530	0.12 548	0.13 353	0.24 623	0.10 469	0.18 504	0.18 496	0.36 626	0.30 534	0.21 530	0.28 540	0.28 568	0.18 534	0.23 585	0.18 526	0.11 563	0.07 503	0.10 541	0.10 556	0.08 450	0.08 471

CVANet_RVC	0.18 544	0.10 503	0.14 392	0.21 573	0.10 469	0.18 504	0.17 447	0.34 603	0.33 556	0.22 546	0.31 568	0.28 568	0.18 534	0.23 585	0.17 508	0.12 588	0.08 535	0.12 592	0.11 590	0.09 515	0.07 400

DeepPruner_ROB	0.16 509	0.11 530	0.15 441	0.17 309	0.10 469	0.17 485	0.15 334	0.32 574	0.21 413	0.19 492	0.21 438	0.22 502	0.18 534	0.20 544	0.15 477	0.13 614	0.09 568	0.09 492	0.09 514	0.11 571	0.10 548

pmcnn	0.15 486	0.07 239	0.19 544	0.15 124	0.07 134	0.20 544	0.15 334	0.24 445	0.26 492	0.21 530	0.34 589	0.28 568	0.18 534	0.18 504	0.17 508	0.07 343	0.05 276	0.05 50	0.04 60	0.07 381	0.06 310

TCMNet	0.19 556	0.12 548	0.19 544	0.20 540	0.18 651	0.20 544	0.24 615	0.27 503	0.36 582	0.23 559	0.26 517	0.25 540	0.19 550	0.19 519	0.23 586	0.13 614	0.11 603	0.11 572	0.12 611	0.13 606	0.12 588

DualNet (step1)	0.16 509	0.12 548	0.20 556	0.12 7	0.14 598	0.17 485	0.13 179	0.27 503	0.23 439	0.20 515	0.20 414	0.24 526	0.19 550	0.16 447	0.16 493	0.15 632	0.06 430	0.14 621	0.14 626	0.14 620	0.12 588

test_sample9	0.18 544	0.12 548	0.20 556	0.12 7	0.14 598	0.17 485	0.13 179	0.27 503	0.23 439	0.20 515	0.20 414	0.24 526	0.19 550	0.19 519	0.17 508	0.15 632	0.30 687	0.14 621	0.14 626	0.14 620	0.12 588

test_sample7	0.15 486	0.10 503	0.16 477	0.14 70	0.11 520	0.16 462	0.16 405	0.27 503	0.23 439	0.20 515	0.20 414	0.24 526	0.19 550	0.16 447	0.16 493	0.12 588	0.06 430	0.10 541	0.09 514	0.10 548	0.10 548

Wz-Net-MNSev	0.22 590	0.13 576	0.31 619	0.20 540	0.14 598	0.36 660	0.24 615	0.33 594	0.44 627	0.28 608	0.40 623	0.38 636	0.19 550	0.24 595	0.25 609	0.09 488	0.07 503	0.09 492	0.09 514	0.12 586	0.10 548

pcwnet_v2	0.19 556	0.10 503	0.26 593	0.17 309	0.14 598	0.18 504	0.15 334	0.37 632	0.46 634	0.19 492	0.24 472	0.21 484	0.19 550	0.20 544	0.19 539	0.13 614	0.10 590	0.10 541	0.10 556	0.11 571	0.13 612

delet	0.17 530	0.08 358	0.17 508	0.19 472	0.11 520	0.20 544	0.21 581	0.30 551	0.37 589	0.17 445	0.26 517	0.19 463	0.19 550	0.19 519	0.21 565	0.08 426	0.08 535	0.09 492	0.11 590	0.06 293	0.06 310

UNet	0.17 530	0.09 440	0.18 532	0.19 472	0.12 554	0.27 623	0.19 536	0.33 594	0.29 524	0.21 530	0.24 472	0.23 520	0.19 550	0.19 519	0.18 526	0.07 343	0.06 430	0.08 406	0.07 393	0.08 450	0.06 310

UPFNet	0.16 509	0.08 358	0.12 300	0.20 540	0.12 554	0.20 544	0.23 602	0.28 523	0.26 492	0.17 445	0.24 472	0.22 502	0.19 550	0.19 519	0.21 565	0.09 488	0.07 503	0.08 406	0.09 514	0.08 450	0.06 310

NVstereo2D	0.19 556	0.10 503	0.15 441	0.17 309	0.15 618	0.28 630	0.23 602	0.44 665	0.42 617	0.15 397	0.27 526	0.25 540	0.19 550	0.22 574	0.17 508	0.09 488	0.06 430	0.10 541	0.08 467	0.15 636	0.09 517

StereoDRNet	0.18 544	0.11 530	0.17 508	0.22 590	0.11 520	0.21 562	0.22 591	0.37 632	0.33 556	0.24 568	0.28 540	0.30 587	0.19 550	0.20 544	0.20 545	0.09 488	0.08 535	0.11 572	0.09 514	0.09 515	0.07 400

SGM-Forest	0.20 568	0.14 588	0.18 532	0.19 472	0.13 577	0.20 544	0.22 591	0.33 594	0.30 534	0.24 568	0.29 552	0.28 568	0.19 550	0.23 585	0.17 508	0.15 632	0.16 654	0.15 633	0.14 626	0.12 586	0.12 588
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 544	0.11 530	0.19 544	0.19 472	0.12 554	0.24 592	0.21 581	0.25 464	0.34 568	0.22 546	0.34 589	0.27 558	0.20 562	0.21 561	0.23 586	0.09 488	0.09 568	0.08 406	0.10 556	0.08 450	0.07 400

IER	0.14 441	0.07 239	0.13 353	0.17 309	0.09 355	0.14 403	0.16 405	0.25 464	0.26 492	0.18 475	0.25 500	0.17 434	0.20 562	0.16 447	0.14 445	0.08 426	0.05 276	0.07 312	0.06 293	0.08 450	0.07 400

MMNet	0.17 530	0.09 440	0.16 477	0.20 540	0.11 520	0.27 623	0.20 560	0.25 464	0.41 609	0.22 546	0.30 559	0.21 484	0.20 562	0.17 481	0.20 545	0.06 168	0.06 430	0.07 312	0.07 393	0.08 450	0.07 400

GwcNet	0.20 568	0.13 576	0.19 544	0.18 402	0.12 554	0.24 592	0.19 536	0.35 619	0.43 622	0.20 515	0.32 572	0.33 614	0.20 562	0.22 574	0.24 599	0.11 563	0.09 568	0.09 492	0.09 514	0.09 515	0.10 548

DGSMNet	0.24 613	0.19 632	0.33 626	0.21 573	0.24 669	0.24 592	0.20 560	0.35 619	0.41 609	0.24 568	0.32 572	0.38 636	0.21 566	0.29 625	0.23 586	0.12 588	0.11 603	0.14 621	0.16 648	0.23 666	0.23 671

FADNet-RVC	0.20 568	0.20 638	0.38 641	0.21 573	0.16 629	0.20 544	0.15 334	0.26 482	0.26 492	0.26 587	0.32 572	0.26 550	0.21 566	0.22 574	0.19 539	0.12 588	0.13 634	0.12 592	0.14 626	0.13 606	0.18 659

FADNet	0.21 581	0.22 648	0.36 635	0.18 402	0.17 644	0.24 592	0.13 179	0.31 563	0.31 542	0.23 559	0.25 500	0.27 558	0.21 566	0.19 519	0.15 477	0.13 614	0.15 650	0.12 592	0.15 643	0.16 645	0.18 659

MaskLacGwcNet_RVC	0.22 590	0.21 644	0.24 585	0.26 640	0.11 520	0.23 587	0.14 246	0.39 644	0.24 456	0.32 634	0.36 597	0.30 587	0.21 566	0.19 519	0.21 565	0.17 653	0.14 644	0.21 659	0.16 648	0.12 586	0.12 588

SuperB	0.20 568	0.10 503	0.56 668	0.16 222	0.09 355	0.18 504	0.18 496	0.24 445	0.50 646	0.26 587	0.39 617	0.17 434	0.21 566	0.22 574	0.21 565	0.08 426	0.06 430	0.06 200	0.06 293	0.12 586	0.10 548

RTSC	0.23 606	0.12 548	0.28 606	0.21 573	0.13 577	0.28 630	0.16 405	0.35 619	0.66 682	0.27 593	0.33 585	0.30 587	0.21 566	0.31 629	0.29 641	0.10 531	0.08 535	0.09 492	0.10 556	0.13 606	0.13 612

