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

CREStereo	0.98 1	0.42 17	1.86 1	0.07 1	0.22 23	1.65 8	0.02 7	4.07 9	6.33 43	0.72 5	1.54 4	0.43 7	0.64 7	1.22 7	0.44 3	0.00 1	0.00 1	0.00 1	0.00 1	0.01 7	0.00 1
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
TANstereo	1.20 2	0.49 23	2.04 6	0.34 13	0.10 10	1.80 16	0.01 1	3.40 4	4.10 16	4.37 23	4.82 16	0.41 6	0.70 8	0.94 3	0.46 4	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

sCroCo_RVC	1.21 3	0.65 47	5.16 78	1.09 32	1.29 74	0.92 1	0.19 22	3.92 6	2.68 2	0.30 1	3.04 9	0.52 11	1.56 26	1.58 8	0.78 12	0.09 106	0.25 146	0.00 1	0.00 1	0.07 45	0.11 67

sAnonymous2	1.35 4	1.66 126	8.14 124	0.55 17	0.46 37	1.23 2	0.24 26	4.00 7	3.47 7	0.40 2	1.11 1	0.23 2	1.42 23	0.96 4	0.57 6	0.01 48	0.00 1	0.00 1	0.20 132	2.07 164	0.22 96

CroCo_RVC	1.35 4	1.66 126	8.14 124	0.55 17	0.46 37	1.23 2	0.24 26	4.00 7	3.47 7	0.40 2	1.11 1	0.23 2	1.42 23	0.96 4	0.57 6	0.01 48	0.00 1	0.00 1	0.20 132	2.07 164	0.22 96

Anonymous	1.37 6	0.52 25	4.23 57	1.38 41	2.70 121	1.85 17	0.42 36	4.77 12	3.54 9	0.53 4	1.56 5	0.19 1	1.32 20	3.11 23	0.92 19	0.05 96	0.08 110	0.00 1	0.00 1	0.17 83	0.15 80

PMTNet	1.41 7	0.37 11	2.06 8	0.26 8	0.15 16	2.94 36	0.34 31	3.39 3	5.33 26	1.00 6	1.27 3	0.28 5	0.93 15	4.04 30	0.74 10	5.00 174	0.00 1	0.00 1	0.00 1	0.03 26	0.01 8

XX-TBD	1.44 8	0.85 66	2.04 6	2.45 111	0.05 3	2.34 21	0.01 1	3.46 5	7.51 62	2.88 12	4.98 20	0.26 4	0.25 2	1.15 6	0.46 4	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

CREStereo++_RVC	1.59 9	0.39 15	2.26 9	0.36 14	0.01 1	1.67 9	0.01 1	2.95 1	8.12 73	3.69 19	7.44 46	0.47 9	0.32 3	0.74 1	0.39 1	0.00 1	0.00 1	0.00 1	3.03 176	0.00 1	0.00 1

s12784h	1.59 9	0.39 15	2.26 9	0.36 14	0.01 1	1.67 9	0.01 1	2.95 1	8.12 73	3.69 19	7.44 46	0.47 9	0.32 3	0.74 1	0.39 1	0.00 1	0.00 1	0.00 1	3.03 176	0.00 1	0.00 1

iRaftStereo_RVC	1.62 11	0.68 49	1.98 5	0.67 21	0.05 3	2.99 37	0.04 8	5.36 18	3.74 11	3.82 21	4.96 18	2.54 28	0.62 6	3.35 25	0.97 20	0.00 1	0.07 107	0.00 1	0.00 1	0.30 108	0.27 112

rafts_anoy	1.72 12	0.79 59	2.58 15	2.03 80	1.75 91	2.47 23	0.16 20	5.48 23	6.01 38	3.24 15	2.11 7	1.92 24	1.33 21	3.08 22	1.13 25	0.01 48	0.18 136	0.00 1	0.01 82	0.03 26	0.07 47

TestStereo	1.74 13	1.02 84	3.64 44	0.20 3	0.28 26	1.33 4	0.01 1	5.24 17	4.01 13	3.18 13	4.97 19	2.07 25	0.70 8	7.32 59	0.75 11	0.02 65	0.00 1	0.00 1	0.00 1	0.01 7	0.00 1

Anonymous3	1.76 14	0.44 18	6.37 101	0.33 12	0.50 40	4.33 59	0.54 42	4.43 10	2.48 1	2.21 8	3.24 10	1.53 19	1.14 17	5.64 41	1.29 26	0.17 119	0.23 142	0.00 1	0.00 1	0.12 64	0.15 80

raft+_RVC	1.79 15	0.84 64	2.32 12	2.40 107	0.85 56	1.38 5	0.09 11	6.36 30	4.75 21	2.85 11	5.46 30	1.17 13	1.36 22	4.54 33	0.91 16	0.00 1	0.10 116	0.00 1	0.00 1	0.11 59	0.22 96

GMStereo	1.83 16	0.99 81	4.55 65	0.57 19	0.05 3	2.53 24	0.01 1	4.95 14	11.14 100	3.52 17	2.24 8	0.53 12	0.49 5	3.76 29	0.80 14	0.20 124	0.00 1	0.00 1	0.12 124	0.12 64	0.00 1

raftrobust	1.86 17	0.74 54	1.94 4	2.15 89	2.24 108	2.74 28	0.53 40	4.89 13	4.05 14	6.09 49	3.89 12	1.64 20	2.55 39	2.44 21	1.12 24	0.00 1	0.03 81	0.00 1	0.00 1	0.12 64	0.08 52

RALCasStereoNet	1.93 18	1.01 82	2.75 23	1.88 67	1.75 91	2.88 34	0.18 21	4.64 11	4.36 19	2.27 9	5.14 22	2.22 26	0.79 13	7.10 57	1.00 22	0.00 1	0.34 152	0.00 1	0.00 1	0.10 53	0.16 84

DIP-Stereo	1.97 19	0.64 44	2.95 28	0.17 2	0.10 10	4.83 71	0.13 15	8.60 47	4.06 15	6.42 58	4.92 17	0.44 8	0.72 10	3.57 26	1.80 32	0.00 1	0.01 54	0.00 1	0.00 1	0.05 39	0.04 38
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
Gwc-CoAtRS	2.02 20	0.33 7	2.61 16	1.04 29	0.30 27	3.56 45	0.40 34	5.89 26	5.94 35	5.08 31	5.01 21	5.55 47	1.72 28	1.60 9	0.91 16	0.01 48	0.09 115	0.00 1	0.25 140	0.01 7	0.02 14

