Low-res two-view results

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

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

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

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

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

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

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

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

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

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

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

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

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

LG-Stereo_L1	0.07 7	0.05 43	0.11 252	0.14 70	0.06 28	0.07 43	0.13 179	0.09 21	0.07 15	0.05 2	0.04 1	0.05 5	0.04 1	0.08 25	0.07 1	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

GREAT-IGEV	0.07 7	0.06 117	0.08 57	0.13 22	0.07 134	0.07 43	0.14 246	0.09 21	0.09 52	0.06 25	0.07 65	0.06 42	0.05 14	0.10 124	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
SCV_C0	0.08 85	0.07 239	0.07 11	0.16 222	0.09 355	0.08 85	0.15 334	0.11 58	0.12 149	0.08 131	0.07 65	0.06 42	0.05 14	0.11 199	0.07 1	0.05 51	0.05 276	0.05 50	0.04 60	0.06 293	0.05 207

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

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

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

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

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

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

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

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

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

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

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

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

CroCo-Stereo	0.09 176	0.08 358	0.08 57	0.22 590	0.09 355	0.09 139	0.19 536	0.15 188	0.12 149	0.07 75	0.07 65	0.08 186	0.06 66	0.08 25	0.07 1	0.07 343	0.05 276	0.06 200	0.04 60	0.05 170	0.04 73
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 299	0.09 440	0.07 11	0.19 472	0.08 220	0.12 310	0.28 653	0.13 115	0.17 321	0.11 266	0.17 363	0.14 368	0.12 384	0.07 4	0.07 1	0.05 51	0.05 276	0.09 492	0.07 393	0.04 48	0.04 73

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

BridgeDepth	0.07 7	0.07 239	0.08 57	0.18 402	0.06 28	0.07 43	0.11 64	0.09 21	0.06 6	0.04 1	0.07 65	0.10 260	0.09 270	0.08 25	0.08 25	0.04 11	0.03 1	0.04 1	0.04 60	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
GSStereo	0.08 85	0.05 43	0.08 57	0.13 22	0.08 220	0.08 85	0.14 246	0.11 58	0.12 149	0.08 131	0.10 197	0.05 5	0.05 14	0.11 199	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.05 207

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

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

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

GASTEREO	0.08 85	0.05 43	0.09 123	0.19 472	0.07 134	0.07 43	0.12 100	0.14 146	0.11 110	0.10 230	0.09 161	0.07 124	0.04 1	0.12 295	0.08 25	0.06 168	0.05 276	0.05 50	0.04 60	0.04 48	0.05 207

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

water-stereo	0.09 176	0.06 117	0.08 57	0.16 222	0.07 134	0.09 139	0.13 179	0.15 188	0.13 192	0.11 266	0.12 270	0.08 186	0.09 270	0.07 4	0.08 25	0.06 168	0.05 276	0.05 50	0.05 192	0.04 48	0.04 73

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

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

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

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

SGD-Stereo	0.08 85	0.05 43	0.10 189	0.14 70	0.05 2	0.12 310	0.12 100	0.11 58	0.12 149	0.07 75	0.09 161	0.09 223	0.09 270	0.08 25	0.08 25	0.06 168	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

TRStereo	0.09 176	0.05 43	0.12 300	0.15 124	0.12 554	0.10 202	0.13 179	0.18 302	0.18 354	0.09 183	0.09 161	0.09 223	0.06 66	0.10 124	0.08 25	0.07 343	0.05 276	0.07 312	0.07 393	0.04 48	0.04 73

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DispViT+	0.08 85	0.05 43	0.09 123	0.13 22	0.06 28	0.05 4	0.11 64	0.18 302	0.16 291	0.09 183	0.08 125	0.07 124	0.06 66	0.11 199	0.09 104	0.06 168	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

BLMT-Stereo	0.07 7	0.04 1	0.08 57	0.15 124	0.07 134	0.06 14	0.14 246	0.07 7	0.10 77	0.05 2	0.05 7	0.04 1	0.06 66	0.07 4	0.09 104	0.04 11	0.04 25	0.05 50	0.05 192	0.04 48	0.04 73