AANet_RVC	0.16 509	0.10 503	0.10 189	0.18 402	0.09 355	0.18 504	0.19 536	0.26 482	0.31 542	0.22 546	0.35 594	0.21 484	0.21 566	0.22 574	0.16 493	0.06 168	0.05 276	0.06 200	0.06 293	0.07 381	0.06 310

DRN-Test	0.19 556	0.11 530	0.20 556	0.22 590	0.10 469	0.22 571	0.22 591	0.39 644	0.37 589	0.24 568	0.32 572	0.26 550	0.21 566	0.22 574	0.24 599	0.11 563	0.07 503	0.11 572	0.10 556	0.09 515	0.07 400

MDST_ROB	0.22 590	0.10 503	0.17 508	0.18 402	0.11 520	0.37 661	0.19 536	0.43 663	0.41 609	0.39 652	0.39 617	0.29 577	0.21 566	0.26 603	0.18 526	0.11 563	0.10 590	0.14 621	0.11 590	0.10 548	0.08 471

w-ln-seven-2	0.20 568	0.14 588	0.37 639	0.22 590	0.12 554	0.20 544	0.21 581	0.28 523	0.37 589	0.25 581	0.37 603	0.27 558	0.22 575	0.21 561	0.23 586	0.08 426	0.08 535	0.09 492	0.09 514	0.10 548	0.09 517

w-ln-seven	0.24 613	0.14 588	0.55 665	0.19 472	0.14 598	0.26 613	0.22 591	0.35 619	0.60 670	0.29 617	0.39 617	0.30 587	0.22 575	0.21 561	0.26 621	0.09 488	0.09 568	0.11 572	0.10 556	0.11 571	0.10 548

SQANet	0.23 606	0.23 651	0.30 617	0.30 667	0.19 655	0.27 623	0.13 179	0.29 537	0.33 556	0.24 568	0.37 603	0.31 600	0.22 575	0.27 606	0.23 586	0.15 632	0.10 590	0.21 659	0.16 648	0.21 662	0.15 636

SACVNet	0.18 544	0.12 548	0.14 392	0.17 309	0.13 577	0.22 571	0.18 496	0.31 563	0.30 534	0.23 559	0.31 568	0.30 587	0.22 575	0.22 574	0.17 508	0.11 563	0.08 535	0.10 541	0.10 556	0.12 586	0.14 629

FINET	0.21 581	0.18 628	0.26 593	0.18 402	0.16 629	0.23 587	0.23 602	0.32 574	0.48 636	0.25 581	0.32 572	0.22 502	0.22 575	0.22 574	0.17 508	0.18 655	0.16 654	0.11 572	0.10 556	0.15 636	0.13 612

hitnet-ft	0.18 544	0.09 440	0.17 508	0.14 70	0.09 355	0.26 613	0.20 560	0.25 464	0.26 492	0.24 568	0.32 572	0.31 600	0.22 575	0.24 595	0.21 565	0.12 588	0.07 503	0.10 541	0.08 467	0.12 586	0.11 575

ADCP+	0.20 568	0.10 503	0.33 626	0.20 540	0.12 554	0.22 571	0.26 640	0.31 563	0.34 568	0.26 587	0.37 603	0.22 502	0.22 575	0.27 606	0.27 629	0.09 488	0.06 430	0.08 406	0.08 467	0.09 515	0.10 548

PSMNet_ROB	0.21 581	0.11 530	0.15 441	0.27 653	0.15 618	0.24 592	0.35 681	0.43 663	0.37 589	0.27 593	0.32 572	0.32 610	0.22 575	0.21 561	0.26 621	0.12 588	0.08 535	0.13 607	0.11 590	0.09 515	0.09 517

ADCRef	0.19 556	0.12 548	0.41 648	0.20 540	0.12 554	0.22 571	0.18 496	0.32 574	0.36 582	0.26 587	0.32 572	0.17 434	0.23 583	0.24 595	0.24 599	0.07 343	0.06 430	0.09 492	0.09 514	0.08 450	0.08 471

RYNet	0.22 590	0.12 548	0.22 572	0.19 472	0.17 644	0.46 671	0.26 640	0.38 640	0.48 636	0.24 568	0.28 540	0.34 621	0.23 583	0.20 544	0.30 648	0.10 531	0.06 430	0.09 492	0.09 514	0.13 606	0.15 636

NaN_ROB	0.22 590	0.19 632	0.24 585	0.25 635	0.13 577	0.29 634	0.26 640	0.33 594	0.41 609	0.31 628	0.31 568	0.32 610	0.23 583	0.30 628	0.21 565	0.11 563	0.17 659	0.10 541	0.10 556	0.08 450	0.09 517

NOSS_ROB	0.19 556	0.12 548	0.18 532	0.16 222	0.12 554	0.15 430	0.12 100	0.30 551	0.32 549	0.20 515	0.22 450	0.27 558	0.23 583	0.21 561	0.16 493	0.16 648	0.18 661	0.23 664	0.21 663	0.12 586	0.13 612

DispFullNet	0.27 638	0.21 644	0.65 678	0.28 656	0.16 629	0.26 613	0.17 447	0.33 594	0.58 665	0.27 593	0.38 609	0.43 655	0.23 583	0.38 661	0.23 586	0.12 588	0.06 430	0.19 656	0.11 590	0.21 662	0.15 636

CBMV	0.19 556	0.14 588	0.17 508	0.18 402	0.10 469	0.20 544	0.11 64	0.29 537	0.30 534	0.29 617	0.30 559	0.30 587	0.23 583	0.27 606	0.19 539	0.13 614	0.15 650	0.17 645	0.16 648	0.10 548	0.10 548
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 613	0.14 588	0.45 652	0.19 472	0.13 577	0.28 630	0.25 631	0.34 603	0.62 673	0.27 593	0.56 669	0.29 577	0.24 589	0.32 636	0.25 609	0.08 426	0.08 535	0.08 406	0.08 467	0.10 548	0.10 548

ToySt	0.17 530	0.11 530	0.18 532	0.17 309	0.11 520	0.16 462	0.25 631	0.24 445	0.33 556	0.19 492	0.24 472	0.26 550	0.24 589	0.19 519	0.20 545	0.07 343	0.08 535	0.09 492	0.10 556	0.09 515	0.08 471

WZ-Net	0.28 643	0.17 617	0.78 695	0.22 590	0.16 629	0.34 650	0.29 663	0.39 644	0.57 662	0.24 568	0.55 664	0.37 632	0.24 589	0.33 639	0.35 665	0.09 488	0.08 535	0.09 492	0.10 556	0.14 620	0.16 647

psm_up	0.18 544	0.10 503	0.18 532	0.20 540	0.11 520	0.17 485	0.19 536	0.37 632	0.34 568	0.21 530	0.28 540	0.29 577	0.24 589	0.20 544	0.22 574	0.09 488	0.10 590	0.11 572	0.11 590	0.08 450	0.08 471

RP	0.21 581	0.13 576	0.21 566	0.23 614	0.11 520	0.21 562	0.20 560	0.25 464	0.44 627	0.21 530	0.38 609	0.36 627	0.24 589	0.27 606	0.25 609	0.11 563	0.12 619	0.13 607	0.12 611	0.12 586	0.14 629

PS-NSSS	0.20 568	0.21 644	0.23 581	0.20 540	0.10 469	0.19 528	0.17 447	0.36 626	0.25 478	0.27 593	0.33 585	0.27 558	0.24 589	0.20 544	0.20 545	0.15 632	0.12 619	0.17 645	0.14 626	0.10 548	0.08 471

CBMV_ROB	0.19 556	0.13 576	0.17 508	0.16 222	0.11 520	0.15 430	0.13 179	0.26 482	0.28 517	0.27 593	0.30 559	0.27 558	0.24 589	0.23 585	0.16 493	0.15 632	0.17 659	0.22 663	0.20 661	0.10 548	0.11 575

DLCB_ROB	0.18 544	0.10 503	0.15 441	0.23 614	0.11 520	0.24 592	0.18 496	0.29 537	0.28 517	0.27 593	0.28 540	0.28 568	0.24 589	0.19 519	0.20 545	0.08 426	0.08 535	0.09 492	0.09 514	0.07 381	0.07 400

