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

CAS	0.08 2	0.04 1	0.07 2	0.17 116	0.08 48	0.10 58	0.13 43	0.12 5	0.09 2	0.09 17	0.10 39	0.08 26	0.06 6	0.09 10	0.08 11	0.08 193	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 70	0.11 2	0.09 2	0.08 6	0.09 24	0.11 77	0.06 6	0.12 103	0.08 11	0.06 57	0.04 2	0.05 2	0.03 1	0.05 40	0.05 52

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 17	0.14 60	0.10 42	0.14 83	0.08 26	0.07 33	0.09 10	0.11 88	0.06 57	0.04 2	0.05 2	0.05 32	0.04 1	0.04 7
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
TANstereo	0.09 12	0.04 1	0.08 11	0.13 6	0.06 2	0.11 84	0.14 70	0.15 29	0.19 130	0.11 62	0.15 97	0.10 60	0.06 6	0.12 103	0.09 19	0.07 144	0.05 109	0.05 2	0.04 8	0.06 102	0.05 52

CREStereo	0.09 12	0.04 1	0.08 11	0.11 1	0.06 2	0.13 132	0.14 70	0.14 17	0.10 8	0.08 6	0.13 74	0.09 39	0.08 51	0.11 47	0.10 51	0.08 193	0.04 2	0.05 2	0.03 1	0.06 102	0.06 101
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
IGEV_Zeroshot_test	0.09 12	0.05 6	0.12 92	0.13 6	0.08 48	0.12 106	0.13 43	0.17 75	0.11 18	0.10 42	0.06 2	0.09 39	0.06 6	0.11 47	0.09 19	0.06 57	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

MSKI-zero shot	0.09 12	0.05 6	0.09 29	0.15 38	0.07 18	0.10 58	0.13 43	0.14 17	0.13 43	0.09 17	0.09 24	0.09 39	0.06 6	0.12 103	0.10 51	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 304	0.14 157	0.13 43	0.14 17	0.09 2	0.07 2	0.09 24	0.07 18	0.08 51	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

Any-RAFT	0.10 52	0.05 6	0.09 29	0.14 13	0.07 18	0.13 132	0.14 70	0.21 143	0.15 71	0.11 62	0.12 64	0.12 92	0.09 69	0.12 103	0.09 19	0.07 144	0.04 2	0.05 2	0.04 8	0.06 102	0.05 52

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 116	0.11 2	0.10 8	0.08 6	0.09 24	0.06 3	0.09 69	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

LoS	0.09 12	0.05 6	0.11 72	0.13 6	0.07 18	0.14 157	0.11 11	0.15 29	0.15 71	0.09 17	0.09 24	0.12 92	0.09 69	0.15 169	0.10 51	0.07 144	0.05 109	0.05 2	0.03 1	0.05 40	0.05 52

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 58	0.12 21	0.11 2	0.16 89	0.06 1	0.05 1	0.07 18	0.05 2	0.10 18	0.11 88	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

knoymous	0.11 83	0.05 6	0.12 92	0.13 6	0.07 18	0.15 179	0.14 70	0.19 119	0.13 43	0.11 62	0.17 123	0.13 115	0.09 69	0.13 135	0.11 88	0.08 193	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

iRaft-Stereo_20w	0.09 12	0.05 6	0.13 131	0.14 13	0.08 48	0.12 106	0.15 116	0.18 99	0.10 8	0.11 62	0.08 17	0.08 26	0.05 2	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.05 52

TRStereo	0.09 12	0.05 6	0.12 92	0.15 38	0.12 287	0.10 58	0.13 43	0.18 99	0.18 118	0.09 17	0.09 24	0.09 39	0.06 6	0.10 18	0.08 11	0.07 144	0.05 109	0.07 100	0.07 163	0.04 1	0.04 7

AnonymousM	0.09 12	0.05 6	0.10 46	0.14 13	0.06 2	0.09 35	0.13 43	0.19 119	0.14 60	0.13 107	0.11 56	0.09 39	0.08 51	0.13 135	0.10 51	0.08 193	0.05 109	0.08 165	0.05 32	0.05 40	0.05 52

XX-Stereo	0.09 12	0.05 6	0.08 11	0.17 116	0.09 133	0.15 179	0.12 21	0.20 126	0.10 8	0.10 42	0.14 83	0.07 18	0.06 6	0.12 103	0.08 11	0.06 57	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

PMTNet	0.09 12	0.05 6	0.09 29	0.12 3	0.06 2	0.12 106	0.14 70	0.15 29	0.11 18	0.09 17	0.13 74	0.10 60	0.07 33	0.13 135	0.10 51	0.15 349	0.04 2	0.05 2	0.03 1	0.07 159	0.06 101

IGEV+	0.08 2	0.06 19	0.08 11	0.18 183	0.07 18	0.09 35	0.13 43	0.10 1	0.09 2	0.08 6	0.08 17	0.06 3	0.06 6	0.13 135	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

11t1	0.12 138	0.06 19	0.13 131	0.14 13	0.08 48	0.17 222	0.15 116	0.18 99	0.15 71	0.15 151	0.15 97	0.16 165	0.16 229	0.15 169	0.13 160	0.08 193	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

IGEVStereo-DCA	0.09 12	0.06 19	0.11 72	0.15 38	0.10 219	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.08 26	0.06 6	0.10 18	0.08 11	0.06 57	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

rrr	0.09 12	0.06 19	0.12 92	0.15 38	0.10 219	0.11 84	0.16 173	0.16 45	0.15 71	0.10 42	0.06 2	0.08 26	0.06 6	0.10 18	0.08 11	0.06 57	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

MIF-Stereo (partial)	0.11 83	0.06 19	0.10 46	0.19 230	0.10 219	0.10 58	0.11 11	0.17 75	0.18 118	0.14 127	0.16 105	0.09 39	0.11 112	0.12 103	0.12 130	0.08 193	0.05 109	0.08 165	0.07 163	0.06 102	0.07 161