MatchStereo	0.07 7	0.04 1	0.08 57	0.14 70	0.06 28	0.05 4	0.12 100	0.12 85	0.09 52	0.07 75	0.06 23	0.04 1	0.04 1	0.08 25	0.09 104	0.06 168	0.05 276	0.05 50	0.03 1	0.04 48	0.04 73
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
WQFJX1	0.10 246	0.07 239	0.08 57	0.22 590	0.09 355	0.12 310	0.17 447	0.18 302	0.17 321	0.10 230	0.09 161	0.07 124	0.10 314	0.11 199	0.09 104	0.07 343	0.08 535	0.07 312	0.06 293	0.05 170	0.04 73

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

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

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

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

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

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

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

Monster-pub-eth3d	0.07 7	0.06 117	0.05 1	0.15 124	0.05 2	0.08 85	0.10 35	0.15 188	0.15 252	0.05 2	0.06 23	0.05 5	0.06 66	0.07 4	0.09 104	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 7	0.04 1	0.09 123	0.13 22	0.06 28	0.05 4	0.09 20	0.11 58	0.07 15	0.06 25	0.06 23	0.05 5	0.06 66	0.09 59	0.09 104	0.06 168	0.04 25	0.04 1	0.03 1	0.05 170	0.05 207

S2M2_XL	0.08 85	0.06 117	0.12 300	0.12 7	0.08 220	0.09 139	0.09 20	0.07 7	0.07 15	0.08 131	0.07 65	0.07 124	0.06 66	0.09 59	0.09 104	0.08 426	0.06 430	0.07 312	0.05 192	0.08 450	0.06 310
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
asd	0.07 7	0.08 358	0.07 11	0.16 222	0.07 134	0.08 85	0.08 7	0.11 58	0.08 25	0.07 75	0.07 65	0.06 42	0.06 66	0.10 124	0.09 104	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CAS++	0.11 299	0.07 239	0.11 252	0.14 70	0.09 355	0.12 310	0.14 246	0.24 445	0.14 225	0.11 266	0.09 161	0.11 291	0.07 180	0.14 385	0.09 104	0.11 563	0.09 568	0.09 492	0.07 393	0.07 381	0.08 471
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.09 176	0.07 239	0.12 300	0.15 124	0.08 220	0.09 139	0.15 334	0.12 85	0.12 149	0.07 75	0.10 197	0.08 186	0.06 66	0.10 124	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.06 293	0.05 207

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

MyStereo07	0.10 246	0.07 239	0.10 189	0.17 309	0.09 355	0.14 403	0.18 496	0.15 188	0.15 252	0.09 183	0.06 23	0.06 42	0.07 180	0.12 295	0.09 104	0.06 168	0.05 276	0.08 406	0.07 393	0.06 293	0.06 310

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 176	0.07 239	0.11 252	0.16 222	0.09 355	0.11 256	0.15 334	0.16 228	0.12 149	0.09 183	0.06 23	0.06 42	0.06 66	0.11 199	0.09 104	0.05 51	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 176	0.05 43	0.13 353	0.14 70	0.08 220	0.12 310	0.15 334	0.18 302	0.10 77	0.11 266	0.08 125	0.08 186	0.05 14	0.10 124	0.09 104	0.06 168	0.04 25	0.06 200	0.05 192	0.06 293	0.05 207

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

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

TANstereo	0.09 176	0.04 1	0.08 57	0.13 22	0.06 28	0.11 256	0.14 246	0.15 188	0.19 373	0.11 266	0.15 326	0.10 260	0.06 66	0.12 295	0.09 104	0.07 343	0.05 276	0.05 50	0.04 60	0.06 293	0.05 207

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

BridgeDepth_RVC	0.07 7	0.04 1	0.09 123	0.11 1	0.05 2	0.10 202	0.10 35	0.14 146	0.09 52	0.06 25	0.07 65	0.06 42	0.07 180	0.07 4	0.10 208	0.06 168	0.04 25	0.04 1	0.04 60	0.04 48	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
WQFJX	0.10 246	0.07 239	0.09 123	0.21 573	0.09 355	0.12 310	0.16 405	0.18 302	0.17 321	0.12 309	0.10 197	0.07 124	0.09 270	0.12 295	0.10 208	0.06 168	0.07 503	0.06 200	0.05 192	0.06 293	0.05 207

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

tt45	0.09 176	0.06 117	0.11 252	0.15 124	0.07 134	0.11 256	0.16 405	0.13 115	0.11 110	0.09 183	0.06 23	0.08 186	0.06 66	0.13 351	0.10 208	0.06 168	0.04 25	0.06 200	0.05 192	0.05 170	0.06 310