PWC_ROB	0.21 581	0.16 606	0.26 593	0.18 402	0.11 520	0.22 571	0.13 179	0.32 574	0.49 643	0.30 622	0.40 623	0.32 610	0.24 589	0.31 629	0.22 574	0.10 531	0.07 503	0.11 572	0.08 467	0.11 571	0.10 548

zh-mn7	0.25 625	0.14 588	0.56 668	0.19 472	0.14 598	0.24 592	0.22 591	0.34 603	0.62 673	0.35 641	0.65 678	0.31 600	0.25 598	0.31 629	0.25 609	0.09 488	0.08 535	0.09 492	0.09 514	0.09 515	0.11 575

PSMNet-RUCA	0.27 638	0.33 676	0.41 648	0.36 677	0.32 684	0.18 504	0.19 536	0.42 659	0.30 534	0.33 638	0.41 634	0.39 644	0.25 598	0.31 629	0.20 545	0.18 655	0.10 590	0.25 666	0.15 643	0.21 662	0.16 647

test_sample8	0.19 556	0.12 548	0.20 556	0.12 7	0.14 598	0.17 485	0.13 179	0.31 563	0.21 413	0.27 593	0.22 450	0.36 627	0.25 598	0.19 519	0.17 508	0.15 632	0.30 687	0.14 621	0.14 626	0.14 620	0.12 588

HBP-ISP	0.18 544	0.13 576	0.16 477	0.15 124	0.11 520	0.08 85	0.13 179	0.28 523	0.29 524	0.22 546	0.33 585	0.21 484	0.25 598	0.23 585	0.17 508	0.14 628	0.16 654	0.21 659	0.17 655	0.10 548	0.08 471

DDUNet	0.22 590	0.17 617	0.21 566	0.22 590	0.15 618	0.25 603	0.24 615	0.29 537	0.30 534	0.31 628	0.36 597	0.33 614	0.25 598	0.24 595	0.20 545	0.18 655	0.13 634	0.17 645	0.11 590	0.16 645	0.16 647

Syn2CoEx	0.21 581	0.16 606	0.27 601	0.29 665	0.14 598	0.26 613	0.20 560	0.33 594	0.31 542	0.28 608	0.36 597	0.27 558	0.25 598	0.19 519	0.24 599	0.16 648	0.12 619	0.14 621	0.11 590	0.09 515	0.08 471

Wz-Net-SNSev	0.25 625	0.17 617	0.44 651	0.25 635	0.14 598	0.26 613	0.23 602	0.38 640	0.56 660	0.30 622	0.55 664	0.39 644	0.26 604	0.23 585	0.30 648	0.10 531	0.09 568	0.09 492	0.10 556	0.11 571	0.11 575

AF-Net	0.22 590	0.17 617	0.17 508	0.26 640	0.13 577	0.25 603	0.24 615	0.32 574	0.50 646	0.25 581	0.33 585	0.38 636	0.26 604	0.28 618	0.25 609	0.11 563	0.10 590	0.16 641	0.11 590	0.11 571	0.10 548

PA-Net	0.23 606	0.18 628	0.33 626	0.28 656	0.22 664	0.21 562	0.38 686	0.29 537	0.39 600	0.22 546	0.32 572	0.25 540	0.26 604	0.20 544	0.25 609	0.09 488	0.23 680	0.15 633	0.22 666	0.09 515	0.13 612
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 556	0.09 440	0.22 572	0.17 309	0.10 469	0.25 603	0.18 496	0.27 503	0.44 627	0.22 546	0.31 568	0.33 614	0.26 604	0.28 618	0.28 637	0.08 426	0.06 430	0.07 312	0.07 393	0.09 515	0.09 517

SANet	0.24 613	0.14 588	0.28 606	0.21 573	0.11 520	0.27 623	0.24 615	0.38 640	0.64 678	0.36 644	0.40 623	0.43 655	0.26 604	0.27 606	0.24 599	0.12 588	0.09 568	0.10 541	0.09 514	0.13 606	0.11 575

XPNet_ROB	0.22 590	0.11 530	0.19 544	0.22 590	0.13 577	0.22 571	0.19 536	0.34 603	0.40 606	0.30 622	0.39 617	0.39 644	0.26 604	0.26 603	0.28 637	0.15 632	0.10 590	0.10 541	0.10 556	0.13 606	0.12 588

ETE_ROB	0.23 606	0.17 617	0.22 572	0.25 635	0.13 577	0.26 613	0.29 663	0.31 563	0.36 582	0.28 608	0.36 597	0.45 659	0.26 604	0.27 606	0.26 621	0.11 563	0.08 535	0.12 592	0.09 514	0.14 620	0.13 612

LALA_ROB	0.25 625	0.16 606	0.22 572	0.26 640	0.17 644	0.27 623	0.27 647	0.42 659	0.37 589	0.33 638	0.38 609	0.51 671	0.26 604	0.28 618	0.27 629	0.16 648	0.09 568	0.12 592	0.11 590	0.13 606	0.12 588

DStereoO	0.24 613	0.18 628	0.18 532	0.20 540	0.14 598	0.21 562	0.19 536	0.32 574	0.41 609	0.29 617	0.21 438	0.32 610	0.27 612	0.41 673	0.27 629	0.46 695	0.12 619	0.31 682	0.11 590	0.15 636	0.12 588

FSD	0.25 625	0.27 664	0.26 593	0.24 623	0.22 664	0.25 603	0.25 631	0.27 503	0.26 492	0.25 581	0.26 517	0.25 540	0.27 612	0.27 606	0.24 599	0.21 668	0.20 667	0.27 670	0.26 673	0.25 674	0.24 672

MSAF-DinoV2	0.22 590	0.11 530	0.23 581	0.17 309	0.10 469	0.27 623	0.16 405	0.37 632	0.55 657	0.21 530	0.27 526	0.47 667	0.27 612	0.35 648	0.39 674	0.09 488	0.06 430	0.07 312	0.09 514	0.12 586	0.10 548

ACVNet-4b	0.39 666	0.53 688	0.55 665	0.45 685	0.24 669	0.47 673	0.18 496	0.49 675	0.64 678	0.42 662	0.45 648	0.60 679	0.27 612	0.34 642	0.24 599	0.33 686	0.14 644	0.48 690	0.42 692	0.30 682	0.26 680

Anonymous_2	0.22 590	0.17 617	0.28 606	0.15 124	0.16 629	0.32 640	0.22 591	0.22 398	0.17 321	0.23 559	0.24 472	0.26 550	0.27 612	0.27 606	0.23 586	0.22 673	0.25 683	0.17 645	0.17 655	0.17 653	0.17 656

UDG	0.21 581	0.17 617	0.19 544	0.23 614	0.15 618	0.30 637	0.20 560	0.33 594	0.35 577	0.23 559	0.28 540	0.31 600	0.27 612	0.20 544	0.22 574	0.15 632	0.12 619	0.13 607	0.09 514	0.14 620	0.14 629

aanetorigin	0.22 590	0.17 617	0.56 668	0.17 309	0.10 469	0.15 430	0.19 536	0.20 345	0.33 556	0.49 672	0.48 652	0.29 577	0.27 612	0.20 544	0.23 586	0.08 426	0.07 503	0.08 406	0.07 393	0.10 548	0.09 517

DMCA-RVC	0.17 530	0.10 503	0.15 441	0.24 623	0.11 520	0.18 504	0.18 496	0.25 464	0.24 456	0.21 530	0.26 517	0.25 540	0.27 612	0.18 504	0.20 545	0.12 588	0.08 535	0.13 607	0.10 556	0.10 548	0.08 471

RGC	0.25 625	0.20 638	0.29 614	0.28 656	0.16 629	0.22 571	0.23 602	0.32 574	0.44 627	0.27 593	0.40 623	0.38 636	0.27 612	0.36 654	0.22 574	0.11 563	0.13 634	0.17 645	0.17 655	0.14 620	0.16 647

stereogan	0.22 590	0.11 530	0.21 566	0.20 540	0.12 554	0.31 639	0.19 536	0.35 619	0.44 627	0.22 546	0.39 617	0.35 625	0.27 612	0.33 639	0.22 574	0.10 531	0.12 619	0.10 541	0.10 556	0.14 620	0.13 612

FBW_ROB	0.24 613	0.17 617	0.22 572	0.26 640	0.14 598	0.25 603	0.22 591	0.41 654	0.41 609	0.41 659	0.41 634	0.42 651	0.27 612	0.31 629	0.23 586	0.09 488	0.14 644	0.14 621	0.12 611	0.11 571	0.09 517

NCC-stereo	0.24 613	0.15 598	0.31 619	0.26 640	0.16 629	0.20 544	0.30 671	0.40 648	0.40 606	0.24 568	0.38 609	0.33 614	0.28 623	0.36 654	0.27 629	0.12 588	0.11 603	0.15 633	0.22 666	0.13 606	0.13 612