MSMDNet	2.02 20	0.37 11	2.84 26	1.14 34	0.34 30	3.73 50	0.53 40	6.21 29	3.55 10	5.32 37	5.17 23	5.85 52	1.74 30	2.23 18	0.91 16	0.01 48	0.10 116	0.00 1	0.24 138	0.02 14	0.02 14

GwcNet-DCA	2.08 22	0.64 44	3.81 49	0.31 10	0.17 20	1.70 15	0.25 28	5.23 16	8.47 80	6.07 48	5.30 29	1.41 15	4.23 68	1.85 12	2.02 38	0.00 1	0.00 1	0.00 1	0.00 1	0.04 31	0.19 90

CFNet-RSSM	2.11 23	0.33 7	2.71 21	1.04 29	0.30 27	3.21 40	0.41 35	6.67 34	6.96 51	5.62 40	4.58 14	5.40 45	1.71 27	1.86 13	0.87 15	0.00 1	0.08 110	0.00 1	0.32 145	0.02 14	0.02 14

RAFT-Stereo + iAFF	2.12 24	0.58 34	2.43 14	1.27 37	0.16 17	1.60 7	0.14 17	5.17 15	5.90 34	7.10 68	10.10 69	3.06 31	1.74 30	1.87 14	0.97 20	0.01 48	0.02 70	0.00 1	0.00 1	0.23 103	0.02 14

FENet	2.19 25	0.34 9	3.04 31	2.05 82	0.26 25	2.82 31	0.13 15	7.02 36	5.55 30	4.97 30	1.94 6	4.91 39	3.39 51	4.71 35	2.50 43	0.02 65	0.03 81	0.00 1	0.00 1	0.00 1	0.21 94

222	2.20 26	0.61 38	5.31 80	0.31 10	0.19 22	1.69 12	0.11 12	5.37 19	8.54 82	5.80 42	5.17 23	1.44 16	5.41 91	2.00 15	1.92 34	0.00 1	0.00 1	0.00 1	0.00 1	0.04 31	0.18 87

csc	2.28 27	0.61 38	3.81 49	0.22 4	0.07 7	1.69 12	0.11 12	5.37 19	11.84 109	5.80 42	5.17 23	1.44 16	5.41 91	2.00 15	1.92 34	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.18 87

cscssc	2.28 27	0.61 38	3.81 49	0.22 4	0.07 7	1.69 12	0.11 12	5.37 19	11.84 109	5.80 42	5.17 23	1.44 16	5.41 91	2.00 15	1.92 34	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.18 87

EAI-Stereo	2.31 29	0.44 18	2.72 22	0.68 22	0.56 41	3.51 44	2.62 90	11.42 89	4.14 17	2.09 7	7.23 43	1.21 14	0.91 14	5.67 42	1.51 29	0.01 48	0.25 146	0.00 1	0.88 164	0.04 31	0.26 109

R-Stereo Train	2.44 30	0.32 2	1.93 2	0.94 26	0.16 17	3.67 47	0.61 49	6.37 31	3.08 4	9.14 95	17.44 128	1.80 21	0.77 11	1.76 10	0.70 8	0.00 1	0.01 54	0.00 1	0.00 1	0.01 7	0.03 27

RAFT-Stereo	2.44 30	0.32 2	1.93 2	0.94 26	0.16 17	3.67 47	0.61 49	6.37 31	3.08 4	9.14 95	17.44 128	1.80 21	0.77 11	1.76 10	0.70 8	0.00 1	0.01 54	0.00 1	0.00 1	0.01 7	0.03 27
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RALAANet	2.46 32	1.09 91	3.70 46	2.55 116	0.80 54	3.37 41	0.15 18	7.44 39	5.54 29	5.65 41	6.01 32	3.54 33	1.13 16	6.34 49	1.58 30	0.00 1	0.01 54	0.00 1	0.05 110	0.21 95	0.03 27

GES	2.49 33	0.38 13	4.29 59	1.58 53	0.05 3	4.58 68	1.07 69	9.70 59	3.39 6	5.21 34	6.64 36	1.84 23	3.36 50	4.86 37	2.54 45	0.06 100	0.01 54	0.06 127	0.01 82	0.12 64	0.03 27

HCRNet	2.56 34	0.53 29	3.35 36	0.24 7	3.39 134	2.19 18	0.23 25	6.89 35	5.50 27	5.26 35	4.79 15	5.27 43	2.78 44	7.71 64	2.89 50	0.00 1	0.02 70	0.00 1	0.00 1	0.04 31	0.04 38

ACVNet	2.58 35	0.53 29	2.69 18	0.84 23	0.59 42	2.61 25	0.55 44	8.35 42	5.70 31	4.45 24	9.26 64	5.77 49	3.50 53	2.24 19	4.41 76	0.00 1	0.00 1	0.00 1	0.00 1	0.17 83	0.01 8

AFF-stereo	2.59 36	0.68 49	2.35 13	1.55 51	0.17 20	1.67 9	0.08 10	5.75 25	6.60 46	6.20 52	12.13 87	6.16 55	2.36 37	4.75 36	1.11 23	0.02 65	0.02 70	0.00 1	0.00 1	0.23 103	0.05 43

DN-CSS_ROB	2.69 37	1.40 111	5.34 81	2.31 102	0.75 49	3.14 39	0.06 9	6.11 28	3.87 12	5.34 38	12.18 90	2.34 27	1.22 18	7.84 68	1.48 28	0.03 79	0.00 1	0.00 1	0.00 1	0.35 117	0.03 27

XX-Stereo	2.71 38	0.38 13	5.96 94	2.25 97	2.20 106	1.54 6	0.21 23	5.44 22	3.05 3	2.28 10	16.16 121	7.03 60	0.24 1	6.19 45	0.79 13	0.00 1	0.15 129	0.00 1	0.23 136	0.13 72	0.04 38

111	2.78 39	0.92 74	3.81 49	0.22 4	0.07 7	2.83 32	0.70 57	6.03 27	14.00 121	3.22 14	8.93 61	5.48 46	3.30 49	3.66 27	2.03 39	0.00 1	0.00 1	0.00 1	0.00 1	0.10 53	0.29 115

