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

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

MatchStereo	0.07 7	0.04 1	0.08 56	0.14 59	0.06 27	0.05 4	0.12 96	0.12 83	0.09 50	0.07 73	0.06 23	0.04 1	0.04 1	0.08 25	0.09 102	0.06 167	0.05 268	0.05 47	0.03 1	0.04 48	0.04 72
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
GASTEREO	0.08 83	0.05 40	0.09 121	0.19 454	0.07 131	0.07 42	0.12 96	0.14 142	0.11 104	0.10 224	0.09 156	0.07 123	0.04 1	0.12 289	0.08 25	0.06 167	0.05 268	0.05 47	0.04 58	0.04 48	0.05 203

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GSStereo	0.08 83	0.05 40	0.08 56	0.13 16	0.08 211	0.08 82	0.14 234	0.11 56	0.12 141	0.08 127	0.10 192	0.05 5	0.05 14	0.11 195	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.05 203

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

iRaft-Stereo_20w	0.09 171	0.05 40	0.13 338	0.14 59	0.08 211	0.12 302	0.15 318	0.18 295	0.10 73	0.11 259	0.08 121	0.08 182	0.05 14	0.10 121	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.06 289	0.05 203

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Selective-IGEV-i16pc	0.13 385	0.06 106	0.13 338	0.15 112	0.11 500	0.38 644	0.16 387	0.23 404	0.16 277	0.10 224	0.15 313	0.09 218	0.06 65	0.13 341	0.10 206	0.10 513	0.08 517	0.06 187	0.07 378	0.09 496	0.09 500

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

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

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

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

DLNR-FE	10.43 708	1.83 698	19.53 723	120.75 727	13.06 714	0.06 13	0.13 169	0.23 404	0.10 73	0.07 73	0.10 192	0.09 218	0.06 65	0.10 121	0.09 102	0.13 595	0.04 25	0.06 187	0.04 58	52.01 728	0.04 72

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

fffft	0.09 171	0.06 106	0.12 288	0.16 208	0.07 131	0.09 135	0.17 429	0.12 83	0.11 104	0.08 127	0.07 64	0.09 218	0.06 65	0.11 195	0.12 347	0.05 51	0.04 25	0.06 187	0.05 189	0.04 48	0.05 203
1: 1. 1
tt45	0.09 171	0.06 106	0.11 243	0.15 112	0.07 131	0.11 250	0.16 387	0.13 111	0.11 104	0.09 179	0.06 23	0.08 182	0.06 65	0.13 341	0.10 206	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303

mms	0.09 171	0.07 224	0.08 56	0.16 208	0.08 211	0.10 198	0.16 387	0.12 83	0.11 104	0.08 127	0.09 156	0.08 182	0.06 65	0.11 195	0.12 347	0.05 51	0.04 25	0.07 298	0.05 189	0.04 48	0.03 2

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

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

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

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

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

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

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

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

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

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

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

MGS-Stereo	0.09 171	0.07 224	0.12 288	0.15 112	0.08 211	0.09 135	0.15 318	0.12 83	0.12 141	0.07 73	0.10 192	0.08 182	0.06 65	0.10 121	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.06 289	0.05 203

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DLNR_Zeroshot_test	10.40 707	1.82 697	19.49 722	120.77 728	13.11 715	0.06 13	0.13 169	0.23 404	0.10 73	0.07 73	0.10 192	0.09 218	0.06 65	0.10 121	0.09 102	0.13 595	0.04 25	0.06 187	0.04 58	51.54 727	0.04 72

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

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

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

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

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

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

MC-Stereo	0.08 83	0.06 106	0.09 121	0.17 295	0.06 27	0.10 198	0.14 234	0.12 83	0.10 73	0.09 179	0.12 263	0.09 218	0.06 65	0.11 195	0.10 206	0.06 167	0.04 25	0.06 187	0.05 189	0.04 48	0.04 72

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

IGEV-Stereo	0.09 171	0.07 224	0.11 243	0.16 208	0.09 338	0.11 250	0.15 318	0.16 222	0.12 141	0.09 179	0.06 23	0.06 42	0.06 65	0.11 195	0.09 102	0.05 51	0.04 25	0.06 187	0.05 189	0.05 167	0.06 303
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 171	0.05 40	0.12 288	0.15 112	0.12 534	0.10 198	0.13 169	0.18 295	0.18 337	0.09 179	0.09 156	0.09 218	0.06 65	0.10 121	0.08 25	0.07 335	0.05 268	0.07 298	0.07 378	0.04 48	0.04 72

CroCo-Stereo	0.09 171	0.08 343	0.08 56	0.22 570	0.09 338	0.09 135	0.19 518	0.15 184	0.12 141	0.07 73	0.07 64	0.08 182	0.06 65	0.08 25	0.07 1	0.07 335	0.05 268	0.06 187	0.04 58	0.05 167	0.04 72
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 171	0.04 1	0.08 56	0.13 16	0.06 27	0.11 250	0.14 234	0.15 184	0.19 356	0.11 259	0.15 313	0.10 253	0.06 65	0.12 289	0.09 102	0.07 335	0.05 268	0.05 47	0.04 58	0.06 289	0.05 203

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

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

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

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

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

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

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

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

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

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

Selective-IGEV-i16pb	0.14 422	0.08 343	0.17 489	0.15 112	0.11 500	0.41 649	0.16 387	0.28 504	0.23 421	0.11 259	0.20 398	0.10 253	0.07 178	0.17 463	0.12 347	0.10 513	0.07 487	0.06 187	0.08 451	0.09 496	0.10 529

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

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

BridgeDepth_RVC	0.07 7	0.04 1	0.09 121	0.11 1	0.05 2	0.10 198	0.10 35	0.14 142	0.09 50	0.06 24	0.07 64	0.06 42	0.07 178	0.07 4	0.10 206	0.06 167	0.04 25	0.04 1	0.04 58	0.04 48	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
HiDET	0.08 83	0.04 1	0.10 185	0.13 16	0.06 27	0.08 82	0.12 96	0.12 83	0.11 104	0.06 24	0.07 64	0.07 123	0.07 178	0.11 195	0.11 286	0.06 167	0.04 25	0.04 1	0.03 1	0.04 48	0.04 72

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CAS++	0.11 288	0.07 224	0.11 243	0.14 59	0.09 338	0.12 302	0.14 234	0.24 428	0.14 215	0.11 259	0.09 156	0.11 283	0.07 178	0.14 370	0.09 102	0.11 544	0.09 550	0.09 475	0.07 378	0.07 369	0.08 456
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MyStereo07	0.10 240	0.07 224	0.10 185	0.17 295	0.09 338	0.14 387	0.18 478	0.15 184	0.15 240	0.09 179	0.06 23	0.06 42	0.07 178	0.12 289	0.09 102	0.06 167	0.05 268	0.08 392	0.07 378	0.06 289	0.06 303

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

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

CASnet	0.09 171	0.09 423	0.09 121	0.19 454	0.06 27	0.07 42	0.11 64	0.18 295	0.14 215	0.11 259	0.10 192	0.09 218	0.07 178	0.10 121	0.10 206	0.06 167	0.04 25	0.10 523	0.08 451	0.05 167	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 171	0.06 106	0.13 338	0.17 295	0.08 211	0.10 198	0.16 387	0.14 142	0.10 73	0.08 127	0.09 156	0.08 182	0.07 178	0.10 121	0.09 102	0.06 167	0.04 25	0.06 187	0.05 189	0.05 167	0.04 72

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 83	0.04 1	0.06 5	0.13 16	0.07 131	0.09 135	0.12 96	0.14 142	0.14 215	0.10 224	0.14 296	0.08 182	0.07 178	0.09 58	0.11 286	0.06 167	0.04 25	0.05 47	0.05 189	0.04 48	0.04 72
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 171	0.06 106	0.10 185	0.17 295	0.08 211	0.09 135	0.10 35	0.18 295	0.16 277	0.10 224	0.09 156	0.12 303	0.07 178	0.12 289	0.10 206	0.08 412	0.05 268	0.06 187	0.05 189	0.05 167	0.05 203