Nwc_Net	0.23 606	0.16 606	0.21 566	0.25 635	0.14 598	0.24 592	0.26 640	0.37 632	0.38 596	0.22 546	0.41 634	0.30 587	0.28 623	0.28 618	0.25 609	0.11 563	0.10 590	0.17 645	0.20 661	0.10 548	0.10 548

Abc-Net	0.24 613	0.15 598	0.31 619	0.26 640	0.16 629	0.20 544	0.30 671	0.40 648	0.40 606	0.24 568	0.38 609	0.33 614	0.28 623	0.36 654	0.27 629	0.12 588	0.11 603	0.15 633	0.22 666	0.13 606	0.13 612
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 636	0.15 598	0.30 617	0.24 623	0.18 651	0.22 571	0.15 334	0.38 640	0.71 686	0.32 634	0.41 634	0.36 627	0.28 623	0.32 636	0.29 641	0.12 588	0.11 603	0.14 621	0.13 622	0.16 645	0.20 665

DeepPrunerF	0.24 613	0.17 617	0.42 650	0.26 640	0.16 629	0.22 571	0.28 653	0.37 632	0.50 646	0.26 587	0.29 552	0.24 526	0.28 623	0.21 561	0.22 574	0.15 632	0.11 603	0.20 658	0.18 659	0.12 586	0.13 612

ADCPNet	0.25 625	0.16 606	0.61 675	0.21 573	0.15 618	0.35 658	0.25 631	0.32 574	0.35 577	0.30 622	0.40 623	0.36 627	0.28 623	0.28 618	0.32 657	0.12 588	0.10 590	0.11 572	0.12 611	0.14 620	0.13 612

GANet	0.21 581	0.12 548	0.21 566	0.24 623	0.13 577	0.22 571	0.22 591	0.41 654	0.26 492	0.31 628	0.42 641	0.37 632	0.28 623	0.23 585	0.22 574	0.10 531	0.12 619	0.10 541	0.09 514	0.10 548	0.08 471

NCCL2	0.23 606	0.15 598	0.17 508	0.34 673	0.18 651	0.24 592	0.23 602	0.34 603	0.28 517	0.31 628	0.38 609	0.38 636	0.28 623	0.23 585	0.24 599	0.15 632	0.12 619	0.18 654	0.21 663	0.13 606	0.13 612

APVNet	0.22 590	0.12 548	0.19 544	0.18 402	0.14 598	0.32 640	0.31 677	0.39 644	0.32 549	0.27 593	0.40 623	0.30 587	0.29 631	0.26 603	0.25 609	0.11 563	0.12 619	0.11 572	0.14 626	0.12 586	0.12 588

G-Net	0.24 613	0.16 606	0.36 635	0.22 590	0.16 629	0.51 677	0.23 602	0.29 537	0.34 568	0.36 644	0.38 609	0.31 600	0.29 631	0.27 606	0.26 621	0.11 563	0.09 568	0.12 592	0.09 514	0.16 645	0.13 612

DPSNet	0.28 643	0.16 606	0.31 619	0.18 402	0.13 577	0.54 679	0.42 690	0.51 681	0.67 683	0.29 617	0.38 609	0.38 636	0.29 631	0.31 629	0.23 586	0.11 563	0.10 590	0.11 572	0.08 467	0.20 661	0.16 647

PDISCO_ROB	0.27 638	0.16 606	0.26 593	0.28 656	0.20 658	0.32 640	0.26 640	0.44 665	0.57 662	0.28 608	0.40 623	0.45 659	0.29 631	0.33 639	0.34 664	0.12 588	0.09 568	0.17 645	0.16 648	0.17 653	0.13 612

ccnet	0.29 647	0.28 669	0.23 581	0.20 540	0.28 678	0.41 669	0.21 581	0.45 668	0.33 556	0.36 644	0.46 649	0.36 627	0.30 635	0.39 665	0.42 681	0.23 677	0.14 644	0.21 659	0.17 655	0.23 666	0.18 659

S-Stereo	0.20 568	0.12 548	0.25 590	0.21 573	0.13 577	0.20 544	0.18 496	0.32 574	0.43 622	0.23 559	0.36 597	0.28 568	0.30 635	0.19 519	0.22 574	0.09 488	0.12 619	0.10 541	0.10 556	0.13 606	0.13 612

XQC	0.28 643	0.23 651	0.51 660	0.28 656	0.19 655	0.34 650	0.27 647	0.36 626	0.57 662	0.31 628	0.30 559	0.37 632	0.30 635	0.38 661	0.38 672	0.13 614	0.09 568	0.15 633	0.12 611	0.17 653	0.18 659

ADCL	0.24 613	0.11 530	0.47 657	0.22 590	0.12 554	0.34 650	0.29 663	0.29 537	0.56 660	0.24 568	0.46 649	0.30 587	0.30 635	0.29 625	0.29 641	0.08 426	0.07 503	0.09 492	0.09 514	0.10 548	0.10 548

PStereo	0.20 568	0.22 648	0.20 556	0.17 309	0.10 469	0.13 366	0.20 560	0.27 503	0.38 596	0.20 515	0.14 305	0.28 568	0.31 639	0.24 595	0.31 655	0.18 655	0.13 634	0.15 633	0.11 590	0.12 586	0.12 588

zh-sn7	0.25 625	0.17 617	0.50 659	0.24 623	0.13 577	0.25 603	0.24 615	0.34 603	0.48 636	0.28 608	0.54 662	0.28 568	0.31 639	0.36 654	0.32 657	0.10 531	0.10 590	0.11 572	0.10 556	0.12 586	0.12 588

MFN_U_SF_DS_RVC	0.30 653	0.24 654	0.29 614	0.36 677	0.16 629	0.34 650	0.30 671	0.32 574	0.42 617	0.40 655	0.46 649	0.38 636	0.31 639	0.34 642	0.28 637	0.19 662	0.20 667	0.26 667	0.29 680	0.18 657	0.19 664

STTRV1_RVC	0.25 625	0.26 660	0.39 643	0.19 472	0.26 676	0.30 637	0.24 615	0.34 603	0.35 577	0.36 644	0.34 589	0.31 600	0.31 639	0.28 618	0.25 609	0.17 653	0.10 590	0.16 641	0.14 626	0.17 653	0.12 588

CC-Net-ROB	0.28 643	0.31 674	0.36 635	0.29 665	0.15 618	0.25 603	0.19 536	0.45 668	0.33 556	0.39 652	0.37 603	0.39 644	0.31 639	0.27 606	0.26 621	0.24 679	0.19 664	0.30 681	0.23 670	0.18 657	0.15 636

DANet	0.21 581	0.15 598	0.28 606	0.25 635	0.13 577	0.22 571	0.19 536	0.27 503	0.27 502	0.28 608	0.32 572	0.35 625	0.31 639	0.31 629	0.23 586	0.11 563	0.09 568	0.11 572	0.10 556	0.13 606	0.11 575
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
light-stereo	0.42 673	0.26 660	0.59 673	0.60 693	0.49 692	0.32 640	0.23 602	0.46 670	0.52 655	0.56 680	0.58 674	0.76 691	0.32 645	0.48 677	0.29 641	0.32 684	0.24 681	0.27 670	0.33 685	0.46 690	0.39 692

FAT-Stereo	0.20 568	0.12 548	0.22 572	0.21 573	0.12 554	0.17 485	0.18 496	0.34 603	0.39 600	0.27 593	0.37 603	0.34 621	0.32 645	0.21 561	0.20 545	0.09 488	0.11 603	0.10 541	0.09 514	0.11 571	0.14 629

DStereoSA	0.25 625	0.19 632	0.37 639	0.26 640	0.17 644	0.22 571	0.20 560	0.49 675	0.59 666	0.22 546	0.29 552	0.29 577	0.33 647	0.39 665	0.28 637	0.12 588	0.11 603	0.16 641	0.14 626	0.14 620	0.12 588

otaku	0.39 666	0.37 681	0.52 661	0.44 684	0.28 678	0.58 681	0.24 615	0.41 654	0.62 673	0.40 655	0.49 653	0.46 663	0.33 647	0.40 670	0.32 657	0.30 682	0.30 687	0.39 686	0.33 685	0.29 681	0.28 681

AnyNet_C32	0.26 636	0.16 606	0.36 635	0.20 540	0.16 629	0.25 603	0.30 671	0.32 574	0.44 627	0.31 628	0.49 653	0.30 587	0.33 647	0.40 670	0.33 662	0.12 588	0.12 619	0.12 592	0.14 626	0.14 620	0.15 636