RAFT-Test	0.09 12	0.06 19	0.10 46	0.15 38	0.07 18	0.11 84	0.15 116	0.16 45	0.13 43	0.09 17	0.10 39	0.10 60	0.09 69	0.12 103	0.09 19	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

HH	0.09 12	0.06 19	0.13 131	0.17 116	0.08 48	0.10 58	0.16 173	0.14 17	0.10 8	0.08 6	0.09 24	0.08 26	0.07 33	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

HanStereo	0.09 12	0.06 19	0.13 131	0.17 116	0.08 48	0.10 58	0.16 173	0.14 17	0.10 8	0.08 6	0.09 24	0.08 26	0.07 33	0.10 18	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

CBFPSM	0.14 189	0.06 19	0.26 313	0.17 116	0.09 133	0.13 132	0.15 116	0.22 159	0.23 185	0.20 244	0.27 251	0.24 255	0.16 229	0.16 201	0.18 251	0.06 57	0.06 192	0.06 32	0.07 163	0.07 159	0.07 161

iinet-f	0.16 240	0.06 19	0.45 362	0.14 13	0.10 219	0.21 283	0.14 70	0.27 237	0.23 185	0.21 252	0.24 199	0.21 220	0.15 209	0.18 234	0.21 285	0.09 238	0.07 250	0.07 100	0.06 88	0.09 250	0.10 273

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 116	0.06 2	0.08 23	0.12 21	0.13 11	0.07 1	0.08 6	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

riskmin	0.11 83	0.06 19	0.13 131	0.14 13	0.08 48	0.14 157	0.14 70	0.18 99	0.14 60	0.11 62	0.14 83	0.16 165	0.11 112	0.14 151	0.12 130	0.09 238	0.05 109	0.07 100	0.05 32	0.08 202	0.08 221

MC-Stereo	0.08 2	0.06 19	0.09 29	0.17 116	0.06 2	0.10 58	0.14 70	0.12 5	0.10 8	0.09 17	0.12 64	0.09 39	0.06 6	0.11 47	0.10 51	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

RCA-Stereo	0.09 12	0.06 19	0.09 29	0.16 69	0.06 2	0.09 35	0.13 43	0.18 99	0.14 60	0.09 17	0.10 39	0.08 26	0.07 33	0.12 103	0.11 88	0.06 57	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

DCANet-4	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.18 99	0.19 130	0.13 107	0.16 105	0.09 39	0.14 196	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

fff	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

tt	4.67 420	0.06 19	3.55 419	2.02 422	1.55 420	10.25 426	16.71 425	8.91 429	5.03 422	1.31 415	0.94 401	4.71 422	4.76 422	3.33 422	5.87 424	6.06 429	10.30 433	1.88 423	2.11 424	2.75 422	1.21 421

ADStereo(finetuned)	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.12 141	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

test-3	0.08 2	0.06 19	0.09 29	0.17 116	0.07 18	0.07 16	0.14 70	0.12 5	0.15 71	0.09 17	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 29	0.17 116	0.07 18	0.07 16	0.14 70	0.12 5	0.15 71	0.09 17	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

CrosDoStereo	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 106	0.15 116	0.17 75	0.22 176	0.19 227	0.24 199	0.15 154	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

PFNet+	0.11 83	0.06 19	0.13 131	0.16 69	0.09 133	0.05 1	0.12 21	0.17 75	0.21 164	0.16 176	0.19 151	0.14 130	0.10 90	0.11 47	0.11 88	0.08 193	0.05 109	0.09 230	0.08 214	0.06 102	0.11 296

HHNet	0.11 83	0.06 19	0.16 224	0.15 38	0.14 321	0.07 16	0.13 43	0.20 126	0.17 101	0.14 127	0.25 228	0.11 77	0.08 51	0.13 135	0.10 51	0.05 2	0.04 2	0.08 165	0.06 88	0.05 40	0.09 254

OMP-Stereo	0.11 83	0.06 19	0.14 157	0.18 183	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.13 107	0.14 83	0.11 77	0.12 141	0.11 47	0.13 160	0.06 57	0.04 2	0.07 100	0.06 88	0.05 40	0.04 7

IIG-Stereo	0.11 83	0.06 19	0.13 131	0.17 116	0.08 48	0.11 84	0.12 21	0.22 159	0.17 101	0.14 127	0.17 123	0.11 77	0.12 141	0.12 103	0.12 130	0.06 57	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

FTStereo	0.12 138	0.06 19	0.14 157	0.18 183	0.09 133	0.07 16	0.15 116	0.21 143	0.18 118	0.12 86	0.24 199	0.12 92	0.12 141	0.13 135	0.13 160	0.05 2	0.05 109	0.07 100	0.06 88	0.06 102	0.10 273

ASMatch	0.11 83	0.06 19	0.13 131	0.16 69	0.10 219	0.07 16	0.14 70	0.17 75	0.17 101	0.12 86	0.16 105	0.16 165	0.10 90	0.13 135	0.10 51	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.08 221

DeepStereo_LL	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 106	0.15 116	0.17 75	0.22 176	0.19 227	0.24 199	0.15 154	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

DEmStereo	0.12 138	0.06 19	0.14 157	0.14 13	0.10 219	0.16 203	0.15 116	0.16 45	0.24 195	0.17 188	0.24 199	0.13 115	0.14 196	0.12 103	0.13 160	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

DRaft	0.12 138	0.06 19	0.11 72	0.14 13	0.09 133	0.14 157	0.17 194	0.21 143	0.30 259	0.17 188	0.28 260	0.10 60	0.15 209	0.10 18	0.12 130	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

PFNet	0.12 138	0.06 19	0.17 249	0.17 116	0.08 48	0.09 35	0.15 116	0.26 219	0.20 151	0.16 176	0.16 105	0.14 130	0.11 112	0.12 103	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

GrayStereo	0.11 83	0.06 19	0.11 72	0.19 230	0.09 133	0.09 35	0.16 173	0.18 99	0.17 101	0.14 127	0.17 123	0.17 184	0.11 112	0.12 103	0.11 88	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.10 273