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

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

PMTNet	0.09 171	0.05 40	0.09 121	0.12 5	0.06 27	0.12 302	0.14 234	0.15 184	0.11 104	0.09 179	0.13 282	0.10 253	0.07 178	0.13 341	0.10 206	0.15 613	0.04 25	0.05 47	0.03 1	0.07 369	0.06 303

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CREStereo	0.09 171	0.04 1	0.08 56	0.11 1	0.06 27	0.13 353	0.14 234	0.14 142	0.10 73	0.08 127	0.13 282	0.09 218	0.08 227	0.11 195	0.10 206	0.08 412	0.04 25	0.05 47	0.03 1	0.06 289	0.06 303
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 240	0.06 106	0.10 185	0.17 295	0.08 211	0.11 250	0.14 234	0.23 404	0.11 104	0.12 300	0.19 386	0.11 283	0.08 227	0.09 58	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.05 203

RAFT-Stereo	0.10 240	0.06 106	0.10 185	0.17 295	0.08 211	0.11 250	0.14 234	0.23 404	0.11 104	0.12 300	0.19 386	0.11 283	0.08 227	0.09 58	0.11 286	0.07 335	0.05 268	0.06 187	0.05 189	0.05 167	0.05 203
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
LiteMatch*	0.08 83	0.04 1	0.11 243	0.13 16	0.08 211	0.08 82	0.13 169	0.14 142	0.09 50	0.05 2	0.05 7	0.05 5	0.09 264	0.11 195	0.10 206	0.06 167	0.05 268	0.05 47	0.04 58	0.05 167	0.05 203

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

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

WQFJX	0.10 240	0.07 224	0.09 121	0.21 553	0.09 338	0.12 302	0.16 387	0.18 295	0.17 306	0.12 300	0.10 192	0.07 123	0.09 264	0.12 289	0.10 206	0.06 167	0.07 487	0.06 187	0.05 189	0.06 289	0.05 203

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

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

BridgeDepth	0.07 7	0.07 224	0.08 56	0.18 385	0.06 27	0.07 42	0.11 64	0.09 20	0.06 6	0.04 1	0.07 64	0.10 253	0.09 264	0.08 25	0.08 25	0.04 11	0.03 1	0.04 1	0.04 58	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
water-stereo	0.09 171	0.06 106	0.08 56	0.16 208	0.07 131	0.09 135	0.13 169	0.15 184	0.13 183	0.11 259	0.12 263	0.08 182	0.09 264	0.07 4	0.08 25	0.06 167	0.05 268	0.05 47	0.05 189	0.04 48	0.04 72

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

S2M2_L	0.09 171	0.08 343	0.11 243	0.13 16	0.10 450	0.08 82	0.06 1	0.10 33	0.10 73	0.10 224	0.09 156	0.10 253	0.09 264	0.11 195	0.11 286	0.13 595	0.07 487	0.08 392	0.09 498	0.10 529	0.08 456
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
SGD-Stereo	0.08 83	0.05 40	0.10 185	0.14 59	0.05 2	0.12 302	0.12 96	0.11 56	0.12 141	0.07 73	0.09 156	0.09 218	0.09 264	0.08 25	0.08 25	0.06 167	0.04 25	0.05 47	0.04 58	0.05 167	0.03 2

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

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

fffy	0.09 171	0.08 343	0.09 121	0.16 208	0.07 131	0.13 353	0.17 429	0.13 111	0.12 141	0.08 127	0.09 156	0.08 182	0.09 264	0.13 341	0.11 286	0.05 51	0.05 268	0.07 298	0.05 189	0.04 48	0.05 203

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

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

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

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

GCAP-Stereo	0.09 171	0.07 224	0.13 338	0.18 385	0.06 27	0.11 250	0.07 3	0.13 111	0.12 141	0.09 179	0.10 192	0.07 123	0.09 264	0.13 341	0.10 206	0.06 167	0.05 268	0.05 47	0.04 58	0.04 48	0.05 203

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

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

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

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

LoS	0.09 171	0.05 40	0.11 243	0.13 16	0.07 131	0.14 387	0.11 64	0.15 184	0.15 240	0.09 179	0.09 156	0.12 303	0.09 264	0.15 394	0.10 206	0.07 335	0.05 268	0.05 47	0.03 1	0.05 167	0.05 203
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 288	0.05 40	0.12 288	0.13 16	0.07 131	0.15 413	0.14 234	0.19 325	0.13 183	0.11 259	0.17 348	0.13 329	0.09 264	0.13 341	0.11 286	0.08 412	0.05 268	0.06 187	0.05 189	0.08 433	0.07 390

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

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

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

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

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

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

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

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

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

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

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

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

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

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

TS12	0.08 83	0.06 106	0.09 121	0.21 553	0.07 131	0.11 250	0.13 169	0.11 56	0.09 50	0.10 224	0.10 192	0.08 182	0.10 303	0.09 58	0.12 347	0.04 11	0.04 25	0.05 47	0.04 58	0.03 1	0.04 72

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

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

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

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

WQFJX1	0.10 240	0.07 224	0.08 56	0.22 570	0.09 338	0.12 302	0.17 429	0.18 295	0.17 306	0.10 224	0.09 156	0.07 123	0.10 303	0.11 195	0.09 102	0.07 335	0.08 517	0.07 298	0.06 280	0.05 167	0.04 72

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RALCasStereoNet	0.10 240	0.06 106	0.09 121	0.16 208	0.08 211	0.12 302	0.14 234	0.17 261	0.11 104	0.12 300	0.17 348	0.14 349	0.10 303	0.12 289	0.11 286	0.07 335	0.06 415	0.06 187	0.05 189	0.08 433	0.07 390

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

GMStereo	0.13 385	0.14 569	0.14 375	0.18 385	0.09 338	0.15 413	0.16 387	0.20 336	0.24 438	0.16 407	0.17 348	0.10 253	0.10 303	0.16 429	0.13 389	0.07 335	0.06 415	0.06 187	0.06 280	0.07 369	0.06 303
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MultiAttention	0.29 627	0.08 343	0.14 375	0.19 454	0.12 534	1.45 695	1.33 699	0.36 606	0.37 570	0.19 473	0.21 421	0.24 507	0.11 336	0.38 641	0.18 507	0.06 167	0.05 268	0.08 392	0.08 451	0.10 529	0.09 500

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

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

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

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

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

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

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

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

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

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

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

TransformOpticalFlow	0.10 240	0.08 343	0.13 338	0.18 385	0.07 131	0.09 135	0.15 318	0.19 325	0.15 240	0.12 300	0.17 348	0.11 283	0.11 336	0.11 195	0.10 206	0.05 51	0.04 25	0.06 187	0.06 280	0.05 167	0.05 203

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

HITNet	0.10 240	0.06 106	0.12 288	0.14 59	0.06 27	0.11 250	0.10 35	0.18 295	0.18 337	0.13 330	0.16 326	0.14 349	0.11 336	0.15 394	0.13 389	0.06 167	0.04 25	0.04 1	0.04 58	0.06 289	0.05 203
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
IGEV_i1	0.12 359	0.07 224	0.12 288	0.16 208	0.08 211	0.19 508	0.14 234	0.18 295	0.22 409	0.18 456	0.18 375	0.16 394	0.12 367	0.16 429	0.14 427	0.06 167	0.05 268	0.06 187	0.05 189	0.06 289	0.06 303

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Patchmatch Stereo++	0.11 288	0.09 423	0.16 459	0.18 385	0.08 211	0.06 13	0.11 64	0.16 222	0.13 183	0.15 379	0.16 326	0.14 349	0.12 367	0.11 195	0.10 206	0.06 167	0.04 25	0.08 392	0.06 280	0.08 433	0.07 390
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 288	0.06 106	0.14 375	0.18 385	0.08 211	0.09 135	0.12 96	0.21 359	0.21 395	0.13 330	0.14 296	0.11 283	0.12 367	0.11 195	0.13 389	0.06 167	0.04 25	0.07 298	0.06 280	0.05 167	0.04 72