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

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

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

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

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

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

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

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

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

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

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

CASnet	0.09 176	0.09 440	0.09 123	0.19 472	0.06 28	0.07 43	0.11 64	0.18 302	0.14 225	0.11 266	0.10 197	0.09 223	0.07 180	0.10 124	0.10 208	0.06 168	0.04 25	0.10 541	0.08 467	0.05 170	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 176	0.07 239	0.13 353	0.18 402	0.06 28	0.11 256	0.07 3	0.13 115	0.12 149	0.09 183	0.10 197	0.07 124	0.09 270	0.13 351	0.10 208	0.06 168	0.05 276	0.05 50	0.04 60	0.04 48	0.05 207

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

LoS	0.09 176	0.05 43	0.11 252	0.13 22	0.07 134	0.14 403	0.11 64	0.15 188	0.15 252	0.09 183	0.09 161	0.12 313	0.09 270	0.15 412	0.10 208	0.07 343	0.05 276	0.05 50	0.03 1	0.05 170	0.05 207
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
MC-Stereo	0.08 85	0.06 117	0.09 123	0.17 309	0.06 28	0.10 202	0.14 246	0.12 85	0.10 77	0.09 183	0.12 270	0.09 223	0.06 66	0.11 199	0.10 208	0.06 168	0.04 25	0.06 200	0.05 192	0.04 48	0.04 73

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

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

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

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

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

Patchmatch Stereo++	0.11 299	0.09 440	0.16 477	0.18 402	0.08 220	0.06 14	0.11 64	0.16 228	0.13 192	0.15 397	0.16 339	0.14 368	0.12 384	0.11 199	0.10 208	0.06 168	0.04 25	0.08 406	0.06 293	0.08 450	0.07 400
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
TransformOpticalFlow	0.10 246	0.08 358	0.13 353	0.18 402	0.07 134	0.09 139	0.15 334	0.19 333	0.15 252	0.12 309	0.17 363	0.11 291	0.11 351	0.11 199	0.10 208	0.05 51	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

raftrobust	0.09 176	0.06 117	0.10 189	0.17 309	0.08 220	0.09 139	0.10 35	0.18 302	0.16 291	0.10 230	0.09 161	0.12 313	0.07 180	0.12 295	0.10 208	0.08 426	0.05 276	0.06 200	0.05 192	0.05 170	0.05 207

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

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

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

CREStereo	0.09 176	0.04 1	0.08 57	0.11 1	0.06 28	0.13 366	0.14 246	0.14 146	0.10 77	0.08 131	0.13 289	0.09 223	0.08 229	0.11 199	0.10 208	0.08 426	0.04 25	0.05 50	0.03 1	0.06 293	0.06 310
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 176	0.05 43	0.09 123	0.12 7	0.06 28	0.12 310	0.14 246	0.15 188	0.11 110	0.09 183	0.13 289	0.10 260	0.07 180	0.13 351	0.10 208	0.15 632	0.04 25	0.05 50	0.03 1	0.07 381	0.06 310

SMOE	0.10 246	0.08 358	0.09 123	0.18 402	0.07 134	0.13 366	0.14 246	0.18 302	0.13 192	0.11 266	0.13 289	0.12 313	0.09 270	0.11 199	0.11 291	0.05 51	0.05 276	0.08 406	0.06 293	0.06 293	0.04 73

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

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

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

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

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

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

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

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

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

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

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

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

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

HiDET	0.08 85	0.04 1	0.10 189	0.13 22	0.06 28	0.08 85	0.12 100	0.12 85	0.11 110	0.06 25	0.07 65	0.07 124	0.07 180	0.11 199	0.11 291	0.06 168	0.04 25	0.04 1	0.03 1	0.04 48	0.04 73

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

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

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

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

S2M2_L	0.09 176	0.08 358	0.11 252	0.13 22	0.10 469	0.08 85	0.06 1	0.10 35	0.10 77	0.10 230	0.09 161	0.10 260	0.09 270	0.11 199	0.11 291	0.13 614	0.07 503	0.08 406	0.09 514	0.10 548	0.08 471
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
fffy	0.09 176	0.08 358	0.09 123	0.16 222	0.07 134	0.13 366	0.17 447	0.13 115	0.12 149	0.08 131	0.09 161	0.08 186	0.09 270	0.13 351	0.11 291	0.05 51	0.05 276	0.07 312	0.05 192	0.04 48	0.05 207