RAFT-RH_RVC	0.11 83	0.06 19	0.14 157	0.16 69	0.09 133	0.12 106	0.12 21	0.17 75	0.12 26	0.13 107	0.41 345	0.11 77	0.10 90	0.13 135	0.12 130	0.05 2	0.04 2	0.08 165	0.05 32	0.04 1	0.06 101

Prome-Stereo	0.11 83	0.06 19	0.10 46	0.18 183	0.08 48	0.12 106	0.15 116	0.22 159	0.13 43	0.12 86	0.17 123	0.13 115	0.08 51	0.12 103	0.10 51	0.05 2	0.04 2	0.07 100	0.06 88	0.06 102	0.09 254

rafts_anoy	0.11 83	0.06 19	0.10 46	0.17 116	0.08 48	0.10 58	0.14 70	0.17 75	0.14 60	0.13 107	0.13 74	0.12 92	0.10 90	0.11 47	0.12 130	0.07 144	0.04 2	0.09 230	0.11 309	0.07 159	0.06 101

s12784h	0.09 12	0.06 19	0.07 2	0.15 38	0.05 1	0.16 203	0.18 234	0.15 29	0.15 71	0.10 42	0.11 56	0.11 77	0.11 112	0.10 18	0.12 130	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

XX-TBD	0.09 12	0.06 19	0.07 2	0.14 13	0.07 18	0.12 106	0.16 173	0.14 17	0.13 43	0.11 62	0.12 64	0.09 39	0.08 51	0.10 18	0.10 51	0.06 57	0.04 2	0.05 2	0.03 1	0.06 102	0.05 52

raftrobust	0.09 12	0.06 19	0.10 46	0.17 116	0.08 48	0.09 35	0.10 6	0.18 99	0.16 89	0.10 42	0.09 24	0.12 92	0.07 33	0.12 103	0.10 51	0.08 193	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RALCasStereoNet	0.10 52	0.06 19	0.09 29	0.16 69	0.08 48	0.12 106	0.14 70	0.17 75	0.11 18	0.12 86	0.17 123	0.14 130	0.10 90	0.12 103	0.11 88	0.07 144	0.06 192	0.06 32	0.05 32	0.08 202	0.07 161

DCANet	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

cscssc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 57	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

111	0.10 52	0.06 19	0.12 92	0.15 38	0.07 18	0.10 58	0.14 70	0.21 143	0.23 185	0.11 62	0.12 64	0.14 130	0.11 112	0.13 135	0.10 51	0.06 57	0.04 2	0.06 32	0.04 8	0.05 40	0.05 52

test_xeample3	0.09 12	0.06 19	0.12 92	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.13 43	0.10 42	0.06 2	0.08 26	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

test_xeample	0.15 222	0.06 19	0.13 131	0.14 13	0.08 48	0.21 283	0.20 280	0.28 251	0.20 151	0.16 176	0.29 271	0.19 203	0.16 229	0.15 169	0.26 333	0.09 238	0.05 109	0.07 100	0.07 163	0.07 159	0.07 161

RAFT-Stereo + iAFF	0.09 12	0.06 19	0.10 46	0.17 116	0.06 2	0.10 58	0.16 173	0.17 75	0.14 60	0.09 17	0.10 39	0.08 26	0.09 69	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.03 1

AFF-stereo	0.09 12	0.06 19	0.10 46	0.17 116	0.07 18	0.10 58	0.16 173	0.17 75	0.09 2	0.10 42	0.12 64	0.09 39	0.09 69	0.12 103	0.09 19	0.05 2	0.04 2	0.07 100	0.07 163	0.04 1	0.03 1

Gwc-CoAtRS	0.09 12	0.06 19	0.10 46	0.16 69	0.07 18	0.10 58	0.14 70	0.17 75	0.17 101	0.08 6	0.10 39	0.12 92	0.09 69	0.12 103	0.09 19	0.06 57	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

R-Stereo Train	0.10 52	0.06 19	0.10 46	0.17 116	0.08 48	0.11 84	0.14 70	0.23 176	0.11 18	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RAFT-Stereo	0.10 52	0.06 19	0.10 46	0.17 116	0.08 48	0.11 84	0.14 70	0.23 176	0.11 18	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 52	0.06 19	0.12 92	0.14 13	0.06 2	0.11 84	0.10 6	0.18 99	0.18 118	0.13 107	0.16 105	0.14 130	0.11 112	0.15 169	0.13 160	0.06 57	0.04 2	0.04 1	0.04 8	0.06 102	0.05 52
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
MGS-Stereo	0.09 12	0.07 70	0.12 92	0.15 38	0.08 48	0.09 35	0.15 116	0.12 5	0.12 26	0.07 2	0.10 39	0.08 26	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.06 102	0.05 52

MyStereo8	0.12 138	0.07 70	0.15 194	0.15 38	0.09 133	0.18 237	0.14 70	0.19 119	0.22 176	0.12 86	0.18 145	0.11 77	0.10 90	0.16 201	0.18 251	0.07 144	0.05 109	0.07 100	0.05 32	0.08 202	0.09 254

SMFormer	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 193	0.05 109	0.07 100	0.06 88	0.07 159	0.06 101

tta	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 193	0.05 109	0.07 100	0.06 88	0.06 102	0.06 101

qqq1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 193	0.05 109	0.05 2	0.05 32	0.06 102	0.06 101

fff1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 227	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 193	0.05 109	0.05 2	0.05 32	0.06 102	0.06 101

MyStereo07	0.10 52	0.07 70	0.10 46	0.17 116	0.09 133	0.14 157	0.18 234	0.15 29	0.15 71	0.09 17	0.06 2	0.06 3	0.07 33	0.12 103	0.09 19	0.06 57	0.05 109	0.08 165	0.07 163	0.06 102	0.06 101