GANetREF_RVC	0.31 655	0.34 678	0.27 601	0.35 675	0.16 629	0.32 640	0.41 687	0.48 673	0.51 653	0.35 641	0.35 594	0.34 621	0.33 647	0.39 665	0.32 657	0.27 681	0.20 667	0.29 679	0.15 643	0.18 657	0.17 656
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
CSAN	0.29 647	0.24 654	0.27 601	0.34 673	0.19 655	0.33 647	0.42 690	0.37 632	0.50 646	0.38 650	0.40 623	0.44 657	0.33 647	0.28 618	0.30 648	0.20 664	0.16 654	0.19 656	0.19 660	0.14 620	0.15 636

DStereoFS	0.27 638	0.22 648	0.31 619	0.22 590	0.15 618	0.22 571	0.20 560	0.50 679	0.48 636	0.28 608	0.44 646	0.33 614	0.34 652	0.52 683	0.29 641	0.12 588	0.11 603	0.15 633	0.13 622	0.16 645	0.16 647

PASM	0.32 657	0.24 654	0.48 658	0.28 656	0.27 677	0.29 634	0.30 671	0.34 603	0.49 643	0.35 641	0.39 617	0.46 663	0.34 652	0.34 642	0.35 665	0.23 677	0.25 683	0.26 667	0.28 679	0.23 666	0.21 667

WCMA_ROB	0.24 613	0.11 530	0.22 572	0.17 309	0.14 598	0.32 640	0.15 334	0.32 574	0.32 549	0.38 650	0.53 660	0.40 648	0.34 652	0.34 642	0.25 609	0.11 563	0.12 619	0.12 592	0.10 556	0.14 620	0.14 629

edge stereo	0.22 590	0.13 576	0.20 556	0.21 573	0.13 577	0.23 587	0.16 405	0.32 574	0.42 617	0.32 634	0.40 623	0.38 636	0.35 655	0.25 601	0.24 599	0.13 614	0.11 603	0.14 621	0.11 590	0.12 586	0.13 612

SGM_RVC	0.23 606	0.12 548	0.15 441	0.15 124	0.09 355	0.33 647	0.18 496	0.34 603	0.31 542	0.44 667	0.37 603	0.53 675	0.35 655	0.35 648	0.24 599	0.13 614	0.13 634	0.13 607	0.13 622	0.10 548	0.11 575
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 647	0.18 628	0.45 652	0.21 573	0.17 644	0.28 630	0.23 602	0.41 654	0.63 677	0.40 655	0.49 653	0.40 648	0.36 657	0.39 665	0.40 677	0.13 614	0.12 619	0.13 607	0.14 626	0.16 645	0.16 647

LSM	0.33 660	0.20 638	0.58 671	0.26 640	0.60 702	0.34 650	0.25 631	0.42 659	0.48 636	0.45 668	0.58 674	0.42 651	0.36 657	0.35 648	0.25 609	0.12 588	0.20 667	0.14 621	0.16 648	0.19 660	0.33 687

psmorigin	0.25 625	0.15 598	0.34 634	0.17 309	0.13 577	0.23 587	0.14 246	0.34 603	0.33 556	0.41 659	0.55 664	0.41 650	0.37 659	0.34 642	0.27 629	0.11 563	0.15 650	0.11 572	0.11 590	0.12 586	0.16 647

AANet	0.30 653	0.19 632	1.03 704	0.16 222	0.13 577	0.22 571	0.16 405	0.30 551	0.62 673	0.60 681	0.52 659	0.46 663	0.38 660	0.23 585	0.32 657	0.12 588	0.09 568	0.11 572	0.10 556	0.13 606	0.12 588

Wz-Net-TNSev	0.29 647	0.20 638	0.65 678	0.19 472	0.15 618	0.38 664	0.27 647	0.35 619	0.55 657	0.34 640	0.42 641	0.45 659	0.38 660	0.32 636	0.30 648	0.12 588	0.13 634	0.10 541	0.12 611	0.15 636	0.14 629

AnyNet_C01	0.36 664	0.25 659	1.37 710	0.22 590	0.17 644	0.48 675	0.27 647	0.35 619	0.39 600	0.39 652	0.74 688	0.46 663	0.38 660	0.45 675	0.47 686	0.13 614	0.13 634	0.13 607	0.14 626	0.14 620	0.15 636

EDNetEfficient	0.29 647	0.24 654	1.13 707	0.18 402	0.10 469	0.19 528	0.20 560	0.20 345	0.60 670	0.74 694	0.56 669	0.31 600	0.39 663	0.22 574	0.30 648	0.09 488	0.07 503	0.08 406	0.07 393	0.11 571	0.09 517

MFN_U_SF_RVC	0.32 657	0.21 644	0.55 665	0.30 667	0.15 618	0.34 650	0.17 447	0.52 682	0.46 634	0.46 671	0.55 664	0.59 678	0.39 663	0.35 648	0.37 670	0.15 632	0.14 644	0.18 654	0.21 663	0.16 645	0.15 636

SAMSARA	0.40 669	0.28 669	0.33 626	0.55 691	0.39 685	0.82 701	1.23 718	0.47 672	0.51 653	0.36 644	0.35 594	0.55 677	0.39 663	0.38 661	0.39 674	0.15 632	0.20 667	0.15 633	0.14 626	0.23 666	0.20 665

FC-DCNN v2	0.33 660	0.27 664	0.28 606	0.26 640	0.23 667	0.37 661	0.28 653	0.40 648	0.43 622	0.45 668	0.56 669	0.51 671	0.40 666	0.37 659	0.29 641	0.21 668	0.20 667	0.27 670	0.26 673	0.25 674	0.24 672

ADCMid	0.25 625	0.15 598	0.40 645	0.20 540	0.14 598	0.25 603	0.26 640	0.34 603	0.38 596	0.36 644	0.44 646	0.34 621	0.40 666	0.35 648	0.33 662	0.10 531	0.09 568	0.11 572	0.11 590	0.13 606	0.12 588

FC-DCNN	0.33 660	0.27 664	0.28 606	0.26 640	0.23 667	0.37 661	0.28 653	0.40 648	0.43 622	0.45 668	0.55 664	0.51 671	0.40 666	0.37 659	0.30 648	0.21 668	0.20 667	0.27 670	0.26 673	0.25 674	0.24 672

MSMD_ROB	0.31 655	0.26 660	0.26 593	0.24 623	0.21 662	0.34 650	0.25 631	0.34 603	0.39 600	0.40 655	0.69 682	0.45 659	0.40 666	0.34 642	0.27 629	0.20 664	0.19 664	0.26 667	0.25 672	0.23 666	0.22 669

MeshStereo	0.27 638	0.13 576	0.18 532	0.15 124	0.11 520	0.32 640	0.24 615	0.40 648	0.36 582	0.52 674	0.57 672	0.67 686	0.40 666	0.35 648	0.26 621	0.14 628	0.13 634	0.13 607	0.11 590	0.11 571	0.10 548
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
FCDSN-DC	0.33 660	0.28 669	0.28 606	0.30 667	0.24 669	0.39 666	0.28 653	0.42 659	0.42 617	0.43 665	0.53 660	0.51 671	0.41 671	0.36 654	0.30 648	0.21 668	0.20 667	0.27 670	0.26 673	0.25 674	0.24 672
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 677	0.19 632	3.26 717	0.24 623	0.15 618	0.74 694	0.20 560	0.36 626	0.76 693	0.42 662	0.43 644	0.31 600	0.41 671	0.53 686	0.35 665	0.10 531	0.08 535	0.13 607	0.12 611	0.15 636	0.15 636

RTSA	0.45 677	0.19 632	3.26 717	0.24 623	0.15 618	0.74 694	0.20 560	0.36 626	0.76 693	0.42 662	0.43 644	0.31 600	0.41 671	0.53 686	0.35 665	0.10 531	0.08 535	0.13 607	0.12 611	0.15 636	0.15 636

Ntro	0.40 669	0.40 683	0.53 662	0.46 688	0.30 682	0.65 687	0.24 615	0.46 670	0.68 684	0.41 659	0.49 653	0.48 669	0.42 674	0.39 665	0.31 655	0.32 684	0.28 685	0.37 685	0.30 682	0.32 686	0.29 682

SGM-ForestM	0.32 657	0.12 548	0.16 477	0.16 222	0.11 520	0.39 666	0.19 536	0.41 654	0.50 646	0.52 674	0.54 662	1.32 707	0.42 674	0.40 670	0.27 629	0.14 628	0.16 654	0.16 641	0.16 648	0.12 586	0.12 588