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

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

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

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

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

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

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

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

knoymous	0.11 299	0.05 43	0.12 300	0.13 22	0.07 134	0.15 430	0.14 246	0.19 333	0.13 192	0.11 266	0.17 363	0.13 346	0.09 270	0.13 351	0.11 291	0.08 426	0.05 276	0.06 200	0.05 192	0.08 450	0.07 400

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 85	0.04 1	0.06 5	0.13 22	0.07 134	0.09 139	0.12 100	0.14 146	0.14 225	0.10 230	0.14 305	0.08 186	0.07 180	0.09 59	0.11 291	0.06 168	0.04 25	0.05 50	0.05 192	0.04 48	0.04 73
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
RALCasStereoNet	0.10 246	0.06 117	0.09 123	0.16 222	0.08 220	0.12 310	0.14 246	0.17 267	0.11 110	0.12 309	0.17 363	0.14 368	0.10 314	0.12 295	0.11 291	0.07 343	0.06 430	0.06 200	0.05 192	0.08 450	0.07 400

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

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

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

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

R-Stereo Train	0.10 246	0.06 117	0.10 189	0.17 309	0.08 220	0.11 256	0.14 246	0.23 421	0.11 110	0.12 309	0.19 402	0.11 291	0.08 229	0.09 59	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.05 207

RAFT-Stereo	0.10 246	0.06 117	0.10 189	0.17 309	0.08 220	0.11 256	0.14 246	0.23 421	0.11 110	0.12 309	0.19 402	0.11 291	0.08 229	0.09 59	0.11 291	0.07 343	0.05 276	0.06 200	0.05 192	0.05 170	0.05 207
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
PhaseNet	0.09 176	0.06 117	0.10 189	0.15 124	0.08 220	0.10 202	0.14 246	0.20 345	0.12 149	0.07 75	0.08 125	0.09 223	0.10 314	0.13 351	0.12 355	0.06 168	0.04 25	0.06 200	0.06 293	0.05 170	0.05 207

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

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

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

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

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

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

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

fffft	0.09 176	0.06 117	0.12 300	0.16 222	0.07 134	0.09 139	0.17 447	0.12 85	0.11 110	0.08 131	0.07 65	0.09 223	0.06 66	0.11 199	0.12 355	0.05 51	0.04 25	0.06 200	0.05 192	0.04 48	0.05 207
1: 1. 1
mms	0.09 176	0.07 239	0.08 57	0.16 222	0.08 220	0.10 202	0.16 405	0.12 85	0.11 110	0.08 131	0.09 161	0.08 186	0.06 66	0.11 199	0.12 355	0.05 51	0.04 25	0.07 312	0.05 192	0.04 48	0.03 2

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

SME	0.11 299	0.09 440	0.10 189	0.17 309	0.07 134	0.20 544	0.13 179	0.21 372	0.17 321	0.12 309	0.13 289	0.10 260	0.12 384	0.13 351	0.13 402	0.07 343	0.07 503	0.08 406	0.09 514	0.06 293	0.05 207

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

HLF11	0.11 299	0.05 43	0.13 353	0.12 7	0.08 220	0.14 403	0.11 64	0.22 398	0.10 77	0.12 309	0.23 459	0.11 291	0.11 351	0.14 385	0.13 402	0.08 426	0.05 276	0.05 50	0.04 60	0.08 450	0.08 471

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

OMP-Stereo	0.11 299	0.06 117	0.14 392	0.18 402	0.08 220	0.09 139	0.12 100	0.21 372	0.21 413	0.13 343	0.14 305	0.11 291	0.12 384	0.11 199	0.13 402	0.06 168	0.04 25	0.07 312	0.06 293	0.05 170	0.04 73

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

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

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

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

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

GMStereo	0.13 404	0.14 588	0.14 392	0.18 402	0.09 355	0.15 430	0.16 405	0.20 345	0.24 456	0.16 426	0.17 363	0.10 260	0.10 314	0.16 447	0.13 402	0.07 343	0.06 430	0.06 200	0.06 293	0.07 381	0.06 310
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 441	0.07 239	0.13 353	0.15 124	0.08 220	0.13 366	0.16 405	0.24 445	0.24 456	0.16 426	0.28 540	0.22 502	0.14 450	0.15 412	0.13 402	0.11 563	0.06 430	0.09 492	0.12 611	0.08 450	0.07 400