MyStereo06	0.10 52	0.07 70	0.12 92	0.17 116	0.09 133	0.13 132	0.18 234	0.19 119	0.12 26	0.12 86	0.08 17	0.07 18	0.07 33	0.11 47	0.09 19	0.06 57	0.05 109	0.07 100	0.07 163	0.06 102	0.06 101

MyStereo05	0.13 160	0.07 70	0.10 46	0.17 116	0.09 133	0.13 132	0.18 234	0.27 237	0.35 296	0.17 188	0.14 83	0.15 154	0.11 112	0.15 169	0.13 160	0.06 57	0.05 109	0.07 100	0.07 163	0.06 102	0.06 101

MyStereo04	0.13 160	0.07 70	0.10 46	0.17 116	0.09 133	0.14 157	0.18 234	0.29 261	0.38 312	0.17 188	0.14 83	0.16 165	0.10 90	0.15 169	0.13 160	0.06 57	0.05 109	0.08 165	0.07 163	0.06 102	0.06 101

CoDeX	0.12 138	0.07 70	0.12 92	0.17 116	0.08 48	0.12 106	0.15 116	0.23 176	0.27 234	0.13 107	0.17 123	0.16 165	0.11 112	0.14 151	0.11 88	0.07 144	0.05 109	0.07 100	0.06 88	0.06 102	0.05 52

ff7	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

ffff	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

11t	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

MIF-Stereo	0.09 12	0.07 70	0.08 11	0.18 183	0.08 48	0.13 132	0.11 11	0.12 5	0.11 18	0.10 42	0.12 64	0.05 1	0.07 33	0.09 10	0.09 19	0.07 144	0.05 109	0.05 2	0.05 32	0.05 40	0.05 52

EKT-Stereo	0.11 83	0.07 70	0.14 157	0.15 38	0.10 219	0.13 132	0.14 70	0.18 99	0.21 164	0.11 62	0.08 17	0.12 92	0.09 69	0.11 47	0.12 130	0.08 193	0.06 192	0.07 100	0.06 88	0.08 202	0.07 161

MIM_Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.07 18	0.06 2	0.12 21	0.20 126	0.14 60	0.13 107	0.13 74	0.09 39	0.05 2	0.12 103	0.08 11	0.05 2	0.06 192	0.07 100	0.06 88	0.06 102	0.05 52

4D-IteraStereo	0.09 12	0.07 70	0.10 46	0.18 183	0.07 18	0.09 35	0.15 116	0.17 75	0.15 71	0.10 42	0.11 56	0.10 60	0.07 33	0.11 47	0.09 19	0.05 2	0.03 1	0.08 165	0.07 163	0.06 102	0.05 52

anonymousdsp2	0.11 83	0.07 70	0.10 46	0.16 69	0.09 133	0.13 132	0.14 70	0.18 99	0.22 176	0.13 107	0.14 83	0.12 92	0.09 69	0.14 151	0.11 88	0.05 2	0.04 2	0.05 2	0.04 8	0.06 102	0.05 52

anonymousdsp	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.09 17	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

gwcnet-sp	0.14 189	0.07 70	0.12 92	0.18 183	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 214	0.24 199	0.15 154	0.16 229	0.15 169	0.15 211	0.08 193	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

scenet	0.14 189	0.07 70	0.12 92	0.18 183	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 214	0.24 199	0.15 154	0.16 229	0.15 169	0.15 211	0.08 193	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

DCRE	0.11 83	0.07 70	0.13 131	0.16 69	0.11 257	0.11 84	0.17 194	0.18 99	0.17 101	0.11 62	0.18 145	0.10 60	0.10 90	0.15 169	0.11 88	0.06 57	0.05 109	0.06 32	0.06 88	0.05 40	0.04 7

anonymousa	0.13 160	0.07 70	0.13 131	0.18 183	0.09 133	0.13 132	0.17 194	0.19 119	0.29 252	0.15 151	0.24 199	0.15 154	0.14 196	0.14 151	0.14 188	0.07 144	0.05 109	0.07 100	0.09 254	0.05 40	0.06 101

ProNet	0.09 12	0.07 70	0.10 46	0.17 116	0.08 48	0.10 58	0.15 116	0.15 29	0.12 26	0.09 17	0.06 2	0.07 18	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.06 101

ssnet	0.14 189	0.07 70	0.12 92	0.18 183	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 214	0.24 199	0.15 154	0.16 229	0.15 169	0.15 211	0.08 193	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

ccc-4	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.10 42	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

x	0.13 160	0.07 70	0.14 157	0.14 13	0.08 48	0.18 237	0.14 70	0.22 159	0.20 151	0.15 151	0.19 151	0.19 203	0.17 248	0.18 234	0.18 251	0.07 144	0.05 109	0.06 32	0.06 88	0.07 159	0.07 161

DisPM	0.11 83	0.07 70	0.12 92	0.16 69	0.09 133	0.06 2	0.13 43	0.17 75	0.17 101	0.14 127	0.20 162	0.12 92	0.10 90	0.11 47	0.10 51	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.11 296

IER	0.14 189	0.07 70	0.13 131	0.17 116	0.09 133	0.14 157	0.16 173	0.25 207	0.26 227	0.18 214	0.25 228	0.17 184	0.20 281	0.16 201	0.14 188	0.08 193	0.05 109	0.07 100	0.06 88	0.08 202	0.07 161

IGEV-Stereo	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 26	0.09 17	0.06 2	0.06 3	0.06 6	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 83	0.07 70	0.11 72	0.17 116	0.07 18	0.09 35	0.13 43	0.15 29	0.24 195	0.12 86	0.13 74	0.12 92	0.08 51	0.18 234	0.11 88	0.06 57	0.08 272	0.08 165	0.06 88	0.05 40	0.05 52

IPLG	0.10 52	0.07 70	0.15 194	0.17 116	0.08 48	0.11 84	0.14 70	0.20 126	0.15 71	0.12 86	0.17 123	0.07 18	0.07 33	0.14 151	0.13 160	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