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

test-2	0.11 288	0.09 423	0.07 11	0.19 454	0.08 211	0.12 302	0.28 633	0.13 111	0.17 306	0.11 259	0.17 348	0.14 349	0.12 367	0.07 4	0.07 1	0.05 51	0.05 268	0.09 475	0.07 378	0.04 48	0.04 72

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

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

TestStereo	0.13 385	0.14 569	0.11 243	0.23 594	0.08 211	0.15 413	0.21 561	0.20 336	0.23 421	0.14 352	0.24 453	0.16 394	0.12 367	0.16 429	0.14 427	0.05 51	0.06 415	0.08 392	0.06 280	0.09 496	0.05 203

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

DIP-Stereo	0.11 288	0.07 224	0.14 375	0.17 295	0.09 338	0.13 353	0.09 20	0.16 222	0.16 277	0.11 259	0.16 326	0.14 349	0.12 367	0.15 394	0.13 389	0.06 167	0.05 268	0.06 187	0.05 189	0.05 167	0.06 303
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 422	0.08 343	0.15 423	0.17 295	0.09 338	0.14 387	0.14 234	0.29 518	0.36 563	0.14 352	0.21 421	0.21 465	0.12 367	0.17 463	0.14 427	0.07 335	0.05 268	0.07 298	0.07 378	0.07 369	0.07 390

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

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

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

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

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

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

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

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

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

SDNR	0.19 537	0.08 343	0.19 525	0.16 208	0.12 534	0.77 680	0.14 234	0.25 445	0.32 530	0.19 473	0.24 453	0.19 444	0.13 407	0.19 500	0.15 458	0.16 629	0.18 641	0.14 602	0.11 572	0.08 433	0.11 556

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

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

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

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

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

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

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

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

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

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

MLCV	0.12 359	0.07 224	0.16 459	0.18 385	0.06 27	0.15 413	0.17 429	0.19 325	0.21 395	0.18 456	0.25 481	0.17 416	0.13 407	0.14 370	0.13 389	0.05 51	0.04 25	0.05 47	0.04 58	0.05 167	0.04 72

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

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

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

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

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

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

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

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

anonymousa	0.13 385	0.07 224	0.13 338	0.18 385	0.09 338	0.13 353	0.17 429	0.19 325	0.29 505	0.15 379	0.24 453	0.15 378	0.14 431	0.14 370	0.14 427	0.07 335	0.05 268	0.07 298	0.09 498	0.05 167	0.06 303

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

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

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

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

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

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

PSMNet-RSSM	0.14 422	0.07 224	0.13 338	0.15 112	0.08 211	0.13 353	0.16 387	0.24 428	0.24 438	0.16 407	0.28 521	0.22 483	0.14 431	0.15 394	0.13 389	0.11 544	0.06 415	0.09 475	0.12 592	0.08 433	0.07 390

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

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

HSM-Net_RVC	0.14 422	0.08 343	0.11 243	0.15 112	0.08 211	0.15 413	0.15 318	0.27 485	0.29 505	0.19 473	0.21 421	0.29 557	0.14 431	0.17 463	0.13 389	0.06 167	0.06 415	0.06 187	0.06 280	0.07 369	0.06 303
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 422	0.07 224	0.15 423	0.12 5	0.09 338	0.16 443	0.18 478	0.22 383	0.24 438	0.17 426	0.26 498	0.24 507	0.14 431	0.16 429	0.14 427	0.11 544	0.06 415	0.08 392	0.09 498	0.09 496	0.08 456

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CASS	0.13 385	0.12 529	0.11 243	0.23 594	0.09 338	0.15 413	0.17 429	0.18 295	0.19 356	0.17 426	0.18 375	0.15 378	0.15 449	0.14 370	0.14 427	0.09 472	0.06 415	0.10 523	0.08 451	0.09 496	0.07 390
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 525	0.09 423	0.29 594	0.15 112	0.10 450	0.22 550	0.20 541	0.26 463	0.39 580	0.25 561	0.42 621	0.24 507	0.15 449	0.20 525	0.19 520	0.07 335	0.05 268	0.06 187	0.05 189	0.10 529	0.09 500

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

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

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

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

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

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

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

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

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

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

PWCDC_ROB	0.20 549	0.13 557	0.22 552	0.24 603	0.11 500	0.19 508	0.15 318	0.33 574	0.54 636	0.29 597	0.50 637	0.21 465	0.15 449	0.27 586	0.20 526	0.11 544	0.09 550	0.10 523	0.08 451	0.11 552	0.09 500

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ISRNet	0.18 525	0.08 343	0.19 525	0.19 454	0.13 557	0.15 413	0.12 96	0.30 532	0.32 530	0.21 510	0.25 481	0.27 539	0.17 500	0.17 463	0.20 526	0.20 644	0.08 517	0.14 602	0.14 607	0.14 600	0.17 636

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

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

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

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

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 511	0.10 485	0.22 552	0.20 521	0.10 450	0.15 413	0.18 478	0.31 543	0.25 459	0.21 510	0.30 540	0.25 521	0.17 500	0.21 542	0.20 526	0.09 472	0.06 415	0.08 392	0.08 451	0.07 369	0.08 456
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 511	0.12 529	0.15 423	0.20 521	0.09 338	0.18 484	0.18 478	0.26 463	0.23 421	0.26 567	0.40 603	0.22 483	0.17 500	0.21 542	0.20 526	0.08 412	0.05 268	0.09 475	0.10 538	0.07 369	0.07 390
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 549	0.12 529	0.19 525	0.20 521	0.14 578	0.26 593	0.23 582	0.32 554	0.34 549	0.27 573	0.34 568	0.30 567	0.18 515	0.18 485	0.22 555	0.10 513	0.13 615	0.10 523	0.10 538	0.08 433	0.09 500

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

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

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

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

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

ICVP	0.15 467	0.09 423	0.12 288	0.22 570	0.09 338	0.17 465	0.21 561	0.25 445	0.23 421	0.18 456	0.30 540	0.26 531	0.18 515	0.17 463	0.14 427	0.09 472	0.07 487	0.08 392	0.07 378	0.07 369	0.07 390
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 490	0.08 343	0.15 423	0.18 385	0.10 450	0.22 550	0.18 478	0.24 428	0.21 395	0.18 456	0.24 453	0.29 557	0.18 515	0.19 500	0.22 555	0.09 472	0.07 487	0.08 392	0.09 498	0.07 369	0.06 303

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

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

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

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

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

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

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

pmcnn	0.15 467	0.07 224	0.19 525	0.15 112	0.07 131	0.20 524	0.15 318	0.24 428	0.26 473	0.21 510	0.34 568	0.28 549	0.18 515	0.18 485	0.17 489	0.07 335	0.05 268	0.05 47	0.04 58	0.07 369	0.06 303

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

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

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

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

Wz-Net-MNSev	0.22 570	0.13 557	0.31 599	0.20 521	0.14 578	0.36 640	0.24 595	0.33 574	0.44 607	0.28 588	0.40 603	0.38 616	0.19 531	0.24 576	0.25 590	0.09 472	0.07 487	0.09 475	0.09 498	0.12 567	0.10 529

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

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

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

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

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

StereoDRNet	0.18 525	0.11 511	0.17 489	0.22 570	0.11 500	0.21 541	0.22 571	0.37 612	0.33 537	0.24 548	0.28 521	0.30 567	0.19 531	0.20 525	0.20 526	0.09 472	0.08 517	0.11 554	0.09 498	0.09 496	0.07 390

SGM-Forest	0.20 549	0.14 569	0.18 513	0.19 454	0.13 557	0.20 524	0.22 571	0.33 574	0.30 515	0.24 548	0.29 533	0.28 549	0.19 531	0.23 566	0.17 489	0.15 613	0.16 634	0.15 614	0.14 607	0.12 567	0.12 569
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 525	0.11 511	0.19 525	0.19 454	0.12 534	0.24 572	0.21 561	0.25 445	0.34 549	0.22 526	0.34 568	0.27 539	0.20 543	0.21 542	0.23 567	0.09 472	0.09 550	0.08 392	0.10 538	0.08 433	0.07 390