LE_ROB	0.50 683	0.07 239	0.14 392	0.15 124	0.08 220	0.24 592	0.16 405	0.22 398	1.81 717	4.63 723	0.67 680	0.47 667	0.44 676	0.20 544	0.29 641	0.07 343	0.06 430	0.06 200	0.06 293	0.08 450	0.06 310

coex-ft	3.30 715	0.34 678	59.09 749	0.18 402	0.13 577	0.26 613	0.22 591	0.27 503	0.72 687	1.90 718	0.70 684	0.44 657	0.45 677	0.29 625	0.41 680	0.09 488	0.09 568	0.12 592	0.09 514	0.14 620	0.13 612

RainbowNet	0.54 686	0.61 692	0.70 693	0.57 692	0.43 689	0.65 687	0.37 685	0.60 691	0.87 697	0.50 673	0.66 679	0.64 682	0.47 678	0.49 678	0.43 684	0.47 696	0.48 701	0.52 694	0.41 691	0.52 693	0.40 695

Consistency-Raft	0.44 675	0.40 683	0.45 652	0.37 679	0.43 689	0.46 671	0.41 687	0.57 689	0.55 657	0.32 634	0.73 686	0.33 614	0.48 679	0.42 674	0.49 688	0.39 689	0.35 692	0.45 689	0.51 699	0.42 689	0.29 682

ACVNet_1	0.44 675	0.49 687	0.60 674	0.45 685	0.28 678	0.49 676	0.27 647	0.57 689	0.72 687	0.62 683	0.58 674	0.74 690	0.49 680	0.50 679	0.35 665	0.26 680	0.24 681	0.39 686	0.29 680	0.31 685	0.24 672

EDNetEfficientorigin	7.91 723	0.31 674	153.02 750	0.19 472	0.09 355	0.21 562	0.16 405	0.22 398	0.59 666	0.72 690	0.67 680	0.42 651	0.50 681	0.24 595	0.39 674	0.08 426	0.07 503	0.08 406	0.07 393	0.12 586	0.10 548

TCMNet-wrong-test	3.67 717	5.48 730	3.89 721	12.18 733	11.75 733	4.65 718	3.88 722	1.06 712	0.72 687	1.09 710	2.15 719	6.30 725	0.53 682	3.43 721	2.36 720	0.89 715	0.20 667	1.87 723	1.69 722	5.57 727	3.62 728

FADE	0.45 677	0.33 676	1.03 704	0.33 672	0.25 675	0.35 658	0.29 663	0.64 693	1.07 701	0.43 665	0.41 634	0.42 651	0.53 682	0.70 696	0.51 692	0.30 682	0.21 679	0.41 688	0.38 689	0.23 666	0.22 669

MSC_U_SF_DS_RVC	0.43 674	0.39 682	0.54 663	0.40 680	0.20 658	0.64 686	0.32 679	0.53 684	0.72 687	0.71 688	0.72 685	0.61 680	0.54 684	0.51 681	0.46 685	0.20 664	0.19 664	0.29 679	0.30 682	0.23 666	0.18 659

ELAS_RVC	0.41 671	0.29 672	0.33 626	0.28 656	0.24 669	0.54 679	0.36 682	0.49 675	0.59 666	0.72 690	0.74 688	0.65 684	0.54 684	0.54 688	0.40 677	0.22 673	0.20 667	0.27 670	0.26 673	0.26 679	0.25 678
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 671	0.29 672	0.33 626	0.27 653	0.24 669	0.60 684	0.36 682	0.50 679	0.50 646	0.71 688	0.79 692	0.67 686	0.54 684	0.51 681	0.42 681	0.22 673	0.20 667	0.27 670	0.26 673	0.26 679	0.25 678
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 685	0.58 690	0.65 678	0.41 682	0.61 703	0.53 678	0.41 687	0.56 687	0.41 609	0.55 678	0.50 657	0.49 670	0.55 687	0.58 691	0.50 691	0.58 702	0.50 705	0.51 692	0.51 699	0.51 692	0.57 701

SGM+DAISY	0.56 687	0.57 689	0.65 678	0.40 680	0.54 695	0.66 689	0.49 695	0.56 687	0.45 633	0.66 684	0.69 682	0.67 686	0.56 688	0.63 693	0.56 694	0.59 703	0.48 701	0.50 691	0.50 698	0.52 693	0.58 702

MonStereo1	0.47 682	0.26 660	0.58 671	0.28 656	0.20 658	0.39 666	0.18 496	0.49 675	0.64 678	0.52 674	0.87 695	1.01 696	0.57 689	0.50 679	0.56 694	0.53 699	0.31 690	0.54 696	0.40 690	0.33 687	0.34 688

SPS-STEREO	0.57 688	0.58 690	0.65 678	0.45 685	0.55 697	0.62 685	0.44 694	0.62 692	0.50 646	0.68 686	0.64 677	0.66 685	0.57 689	0.61 692	0.60 697	0.62 705	0.47 700	0.51 692	0.49 696	0.55 697	0.58 702
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 666	0.20 638	0.39 643	0.31 671	0.22 664	0.29 634	0.43 692	0.52 682	0.96 700	0.55 678	0.79 692	0.53 675	0.59 691	0.52 683	0.38 672	0.19 662	0.14 644	0.17 645	0.14 626	0.24 673	0.31 685

MANE	0.45 677	0.27 664	0.27 601	0.27 653	0.24 669	0.47 673	0.31 677	0.55 686	0.59 666	0.72 690	1.13 709	1.15 701	0.61 692	0.52 683	0.37 670	0.21 668	0.20 667	0.27 670	0.31 684	0.25 674	0.24 672

PWCK	0.71 693	0.94 707	0.95 702	0.76 698	0.31 683	0.74 694	0.36 682	0.90 700	0.90 698	0.96 703	0.75 690	0.95 695	0.61 692	0.87 706	0.66 700	0.72 708	0.46 696	0.75 702	0.49 696	0.69 706	0.44 697

BEATNet-Init1	0.52 684	0.27 664	0.62 676	0.30 667	0.21 662	0.76 698	0.29 663	0.54 685	0.65 681	0.86 699	0.95 700	2.07 717	0.62 694	0.56 690	0.42 681	0.18 655	0.18 661	0.23 664	0.22 666	0.22 665	0.21 667

NVStereoNet_ROB	0.46 681	0.36 680	0.46 656	0.41 682	0.28 678	0.34 650	0.34 680	0.48 673	0.60 670	0.72 690	0.93 698	0.70 689	0.66 695	0.47 676	0.60 697	0.22 673	0.33 691	0.34 684	0.34 688	0.30 682	0.30 684
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 689	0.66 696	0.65 678	0.51 689	0.69 707	0.69 690	0.57 701	0.64 693	0.73 691	0.60 681	0.73 686	0.62 681	0.67 696	0.65 694	0.60 697	0.66 707	0.58 714	0.63 697	0.59 702	0.68 704	0.69 711

MADNet+	0.75 696	0.71 698	3.70 720	0.66 695	0.41 687	0.98 706	0.97 716	0.69 695	0.73 691	0.52 674	0.57 672	0.64 682	0.68 697	0.86 705	1.01 713	0.34 687	0.36 693	0.28 678	0.23 670	0.36 688	0.31 685

ACVNet_2	0.66 692	0.66 696	0.68 687	0.63 694	0.41 687	0.71 692	0.49 695	0.96 705	1.39 710	0.89 700	1.09 705	1.04 697	0.73 698	0.54 688	0.47 686	0.43 693	0.40 694	0.53 695	0.44 693	0.47 691	0.35 690

TorneroNet-64	0.76 697	0.72 699	0.74 694	0.78 700	0.58 701	0.91 705	0.56 700	0.84 699	1.29 707	0.66 684	0.90 696	1.40 709	0.75 699	0.85 704	0.67 703	0.49 697	0.46 696	0.72 701	0.59 702	0.67 703	0.53 700

IMH-64-1	0.65 690	0.61 692	0.68 687	0.71 696	0.51 693	0.59 682	0.49 695	0.91 701	0.85 695	0.74 694	1.02 702	0.81 692	0.78 700	0.79 698	0.49 688	0.42 691	0.46 696	0.71 699	0.47 694	0.52 693	0.39 692