GANet-ADL	0.13 160	0.07 70	0.15 194	0.17 116	0.10 219	0.18 237	0.15 116	0.30 275	0.20 151	0.13 107	0.18 145	0.19 203	0.12 141	0.16 201	0.13 160	0.08 193	0.06 192	0.06 32	0.05 32	0.07 159	0.08 221

LCNet	0.11 83	0.07 70	0.09 29	0.19 230	0.09 133	0.08 23	0.15 116	0.21 143	0.15 71	0.11 62	0.15 97	0.16 165	0.11 112	0.12 103	0.11 88	0.05 2	0.04 2	0.08 165	0.07 163	0.06 102	0.15 346

AAGNet	0.11 83	0.07 70	0.16 224	0.19 230	0.09 133	0.08 23	0.13 43	0.18 99	0.13 43	0.16 176	0.21 176	0.13 115	0.14 196	0.11 47	0.14 188	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.05 52

STrans-v2	0.10 52	0.07 70	0.12 92	0.18 183	0.07 18	0.10 58	0.14 70	0.21 143	0.11 18	0.11 62	0.15 97	0.12 92	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.04 7

NF-Stereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

OCTAStereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

PSM-softLoss	0.12 138	0.07 70	0.15 194	0.17 116	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 165	0.07 163	0.06 102	0.12 307

KMStereo	0.12 138	0.07 70	0.15 194	0.17 116	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 165	0.07 163	0.06 102	0.12 307

PSM-AAD	0.11 83	0.07 70	0.10 46	0.19 230	0.09 133	0.10 58	0.15 116	0.20 126	0.13 43	0.12 86	0.14 83	0.18 195	0.11 112	0.11 47	0.10 51	0.05 2	0.05 109	0.09 230	0.08 214	0.06 102	0.14 338

KYRaft	0.11 83	0.07 70	0.10 46	0.19 230	0.09 133	0.08 23	0.15 116	0.22 159	0.12 26	0.13 107	0.16 105	0.20 213	0.10 90	0.12 103	0.10 51	0.05 2	0.04 2	0.08 165	0.08 214	0.06 102	0.16 357

SST-Stereo	0.10 52	0.07 70	0.15 194	0.18 183	0.09 133	0.06 2	0.12 21	0.17 75	0.11 18	0.15 151	0.17 123	0.13 115	0.12 141	0.10 18	0.11 88	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.05 52

THIR-Stereo	0.12 138	0.07 70	0.11 72	0.15 38	0.08 48	0.14 157	0.16 173	0.17 75	0.25 214	0.16 176	0.24 199	0.14 130	0.12 141	0.12 103	0.14 188	0.06 57	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

RAFT_R40	0.11 83	0.07 70	0.14 157	0.18 183	0.09 133	0.06 2	0.13 43	0.17 75	0.16 89	0.14 127	0.18 145	0.15 154	0.12 141	0.10 18	0.11 88	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.05 52

RE-Stereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

Pruner-Stereo	0.11 83	0.07 70	0.12 92	0.17 116	0.09 133	0.06 2	0.12 21	0.17 75	0.17 101	0.13 107	0.19 151	0.13 115	0.09 69	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.08 221

TVStereo	0.11 83	0.07 70	0.13 131	0.17 116	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.12 307

RAFT-345	0.11 83	0.07 70	0.15 194	0.16 69	0.08 48	0.08 23	0.12 21	0.15 29	0.10 8	0.11 62	0.36 311	0.09 39	0.09 69	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.06 88	0.04 1	0.05 52

test-1	0.10 52	0.07 70	0.16 224	0.19 230	0.08 48	0.11 84	0.24 324	0.14 17	0.18 118	0.09 17	0.07 14	0.09 39	0.08 51	0.07 1	0.09 19	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

GMM-Stereo	0.11 83	0.07 70	0.10 46	0.18 183	0.09 133	0.08 23	0.15 116	0.23 176	0.16 89	0.11 62	0.15 97	0.13 115	0.11 112	0.11 47	0.11 88	0.05 2	0.04 2	0.08 165	0.07 163	0.06 102	0.09 254

iRaftStereo_RVC	0.10 52	0.07 70	0.09 29	0.17 116	0.09 133	0.11 84	0.17 194	0.18 99	0.12 26	0.09 17	0.12 64	0.10 60	0.07 33	0.11 47	0.10 51	0.05 2	0.04 2	0.08 165	0.08 214	0.04 1	0.04 7

raft+_RVC	0.11 83	0.07 70	0.09 29	0.16 69	0.07 18	0.10 58	0.11 11	0.24 194	0.20 151	0.12 86	0.15 97	0.12 92	0.08 51	0.12 103	0.13 160	0.07 144	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

222	0.16 240	0.07 70	0.14 157	0.14 13	0.08 48	0.24 309	0.18 234	0.30 275	0.20 151	0.17 188	0.28 260	0.17 184	0.16 229	0.15 169	0.40 380	0.10 270	0.05 109	0.07 100	0.06 88	0.07 159	0.08 221

xxxx	0.15 222	0.07 70	0.14 157	0.14 13	0.08 48	0.23 304	0.18 234	0.31 281	0.19 130	0.14 127	0.28 260	0.22 237	0.14 196	0.15 169	0.26 333	0.09 238	0.05 109	0.07 100	0.07 163	0.08 202	0.07 161

RAFT + AFF	0.13 160	0.07 70	0.20 284	0.20 271	0.10 219	0.14 157	0.24 324	0.26 219	0.20 151	0.11 62	0.10 39	0.12 92	0.10 90	0.15 169	0.12 130	0.07 144	0.06 192	0.09 230	0.08 214	0.06 102	0.08 221

EAI-Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.06 2	0.10 58	0.15 116	0.16 45	0.09 2	0.08 6	0.09 24	0.08 26	0.07 33	0.09 10	0.11 88	0.05 2	0.04 2	0.05 2	0.05 32	0.05 40	0.04 7