DIP-Stereo	0.11 299	0.07 239	0.14 392	0.17 309	0.09 355	0.13 366	0.09 20	0.16 228	0.16 291	0.11 266	0.16 339	0.14 368	0.12 384	0.15 412	0.13 402	0.06 168	0.05 276	0.06 200	0.05 192	0.05 170	0.06 310
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 441	0.08 358	0.11 252	0.15 124	0.08 220	0.15 430	0.15 334	0.27 503	0.29 524	0.19 492	0.21 438	0.29 577	0.14 450	0.17 481	0.13 402	0.06 168	0.06 430	0.06 200	0.06 293	0.07 381	0.06 310
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HITNet	0.10 246	0.06 117	0.12 300	0.14 70	0.06 28	0.11 256	0.10 35	0.18 302	0.18 354	0.13 343	0.16 339	0.14 368	0.11 351	0.15 412	0.13 402	0.06 168	0.04 25	0.04 1	0.04 60	0.06 293	0.05 207
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MLCV	0.12 377	0.07 239	0.16 477	0.18 402	0.06 28	0.15 430	0.17 447	0.19 333	0.21 413	0.18 475	0.25 500	0.17 434	0.13 426	0.14 385	0.13 402	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

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

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

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

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

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

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

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

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

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

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

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

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

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

CASS	0.13 404	0.12 548	0.11 252	0.23 614	0.09 355	0.15 430	0.17 447	0.18 302	0.19 373	0.17 445	0.18 391	0.15 397	0.15 468	0.14 385	0.14 445	0.09 488	0.06 430	0.10 541	0.08 467	0.09 515	0.07 400
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 404	0.07 239	0.13 353	0.18 402	0.09 355	0.13 366	0.17 447	0.19 333	0.29 524	0.15 397	0.24 472	0.15 397	0.14 450	0.14 385	0.14 445	0.07 343	0.05 276	0.07 312	0.09 514	0.05 170	0.06 310

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

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

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

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

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

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

ICVP	0.15 486	0.09 440	0.12 300	0.22 590	0.09 355	0.17 485	0.21 581	0.25 464	0.23 439	0.18 475	0.30 559	0.26 550	0.18 534	0.17 481	0.14 445	0.09 488	0.07 503	0.08 406	0.07 393	0.07 381	0.07 400
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
TestStereo	0.13 404	0.14 588	0.11 252	0.23 614	0.08 220	0.15 430	0.21 581	0.20 345	0.23 439	0.14 370	0.24 472	0.16 412	0.12 384	0.16 447	0.14 445	0.05 51	0.06 430	0.08 406	0.06 293	0.09 515	0.05 207

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

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

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

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

MSMDNet	0.14 441	0.08 358	0.15 441	0.17 309	0.09 355	0.14 403	0.14 246	0.29 537	0.36 582	0.14 370	0.21 438	0.21 484	0.12 384	0.17 481	0.14 445	0.07 343	0.05 276	0.07 312	0.07 393	0.07 381	0.07 400

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

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

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

AdaStereo	0.15 486	0.11 530	0.15 441	0.18 402	0.09 355	0.20 544	0.11 64	0.32 574	0.28 517	0.20 515	0.23 459	0.20 475	0.13 426	0.19 519	0.14 445	0.12 588	0.05 276	0.10 541	0.07 393	0.09 515	0.07 400
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 441	0.08 358	0.15 441	0.16 222	0.08 220	0.16 462	0.12 100	0.25 464	0.35 577	0.21 530	0.29 552	0.24 526	0.13 426	0.14 385	0.14 445	0.06 168	0.05 276	0.06 200	0.04 60	0.09 515	0.08 471

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

SGM-Forest	0.20 568	0.14 588	0.18 532	0.19 472	0.13 577	0.20 544	0.22 591	0.33 594	0.30 534	0.24 568	0.29 552	0.28 568	0.19 550	0.23 585	0.17 508	0.15 632	0.16 654	0.15 633	0.14 626	0.12 586	0.12 588
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
pmcnn	0.15 486	0.07 239	0.19 544	0.15 124	0.07 134	0.20 544	0.15 334	0.24 445	0.26 492	0.21 530	0.34 589	0.28 568	0.18 534	0.18 504	0.17 508	0.07 343	0.05 276	0.05 50	0.04 60	0.07 381	0.06 310

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

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

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

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

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

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

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

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

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

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

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

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

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

Wz-Net-LNSev-Ref	0.18 544	0.09 440	0.29 614	0.15 124	0.10 469	0.22 571	0.20 560	0.26 482	0.39 600	0.25 581	0.42 641	0.24 526	0.15 468	0.20 544	0.19 539	0.07 343	0.05 276	0.06 200	0.05 192	0.10 548	0.09 517