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

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

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

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

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

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

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

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

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

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

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

MDST_ROB	0.22 570	0.10 485	0.17 489	0.18 385	0.11 500	0.37 641	0.19 518	0.43 643	0.41 589	0.39 632	0.39 597	0.29 557	0.21 547	0.26 583	0.18 507	0.11 544	0.10 571	0.14 602	0.11 572	0.10 529	0.08 456

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

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

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

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

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

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

ADCP+	0.20 549	0.10 485	0.33 606	0.20 521	0.12 534	0.22 550	0.26 620	0.31 543	0.34 549	0.26 567	0.37 583	0.22 483	0.22 556	0.27 586	0.27 610	0.09 472	0.06 415	0.08 392	0.08 451	0.09 496	0.10 529

PSMNet_ROB	0.21 561	0.11 511	0.15 423	0.27 633	0.15 598	0.24 572	0.35 661	0.43 643	0.37 570	0.27 573	0.32 552	0.32 590	0.22 556	0.21 542	0.26 602	0.12 569	0.08 517	0.13 589	0.11 572	0.09 496	0.09 500

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

RYNet	0.22 570	0.12 529	0.22 552	0.19 454	0.17 624	0.46 651	0.26 620	0.38 620	0.48 616	0.24 548	0.28 521	0.34 601	0.23 564	0.20 525	0.30 629	0.10 513	0.06 415	0.09 475	0.09 498	0.13 586	0.15 616

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

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

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

CBMV	0.19 537	0.14 569	0.17 489	0.18 385	0.10 450	0.20 524	0.11 64	0.29 518	0.30 515	0.29 597	0.30 540	0.30 567	0.23 564	0.27 586	0.19 520	0.13 595	0.15 630	0.17 625	0.16 628	0.10 529	0.10 529
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 593	0.14 569	0.45 632	0.19 454	0.13 557	0.28 610	0.25 611	0.34 583	0.62 653	0.27 573	0.56 649	0.29 557	0.24 570	0.32 616	0.25 590	0.08 412	0.08 517	0.08 392	0.08 451	0.10 529	0.10 529

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

WZ-Net	0.28 623	0.17 598	0.78 675	0.22 570	0.16 609	0.34 630	0.29 643	0.39 624	0.57 642	0.24 548	0.55 644	0.37 612	0.24 570	0.33 619	0.35 645	0.09 472	0.08 517	0.09 475	0.10 538	0.14 600	0.16 627

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

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

PS-NSSS	0.20 549	0.21 625	0.23 561	0.20 521	0.10 450	0.19 508	0.17 429	0.36 606	0.25 459	0.27 573	0.33 564	0.27 539	0.24 570	0.20 525	0.20 526	0.15 613	0.12 600	0.17 625	0.14 607	0.10 529	0.08 456

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

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

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

zh-mn7	0.25 605	0.14 569	0.56 648	0.19 454	0.14 578	0.24 572	0.22 571	0.34 583	0.62 653	0.35 621	0.65 658	0.31 580	0.25 579	0.31 609	0.25 590	0.09 472	0.08 517	0.09 475	0.09 498	0.09 496	0.11 556

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

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

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

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

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

Wz-Net-SNSev	0.25 605	0.17 598	0.44 631	0.25 615	0.14 578	0.26 593	0.23 582	0.38 620	0.56 640	0.30 602	0.55 644	0.39 624	0.26 585	0.23 566	0.30 629	0.10 513	0.09 550	0.09 475	0.10 538	0.11 552	0.11 556

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

PA-Net	0.23 586	0.18 609	0.33 606	0.28 636	0.22 644	0.21 541	0.38 666	0.29 518	0.39 580	0.22 526	0.32 552	0.25 521	0.26 585	0.20 525	0.25 590	0.09 472	0.23 660	0.15 614	0.22 646	0.09 496	0.13 592
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 537	0.09 423	0.22 552	0.17 295	0.10 450	0.25 583	0.18 478	0.27 485	0.44 607	0.22 526	0.31 548	0.33 594	0.26 585	0.28 598	0.28 618	0.08 412	0.06 415	0.07 298	0.07 378	0.09 496	0.09 500

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

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

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

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

DStereoO	0.24 593	0.18 609	0.18 513	0.20 521	0.14 578	0.21 541	0.19 518	0.32 554	0.41 589	0.29 597	0.21 421	0.32 590	0.27 593	0.41 653	0.27 610	0.46 675	0.12 600	0.31 662	0.11 572	0.15 616	0.12 569

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

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

ACVNet-4b	0.39 646	0.53 668	0.55 645	0.45 665	0.24 649	0.47 653	0.18 478	0.49 655	0.64 658	0.42 642	0.45 628	0.60 659	0.27 593	0.34 622	0.24 580	0.33 666	0.14 624	0.48 670	0.42 672	0.30 662	0.26 660

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

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

aanetorigin	0.22 570	0.17 598	0.56 648	0.17 295	0.10 450	0.15 413	0.19 518	0.20 336	0.33 537	0.49 652	0.48 632	0.29 557	0.27 593	0.20 525	0.23 567	0.08 412	0.07 487	0.08 392	0.07 378	0.10 529	0.09 500

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

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

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

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

NCC-stereo	0.24 593	0.15 579	0.31 599	0.26 620	0.16 609	0.20 524	0.30 651	0.40 628	0.40 586	0.24 548	0.38 589	0.33 594	0.28 604	0.36 634	0.27 610	0.12 569	0.11 584	0.15 614	0.22 646	0.13 586	0.13 592

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

Abc-Net	0.24 593	0.15 579	0.31 599	0.26 620	0.16 609	0.20 524	0.30 651	0.40 628	0.40 586	0.24 548	0.38 589	0.33 594	0.28 604	0.36 634	0.27 610	0.12 569	0.11 584	0.15 614	0.22 646	0.13 586	0.13 592
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 616	0.15 579	0.30 597	0.24 603	0.18 631	0.22 550	0.15 318	0.38 620	0.71 666	0.32 614	0.41 614	0.36 607	0.28 604	0.32 616	0.29 622	0.12 569	0.11 584	0.14 602	0.13 603	0.16 625	0.20 645

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

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

GANet	0.21 561	0.12 529	0.21 546	0.24 603	0.13 557	0.22 550	0.22 571	0.41 634	0.26 473	0.31 608	0.42 621	0.37 612	0.28 604	0.23 566	0.22 555	0.10 513	0.12 600	0.10 523	0.09 498	0.10 529	0.08 456

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

APVNet	0.22 570	0.12 529	0.19 525	0.18 385	0.14 578	0.32 620	0.31 657	0.39 624	0.32 530	0.27 573	0.40 603	0.30 567	0.29 612	0.26 583	0.25 590	0.11 544	0.12 600	0.11 554	0.14 607	0.12 567	0.12 569

G-Net	0.24 593	0.16 587	0.36 615	0.22 570	0.16 609	0.51 657	0.23 582	0.29 518	0.34 549	0.36 624	0.38 589	0.31 580	0.29 612	0.27 586	0.26 602	0.11 544	0.09 550	0.12 574	0.09 498	0.16 625	0.13 592

DPSNet	0.28 623	0.16 587	0.31 599	0.18 385	0.13 557	0.54 659	0.42 670	0.51 661	0.67 663	0.29 597	0.38 589	0.38 616	0.29 612	0.31 609	0.23 567	0.11 544	0.10 571	0.11 554	0.08 451	0.20 641	0.16 627

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

ccnet	0.29 627	0.28 649	0.23 561	0.20 521	0.28 658	0.41 649	0.21 561	0.45 648	0.33 537	0.36 624	0.46 629	0.36 607	0.30 616	0.39 645	0.42 661	0.23 657	0.14 624	0.21 639	0.17 635	0.23 646	0.18 639