CFNet-RSSM	0.09 12	0.07 70	0.09 29	0.16 69	0.07 18	0.09 35	0.15 116	0.16 45	0.17 101	0.08 6	0.12 64	0.10 60	0.09 69	0.11 47	0.09 19	0.06 57	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

SFCPSM	0.13 160	0.07 70	0.14 157	0.17 116	0.09 133	0.15 179	0.16 173	0.28 251	0.27 234	0.14 127	0.17 123	0.12 92	0.13 173	0.14 151	0.11 88	0.08 193	0.05 109	0.07 100	0.07 163	0.07 159	0.06 101

cf-r	0.13 160	0.07 70	0.12 92	0.16 69	0.08 48	0.14 157	0.19 265	0.20 126	0.25 214	0.17 188	0.25 228	0.21 220	0.16 229	0.14 151	0.14 188	0.10 270	0.05 109	0.06 32	0.08 214	0.06 102	0.06 101

GANet-RSSM	0.14 189	0.07 70	0.13 131	0.13 6	0.08 48	0.14 157	0.17 194	0.22 159	0.21 164	0.17 188	0.24 199	0.23 249	0.15 209	0.16 201	0.15 211	0.10 270	0.06 192	0.07 100	0.08 214	0.08 202	0.07 161

PSMNet-RSSM	0.14 189	0.07 70	0.13 131	0.15 38	0.08 48	0.13 132	0.16 173	0.24 194	0.24 195	0.16 176	0.28 260	0.22 237	0.14 196	0.15 169	0.13 160	0.11 291	0.06 192	0.09 230	0.12 327	0.08 202	0.07 161

GwcNet-RSSM	0.14 189	0.07 70	0.12 92	0.15 38	0.08 48	0.15 179	0.20 280	0.21 143	0.27 234	0.18 214	0.27 251	0.22 237	0.16 229	0.14 151	0.15 211	0.10 270	0.05 109	0.07 100	0.09 254	0.07 159	0.07 161

CFNet-ft	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 243	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 192	0.08 165	0.09 254	0.09 250	0.08 221

DIP-Stereo	0.11 83	0.07 70	0.14 157	0.17 116	0.09 133	0.13 132	0.09 3	0.16 45	0.16 89	0.11 62	0.16 105	0.14 130	0.12 141	0.15 169	0.13 160	0.06 57	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.14 189	0.07 70	0.14 157	0.16 69	0.08 48	0.18 237	0.14 70	0.29 261	0.20 151	0.17 188	0.25 228	0.21 220	0.18 257	0.20 264	0.19 260	0.07 144	0.06 192	0.06 32	0.08 214	0.06 102	0.06 101

CFNet_RVC	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 243	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 192	0.08 165	0.09 254	0.09 250	0.08 221

MLCV	0.12 138	0.07 70	0.16 224	0.18 183	0.06 2	0.15 179	0.17 194	0.19 119	0.21 164	0.18 214	0.25 228	0.17 184	0.13 173	0.14 151	0.13 160	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

iResNet_ROB	0.14 189	0.07 70	0.13 131	0.14 13	0.07 18	0.18 237	0.14 70	0.26 219	0.31 265	0.22 265	0.25 228	0.23 249	0.15 209	0.15 169	0.13 160	0.07 144	0.05 109	0.05 2	0.04 8	0.08 202	0.08 221

LE_ROB	0.50 387	0.07 70	0.14 157	0.15 38	0.08 48	0.24 309	0.16 173	0.22 159	1.81 418	4.63 422	0.67 383	0.47 373	0.44 379	0.20 264	0.29 351	0.07 144	0.06 192	0.06 32	0.06 88	0.08 202	0.06 101

pmcnn	0.15 222	0.07 70	0.19 275	0.15 38	0.07 18	0.20 269	0.15 116	0.24 194	0.26 227	0.21 252	0.34 304	0.28 287	0.18 257	0.18 234	0.17 237	0.07 144	0.05 109	0.05 2	0.04 8	0.07 159	0.06 101

Former-RAFT_DAM_RVC	0.10 52	0.08 142	0.12 92	0.16 69	0.08 48	0.15 179	0.16 173	0.18 99	0.18 118	0.10 42	0.09 24	0.09 39	0.08 51	0.11 47	0.12 130	0.07 144	0.05 109	0.08 165	0.06 88	0.07 159	0.06 101

AE-Stereo	0.10 52	0.08 142	0.10 46	0.18 183	0.09 133	0.10 58	0.15 116	0.14 17	0.19 130	0.09 17	0.14 83	0.12 92	0.08 51	0.11 47	0.10 51	0.05 2	0.06 192	0.07 100	0.06 88	0.05 40	0.04 7

ACVNet-DCA	0.10 52	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.23 176	0.16 89	0.09 17	0.09 24	0.06 3	0.06 6	0.10 18	0.07 1	0.06 57	0.04 2	0.06 32	0.05 32	0.07 159	0.07 161

xx1	0.11 83	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.16 45	0.18 118	0.09 17	0.09 24	0.16 165	0.16 229	0.10 18	0.07 1	0.06 57	0.04 2	0.08 165	0.08 214	0.07 159	0.07 161

1test111	0.11 83	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.23 176	0.16 89	0.09 17	0.09 24	0.06 3	0.06 6	0.15 169	0.16 225	0.06 57	0.04 2	0.06 32	0.05 32	0.07 159	0.07 161

cc1	0.10 52	0.08 142	0.12 92	0.17 116	0.09 133	0.13 132	0.15 116	0.16 45	0.18 118	0.09 17	0.09 24	0.06 3	0.06 6	0.10 18	0.07 1	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.06 101

mmm	0.14 189	0.08 142	0.17 249	0.17 116	0.09 133	0.17 222	0.18 234	0.21 143	0.15 71	0.15 151	0.23 191	0.21 220	0.16 229	0.16 201	0.17 237	0.08 193	0.05 109	0.08 165	0.07 163	0.07 159	0.07 161

tt1	0.10 52	0.08 142	0.12 92	0.17 116	0.09 133	0.12 106	0.16 173	0.15 29	0.19 130	0.09 17	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.06 101

ttt	0.14 189	0.08 142	0.14 157	0.15 38	0.08 48	0.15 179	0.18 234	0.27 237	0.29 252	0.16 176	0.24 199	0.17 184	0.13 173	0.13 135	0.14 188	0.11 291	0.08 272	0.09 230	0.08 214	0.09 250	0.08 221