HITNet	2.79 40	0.77 55	4.02 54	2.03 80	0.11 13	5.58 78	0.59 48	9.24 54	5.15 24	6.42 58	7.26 44	3.66 34	2.92 46	4.07 31	3.87 71	0.00 1	0.00 1	0.00 1	0.00 1	0.06 43	0.02 14
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
DMCA	2.82 41	0.64 44	4.45 63	1.61 56	0.89 58	3.86 53	0.57 47	9.18 52	5.10 23	6.24 54	6.49 34	7.17 67	2.13 34	3.31 24	4.73 80	0.00 1	0.01 54	0.00 1	0.00 1	0.04 31	0.02 14

pcwnet_v2	2.93 42	0.29 1	3.01 29	2.39 106	1.07 67	2.73 27	0.89 66	11.37 87	6.25 41	6.20 52	11.49 83	2.71 30	2.74 43	4.22 32	2.75 49	0.06 100	0.05 93	0.00 1	0.00 1	0.01 7	0.37 119

AdaStereo	3.09 43	0.58 34	3.04 31	2.84 124	0.48 39	4.08 56	1.29 75	12.16 103	7.77 67	6.03 47	9.62 66	5.79 51	1.53 25	4.56 34	1.93 37	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.02 14
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.
UCFNet_RVC	3.09 43	0.77 55	2.27 11	2.35 104	1.79 95	3.50 43	1.06 68	12.12 101	6.91 50	4.71 27	7.67 50	7.58 70	4.40 72	4.95 38	1.67 31	0.00 1	0.00 1	0.00 1	0.00 1	0.11 59	0.01 8

ARAFT	3.13 45	1.11 95	7.34 116	0.42 16	0.14 15	4.52 67	2.99 95	7.41 38	5.97 37	8.85 93	7.06 42	5.20 42	1.25 19	8.49 82	1.44 27	0.00 1	0.03 81	0.00 1	0.00 1	0.33 113	0.11 67

DMCA-RVC	3.17 46	1.26 104	6.39 103	2.10 85	1.51 80	3.02 38	0.56 46	7.84 41	5.06 22	9.23 98	5.19 27	8.46 79	2.72 42	6.31 48	3.22 60	0.06 100	0.11 120	0.09 135	0.02 89	0.16 81	0.08 52

CFNet-pseudo	3.23 47	0.36 10	3.58 42	2.13 88	1.45 77	3.78 51	0.70 57	12.67 109	9.52 87	5.16 33	12.28 93	2.62 29	1.81 32	5.36 40	3.08 55	0.01 48	0.00 1	0.00 1	0.00 1	0.00 1	0.07 47

BEATNet_4x	3.24 48	1.27 105	5.89 92	1.56 52	0.10 10	5.26 75	1.07 69	10.08 66	5.50 27	6.89 66	7.73 51	4.53 38	4.13 64	5.05 39	5.27 84	0.04 88	0.05 93	0.00 1	0.00 1	0.23 103	0.23 100

GANet-RSSM	3.27 49	0.60 36	3.38 37	2.94 131	2.00 100	2.61 25	0.48 38	10.93 85	6.11 40	5.47 39	10.20 71	6.57 57	5.44 94	6.25 47	2.23 41	0.00 1	0.00 1	0.08 132	0.00 1	0.17 83	0.03 27

NOSS_ROB	3.30 50	0.46 20	2.62 17	2.08 83	1.01 65	5.60 79	0.74 62	10.37 72	11.48 105	5.15 32	8.43 56	5.67 48	1.73 29	7.97 70	2.34 42	0.02 65	0.06 100	0.00 1	0.00 1	0.07 45	0.14 77

CFNet-ft	3.31 51	0.94 78	2.69 18	1.50 48	2.38 111	2.81 29	0.68 55	8.35 42	7.43 60	4.45 24	9.94 67	10.20 92	4.60 74	6.50 52	3.41 64	0.00 1	0.00 1	0.03 115	0.00 1	0.22 98	0.03 27

CFNet_RVC	3.31 51	0.94 78	2.69 18	1.50 48	2.38 111	2.81 29	0.68 55	8.35 42	7.43 60	4.45 24	9.94 67	10.20 92	4.60 74	6.49 51	3.41 64	0.00 1	0.00 1	0.03 115	0.00 1	0.22 98	0.03 27

PSMNet-RSSM	3.33 53	0.77 55	3.22 35	2.12 86	1.90 99	2.33 20	0.71 59	11.17 86	5.83 33	5.90 45	11.43 82	7.04 62	4.83 85	5.96 44	3.17 58	0.00 1	0.00 1	0.02 107	0.00 1	0.08 48	0.02 14

test_xeample3	3.34 54	0.93 76	4.33 60	0.28 9	0.12 14	3.46 42	3.98 111	6.58 33	11.84 109	6.79 64	13.56 102	3.52 32	4.23 68	3.71 28	2.05 40	0.01 48	0.01 54	0.00 1	0.00 1	0.02 14	1.40 159

cf-r	3.42 55	0.81 61	3.97 53	2.41 109	2.78 122	2.85 33	0.64 54	8.44 45	6.32 42	6.25 55	11.57 84	8.97 84	3.54 55	5.93 43	3.83 70	0.00 1	0.00 1	0.00 1	0.00 1	0.09 52	0.07 47

MLCV	3.44 56	0.88 68	5.60 86	1.39 42	0.25 24	4.36 61	0.33 30	7.25 37	7.28 58	9.17 97	12.24 92	5.09 41	2.47 38	9.15 97	3.23 61	0.00 1	0.00 1	0.00 1	0.00 1	0.10 53	0.02 14

DeepPruner_ROB	3.52 57	1.14 97	4.06 55	1.12 33	1.65 84	3.65 46	0.83 64	13.96 121	4.47 20	7.80 79	10.84 76	7.05 64	2.16 35	8.14 77	3.08 55	0.07 104	0.03 81	0.00 1	0.01 82	0.32 112	0.06 45

STTStereo	3.60 58	0.93 76	6.34 100	2.71 121	2.23 107	3.68 49	0.63 52	9.42 55	6.73 48	9.87 107	6.97 40	8.84 83	3.65 57	6.85 53	3.04 53	0.00 1	0.02 70	0.01 95	0.00 1	0.02 14	0.02 14

hitnet-ft	3.66 59	0.65 47	2.79 25	0.89 25	0.72 48	4.25 58	0.55 44	9.11 51	7.52 63	7.14 69	10.19 70	12.49 112	4.70 78	7.44 60	4.41 76	0.03 79	0.00 1	0.06 127	0.00 1	0.20 90	0.04 38

iResNet	3.68 60	0.91 71	7.94 122	2.97 132	0.34 30	4.44 66	0.48 38	7.70 40	9.74 90	7.72 78	12.74 97	4.03 35	2.87 45	8.05 73	3.37 63	0.02 65	0.01 54	0.00 1	0.00 1	0.10 53	0.09 56

acv_ft	3.69 61	0.53 29	4.58 68	2.31 102	4.71 162	7.44 101	0.86 65	8.54 46	5.70 31	9.29 99	9.26 64	5.77 49	4.15 65	2.24 19	8.13 116	0.00 1	0.00 1	0.00 1	0.00 1	0.29 107	0.01 8

ac_64	3.70 62	0.47 21	3.50 40	2.87 125	3.50 137	5.91 82	0.72 60	10.17 69	4.34 18	8.16 85	5.80 31	10.82 100	5.64 96	7.08 56	4.73 80	0.03 79	0.00 1	0.00 1	0.00 1	0.08 48	0.14 77