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

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

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

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

CBMV	0.19 556	0.14 588	0.17 508	0.18 402	0.10 469	0.20 544	0.11 64	0.29 537	0.30 534	0.29 617	0.30 559	0.30 587	0.23 583	0.27 606	0.19 539	0.13 614	0.15 650	0.17 645	0.16 648	0.10 548	0.10 548
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ISRNet	0.18 544	0.08 358	0.19 544	0.19 472	0.13 577	0.15 430	0.12 100	0.30 551	0.32 549	0.21 530	0.25 500	0.27 558	0.17 519	0.17 481	0.20 545	0.20 664	0.08 535	0.14 621	0.14 626	0.14 620	0.17 656

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

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

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

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

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

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

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

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 530	0.10 503	0.22 572	0.20 540	0.10 469	0.15 430	0.18 496	0.31 563	0.25 478	0.21 530	0.30 559	0.25 540	0.17 519	0.21 561	0.20 545	0.09 488	0.06 430	0.08 406	0.08 467	0.07 381	0.08 471
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 568	0.21 644	0.23 581	0.20 540	0.10 469	0.19 528	0.17 447	0.36 626	0.25 478	0.27 593	0.33 585	0.27 558	0.24 589	0.20 544	0.20 545	0.15 632	0.12 619	0.17 645	0.14 626	0.10 548	0.08 471

StereoDRNet-Refined	0.17 530	0.12 548	0.15 441	0.20 540	0.09 355	0.18 504	0.18 496	0.26 482	0.23 439	0.26 587	0.40 623	0.22 502	0.17 519	0.21 561	0.20 545	0.08 426	0.05 276	0.09 492	0.10 556	0.07 381	0.07 400
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
StereoDRNet	0.18 544	0.11 530	0.17 508	0.22 590	0.11 520	0.21 562	0.22 591	0.37 632	0.33 556	0.24 568	0.28 540	0.30 587	0.19 550	0.20 544	0.20 545	0.09 488	0.08 535	0.11 572	0.09 514	0.09 515	0.07 400

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ac_64	0.16 509	0.08 358	0.15 441	0.18 402	0.10 469	0.22 571	0.18 496	0.24 445	0.21 413	0.18 475	0.24 472	0.29 577	0.18 534	0.19 519	0.22 574	0.09 488	0.07 503	0.08 406	0.09 514	0.07 381	0.06 310

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

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

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

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

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

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

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

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

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

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

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

fast-acv-ft	0.18 544	0.11 530	0.19 544	0.19 472	0.12 554	0.24 592	0.21 581	0.25 464	0.34 568	0.22 546	0.34 589	0.27 558	0.20 562	0.21 561	0.23 586	0.09 488	0.09 568	0.08 406	0.10 556	0.08 450	0.07 400

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

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

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

DANet	0.21 581	0.15 598	0.28 606	0.25 635	0.13 577	0.22 571	0.19 536	0.27 503	0.27 502	0.28 608	0.32 572	0.35 625	0.31 639	0.31 629	0.23 586	0.11 563	0.09 568	0.11 572	0.10 556	0.13 606	0.11 575
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 643	0.16 606	0.31 619	0.18 402	0.13 577	0.54 679	0.42 690	0.51 681	0.67 683	0.29 617	0.38 609	0.38 636	0.29 631	0.31 629	0.23 586	0.11 563	0.10 590	0.11 572	0.08 467	0.20 661	0.16 647

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

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

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

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

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

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

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

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

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

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

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

SGM_RVC	0.23 606	0.12 548	0.15 441	0.15 124	0.09 355	0.33 647	0.18 496	0.34 603	0.31 542	0.44 667	0.37 603	0.53 675	0.35 655	0.35 648	0.24 599	0.13 614	0.13 634	0.13 607	0.13 622	0.10 548	0.11 575
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
zh-mn7	0.25 625	0.14 588	0.56 668	0.19 472	0.14 598	0.24 592	0.22 591	0.34 603	0.62 673	0.35 641	0.65 678	0.31 600	0.25 598	0.31 629	0.25 609	0.09 488	0.08 535	0.09 492	0.09 514	0.09 515	0.11 575

z-mn7	0.24 613	0.14 588	0.45 652	0.19 472	0.13 577	0.28 630	0.25 631	0.34 603	0.62 673	0.27 593	0.56 669	0.29 577	0.24 589	0.32 636	0.25 609	0.08 426	0.08 535	0.08 406	0.08 467	0.10 548	0.10 548