1111x	0.15 222	0.08 142	0.12 92	0.18 183	0.07 18	0.18 237	0.25 338	0.31 281	0.24 195	0.17 188	0.24 199	0.26 273	0.15 209	0.13 135	0.23 304	0.07 144	0.07 250	0.08 165	0.09 254	0.07 159	0.06 101

test croco	0.10 52	0.08 142	0.10 46	0.19 230	0.09 133	0.10 58	0.15 116	0.14 17	0.13 43	0.13 107	0.15 97	0.09 39	0.12 141	0.13 135	0.12 130	0.07 144	0.05 109	0.09 230	0.06 88	0.06 102	0.06 101

PCWNet_CMD	0.14 189	0.08 142	0.15 194	0.17 116	0.09 133	0.14 157	0.14 70	0.29 261	0.36 301	0.14 127	0.20 162	0.21 220	0.12 141	0.17 223	0.13 160	0.07 144	0.05 109	0.07 100	0.07 163	0.07 159	0.07 161

CFNet_ucs	0.15 222	0.08 142	0.16 224	0.16 69	0.11 257	0.14 157	0.14 70	0.30 275	0.34 288	0.16 176	0.24 199	0.23 249	0.14 196	0.18 234	0.15 211	0.09 238	0.06 192	0.08 165	0.07 163	0.09 250	0.09 254

SDNR	0.19 282	0.08 142	0.19 275	0.16 69	0.12 287	0.77 404	0.14 70	0.25 207	0.32 271	0.19 227	0.24 199	0.19 203	0.13 173	0.19 245	0.15 211	0.16 360	0.18 368	0.14 337	0.11 309	0.08 202	0.11 296

TestStereo1	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 365	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 57	0.06 192	0.08 165	0.06 88	0.05 40	0.05 52

CRFU-Net	0.16 240	0.08 142	0.14 157	0.17 116	0.09 133	0.19 257	0.14 70	0.26 219	0.20 151	0.28 321	0.27 251	0.29 294	0.17 248	0.19 245	0.17 237	0.09 238	0.09 295	0.07 100	0.07 163	0.08 202	0.08 221

SA-5K	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 365	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 57	0.06 192	0.08 165	0.06 88	0.05 40	0.05 52

Sa-1000	0.12 138	0.08 142	0.08 11	0.18 183	0.08 48	0.14 157	0.22 305	0.22 159	0.18 118	0.15 151	0.20 162	0.17 184	0.11 112	0.10 18	0.10 51	0.06 57	0.05 109	0.09 230	0.09 254	0.05 40	0.05 52

CIPLG	0.11 83	0.08 142	0.14 157	0.17 116	0.08 48	0.12 106	0.15 116	0.17 75	0.15 71	0.14 127	0.11 56	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

DAS	0.15 222	0.08 142	0.18 266	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 214	0.25 228	0.21 220	0.15 209	0.16 201	0.12 130	0.08 193	0.06 192	0.06 32	0.06 88	0.07 159	0.07 161

SepStereo	0.15 222	0.08 142	0.18 266	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 214	0.25 228	0.21 220	0.15 209	0.25 315	0.12 130	0.08 193	0.06 192	0.06 32	0.06 88	0.07 159	0.07 161

IPLGR_C	0.11 83	0.08 142	0.14 157	0.17 116	0.08 48	0.12 106	0.15 116	0.17 75	0.15 71	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

MIPNet	0.11 83	0.08 142	0.14 157	0.17 116	0.09 133	0.12 106	0.14 70	0.20 126	0.24 195	0.11 62	0.10 39	0.09 39	0.07 33	0.13 135	0.12 130	0.06 57	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

AASNet	0.16 240	0.08 142	0.12 92	0.19 230	0.09 133	0.18 237	0.15 116	0.37 341	0.37 307	0.19 227	0.23 191	0.20 213	0.16 229	0.17 223	0.20 266	0.10 270	0.08 272	0.08 165	0.07 163	0.09 250	0.09 254

ACRE	0.11 83	0.08 142	0.14 157	0.17 116	0.08 48	0.12 106	0.15 116	0.17 75	0.14 60	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

AACVNet	0.16 240	0.08 142	0.14 157	0.15 38	0.10 219	0.18 237	0.15 116	0.23 176	0.24 195	0.27 310	0.27 251	0.28 287	0.17 248	0.19 245	0.16 225	0.09 238	0.07 250	0.09 230	0.07 163	0.10 277	0.09 254

GwcNet-ADL	0.13 160	0.08 142	0.14 157	0.20 271	0.09 133	0.11 84	0.20 280	0.30 275	0.24 195	0.13 107	0.14 83	0.18 195	0.14 196	0.13 135	0.14 188	0.07 144	0.05 109	0.06 32	0.05 32	0.07 159	0.06 101

TransformOpticalFlow	0.10 52	0.08 142	0.13 131	0.18 183	0.07 18	0.09 35	0.15 116	0.19 119	0.15 71	0.12 86	0.17 123	0.11 77	0.11 112	0.11 47	0.10 51	0.05 2	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

NRIStereo	0.11 83	0.08 142	0.14 157	0.18 183	0.08 48	0.10 58	0.14 70	0.16 45	0.15 71	0.12 86	0.14 83	0.13 115	0.12 141	0.13 135	0.10 51	0.06 57	0.04 2	0.07 100	0.06 88	0.06 102	0.07 161

DeepStereo_RVC	0.11 83	0.08 142	0.16 224	0.18 183	0.08 48	0.08 23	0.12 21	0.17 75	0.12 26	0.13 107	0.14 83	0.12 92	0.12 141	0.12 103	0.11 88	0.06 57	0.04 2	0.07 100	0.06 88	0.07 159	0.08 221