CFNet	3.72 63	1.10 93	5.03 74	2.49 113	1.59 81	4.90 73	0.22 24	11.38 88	9.88 92	4.80 28	11.25 79	6.44 56	3.68 58	8.33 79	3.00 52	0.00 1	0.00 1	0.00 1	0.00 1	0.22 98	0.07 47

GEStereo_RVC	3.74 64	0.73 53	4.95 72	2.01 79	1.24 71	4.36 61	3.07 96	11.77 95	7.80 68	6.87 65	6.52 35	7.70 73	4.31 71	8.98 93	4.19 74	0.03 79	0.01 54	0.02 107	0.02 89	0.13 72	0.11 67

GwcNet-RSSM	3.77 65	1.05 87	5.06 75	2.21 94	1.87 97	2.36 22	1.52 78	8.98 50	7.96 70	5.91 46	14.59 111	7.94 77	3.50 53	6.43 50	5.70 89	0.00 1	0.00 1	0.04 122	0.00 1	0.20 90	0.08 52

FADNet-RVC-Resample	3.79 66	1.62 123	12.06 141	1.43 45	0.66 44	5.94 83	2.41 88	10.18 70	8.58 83	6.28 56	4.22 13	5.33 44	4.80 84	7.71 64	3.19 59	0.17 119	0.21 139	0.17 145	0.12 124	0.41 126	0.29 115

UPFNet	3.82 67	0.47 21	4.34 61	2.21 94	3.38 132	7.26 98	2.69 92	9.89 61	5.96 36	7.98 82	7.53 48	7.89 76	3.15 48	7.72 66	5.88 91	0.01 48	0.02 70	0.00 1	0.00 1	0.04 31	0.06 45

NLCA_NET_v2_RVC	3.84 68	1.06 88	5.23 79	2.72 122	3.27 128	4.36 61	0.61 49	10.71 78	7.56 64	8.75 90	7.89 52	9.86 89	3.90 62	7.15 58	3.44 66	0.14 113	0.02 70	0.02 107	0.03 99	0.04 31	0.03 27
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
psm_up	3.85 69	0.82 62	3.01 29	2.00 78	2.58 119	5.28 76	3.34 102	10.85 83	6.33 43	7.27 72	7.32 45	10.15 91	9.02 125	6.19 45	2.51 44	0.22 126	0.01 54	0.00 1	0.00 1	0.12 64	0.03 27

PS-NSSS	3.90 70	1.84 135	4.55 65	0.87 24	2.95 125	4.10 57	2.00 86	10.77 80	8.23 76	6.75 62	14.63 112	5.01 40	2.24 36	8.41 81	2.91 51	0.33 138	0.03 81	0.83 167	0.00 1	0.82 144	0.70 144

FADNet_RVC	3.91 71	1.67 128	12.95 148	0.96 28	0.75 49	5.71 81	0.54 42	10.83 82	6.60 46	3.46 16	8.09 53	4.10 36	3.40 52	9.43 104	6.33 95	0.36 140	0.44 158	0.17 145	0.46 157	0.91 146	0.95 151

UNet	3.97 72	0.61 38	6.50 106	1.68 61	3.22 127	9.82 117	0.31 29	9.50 56	5.32 25	7.20 70	6.35 33	10.59 97	5.91 100	6.93 55	5.49 87	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.01 8

FADNet-RVC	3.98 73	1.84 135	12.48 144	1.69 62	0.44 35	4.33 59	1.31 76	11.84 96	7.15 56	3.53 18	3.50 11	10.63 98	4.43 73	9.12 95	6.25 94	0.03 79	0.10 116	0.00 1	0.03 99	0.60 135	0.25 106

HSM	4.00 74	0.79 59	3.16 34	1.59 55	2.17 103	6.77 94	1.11 71	12.28 104	6.35 45	6.75 62	8.11 54	13.90 118	5.37 90	8.85 90	2.71 47	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.02 14

TDLM	4.11 75	1.11 95	3.54 41	1.62 57	1.04 66	3.91 54	7.41 152	10.60 76	10.67 98	6.38 57	12.59 96	5.95 53	4.77 80	8.79 89	3.04 53	0.58 152	0.00 1	0.01 95	0.00 1	0.19 89	0.12 72

CBMV_ROB	4.14 76	0.52 25	3.14 33	1.30 38	0.77 52	6.92 95	1.97 85	10.11 68	9.58 88	8.92 94	14.20 109	7.12 66	5.90 99	8.65 86	3.50 68	0.01 48	0.05 93	0.00 1	0.00 1	0.04 31	0.09 56

MMNet	4.16 77	0.77 55	5.47 84	1.40 43	1.67 86	10.78 126	0.63 52	8.64 49	8.47 80	8.80 91	8.33 55	7.51 69	6.61 105	7.53 62	6.54 98	0.00 1	0.00 1	0.00 1	0.00 1	0.03 26	0.05 43

CVANet_RVC	4.16 77	1.16 99	3.60 43	1.94 74	1.46 78	3.92 55	4.68 126	10.89 84	8.34 78	7.58 77	10.84 76	10.27 94	6.62 106	8.56 84	2.69 46	0.39 142	0.00 1	0.00 1	0.01 82	0.21 95	0.09 56

HSM-Net_RVC	4.20 79	0.32 2	2.76 24	0.63 20	0.69 46	6.95 96	1.69 81	11.96 97	8.36 79	8.83 92	12.17 89	15.18 125	4.21 67	6.91 54	3.30 62	0.02 65	0.02 70	0.00 1	0.00 1	0.01 7	0.01 8
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DSFCA	4.21 80	0.50 24	5.45 83	1.34 39	1.68 88	7.04 97	4.51 123	10.73 79	7.00 53	10.78 115	6.80 37	8.48 81	4.63 76	9.91 108	5.12 83	0.02 65	0.06 100	0.02 107	0.03 99	0.08 48	0.03 27

iResNet_ROB	4.23 81	1.02 84	4.90 71	2.18 91	0.93 63	2.92 35	0.37 33	15.10 134	16.91 136	7.89 81	10.51 74	7.03 60	3.07 47	8.16 78	3.46 67	0.01 48	0.00 1	0.00 1	0.00 1	0.10 53	0.02 14