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

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

ADCL	0.24 593	0.11 511	0.47 637	0.22 570	0.12 534	0.34 630	0.29 643	0.29 518	0.56 640	0.24 548	0.46 629	0.30 567	0.30 616	0.29 605	0.29 622	0.08 412	0.07 487	0.09 475	0.09 498	0.10 529	0.10 529

zh-sn7	0.25 605	0.17 598	0.50 639	0.24 603	0.13 557	0.25 583	0.24 595	0.34 583	0.48 616	0.28 588	0.54 642	0.28 549	0.31 620	0.36 634	0.32 637	0.10 513	0.10 571	0.11 554	0.10 538	0.12 567	0.12 569

MFN_U_SF_DS_RVC	0.30 633	0.24 634	0.29 594	0.36 657	0.16 609	0.34 630	0.30 651	0.32 554	0.42 597	0.40 635	0.46 629	0.38 616	0.31 620	0.34 622	0.28 618	0.19 642	0.20 647	0.26 647	0.29 660	0.18 637	0.19 644

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

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

DANet	0.21 561	0.15 579	0.28 586	0.25 615	0.13 557	0.22 550	0.19 518	0.27 485	0.27 483	0.28 588	0.32 552	0.35 605	0.31 620	0.31 609	0.23 567	0.11 544	0.09 550	0.11 554	0.10 538	0.13 586	0.11 556
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
light-stereo	0.42 653	0.26 640	0.59 653	0.60 673	0.49 672	0.32 620	0.23 582	0.46 650	0.52 635	0.56 660	0.58 654	0.76 671	0.32 625	0.48 657	0.29 622	0.32 664	0.24 661	0.27 650	0.33 665	0.46 670	0.39 672

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

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

otaku	0.39 646	0.37 661	0.52 641	0.44 664	0.28 658	0.58 661	0.24 595	0.41 634	0.62 653	0.40 635	0.49 633	0.46 643	0.33 627	0.40 650	0.32 637	0.30 662	0.30 667	0.39 666	0.33 665	0.29 661	0.28 661

AnyNet_C32	0.26 616	0.16 587	0.36 615	0.20 521	0.16 609	0.25 583	0.30 651	0.32 554	0.44 607	0.31 608	0.49 633	0.30 567	0.33 627	0.40 650	0.33 642	0.12 569	0.12 600	0.12 574	0.14 607	0.14 600	0.15 616

GANetREF_RVC	0.31 635	0.34 658	0.27 581	0.35 655	0.16 609	0.32 620	0.41 667	0.48 653	0.51 633	0.35 621	0.35 573	0.34 601	0.33 627	0.39 645	0.32 637	0.27 661	0.20 647	0.29 659	0.15 624	0.18 637	0.17 636
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
CSAN	0.29 627	0.24 634	0.27 581	0.34 653	0.19 635	0.33 627	0.42 670	0.37 612	0.50 626	0.38 630	0.40 603	0.44 637	0.33 627	0.28 598	0.30 629	0.20 644	0.16 634	0.19 636	0.19 640	0.14 600	0.15 616

DStereoFS	0.27 618	0.22 629	0.31 599	0.22 570	0.15 598	0.22 550	0.20 541	0.50 659	0.48 616	0.28 588	0.44 626	0.33 594	0.34 632	0.52 663	0.29 622	0.12 569	0.11 584	0.15 614	0.13 603	0.16 625	0.16 627

PASM	0.32 637	0.24 634	0.48 638	0.28 636	0.27 657	0.29 614	0.30 651	0.34 583	0.49 623	0.35 621	0.39 597	0.46 643	0.34 632	0.34 622	0.35 645	0.23 657	0.25 663	0.26 647	0.28 659	0.23 646	0.21 647

WCMA_ROB	0.24 593	0.11 511	0.22 552	0.17 295	0.14 578	0.32 620	0.15 318	0.32 554	0.32 530	0.38 630	0.53 640	0.40 628	0.34 632	0.34 622	0.25 590	0.11 544	0.12 600	0.12 574	0.10 538	0.14 600	0.14 609

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

SGM_RVC	0.23 586	0.12 529	0.15 423	0.15 112	0.09 338	0.33 627	0.18 478	0.34 583	0.31 523	0.44 647	0.37 583	0.53 655	0.35 635	0.35 628	0.24 580	0.13 595	0.13 615	0.13 589	0.13 603	0.10 529	0.11 556
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 627	0.18 609	0.45 632	0.21 553	0.17 624	0.28 610	0.23 582	0.41 634	0.63 657	0.40 635	0.49 633	0.40 628	0.36 637	0.39 645	0.40 657	0.13 595	0.12 600	0.13 589	0.14 607	0.16 625	0.16 627

LSM	0.33 640	0.20 619	0.58 651	0.26 620	0.60 682	0.34 630	0.25 611	0.42 639	0.48 616	0.45 648	0.58 654	0.42 631	0.36 637	0.35 628	0.25 590	0.12 569	0.20 647	0.14 602	0.16 628	0.19 640	0.33 667

psmorigin	0.25 605	0.15 579	0.34 614	0.17 295	0.13 557	0.23 567	0.14 234	0.34 583	0.33 537	0.41 639	0.55 644	0.41 630	0.37 639	0.34 622	0.27 610	0.11 544	0.15 630	0.11 554	0.11 572	0.12 567	0.16 627

AANet	0.30 633	0.19 613	1.03 684	0.16 208	0.13 557	0.22 550	0.16 387	0.30 532	0.62 653	0.60 661	0.52 639	0.46 643	0.38 640	0.23 566	0.32 637	0.12 569	0.09 550	0.11 554	0.10 538	0.13 586	0.12 569

Wz-Net-TNSev	0.29 627	0.20 619	0.65 658	0.19 454	0.15 598	0.38 644	0.27 627	0.35 599	0.55 637	0.34 620	0.42 621	0.45 639	0.38 640	0.32 616	0.30 629	0.12 569	0.13 615	0.10 523	0.12 592	0.15 616	0.14 609

AnyNet_C01	0.36 644	0.25 639	1.37 690	0.22 570	0.17 624	0.48 655	0.27 627	0.35 599	0.39 580	0.39 632	0.74 668	0.46 643	0.38 640	0.45 655	0.47 666	0.13 595	0.13 615	0.13 589	0.14 607	0.14 600	0.15 616

EDNetEfficient	0.29 627	0.24 634	1.13 687	0.18 385	0.10 450	0.19 508	0.20 541	0.20 336	0.60 650	0.74 674	0.56 649	0.31 580	0.39 643	0.22 555	0.30 629	0.09 472	0.07 487	0.08 392	0.07 378	0.11 552	0.09 500

MFN_U_SF_RVC	0.32 637	0.21 625	0.55 645	0.30 647	0.15 598	0.34 630	0.17 429	0.52 662	0.46 614	0.46 651	0.55 644	0.59 658	0.39 643	0.35 628	0.37 650	0.15 613	0.14 624	0.18 634	0.21 643	0.16 625	0.15 616

SAMSARA	0.40 649	0.28 649	0.33 606	0.55 671	0.39 665	0.82 681	1.23 698	0.47 652	0.51 633	0.36 624	0.35 573	0.55 657	0.39 643	0.38 641	0.39 654	0.15 613	0.20 647	0.15 614	0.14 607	0.23 646	0.20 645

FC-DCNN v2	0.33 640	0.27 644	0.28 586	0.26 620	0.23 647	0.37 641	0.28 633	0.40 628	0.43 602	0.45 648	0.56 649	0.51 651	0.40 646	0.37 639	0.29 622	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652

ADCMid	0.25 605	0.15 579	0.40 625	0.20 521	0.14 578	0.25 583	0.26 620	0.34 583	0.38 577	0.36 624	0.44 626	0.34 601	0.40 646	0.35 628	0.33 642	0.10 513	0.09 550	0.11 554	0.11 572	0.13 586	0.12 569

FC-DCNN	0.33 640	0.27 644	0.28 586	0.26 620	0.23 647	0.37 641	0.28 633	0.40 628	0.43 602	0.45 648	0.55 644	0.51 651	0.40 646	0.37 639	0.30 629	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652