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

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

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

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

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

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

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

PA-Net	0.23 606	0.18 628	0.33 626	0.28 656	0.22 664	0.21 562	0.38 686	0.29 537	0.39 600	0.22 546	0.32 572	0.25 540	0.26 604	0.20 544	0.25 609	0.09 488	0.23 680	0.15 633	0.22 666	0.09 515	0.13 612
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LSM	0.33 660	0.20 638	0.58 671	0.26 640	0.60 702	0.34 650	0.25 631	0.42 659	0.48 636	0.45 668	0.58 674	0.42 651	0.36 657	0.35 648	0.25 609	0.12 588	0.20 667	0.14 621	0.16 648	0.19 660	0.33 687

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

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

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

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

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

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

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

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

MeshStereo	0.27 638	0.13 576	0.18 532	0.15 124	0.11 520	0.32 640	0.24 615	0.40 648	0.36 582	0.52 674	0.57 672	0.67 686	0.40 666	0.35 648	0.26 621	0.14 628	0.13 634	0.13 607	0.11 590	0.11 571	0.10 548
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
DStereoO	0.24 613	0.18 628	0.18 532	0.20 540	0.14 598	0.21 562	0.19 536	0.32 574	0.41 609	0.29 617	0.21 438	0.32 610	0.27 612	0.41 673	0.27 629	0.46 695	0.12 619	0.31 682	0.11 590	0.15 636	0.12 588

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

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

Abc-Net	0.24 613	0.15 598	0.31 619	0.26 640	0.16 629	0.20 544	0.30 671	0.40 648	0.40 606	0.24 568	0.38 609	0.33 614	0.28 623	0.36 654	0.27 629	0.12 588	0.11 603	0.15 633	0.22 666	0.13 606	0.13 612
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCP+	0.20 568	0.10 503	0.33 626	0.20 540	0.12 554	0.22 571	0.26 640	0.31 563	0.34 568	0.26 587	0.37 603	0.22 502	0.22 575	0.27 606	0.27 629	0.09 488	0.06 430	0.08 406	0.08 467	0.09 515	0.10 548

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

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

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

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

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

DISCO	0.19 556	0.09 440	0.22 572	0.17 309	0.10 469	0.25 603	0.18 496	0.27 503	0.44 627	0.22 546	0.31 568	0.33 614	0.26 604	0.28 618	0.28 637	0.08 426	0.06 430	0.07 312	0.07 393	0.09 515	0.09 517

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

light-stereo	0.42 673	0.26 660	0.59 673	0.60 693	0.49 692	0.32 640	0.23 602	0.46 670	0.52 655	0.56 680	0.58 674	0.76 691	0.32 645	0.48 677	0.29 641	0.32 684	0.24 681	0.27 670	0.33 685	0.46 690	0.39 692

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

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

SHD	0.26 636	0.15 598	0.30 617	0.24 623	0.18 651	0.22 571	0.15 334	0.38 640	0.71 686	0.32 634	0.41 634	0.36 627	0.28 623	0.32 636	0.29 641	0.12 588	0.11 603	0.14 621	0.13 622	0.16 645	0.20 665

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

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

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

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

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

FCDSN-DC	0.33 660	0.28 669	0.28 606	0.30 667	0.24 669	0.39 666	0.28 653	0.42 659	0.42 617	0.43 665	0.53 660	0.51 671	0.41 671	0.36 654	0.30 648	0.21 668	0.20 667	0.27 670	0.26 673	0.25 674	0.24 672
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
EDNetEfficient	0.29 647	0.24 654	1.13 707	0.18 402	0.10 469	0.19 528	0.20 560	0.20 345	0.60 670	0.74 694	0.56 669	0.31 600	0.39 663	0.22 574	0.30 648	0.09 488	0.07 503	0.08 406	0.07 393	0.11 571	0.09 517

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

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

CSAN	0.29 647	0.24 654	0.27 601	0.34 673	0.19 655	0.33 647	0.42 690	0.37 632	0.50 646	0.38 650	0.40 623	0.44 657	0.33 647	0.28 618	0.30 648	0.20 664	0.16 654	0.19 656	0.19 660	0.14 620	0.15 636