FADNet	4.23 81	1.65 125	11.75 140	1.64 59	0.80 54	4.80 70	0.77 63	13.76 120	11.65 107	3.97 22	5.24 28	9.62 88	5.14 87	8.40 80	3.78 69	0.21 125	0.04 88	0.07 131	0.05 110	1.14 151	0.10 64

HGLStereo	4.25 83	0.52 25	4.65 69	3.09 134	5.18 164	6.51 92	0.73 61	10.37 72	6.74 49	7.32 73	12.44 95	7.00 59	7.21 111	7.46 61	5.51 88	0.00 1	0.02 70	0.00 1	0.00 1	0.06 43	0.10 64

delet	4.27 84	0.72 52	4.50 64	1.07 31	3.75 146	10.79 127	4.04 113	9.95 62	7.89 69	8.09 83	8.89 60	8.46 79	3.81 60	7.56 63	5.80 90	0.00 1	0.00 1	0.00 1	0.00 1	0.11 59	0.02 14

iResNetv2_ROB	4.28 85	1.43 112	7.17 115	2.91 126	1.26 72	4.36 61	1.62 79	13.64 119	10.25 96	9.83 106	11.41 80	7.68 72	4.00 63	7.75 67	1.85 33	0.00 1	0.00 1	0.00 1	0.00 1	0.37 119	0.09 56

RAFT + AFF	4.30 86	1.55 119	5.84 90	1.43 45	2.36 110	5.94 83	6.72 146	10.01 63	7.56 64	7.55 76	8.96 63	7.09 65	6.73 109	8.57 85	4.02 73	0.02 65	0.47 161	0.00 1	0.01 82	0.56 130	0.54 136

StereoDRNet-Refined	4.46 87	0.62 43	3.80 48	1.92 71	0.40 33	9.35 111	0.15 18	10.02 64	8.83 85	12.69 127	11.62 85	9.34 86	3.87 61	8.06 74	8.02 111	0.00 1	0.00 1	0.01 95	0.05 110	0.20 90	0.26 109
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NVstereo2D	4.51 88	0.82 62	6.86 113	3.28 141	3.38 132	8.16 104	3.13 98	10.51 74	15.15 126	4.90 29	6.89 39	7.87 74	4.78 82	9.88 107	3.91 72	0.01 48	0.00 1	0.00 1	0.06 113	0.02 14	0.58 138

DLCB_ROB	4.51 88	0.91 71	3.78 47	2.19 92	1.07 67	6.28 85	3.09 97	9.78 60	7.72 66	10.65 113	12.97 98	13.91 119	3.71 59	8.72 87	5.30 85	0.00 1	0.00 1	0.00 1	0.00 1	0.03 26	0.10 64

RASNet	4.52 90	0.61 38	4.42 62	3.42 145	4.68 161	4.58 68	0.99 67	9.54 58	8.01 71	5.28 36	11.42 81	10.34 96	8.88 123	9.28 100	8.68 121	0.15 115	0.00 1	0.00 1	0.00 1	0.03 26	0.04 38

SGM-Forest	4.96 91	0.32 2	2.84 26	1.21 35	0.64 43	10.23 122	6.64 145	11.55 90	10.98 99	10.94 117	13.59 103	11.65 107	4.30 70	8.94 92	4.63 79	0.11 109	0.04 88	0.00 1	0.00 1	0.05 39	0.46 128
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
PA-Net	4.98 92	1.47 114	7.42 118	2.40 107	2.14 102	8.73 107	3.64 109	12.42 105	13.11 117	7.03 67	7.57 49	7.88 75	6.52 104	10.16 110	7.82 108	0.02 65	0.03 81	0.00 1	0.00 1	0.11 59	1.07 154
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
AANet_RVC	5.01 93	1.74 130	6.38 102	1.96 76	1.29 74	2.26 19	1.69 81	10.07 65	18.53 139	7.88 80	18.15 130	8.49 82	2.70 41	10.59 115	7.04 101	0.96 162	0.15 129	0.02 107	0.00 1	0.13 72	0.12 72

PSMNet_ROB	5.02 94	1.63 124	6.03 95	1.90 70	1.83 96	9.57 115	6.35 142	15.58 139	7.23 57	6.15 51	10.48 73	12.22 110	4.16 66	8.02 71	8.71 122	0.02 65	0.01 54	0.01 95	0.10 123	0.20 90	0.12 72

FINET	5.32 95	1.14 97	10.04 133	2.17 90	3.67 144	6.49 90	6.76 147	11.68 92	22.08 153	7.42 74	12.15 88	4.24 37	3.61 56	9.25 99	5.35 86	0.04 88	0.04 88	0.00 1	0.00 1	0.17 83	0.09 56

CBMV	5.35 96	0.91 71	3.67 45	1.62 57	0.44 35	10.09 120	7.19 151	12.49 106	12.33 115	12.22 123	14.69 113	10.93 102	6.48 103	8.51 83	4.96 82	0.02 65	0.15 129	0.00 1	0.00 1	0.17 83	0.17 85
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
StereoDRNet	5.59 97	1.75 131	6.80 111	3.12 136	4.45 156	10.61 125	4.35 120	18.80 154	9.73 89	12.22 123	6.87 38	11.44 105	4.65 77	8.09 76	8.26 117	0.02 65	0.11 120	0.00 1	0.03 99	0.20 90	0.28 114

ETE_ROB	5.80 98	1.77 132	6.33 99	1.44 47	0.78 53	6.43 89	6.90 148	12.53 107	8.08 72	12.93 132	14.89 114	21.13 154	5.87 98	9.83 106	6.57 99	0.04 88	0.01 54	0.00 1	0.02 89	0.08 48	0.33 117

DRN-Test	5.87 99	0.98 80	5.89 92	2.69 120	3.65 142	12.37 137	3.35 103	20.07 166	10.20 95	11.93 122	12.31 94	11.06 104	5.31 89	7.89 69	9.05 125	0.04 88	0.05 93	0.04 122	0.04 108	0.18 88	0.25 106

NCCL2	5.88 100	1.59 121	5.44 82	1.87 66	0.92 61	9.55 114	11.55 168	12.11 99	9.94 93	9.67 105	8.85 59	22.28 156	7.41 112	8.78 88	7.17 102	0.01 48	0.00 1	0.03 115	0.00 1	0.13 72	0.23 100