MSMD_ROB	0.31 635	0.26 640	0.26 573	0.24 603	0.21 642	0.34 630	0.25 611	0.34 583	0.39 580	0.40 635	0.69 662	0.45 639	0.40 646	0.34 622	0.27 610	0.20 644	0.19 644	0.26 647	0.25 652	0.23 646	0.22 649

MeshStereo	0.27 618	0.13 557	0.18 513	0.15 112	0.11 500	0.32 620	0.24 595	0.40 628	0.36 563	0.52 654	0.57 652	0.67 666	0.40 646	0.35 628	0.26 602	0.14 609	0.13 615	0.13 589	0.11 572	0.11 552	0.10 529
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 640	0.28 649	0.28 586	0.30 647	0.24 649	0.39 646	0.28 633	0.42 639	0.42 597	0.43 645	0.53 640	0.51 651	0.41 651	0.36 634	0.30 629	0.21 648	0.20 647	0.27 650	0.26 653	0.25 654	0.24 652
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 657	0.19 613	3.26 697	0.24 603	0.15 598	0.74 674	0.20 541	0.36 606	0.76 673	0.42 642	0.43 624	0.31 580	0.41 651	0.53 666	0.35 645	0.10 513	0.08 517	0.13 589	0.12 592	0.15 616	0.15 616

RTSA	0.45 657	0.19 613	3.26 697	0.24 603	0.15 598	0.74 674	0.20 541	0.36 606	0.76 673	0.42 642	0.43 624	0.31 580	0.41 651	0.53 666	0.35 645	0.10 513	0.08 517	0.13 589	0.12 592	0.15 616	0.15 616

Ntro	0.40 649	0.40 663	0.53 642	0.46 668	0.30 662	0.65 667	0.24 595	0.46 650	0.68 664	0.41 639	0.49 633	0.48 649	0.42 654	0.39 645	0.31 636	0.32 664	0.28 665	0.37 665	0.30 662	0.32 666	0.29 662

SGM-ForestM	0.32 637	0.12 529	0.16 459	0.16 208	0.11 500	0.39 646	0.19 518	0.41 634	0.50 626	0.52 654	0.54 642	1.32 687	0.42 654	0.40 650	0.27 610	0.14 609	0.16 634	0.16 621	0.16 628	0.12 567	0.12 569

LE_ROB	0.50 663	0.07 224	0.14 375	0.15 112	0.08 211	0.24 572	0.16 387	0.22 383	1.81 697	4.63 703	0.67 660	0.47 647	0.44 656	0.20 525	0.29 622	0.07 335	0.06 415	0.06 187	0.06 280	0.08 433	0.06 303

coex-ft	3.30 695	0.34 658	59.09 727	0.18 385	0.13 557	0.26 593	0.22 571	0.27 485	0.72 667	1.90 698	0.70 664	0.44 637	0.45 657	0.29 605	0.41 660	0.09 472	0.09 550	0.12 574	0.09 498	0.14 600	0.13 592

RainbowNet	0.54 666	0.61 672	0.70 673	0.57 672	0.43 669	0.65 667	0.37 665	0.60 671	0.87 677	0.50 653	0.66 659	0.64 662	0.47 658	0.49 658	0.43 664	0.47 676	0.48 681	0.52 674	0.41 671	0.52 673	0.40 675

Consistency-Raft	0.44 655	0.40 663	0.45 632	0.37 659	0.43 669	0.46 651	0.41 667	0.57 669	0.55 637	0.32 614	0.73 666	0.33 594	0.48 659	0.42 654	0.49 668	0.39 669	0.35 672	0.45 669	0.51 679	0.42 669	0.29 662

ACVNet_1	0.44 655	0.49 667	0.60 654	0.45 665	0.28 658	0.49 656	0.27 627	0.57 669	0.72 667	0.62 663	0.58 654	0.74 670	0.49 660	0.50 659	0.35 645	0.26 660	0.24 661	0.39 666	0.29 660	0.31 665	0.24 652

EDNetEfficientorigin	7.91 703	0.31 654	153.02 728	0.19 454	0.09 338	0.21 541	0.16 387	0.22 383	0.59 646	0.72 670	0.67 660	0.42 631	0.50 661	0.24 576	0.39 654	0.08 412	0.07 487	0.08 392	0.07 378	0.12 567	0.10 529

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

FADE	0.45 657	0.33 656	1.03 684	0.33 652	0.25 655	0.35 638	0.29 643	0.64 673	1.07 681	0.43 645	0.41 614	0.42 631	0.53 662	0.70 676	0.51 672	0.30 662	0.21 659	0.41 668	0.38 669	0.23 646	0.22 649

MSC_U_SF_DS_RVC	0.43 654	0.39 662	0.54 643	0.40 660	0.20 638	0.64 666	0.32 659	0.53 664	0.72 667	0.71 668	0.72 665	0.61 660	0.54 664	0.51 661	0.46 665	0.20 644	0.19 644	0.29 659	0.30 662	0.23 646	0.18 639

ELAS_RVC	0.41 651	0.29 652	0.33 606	0.28 636	0.24 649	0.54 659	0.36 662	0.49 655	0.59 646	0.72 670	0.74 668	0.65 664	0.54 664	0.54 668	0.40 657	0.22 653	0.20 647	0.27 650	0.26 653	0.26 659	0.25 658
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 651	0.29 652	0.33 606	0.27 633	0.24 649	0.60 664	0.36 662	0.50 659	0.50 626	0.71 668	0.79 672	0.67 666	0.54 664	0.51 661	0.42 661	0.22 653	0.20 647	0.27 650	0.26 653	0.26 659	0.25 658
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 665	0.58 670	0.65 658	0.41 662	0.61 683	0.53 658	0.41 667	0.56 667	0.41 589	0.55 658	0.50 637	0.49 650	0.55 667	0.58 671	0.50 671	0.58 682	0.50 685	0.51 672	0.51 679	0.51 672	0.57 681

SGM+DAISY	0.56 667	0.57 669	0.65 658	0.40 660	0.54 675	0.66 669	0.49 675	0.56 667	0.45 613	0.66 664	0.69 662	0.67 666	0.56 668	0.63 673	0.56 674	0.59 683	0.48 681	0.50 671	0.50 678	0.52 673	0.58 682

MonStereo1	0.47 662	0.26 640	0.58 651	0.28 636	0.20 638	0.39 646	0.18 478	0.49 655	0.64 658	0.52 654	0.87 675	1.01 676	0.57 669	0.50 659	0.56 674	0.53 679	0.31 670	0.54 676	0.40 670	0.33 667	0.34 668

SPS-STEREO	0.57 668	0.58 670	0.65 658	0.45 665	0.55 677	0.62 665	0.44 674	0.62 672	0.50 626	0.68 666	0.64 657	0.66 665	0.57 669	0.61 672	0.60 677	0.62 685	0.47 680	0.51 672	0.49 676	0.55 677	0.58 682
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 646	0.20 619	0.39 623	0.31 651	0.22 644	0.29 614	0.43 672	0.52 662	0.96 680	0.55 658	0.79 672	0.53 655	0.59 671	0.52 663	0.38 652	0.19 642	0.14 624	0.17 625	0.14 607	0.24 653	0.31 665

MANE	0.45 657	0.27 644	0.27 581	0.27 633	0.24 649	0.47 653	0.31 657	0.55 666	0.59 646	0.72 670	1.13 689	1.15 681	0.61 672	0.52 663	0.37 650	0.21 648	0.20 647	0.27 650	0.31 664	0.25 654	0.24 652

PWCK	0.71 673	0.94 687	0.95 682	0.76 678	0.31 663	0.74 674	0.36 662	0.90 680	0.90 678	0.96 683	0.75 670	0.95 675	0.61 672	0.87 686	0.66 680	0.72 688	0.46 676	0.75 682	0.49 676	0.69 686	0.44 677

BEATNet-Init1	0.52 664	0.27 644	0.62 656	0.30 647	0.21 642	0.76 678	0.29 643	0.54 665	0.65 661	0.86 679	0.95 680	2.07 697	0.62 674	0.56 670	0.42 661	0.18 636	0.18 641	0.23 644	0.22 646	0.22 645	0.21 647