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

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

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

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

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

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

GANetREF_RVC	0.31 655	0.34 678	0.27 601	0.35 675	0.16 629	0.32 640	0.41 687	0.48 673	0.51 653	0.35 641	0.35 594	0.34 621	0.33 647	0.39 665	0.32 657	0.27 681	0.20 667	0.29 679	0.15 643	0.18 657	0.17 656
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
ADCMid	0.25 625	0.15 598	0.40 645	0.20 540	0.14 598	0.25 603	0.26 640	0.34 603	0.38 596	0.36 644	0.44 646	0.34 621	0.40 666	0.35 648	0.33 662	0.10 531	0.09 568	0.11 572	0.11 590	0.13 606	0.12 588

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

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

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

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

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

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

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

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

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

PVD	0.39 666	0.20 638	0.39 643	0.31 671	0.22 664	0.29 634	0.43 692	0.52 682	0.96 700	0.55 678	0.79 692	0.53 675	0.59 691	0.52 683	0.38 672	0.19 662	0.14 644	0.17 645	0.14 626	0.24 673	0.31 685

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

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

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

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

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

ADCS	0.29 647	0.18 628	0.45 652	0.21 573	0.17 644	0.28 630	0.23 602	0.41 654	0.63 677	0.40 655	0.49 653	0.40 648	0.36 657	0.39 665	0.40 677	0.13 614	0.12 619	0.13 607	0.14 626	0.16 645	0.16 647

ELAS_RVC	0.41 671	0.29 672	0.33 626	0.28 656	0.24 669	0.54 679	0.36 682	0.49 675	0.59 666	0.72 690	0.74 688	0.65 684	0.54 684	0.54 688	0.40 677	0.22 673	0.20 667	0.27 670	0.26 673	0.26 679	0.25 678
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
coex-ft	3.30 715	0.34 678	59.09 749	0.18 402	0.13 577	0.26 613	0.22 591	0.27 503	0.72 687	1.90 718	0.70 684	0.44 657	0.45 677	0.29 625	0.41 680	0.09 488	0.09 568	0.12 592	0.09 514	0.14 620	0.13 612

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

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

ELAS	0.41 671	0.29 672	0.33 626	0.27 653	0.24 669	0.60 684	0.36 682	0.50 679	0.50 646	0.71 688	0.79 692	0.67 686	0.54 684	0.51 681	0.42 681	0.22 673	0.20 667	0.27 670	0.26 673	0.26 679	0.25 678
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RainbowNet	0.54 686	0.61 692	0.70 693	0.57 692	0.43 689	0.65 687	0.37 685	0.60 691	0.87 697	0.50 673	0.66 679	0.64 682	0.47 678	0.49 678	0.43 684	0.47 696	0.48 701	0.52 694	0.41 691	0.52 693	0.40 695

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

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

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

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

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

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

anonymity	0.53 685	0.58 690	0.65 678	0.41 682	0.61 703	0.53 678	0.41 687	0.56 687	0.41 609	0.55 678	0.50 657	0.49 670	0.55 687	0.58 691	0.50 691	0.58 702	0.50 705	0.51 692	0.51 699	0.51 692	0.57 701

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

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

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

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

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

MFMNet_re	0.64 689	0.66 696	0.65 678	0.51 689	0.69 707	0.69 690	0.57 701	0.64 693	0.73 691	0.60 681	0.73 686	0.62 681	0.67 696	0.65 694	0.60 697	0.66 707	0.58 714	0.63 697	0.59 702	0.68 704	0.69 711

NVStereoNet_ROB	0.46 681	0.36 680	0.46 656	0.41 682	0.28 678	0.34 650	0.34 680	0.48 673	0.60 670	0.72 690	0.93 698	0.70 689	0.66 695	0.47 676	0.60 697	0.22 673	0.33 691	0.34 684	0.34 688	0.30 682	0.30 684
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	0.57 688	0.58 690	0.65 678	0.45 685	0.55 697	0.62 685	0.44 694	0.62 692	0.50 646	0.68 686	0.64 677	0.66 685	0.57 689	0.61 692	0.60 697	0.62 705	0.47 700	0.51 692	0.49 696	0.55 697	0.58 702
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-7	0.79 698	0.78 701	0.54 663	0.85 704	0.67 706	0.74 694	0.68 709	1.05 710	1.32 708	0.90 701	1.20 712	1.04 697	0.92 706	0.69 695	0.66 700	0.60 704	0.62 715	0.67 698	0.68 708	0.64 700	0.58 702

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Low-res two-view benchmark