MaskLacGwcNet_RVC	5.97 101	5.36 165	5.02 73	3.75 154	3.57 139	15.81 149	4.27 117	11.72 93	6.96 51	7.23 71	8.47 57	9.09 85	2.66 40	9.36 103	2.71 47	7.49 179	2.32 174	2.01 176	0.08 117	6.77 179	4.67 175

APVNet	5.98 102	1.72 129	8.72 127	3.21 139	4.04 150	12.31 136	1.81 84	19.09 156	6.10 39	6.13 50	13.41 101	10.69 99	6.30 101	11.26 122	13.90 149	0.05 96	0.02 70	0.11 137	0.03 99	0.53 129	0.20 93

NaN_ROB	6.00 103	1.24 102	6.29 98	1.34 39	1.68 88	9.60 116	10.31 164	15.09 132	15.79 129	12.62 126	8.95 62	11.67 108	5.83 97	11.78 125	6.41 97	0.05 96	0.13 126	0.08 132	0.20 132	0.22 98	0.79 146

DANet	6.02 104	1.23 101	8.45 126	3.86 157	3.94 149	7.64 103	1.34 77	9.51 57	7.00 53	13.39 134	15.53 118	15.99 129	7.02 110	12.14 126	12.37 144	0.19 122	0.12 125	0.02 107	0.03 99	0.13 72	0.56 137
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
XPNet_ROB	6.03 105	1.22 100	5.61 87	2.56 117	0.90 60	6.32 86	7.07 149	12.92 111	8.30 77	14.76 139	15.13 116	19.84 148	6.66 108	10.36 111	8.58 120	0.02 65	0.04 88	0.00 1	0.03 99	0.11 59	0.24 103

Anonymous Stereo	6.16 106	3.15 156	23.75 167	2.97 132	2.48 116	4.39 65	13.30 170	9.21 53	9.86 91	9.56 104	8.76 58	6.79 58	1.99 33	13.50 138	13.04 147	0.01 48	0.05 93	0.00 1	0.06 113	0.22 98	0.19 90

GANet	6.22 107	1.07 89	4.07 56	2.27 98	0.89 58	9.19 110	9.52 159	12.02 98	8.13 75	10.72 114	29.09 157	13.86 117	7.52 114	11.00 119	4.39 75	0.36 140	0.00 1	0.02 107	0.02 89	0.12 64	0.08 52

DISCO	6.28 108	0.57 33	5.78 89	3.43 146	1.17 69	11.22 129	3.39 104	12.14 102	16.16 131	6.52 61	11.22 78	16.96 133	6.32 102	19.51 161	10.74 137	0.00 1	0.00 1	0.00 1	0.00 1	0.35 117	0.11 67

Syn2CoEx	6.32 109	2.72 149	9.33 130	2.45 111	1.67 86	8.59 105	3.32 101	18.08 150	12.27 114	8.53 89	21.08 137	10.30 95	9.80 129	9.30 101	7.86 109	0.01 48	0.00 1	0.00 1	0.00 1	0.63 137	0.43 125

RYNet	6.34 110	0.89 70	5.88 91	1.41 44	4.48 158	15.97 150	4.18 115	13.41 115	16.49 132	10.81 116	7.00 41	14.33 121	8.72 121	9.43 104	13.71 148	0.00 1	0.01 54	0.00 1	0.00 1	0.02 14	0.07 47

GwcNet	6.42 111	1.97 139	10.92 136	2.59 118	5.58 167	11.55 131	2.21 87	14.10 123	16.52 135	10.04 109	17.19 127	10.86 101	5.61 95	9.23 98	8.84 124	0.01 48	0.06 100	0.03 115	0.08 117	0.56 130	0.40 122

DGSMNet	6.47 112	2.61 147	13.64 151	3.46 147	3.74 145	8.97 109	6.01 134	14.15 124	13.01 116	7.46 75	14.10 107	9.94 90	4.79 83	10.44 112	6.22 93	1.30 166	1.70 172	1.80 174	1.52 174	2.27 167	2.35 171

GANetREF_RVC	6.56 113	2.89 151	7.58 121	3.41 144	0.40 33	12.96 140	9.58 160	15.09 132	17.25 138	10.33 110	10.62 75	12.27 111	8.16 116	12.21 127	4.53 78	0.41 144	0.00 1	0.00 1	0.02 89	3.12 170	0.39 121
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
LALA_ROB	6.58 114	1.80 134	6.25 97	1.26 36	0.94 64	10.08 119	9.02 155	16.00 140	11.51 106	12.74 128	13.02 99	24.77 158	5.25 88	10.56 114	8.02 111	0.04 88	0.05 93	0.00 1	0.02 89	0.10 53	0.25 106

S-Stereo	6.63 115	0.84 64	9.67 132	3.15 137	3.48 136	6.49 90	6.22 137	12.99 112	22.84 154	9.48 100	15.51 117	12.00 109	8.43 118	8.04 72	10.70 136	0.12 112	0.17 134	0.00 1	0.38 150	0.13 72	1.92 165

DeepPrunerF	6.75 116	2.69 148	23.31 166	3.68 150	7.16 173	3.78 51	4.29 118	13.42 116	20.13 149	8.13 84	10.46 72	7.18 68	8.06 115	11.10 120	9.44 127	0.24 128	0.15 129	0.29 154	0.42 153	0.66 139	0.45 126

edge stereo	6.76 117	1.01 82	6.76 110	2.20 93	2.45 115	6.41 88	2.45 89	14.84 130	11.98 113	15.29 140	18.31 131	22.02 155	12.56 140	10.82 117	7.49 104	0.03 79	0.06 100	0.11 137	0.03 99	0.30 108	0.14 77

NCC-stereo	6.77 118	1.49 115	6.48 104	2.92 128	4.40 152	7.43 99	3.61 107	19.52 162	13.29 118	8.39 87	16.91 122	15.96 127	12.13 138	12.85 132	7.70 106	1.47 167	0.11 120	0.01 95	0.42 153	0.14 79	0.24 103

Abc-Net	6.77 118	1.49 115	6.48 104	2.92 128	4.40 152	7.43 99	3.61 107	19.52 162	13.29 118	8.39 87	16.91 122	15.96 127	12.13 138	12.85 132	7.70 106	1.47 167	0.11 120	0.01 95	0.42 153	0.14 79	0.24 103
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FAT-Stereo	6.78 120	0.68 49	6.80 111	2.30 100	1.77 94	5.63 80	4.20 116	18.79 153	18.62 140	10.53 112	17.15 125	18.52 142	13.74 148	8.86 91	7.38 103	0.03 79	0.15 129	0.01 95	0.07 115	0.12 64	0.26 109