IMH-64	0.65 690	0.61 692	0.68 687	0.71 696	0.51 693	0.59 682	0.49 695	0.91 701	0.85 695	0.74 694	1.02 702	0.81 692	0.78 700	0.79 698	0.49 688	0.42 691	0.46 696	0.71 699	0.47 694	0.52 693	0.39 692

JetBlue	0.71 693	0.45 686	1.14 708	0.51 689	0.47 691	2.02 716	0.64 705	0.75 696	0.70 685	0.69 687	0.77 691	1.22 703	0.83 702	1.03 713	1.01 713	0.40 690	0.28 685	0.33 683	0.33 685	0.30 682	0.34 688

LVE	0.83 701	0.85 705	0.85 700	0.80 701	0.56 698	1.04 711	0.65 706	1.05 710	1.47 713	0.96 703	1.22 713	1.10 700	0.85 703	0.83 701	0.71 705	0.49 697	0.55 711	0.76 705	0.60 704	0.65 701	0.59 707

TorneroNet	0.82 700	0.74 700	0.81 699	0.84 703	0.63 704	0.99 707	0.63 703	0.96 705	1.16 704	0.80 697	1.11 707	1.36 708	0.86 704	0.93 709	0.80 708	0.56 700	0.49 703	0.78 707	0.66 707	0.73 709	0.63 710

IMH	0.71 693	0.64 695	0.68 687	0.76 698	0.54 695	0.69 690	0.54 699	0.98 707	1.10 703	0.82 698	1.09 705	0.89 694	0.88 705	0.87 706	0.52 693	0.44 694	0.50 705	0.75 702	0.51 699	0.56 698	0.41 696

WAO-7	0.79 698	0.78 701	0.54 663	0.85 704	0.67 706	0.74 694	0.68 709	1.05 710	1.32 708	0.90 701	1.20 712	1.04 697	0.92 706	0.69 695	0.66 700	0.60 704	0.62 715	0.67 698	0.68 708	0.64 700	0.58 702

JetRed	1.62 712	1.46 715	2.98 715	0.92 707	1.21 716	4.99 719	1.53 721	1.27 718	1.39 710	1.83 717	1.74 718	1.60 715	0.95 707	1.41 716	2.45 721	0.90 716	1.60 721	0.93 711	0.90 716	1.35 717	0.99 718

KSHMR	1.09 709	1.17 711	0.88 701	1.25 716	1.00 715	0.99 707	0.96 715	1.13 715	1.37 709	1.16 712	1.29 714	1.41 710	0.96 708	1.01 712	0.92 710	1.03 717	1.08 719	1.20 717	1.03 718	1.01 714	0.97 717

Dean	0.87 702	0.86 706	0.79 697	0.81 702	0.56 698	0.90 702	0.63 703	1.15 716	1.73 716	1.15 711	1.15 710	1.31 706	0.99 709	0.81 700	0.81 709	0.57 701	0.56 712	0.77 706	0.64 705	0.66 702	0.58 702

WAO-6	0.81 699	0.80 702	0.62 676	0.86 705	0.63 704	0.76 698	0.58 702	0.98 707	1.54 715	0.90 701	0.96 701	1.07 699	1.03 710	0.70 696	0.66 700	0.72 708	0.49 703	0.90 710	0.71 709	0.68 704	0.58 702

WAO-8	0.91 703	0.81 703	0.65 678	0.94 708	0.69 707	0.90 702	0.67 707	1.07 713	1.83 718	1.06 708	1.45 715	1.30 704	1.07 711	0.84 702	0.78 706	0.74 710	0.53 708	0.86 708	0.75 710	0.69 706	0.62 708

ktn	1.01 708	1.21 712	0.80 698	1.23 715	0.86 713	1.01 709	0.87 713	0.94 704	1.39 710	1.04 706	1.12 708	1.15 701	1.07 711	0.94 710	0.59 696	1.28 720	0.71 717	1.38 720	0.83 713	1.02 715	0.75 714

Venus	0.91 703	0.81 703	0.65 678	0.94 708	0.69 707	0.90 702	0.67 707	1.07 713	1.83 718	1.06 708	1.45 715	1.30 704	1.07 711	0.84 702	0.78 706	0.74 710	0.53 708	0.86 708	0.75 710	0.69 706	0.62 708

DPSimNet_ROB	1.11 710	1.23 713	0.78 695	1.13 713	0.88 714	1.10 712	1.13 717	1.16 717	1.23 706	1.43 715	1.02 702	1.41 710	1.10 714	0.90 708	1.60 715	1.46 721	0.51 707	1.21 718	1.03 718	0.90 712	1.01 719

notaker	0.97 706	1.11 710	0.98 703	1.13 713	0.81 711	0.73 693	0.68 709	0.93 703	1.16 704	1.18 713	1.18 711	1.41 710	1.16 715	1.08 715	0.69 704	0.81 713	0.64 716	1.17 716	0.79 712	0.98 713	0.80 715

UNDER WATER-64	0.95 705	0.94 707	1.43 712	0.87 706	0.56 698	1.18 714	0.87 713	0.77 697	0.94 699	1.04 706	0.85 694	1.58 714	1.21 716	0.94 710	0.96 711	0.87 714	0.57 713	1.03 714	0.88 715	0.78 710	0.73 712

UNDER WATER	0.97 706	0.97 709	1.42 711	0.99 710	0.70 710	1.12 713	0.84 712	0.80 698	1.08 702	1.01 705	0.90 696	1.55 713	1.22 717	1.03 713	1.00 712	0.78 712	0.53 708	1.02 713	0.87 714	0.80 711	0.74 713

HanzoNet	1.29 711	1.26 714	1.19 709	1.12 712	0.85 712	1.02 710	0.83 711	1.03 709	1.48 714	1.64 716	1.61 717	2.50 719	1.72 718	1.61 717	1.61 716	1.26 719	0.80 718	1.31 719	1.01 717	1.02 715	0.86 716

Selective-IGEV-i1pa	2.80 714	3.51 722	0.67 686	0.28 656	0.14 598	10.22 724	0.43 692	4.36 721	3.63 721	3.53 721	6.92 723	3.47 720	1.97 719	13.41 736	2.26 718	0.36 688	0.15 650	0.13 607	0.10 556	0.15 636	0.35 690

MADNet++	1.95 713	1.75 716	1.59 713	1.82 718	1.69 718	2.33 717	1.40 720	2.35 720	2.09 720	2.57 720	2.36 720	2.24 718	2.17 720	2.28 718	2.34 719	1.87 722	1.66 722	1.54 721	1.34 721	1.92 719	1.77 722

Selective-IGEV-i16pa	18.58 737	3.30 720	1.09 706	0.21 573	0.18 651	103.68 750	0.28 653	19.87 741	40.73 750	4.16 722	56.45 750	8.07 727	2.59 721	123.95 751	5.89 725	0.18 655	0.12 619	0.09 492	0.12 611	0.12 586	0.51 699

ASD4	3.54 716	3.38 721	2.05 714	1.72 717	2.51 720	9.03 723	17.71 727	2.25 719	5.51 723	2.46 719	2.81 721	2.03 716	3.36 722	2.73 719	5.06 722	1.22 718	1.34 720	1.13 715	1.33 720	1.68 718	1.49 721

tt	4.67 718	0.06 117	3.55 719	2.02 719	1.55 717	10.25 725	16.71 726	8.91 730	5.03 722	1.31 714	0.94 699	4.71 721	4.76 723	3.33 720	5.87 724	6.06 730	10.30 737	1.88 724	2.11 724	2.75 721	1.21 720

LRCNet_RVC	10.62 731	13.42 738	7.30 723	18.92 737	2.07 719	0.33 647	0.30 671	5.59 725	0.48 636	13.03 736	17.94 736	8.87 728	5.65 724	4.79 722	1.89 717	23.51 746	2.73 727	27.55 749	25.71 749	16.07 743	16.33 745

PML	8.91 726	9.34 737	6.13 722	5.35 723	6.41 724	14.99 728	23.38 734	5.27 722	6.83 724	18.04 740	28.19 749	7.67 726	6.83 725	7.85 726	5.75 723	5.35 729	1.83 723	5.95 735	1.93 723	8.64 733	2.52 724