NVStereoNet_ROB	0.46 661	0.36 660	0.46 636	0.41 662	0.28 658	0.34 630	0.34 660	0.48 653	0.60 650	0.72 670	0.93 678	0.70 669	0.66 675	0.47 656	0.60 677	0.22 653	0.33 671	0.34 664	0.34 668	0.30 662	0.30 664
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 669	0.66 676	0.65 658	0.51 669	0.69 687	0.69 670	0.57 681	0.64 673	0.73 671	0.60 661	0.73 666	0.62 661	0.67 676	0.65 674	0.60 677	0.66 687	0.58 694	0.63 677	0.59 682	0.68 684	0.69 691

MADNet+	0.75 676	0.71 678	3.70 700	0.66 675	0.41 667	0.98 686	0.97 696	0.69 675	0.73 671	0.52 654	0.57 652	0.64 662	0.68 677	0.86 685	1.01 693	0.34 667	0.36 673	0.28 658	0.23 650	0.36 668	0.31 665

ACVNet_2	0.66 672	0.66 676	0.68 667	0.63 674	0.41 667	0.71 672	0.49 675	0.96 685	1.39 690	0.89 680	1.09 685	1.04 677	0.73 678	0.54 668	0.47 666	0.43 673	0.40 674	0.53 675	0.44 673	0.47 671	0.35 670

TorneroNet-64	0.76 677	0.72 679	0.74 674	0.78 680	0.58 681	0.91 685	0.56 680	0.84 679	1.29 687	0.66 664	0.90 676	1.40 689	0.75 679	0.85 684	0.67 683	0.49 677	0.46 676	0.72 681	0.59 682	0.67 683	0.53 680

IMH-64-1	0.65 670	0.61 672	0.68 667	0.71 676	0.51 673	0.59 662	0.49 675	0.91 681	0.85 675	0.74 674	1.02 682	0.81 672	0.78 680	0.79 678	0.49 668	0.42 671	0.46 676	0.71 679	0.47 674	0.52 673	0.39 672

IMH-64	0.65 670	0.61 672	0.68 667	0.71 676	0.51 673	0.59 662	0.49 675	0.91 681	0.85 675	0.74 674	1.02 682	0.81 672	0.78 680	0.79 678	0.49 668	0.42 671	0.46 676	0.71 679	0.47 674	0.52 673	0.39 672

JetBlue	0.71 673	0.45 666	1.14 688	0.51 669	0.47 671	2.02 696	0.64 685	0.75 676	0.70 665	0.69 667	0.77 671	1.22 683	0.83 682	1.03 693	1.01 693	0.40 670	0.28 665	0.33 663	0.33 665	0.30 662	0.34 668

LVE	0.83 681	0.85 685	0.85 680	0.80 681	0.56 678	1.04 691	0.65 686	1.05 690	1.47 693	0.96 683	1.22 693	1.10 680	0.85 683	0.83 681	0.71 685	0.49 677	0.55 691	0.76 685	0.60 684	0.65 681	0.59 687

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

IMH	0.71 673	0.64 675	0.68 667	0.76 678	0.54 675	0.69 670	0.54 679	0.98 687	1.10 683	0.82 678	1.09 685	0.89 674	0.88 685	0.87 686	0.52 673	0.44 674	0.50 685	0.75 682	0.51 679	0.56 678	0.41 676

WAO-7	0.79 678	0.78 681	0.54 643	0.85 684	0.67 686	0.74 674	0.68 689	1.05 690	1.32 688	0.90 681	1.20 692	1.04 677	0.92 686	0.69 675	0.66 680	0.60 684	0.62 695	0.67 678	0.68 688	0.64 680	0.58 682

JetRed	1.62 692	1.46 695	2.98 695	0.92 687	1.21 696	4.99 699	1.53 701	1.27 698	1.39 690	1.83 697	1.74 698	1.60 695	0.95 687	1.41 696	2.45 701	0.90 696	1.60 701	0.93 691	0.90 696	1.35 697	0.99 698

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

Dean	0.87 682	0.86 686	0.79 677	0.81 682	0.56 678	0.90 682	0.63 683	1.15 696	1.73 696	1.15 691	1.15 690	1.31 686	0.99 689	0.81 680	0.81 689	0.57 681	0.56 692	0.77 686	0.64 685	0.66 682	0.58 682

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

WAO-8	0.91 683	0.81 683	0.65 658	0.94 688	0.69 687	0.90 682	0.67 687	1.07 693	1.83 698	1.06 688	1.45 695	1.30 684	1.07 691	0.84 682	0.78 686	0.74 690	0.53 688	0.86 688	0.75 690	0.69 686	0.62 688

ktn	1.01 688	1.21 692	0.80 678	1.23 695	0.86 693	1.01 689	0.87 693	0.94 684	1.39 690	1.04 686	1.12 688	1.15 681	1.07 691	0.94 690	0.59 676	1.28 700	0.71 697	1.38 700	0.83 693	1.02 695	0.75 694

Venus	0.91 683	0.81 683	0.65 658	0.94 688	0.69 687	0.90 682	0.67 687	1.07 693	1.83 698	1.06 688	1.45 695	1.30 684	1.07 691	0.84 682	0.78 686	0.74 690	0.53 688	0.86 688	0.75 690	0.69 686	0.62 688

DPSimNet_ROB	1.11 690	1.23 693	0.78 675	1.13 693	0.88 694	1.10 692	1.13 697	1.16 697	1.23 686	1.43 695	1.02 682	1.41 690	1.10 694	0.90 688	1.60 695	1.46 701	0.51 687	1.21 698	1.03 698	0.90 692	1.01 699

notaker	0.97 686	1.11 690	0.98 683	1.13 693	0.81 691	0.73 673	0.68 689	0.93 683	1.16 684	1.18 693	1.18 691	1.41 690	1.16 695	1.08 695	0.69 684	0.81 693	0.64 696	1.17 696	0.79 692	0.98 693	0.80 695

UNDER WATER-64	0.95 685	0.94 687	1.43 692	0.87 686	0.56 678	1.18 694	0.87 693	0.77 677	0.94 679	1.04 686	0.85 674	1.58 694	1.21 696	0.94 690	0.96 691	0.87 694	0.57 693	1.03 694	0.88 695	0.78 690	0.73 692

UNDER WATER	0.97 686	0.97 689	1.42 691	0.99 690	0.70 690	1.12 693	0.84 692	0.80 678	1.08 682	1.01 685	0.90 676	1.55 693	1.22 697	1.03 693	1.00 692	0.78 692	0.53 688	1.02 693	0.87 694	0.80 691	0.74 693

HanzoNet	1.29 691	1.26 694	1.19 689	1.12 692	0.85 692	1.02 690	0.83 691	1.03 689	1.48 694	1.64 696	1.61 697	2.50 699	1.72 698	1.61 697	1.61 696	1.26 699	0.80 698	1.31 699	1.01 697	1.02 695	0.86 696

Selective-IGEV-i1pa	2.80 694	3.51 702	0.67 666	0.28 636	0.14 578	10.22 704	0.43 672	4.36 701	3.63 701	3.53 701	6.92 703	3.47 700	1.97 699	13.41 715	2.26 698	0.36 668	0.15 630	0.13 589	0.10 538	0.15 616	0.35 670

MADNet++	1.95 693	1.75 696	1.59 693	1.82 698	1.69 698	2.33 697	1.40 700	2.35 700	2.09 700	2.57 700	2.36 700	2.24 698	2.17 700	2.28 698	2.34 699	1.87 702	1.66 702	1.54 701	1.34 701	1.92 699	1.77 702

Selective-IGEV-i16pa	18.58 716	3.30 700	1.09 686	0.21 553	0.18 631	103.68 728	0.28 633	19.87 720	40.73 728	4.16 702	56.45 728	8.07 707	2.59 701	123.95 729	5.89 705	0.18 636	0.12 600	0.09 475	0.12 592	0.12 567	0.51 679