RP	6.84 121	1.29 109	5.53 85	3.92 158	5.18 164	6.32 86	3.53 105	11.73 94	15.31 127	9.54 103	22.38 141	18.25 140	14.47 149	10.11 109	7.49 104	0.91 161	0.01 54	0.12 139	0.15 128	0.33 113	0.19 90

ccnet	6.87 122	0.92 74	5.15 77	3.09 134	2.18 105	11.78 133	4.90 127	17.97 149	8.79 84	12.79 130	20.20 135	16.00 130	8.35 117	9.12 95	14.17 151	0.42 147	0.33 151	0.25 153	0.09 121	0.40 125	0.48 129

RGC	6.88 123	2.23 143	6.13 96	4.05 159	4.73 163	8.94 108	2.78 94	15.19 136	11.74 108	11.13 118	19.34 134	17.86 137	10.42 132	13.02 135	8.03 113	0.73 155	0.01 54	0.24 152	0.41 152	0.31 111	0.38 120

Nwc_Net	6.97 124	1.25 103	6.63 108	3.82 155	3.37 131	10.83 128	1.67 80	19.56 164	11.35 103	8.36 86	23.62 144	17.19 135	11.44 137	11.21 121	8.08 115	0.80 157	0.00 1	0.00 1	0.02 89	0.13 72	0.09 56

STTRV1_RVC	7.02 125	1.10 93	12.88 146	3.32 142	6.92 172	11.90 135	4.00 112	15.07 131	11.94 112	9.51 101	14.57 110	11.63 106	8.73 122	12.65 131	8.06 114	3.32 173	2.75 176	0.41 162	0.12 124	1.38 157	0.11 67

ADCRef	7.27 126	1.38 110	16.37 155	2.52 114	3.30 130	11.63 132	3.16 99	10.80 81	9.35 86	13.03 133	25.27 151	8.17 78	8.92 124	8.06 74	21.81 165	0.15 115	0.08 110	0.16 144	0.34 148	0.38 120	0.58 138

psmorigin	7.34 127	1.58 120	18.31 159	2.35 104	0.87 57	6.72 93	1.70 83	10.63 77	7.14 55	19.77 151	22.71 142	20.13 150	11.34 136	12.96 134	9.49 128	0.04 88	0.17 134	0.06 127	0.17 129	0.21 95	0.50 132

CSAN	7.62 128	1.60 122	6.56 107	1.83 64	0.66 44	12.40 138	10.52 166	14.45 127	21.32 151	14.19 136	15.98 120	17.84 136	13.02 145	12.32 128	8.38 118	0.09 106	0.07 107	0.03 115	0.04 108	0.33 113	0.67 143

CC-Net-ROB	7.68 129	9.21 175	7.46 119	3.82 155	3.66 143	15.68 148	5.02 128	17.95 148	10.45 97	6.44 60	14.00 106	7.63 71	4.77 80	10.75 116	3.10 57	5.99 178	2.46 175	16.28 180	1.08 167	6.30 178	1.56 162

stereogan	7.69 130	0.88 68	7.08 114	3.49 148	3.93 148	18.98 158	3.23 100	16.52 142	19.58 146	9.93 108	18.92 132	20.50 152	9.04 126	14.07 142	6.14 92	0.26 131	0.04 88	0.21 149	0.03 99	0.63 137	0.33 117

pmcnn	7.72 131	1.27 105	9.42 131	2.91 126	3.14 126	9.44 112	6.23 138	12.56 108	16.51 133	14.53 137	24.08 146	27.44 164	8.49 119	9.32 102	8.44 119	0.06 100	0.08 110	0.00 1	0.00 1	0.30 108	0.15 80

AF-Net	7.78 132	1.44 113	6.68 109	3.37 143	4.50 159	8.61 106	2.69 92	17.07 145	20.17 150	9.52 102	24.02 145	20.31 151	14.59 150	11.58 124	9.84 132	0.61 153	0.00 1	0.12 139	0.00 1	0.38 120	0.12 72

PASM	7.90 133	4.22 162	21.97 164	3.25 140	3.29 129	5.39 77	6.57 144	10.57 75	19.09 142	12.77 129	13.92 105	18.11 139	9.51 128	13.79 141	10.77 139	0.19 122	0.45 159	0.29 154	1.08 167	1.49 159	1.19 156

PWCDC_ROB	7.92 134	3.17 158	7.48 120	5.73 170	4.40 152	10.45 123	0.35 32	14.52 128	28.19 162	10.36 111	31.27 161	7.04 62	9.14 127	13.22 137	8.78 123	2.74 172	0.02 70	0.00 1	0.00 1	1.31 156	0.17 85

ADCP+	8.09 135	1.79 133	14.50 153	1.54 50	4.28 151	16.57 152	5.20 130	12.80 110	11.20 102	12.83 131	17.07 124	11.02 103	10.80 134	17.59 157	23.18 168	0.03 79	0.05 93	0.01 95	0.18 130	0.39 124	0.81 147

SuperB	8.10 136	3.15 156	24.67 168	2.65 119	1.23 70	9.88 118	4.29 118	10.18 70	30.07 165	11.53 120	12.18 90	6.12 54	6.65 107	10.50 113	14.47 152	0.14 113	0.11 120	0.35 158	0.25 140	13.06 181	0.48 129

PWC_ROB	8.24 137	3.13 154	12.74 145	2.43 110	4.43 155	7.51 102	1.22 72	16.63 143	19.24 144	16.08 142	28.29 154	13.99 120	10.16 131	13.63 140	14.06 150	0.42 147	0.00 1	0.05 125	0.00 1	0.59 134	0.27 112

MDST_ROB	8.37 138	0.32 2	9.03 128	4.18 162	2.42 114	26.86 171	6.14 135	19.36 159	13.52 120	27.09 166	22.75 143	9.47 87	4.74 79	15.06 148	6.34 96	0.02 65	0.02 70	0.00 1	0.00 1	0.02 14	0.13 76

G-Net	8.41 139	1.54 118	10.97 137	5.73 170	3.60 140	26.19 169	4.41 121	10.10 67	7.42 59	19.71 150	24.99 150	14.38 122	15.83 151	10.99 118	9.53 129	0.50 151	0.46 160	0.19 148	0.25 140	0.80 143	0.66 142

XQC	8.43 140	3.58 160	16.40 156	2.92 128	2.17 103	13.22 142	3.60 106	14.64 129	25.86 159	11.87 121	12.04 86	15.06 124	10.67 133	15.24 149	19.41 157	0.39 142	0.08 110	0.05 125	0.07 115	0.84 145	0.45 126