USTest	6.22 719	2.73 719	3.00 716	6.57 726	7.29 725	14.37 727	21.57 728	7.00 729	9.56 728	5.34 726	6.10 722	5.72 724	7.64 726	6.41 725	6.96 726	1.97 723	3.42 728	1.64 722	2.15 725	2.66 720	2.36 723

xxxxx1	7.79 720	5.02 727	7.31 724	3.12 720	3.85 721	16.35 729	22.88 729	5.86 726	8.69 725	7.97 727	8.54 724	9.12 729	8.27 727	10.18 727	10.92 727	2.42 724	2.45 724	3.56 727	12.37 734	3.77 722	3.06 725

tt_ll	7.79 720	5.02 727	7.31 724	3.12 720	3.85 721	16.35 729	22.88 729	5.86 726	8.69 725	7.97 727	8.54 724	9.12 729	8.27 727	10.18 727	10.92 727	2.42 724	2.45 724	3.56 727	12.37 734	3.77 722	3.06 725

ff	7.79 720	5.02 727	7.31 724	3.12 720	3.85 721	16.35 729	22.88 729	5.86 726	8.69 725	7.97 727	8.54 724	9.12 729	8.27 727	10.18 727	10.92 727	2.42 724	2.45 724	3.56 727	12.37 734	3.77 722	3.06 725

DPSMNet_ROB	8.06 724	4.48 723	8.63 733	5.37 725	10.74 728	8.32 721	22.98 733	5.46 723	13.36 733	5.12 724	9.92 729	5.08 722	10.40 730	5.53 724	12.58 730	3.80 728	8.00 729	3.50 725	7.02 730	3.83 725	7.14 732

DGTPSM_ROB	8.06 724	4.48 723	8.63 733	5.35 723	10.72 727	8.32 721	22.97 732	5.46 723	13.35 732	5.12 724	9.92 729	5.08 722	10.40 730	5.52 723	12.58 730	3.79 727	8.00 729	3.50 725	7.02 730	3.83 725	7.14 732

iinet-test	10.48 729	8.09 732	7.54 728	10.26 727	10.94 729	18.00 733	25.26 735	11.33 734	13.28 730	9.69 731	9.85 727	9.42 732	11.17 732	11.02 731	12.78 733	6.59 732	8.30 731	5.56 730	6.56 726	6.89 728	7.02 730

IINet	10.48 729	8.09 732	7.54 728	10.26 727	10.94 729	18.00 733	25.26 735	11.33 734	13.28 730	9.69 731	9.85 727	9.42 732	11.17 732	11.02 731	12.78 733	6.59 732	8.30 731	5.56 730	6.56 726	6.89 728	7.02 730

Anonymous_1	10.96 732	7.92 731	7.46 727	10.33 729	10.06 726	18.65 735	26.34 737	11.06 733	13.44 734	9.40 730	10.05 731	9.67 734	11.23 734	10.73 730	12.72 732	6.42 731	8.38 733	5.77 732	10.61 733	12.12 734	6.77 729

DPSM_ROB	11.15 733	8.58 734	8.00 730	10.88 730	11.58 731	19.10 736	26.71 738	12.05 736	14.07 737	10.36 733	10.84 732	10.33 735	11.86 735	11.70 733	13.54 735	6.99 734	8.79 734	5.89 733	6.95 728	7.29 730	7.42 734

DPSM	11.15 733	8.58 734	8.00 730	10.88 730	11.58 731	19.10 736	26.71 738	12.05 736	14.07 737	10.36 733	10.84 732	10.33 735	11.86 735	11.70 733	13.54 735	6.99 734	8.79 734	5.89 733	6.95 728	7.29 730	7.42 734

real-time stereo	11.43 735	8.99 736	8.31 732	11.33 732	12.02 734	19.46 738	27.13 740	12.28 738	14.25 739	10.57 735	11.11 734	10.56 737	12.04 737	11.92 735	14.08 737	7.07 736	8.88 736	6.10 736	7.09 732	7.74 732	7.65 736

HaxPig	15.71 736	18.52 747	19.18 743	16.89 736	15.89 737	7.73 720	7.60 723	13.31 739	10.82 729	15.42 737	14.91 735	15.98 738	14.92 738	15.58 737	15.98 738	18.95 745	16.73 738	19.46 745	18.08 745	19.26 744	19.05 748

MEDIAN_ROB	20.38 740	24.04 748	23.31 746	21.23 738	21.71 740	10.40 726	7.92 724	17.64 740	15.50 740	20.12 741	19.70 737	20.34 739	20.32 739	21.19 738	21.13 741	23.81 747	21.81 747	24.98 748	23.76 748	24.71 747	23.93 749

RSGM-EC	20.36 738	4.73 725	0.68 687	16.76 734	16.92 738	21.28 739	27.18 741	10.46 731	14.04 735	18.00 738	21.31 739	22.24 748	21.82 740	22.57 739	17.63 739	62.81 749	33.79 749	20.14 746	18.10 746	20.18 745	16.45 746

acva	20.36 738	4.73 725	0.68 687	16.76 734	16.92 738	21.28 739	27.18 741	10.46 731	14.04 735	18.00 738	21.31 739	22.24 748	21.82 740	22.57 739	17.63 739	62.81 749	33.79 749	20.14 746	18.10 746	20.18 745	16.45 746

fast-reg	22.85 747	17.43 746	19.15 742	22.22 746	24.34 747	38.36 744	53.78 745	24.23 746	28.52 748	20.55 742	22.05 747	20.54 740	23.77 742	23.21 741	27.31 744	14.18 744	17.47 740	14.33 744	14.96 744	15.81 742	14.81 737

FlowAnything	22.44 744	17.35 743	16.14 739	22.07 744	23.23 741	38.39 746	53.77 744	24.25 747	28.44 746	20.96 749	21.82 745	20.70 741	23.84 743	23.49 746	27.14 743	14.04 737	17.79 746	11.75 737	14.15 743	14.65 735	14.89 738

Selective-RAFT-Error	22.47 745	17.37 744	16.09 738	22.06 743	23.34 746	38.39 746	53.83 750	24.29 749	28.47 747	20.74 747	21.83 746	20.81 742	23.90 744	23.54 748	27.53 750	14.08 741	17.69 741	11.82 738	14.00 737	14.69 738	15.00 744

Hybrid-DGEV	22.47 745	17.40 745	16.14 739	22.00 739	23.29 743	38.36 744	53.80 746	24.43 750	28.63 749	20.59 743	21.81 744	20.88 743	23.91 745	23.45 745	27.42 747	14.08 741	17.69 741	11.83 739	14.06 742	14.65 735	14.93 740

CasAABBNet	22.42 741	17.33 740	16.01 737	22.01 740	23.28 742	38.32 741	53.80 746	24.14 745	28.41 745	20.60 744	21.77 743	20.89 746	23.91 745	23.43 744	27.36 745	14.07 738	17.69 741	11.83 739	14.01 738	14.67 737	14.95 741

RAFT-FEzeroshot	22.43 742	17.33 740	15.98 735	22.02 741	23.31 744	38.34 742	53.82 748	24.05 743	28.39 743	20.61 745	21.76 741	20.88 743	23.92 747	23.41 742	27.42 747	14.07 738	17.69 741	11.83 739	14.02 739	14.69 738	14.97 742

RAFT-FE	22.43 742	17.33 740	15.98 735	22.02 741	23.31 744	38.34 742	53.82 748	24.05 743	28.39 743	20.61 745	21.76 741	20.88 743	23.92 747	23.41 742	27.42 747	14.07 738	17.69 741	11.83 739	14.02 739	14.69 738	14.97 742

LSM0	22.87 748	17.28 739	18.96 741	22.19 745	29.04 749	38.42 748	53.71 743	24.28 748	28.31 742	20.78 748	21.00 738	21.43 747	24.16 749	23.50 747	27.39 746	14.09 743	17.38 739	11.84 743	14.04 741	14.73 741	14.89 738

AVERAGE_ROB	24.90 749	29.20 749	28.14 747	24.89 747	24.64 748	17.75 732	11.12 725	21.45 742	19.93 741	25.12 750	24.46 748	25.12 750	25.46 750	24.69 749	22.83 742	29.76 748	27.13 748	28.97 750	27.95 750	29.91 748	29.47 750

test_example2	98.32 750	94.13 750	45.89 748	96.35 748	109.85 750	88.61 749	95.45 751	25.75 751	94.37 751	130.00 752	126.06 752	58.17 751	74.63 751	88.51 750	79.96 751	150.23 751	221.02 751	77.62 751	99.10 751	113.75 751	96.94 751

ccccc	245.47 751	285.66 751	306.18 751	368.85 751	370.60 751	123.16 751	145.33 752	115.05 752	110.08 752	126.68 751	110.87 751	122.83 752	165.88 752	252.94 752	276.56 752	384.56 752	353.86 752	254.69 752	223.00 752	425.87 752	386.83 752

Low-res two-view benchmark