ASD4	3.54 696	3.38 701	2.05 694	1.72 697	2.51 700	9.03 703	17.71 707	2.25 699	5.51 703	2.46 699	2.81 701	2.03 696	3.36 702	2.73 699	5.06 702	1.22 698	1.34 700	1.13 695	1.33 700	1.68 698	1.49 701

tt	4.67 698	0.06 106	3.55 699	2.02 699	1.55 697	10.25 705	16.71 706	8.91 710	5.03 702	1.31 694	0.94 679	4.71 701	4.76 703	3.33 700	5.87 704	6.06 710	10.30 716	1.88 704	2.11 704	2.75 701	1.21 700

LRCNet_RVC	10.62 711	13.42 717	7.30 703	18.92 716	2.07 699	0.33 627	0.30 651	5.59 705	0.48 616	13.03 715	17.94 715	8.87 708	5.65 704	4.79 702	1.89 697	23.51 724	2.73 707	27.55 727	25.71 727	16.07 721	16.33 723

PML	8.91 706	9.34 716	6.13 702	5.35 703	6.41 704	14.99 708	23.38 714	5.27 702	6.83 704	18.04 719	28.19 727	7.67 706	6.83 705	7.85 706	5.75 703	5.35 709	1.83 703	5.95 715	1.93 703	8.64 712	2.52 704

USTest	6.22 699	2.73 699	3.00 696	6.57 706	7.29 705	14.37 707	21.57 708	7.00 709	9.56 708	5.34 706	6.10 702	5.72 704	7.64 706	6.41 705	6.96 706	1.97 703	3.42 708	1.64 702	2.15 705	2.66 700	2.36 703

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

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

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

DPSMNet_ROB	8.06 704	4.48 703	8.63 712	5.37 705	10.74 708	8.32 701	22.98 713	5.46 703	13.36 713	5.12 704	9.92 709	5.08 702	10.40 710	5.53 704	12.58 710	3.80 708	8.00 709	3.50 705	7.02 710	3.83 705	7.14 712

DGTPSM_ROB	8.06 704	4.48 703	8.63 712	5.35 703	10.72 707	8.32 701	22.97 712	5.46 703	13.35 712	5.12 704	9.92 709	5.08 702	10.40 710	5.52 703	12.58 710	3.79 707	8.00 709	3.50 705	7.02 710	3.83 705	7.14 712

iinet-test	10.48 709	8.09 712	7.54 708	10.26 707	10.94 709	18.00 713	25.26 715	11.33 714	13.28 710	9.69 711	9.85 707	9.42 712	11.17 712	11.02 711	12.78 713	6.59 712	8.30 711	5.56 710	6.56 706	6.89 708	7.02 710

IINet	10.48 709	8.09 712	7.54 708	10.26 707	10.94 709	18.00 713	25.26 715	11.33 714	13.28 710	9.69 711	9.85 707	9.42 712	11.17 712	11.02 711	12.78 713	6.59 712	8.30 711	5.56 710	6.56 706	6.89 708	7.02 710

Anonymous_1	10.96 712	7.92 711	7.46 707	10.33 709	10.06 706	18.65 715	26.34 717	11.06 713	13.44 714	9.40 710	10.05 711	9.67 714	11.23 714	10.73 710	12.72 712	6.42 711	8.38 713	5.77 712	10.61 712	12.12 713	6.77 709

DPSM_ROB	11.15 713	8.58 714	8.00 710	10.88 710	11.58 711	19.10 716	26.71 718	12.05 716	14.07 717	10.36 713	10.84 712	10.33 715	11.86 715	11.70 713	13.54 715	6.99 714	8.79 714	5.89 713	6.95 708	7.29 710	7.42 714

DPSM	11.15 713	8.58 714	8.00 710	10.88 710	11.58 711	19.10 716	26.71 718	12.05 716	14.07 717	10.36 713	10.84 712	10.33 715	11.86 715	11.70 713	13.54 715	6.99 714	8.79 714	5.89 713	6.95 708	7.29 710	7.42 714

HaxPig	15.71 715	18.52 725	19.18 721	16.89 715	15.89 716	7.73 700	7.60 703	13.31 718	10.82 709	15.42 716	14.91 714	15.98 717	14.92 717	15.58 716	15.98 717	18.95 723	16.73 717	19.46 723	18.08 723	19.26 722	19.05 726

MEDIAN_ROB	20.38 719	24.04 726	23.31 724	21.23 717	21.71 719	10.40 706	7.92 704	17.64 719	15.50 719	20.12 720	19.70 716	20.34 718	20.32 718	21.19 717	21.13 720	23.81 725	21.81 725	24.98 726	23.76 726	24.71 725	23.93 727

RSGM-EC	20.36 717	4.73 705	0.68 667	16.76 713	16.92 717	21.28 718	27.18 720	10.46 711	14.04 715	18.00 717	21.31 718	22.24 726	21.82 719	22.57 718	17.63 718	62.81 727	33.79 727	20.14 724	18.10 724	20.18 723	16.45 724

acva	20.36 717	4.73 705	0.68 667	16.76 713	16.92 717	21.28 718	27.18 720	10.46 711	14.04 715	18.00 717	21.31 718	22.24 726	21.82 719	22.57 718	17.63 718	62.81 727	33.79 727	20.14 724	18.10 724	20.18 723	16.45 724

FlowAnything	22.44 723	17.35 722	16.14 718	22.07 723	23.23 720	38.39 724	53.77 723	24.25 725	28.44 725	20.96 727	21.82 724	20.70 719	23.84 721	23.49 724	27.14 722	14.04 716	17.79 724	11.75 716	14.15 722	14.65 714	14.89 716

Selective-RAFT-Error	22.47 724	17.37 723	16.09 717	22.06 722	23.34 725	38.39 724	53.83 728	24.29 727	28.47 726	20.74 725	21.83 725	20.81 720	23.90 722	23.54 726	27.53 728	14.08 720	17.69 719	11.82 717	14.00 716	14.69 717	15.00 722

Hybrid-DGEV	22.47 724	17.40 724	16.14 718	22.00 718	23.29 722	38.36 723	53.80 724	24.43 728	28.63 727	20.59 721	21.81 723	20.88 721	23.91 723	23.45 723	27.42 725	14.08 720	17.69 719	11.83 718	14.06 721	14.65 714	14.93 718

CasAABBNet	22.42 720	17.33 719	16.01 716	22.01 719	23.28 721	38.32 720	53.80 724	24.14 724	28.41 724	20.60 722	21.77 722	20.89 724	23.91 723	23.43 722	27.36 723	14.07 717	17.69 719	11.83 718	14.01 717	14.67 716	14.95 719

RAFT-FEzeroshot	22.43 721	17.33 719	15.98 714	22.02 720	23.31 723	38.34 721	53.82 726	24.05 722	28.39 722	20.61 723	21.76 720	20.88 721	23.92 725	23.41 720	27.42 725	14.07 717	17.69 719	11.83 718	14.02 718	14.69 717	14.97 720

RAFT-FE	22.43 721	17.33 719	15.98 714	22.02 720	23.31 723	38.34 721	53.82 726	24.05 722	28.39 722	20.61 723	21.76 720	20.88 721	23.92 725	23.41 720	27.42 725	14.07 717	17.69 719	11.83 718	14.02 718	14.69 717	14.97 720

LSM0	22.87 726	17.28 718	18.96 720	22.19 724	29.04 727	38.42 726	53.71 722	24.28 726	28.31 721	20.78 726	21.00 717	21.43 725	24.16 727	23.50 725	27.39 724	14.09 722	17.38 718	11.84 722	14.04 720	14.73 720	14.89 716

AVERAGE_ROB	24.90 727	29.20 727	28.14 725	24.89 725	24.64 726	17.75 712	11.12 705	21.45 721	19.93 720	25.12 728	24.46 726	25.12 728	25.46 728	24.69 727	22.83 721	29.76 726	27.13 726	28.97 728	27.95 728	29.91 726	29.47 728

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

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

Low-res two-view benchmark