FBW_ROB	8.50 141	1.03 86	7.98 123	1.93 73	1.28 73	13.10 141	6.23 138	22.50 170	18.98 141	18.82 147	14.91 115	19.06 145	10.04 130	18.41 158	9.83 131	0.62 154	0.22 140	1.82 175	0.82 163	0.99 149	1.36 158

aanetorigin	8.72 142	3.29 159	27.55 170	1.95 75	3.84 147	4.93 74	5.39 132	5.49 24	10.05 94	27.85 167	31.47 162	15.80 126	12.78 142	9.04 94	11.98 142	0.25 129	0.22 140	0.22 150	0.25 140	1.28 155	0.84 149

RTSC	9.15 143	3.00 153	13.57 150	3.72 152	1.76 93	11.82 134	0.46 37	16.95 144	36.83 174	15.80 141	15.53 118	12.91 114	7.46 113	20.01 164	21.76 164	0.31 136	0.13 126	0.01 95	0.08 117	0.57 132	0.41 124

WCMA_ROB	9.21 144	0.87 67	7.37 117	2.54 115	2.13 101	13.59 143	5.80 133	11.64 91	14.01 122	24.43 163	32.99 167	27.09 163	18.02 154	12.51 130	9.85 133	0.81 158	0.07 107	0.01 95	0.01 82	0.16 81	0.23 100

MSMD_ROB	9.28 145	1.09 91	4.65 69	1.58 53	0.39 32	16.52 151	4.41 121	13.60 117	14.87 125	22.34 155	39.89 175	25.67 160	20.71 163	12.42 129	6.98 100	0.34 139	0.03 81	0.00 1	0.00 1	0.05 39	0.09 56

ADCPNet	9.54 146	2.39 145	31.46 172	2.09 84	1.60 82	16.71 154	6.39 143	12.11 99	11.45 104	13.53 135	21.45 139	19.41 146	10.94 135	14.38 144	21.54 163	0.27 134	1.16 167	0.39 161	1.49 172	0.58 133	1.45 160

SHD	9.61 147	2.60 146	12.46 143	3.69 151	3.54 138	9.47 113	1.25 73	20.16 167	37.84 177	18.19 146	21.24 138	16.96 133	12.83 144	14.47 146	16.05 154	0.32 137	0.13 126	0.01 95	0.08 117	0.38 120	0.48 129

PDISCO_ROB	9.62 148	1.99 140	11.51 138	9.88 177	9.61 178	21.48 162	3.83 110	19.33 158	28.49 163	11.27 119	14.17 108	19.92 149	5.02 86	16.35 154	9.18 126	5.28 176	0.41 155	0.14 142	0.09 121	2.05 163	2.36 172

MFN_U_SF_DS_RVC	9.78 149	4.27 163	14.47 152	2.29 99	2.85 124	23.40 167	13.62 171	13.60 117	19.54 145	19.42 149	24.27 147	16.74 132	8.59 120	17.05 156	7.98 110	1.25 165	1.68 171	0.17 145	2.63 175	0.72 141	1.04 152

SGM_RVC	10.08 150	0.60 36	3.42 38	2.30 100	0.32 29	19.41 159	6.33 141	18.95 155	14.64 123	25.14 165	24.32 148	33.34 172	18.79 158	19.86 162	12.55 146	0.25 129	0.26 148	0.22 150	0.24 138	0.34 116	0.40 122
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DPSNet	10.14 151	1.88 138	16.82 157	1.85 65	1.73 90	24.84 168	17.20 180	19.92 165	27.41 161	12.23 125	13.62 104	16.52 131	18.35 155	14.42 145	12.50 145	0.78 156	0.54 164	0.08 132	0.25 140	1.18 152	0.59 141

ADCL	10.16 152	2.11 141	19.36 161	1.92 71	1.88 98	22.23 163	8.91 154	14.04 122	23.56 156	14.62 138	26.19 152	12.75 113	13.59 147	16.06 153	22.95 167	0.26 131	0.18 136	0.75 165	0.65 159	0.69 140	0.58 138

ADCMid	10.24 153	3.13 154	20.70 162	2.21 94	2.39 113	11.23 130	6.19 136	14.17 125	11.19 101	23.20 161	22.25 140	17.89 138	19.54 160	18.51 159	26.21 173	0.45 149	0.42 157	1.10 170	1.29 169	1.56 161	1.18 155

FCDSN-DC	10.24 153	0.56 32	3.49 39	1.96 76	1.29 74	16.90 155	4.59 125	17.16 146	19.10 143	24.64 164	32.46 166	33.82 173	22.14 168	15.93 152	10.45 134	0.04 88	0.00 1	0.00 1	0.00 1	0.05 39	0.21 94
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SANet	10.64 155	1.86 137	10.91 135	1.76 63	0.71 47	14.62 146	9.23 158	19.18 157	37.14 175	19.22 148	27.96 153	25.86 161	19.11 159	13.02 135	10.63 135	0.08 105	0.06 100	0.03 115	0.02 89	0.62 136	0.81 147

FC-DCNN	10.72 156	0.52 25	4.27 58	1.88 67	1.63 83	17.18 156	5.29 131	18.20 151	19.69 147	28.50 168	34.51 170	34.03 174	21.48 166	15.89 151	11.15 141	0.03 79	0.01 54	0.02 107	0.01 82	0.07 45	0.09 56

AnyNet_C32	10.98 157	5.58 166	22.79 165	4.16 160	5.83 168	15.64 147	14.30 172	13.18 113	17.15 137	16.44 144	20.52 136	14.68 123	13.44 146	22.46 166	30.08 178	0.17 119	0.26 148	0.36 159	0.36 149	1.23 153	0.91 150

MeshStereo	11.52 158	1.52 117	4.55 65	1.89 69	1.46 78	19.87 161	5.11 129	20.66 168	15.91 130	32.67 173	34.51 170	39.34 179	21.15 164	18.74 160	12.10 143	0.11 109	0.06 100	0.01 95	0.00 1	0.45 128	0.22 96
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
MFN_U_SF_RVC	12.94 159	3.66 161	25.81 169	3.61 149	2.26 109	22.77 165	4.55 124	27.10 175	20.06 148	23.90 162	28.99 156	30.53 169	16.98 152	19.92 163	20.26 159	1.24 164	1.07 166	0.98 169	1.33 170	1.80 162	2.04 167

ADCS	13.02 160

Low-res two-view benchmark