IRAFT_RVC	0.12 138	0.08 142	0.16 224	0.19 230	0.08 48	0.07 16	0.15 116	0.24 194	0.23 185	0.14 127	0.14 83	0.15 154	0.12 141	0.12 103	0.10 51	0.06 57	0.04 2	0.09 230	0.06 88	0.06 102	0.06 101

CroCo-Stereo	0.09 12	0.08 142	0.08 11	0.22 309	0.09 133	0.09 35	0.19 265	0.15 29	0.12 26	0.07 2	0.07 14	0.08 26	0.06 6	0.08 6	0.07 1	0.07 144	0.05 109	0.06 32	0.04 8	0.05 40	0.04 7
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
LMCR-Stereo	0.15 222	0.08 142	0.13 131	0.21 295	0.09 133	0.17 222	0.20 280	0.27 237	0.19 130	0.24 286	0.24 199	0.23 249	0.17 248	0.20 264	0.17 237	0.07 144	0.06 192	0.08 165	0.06 88	0.10 277	0.08 221

CFNet_pseudo	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.13 132	0.14 70	0.27 237	0.34 288	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 165	0.06 88	0.07 159	0.07 161

RALAANet	0.11 83	0.08 142	0.10 46	0.17 116	0.09 133	0.14 157	0.10 6	0.20 126	0.15 71	0.14 127	0.13 74	0.16 165	0.09 69	0.12 103	0.11 88	0.06 57	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

ADLNet	0.16 240	0.08 142	0.15 194	0.16 69	0.10 219	0.16 203	0.17 194	0.32 290	0.27 234	0.22 265	0.27 251	0.24 255	0.16 229	0.18 234	0.21 285	0.10 270	0.06 192	0.10 271	0.10 286	0.08 202	0.09 254

GES	0.14 189	0.08 142	0.16 224	0.15 38	0.10 219	0.13 132	0.13 43	0.28 251	0.25 214	0.16 176	0.23 191	0.18 195	0.13 173	0.16 201	0.13 160	0.08 193	0.07 250	0.07 100	0.06 88	0.08 202	0.09 254

ARAFT	0.12 138	0.08 142	0.17 249	0.19 230	0.09 133	0.14 157	0.18 234	0.20 126	0.12 26	0.12 86	0.13 74	0.14 130	0.11 112	0.15 169	0.12 130	0.06 57	0.05 109	0.10 271	0.09 254	0.05 40	0.04 7

delet	0.17 260	0.08 142	0.17 249	0.19 230	0.11 257	0.20 269	0.21 296	0.30 275	0.37 307	0.17 188	0.26 243	0.19 203	0.19 272	0.19 245	0.21 285	0.08 193	0.08 272	0.09 230	0.11 309	0.06 102	0.06 101

UPFNet	0.16 240	0.08 142	0.12 92	0.20 271	0.12 287	0.20 269	0.23 315	0.28 251	0.26 227	0.17 188	0.24 199	0.22 237	0.19 272	0.19 245	0.21 285	0.09 238	0.07 250	0.08 165	0.09 254	0.08 202	0.06 101

FENet	0.13 160	0.08 142	0.12 92	0.16 69	0.08 48	0.14 157	0.15 116	0.22 159	0.23 185	0.17 188	0.23 191	0.16 165	0.12 141	0.14 151	0.15 211	0.08 193	0.05 109	0.08 165	0.08 214	0.07 159	0.07 161

ac_64	0.16 240	0.08 142	0.15 194	0.18 183	0.10 219	0.22 291	0.18 234	0.24 194	0.21 164	0.18 214	0.24 199	0.29 294	0.18 257	0.19 245	0.22 294	0.09 238	0.07 250	0.08 165	0.09 254	0.07 159	0.06 101

HGLStereo	0.17 260	0.08 142	0.19 275	0.17 116	0.12 287	0.18 237	0.18 234	0.31 281	0.32 271	0.21 252	0.32 287	0.25 265	0.18 257	0.19 245	0.20 266	0.09 238	0.09 295	0.07 100	0.07 163	0.09 250	0.10 273

BEATNet_4x	0.12 138	0.08 142	0.14 157	0.18 183	0.07 18	0.15 179	0.07 1	0.22 159	0.18 118	0.16 176	0.19 151	0.18 195	0.14 196	0.16 201	0.15 211	0.07 144	0.05 109	0.05 2	0.05 32	0.06 102	0.06 101

MSMDNet	0.14 189	0.08 142	0.15 194	0.17 116	0.09 133	0.14 157	0.14 70	0.29 261	0.36 301	0.14 127	0.21 176	0.21 220	0.12 141	0.17 223	0.14 188	0.07 144	0.05 109	0.07 100	0.07 163	0.07 159	0.07 161

HSM-Net_RVC	0.14 189	0.08 142	0.11 72	0.15 38	0.08 48	0.15 179	0.15 116	0.27 237	0.29 252	0.19 227	0.21 176	0.29 294	0.14 196	0.17 223	0.13 160	0.06 57	0.06 192	0.06 32	0.06 88	0.07 159	0.06 101
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.12 106	0.14 70	0.27 237	0.34 288	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 165	0.07 163	0.07 159	0.07 161

UCFNet_RVC	0.14 189	0.08 142	0.13 131	0.11 1	0.10 219	0.20 269	0.10 6	0.24 194	0.22 176	0.17 188	0.20 162	0.23 249	0.15 209	0.17 223	0.15 211	0.12 315	0.07 250	0.10 271	0.13 336	0.11 292	0.10 273

iResNetv2_ROB	0.14 189	0.08 142	0.15 194	0.16 69	0.08 48	0.16 203	0.12 21	0.25 207	0.35 296	0.21 252	0.29 271	0.24 255	0.13 173	0.14 151	0.14 188	0.06 57	0.05 109	0.06 32	0.04 8	0.09 250	0.08 221

HSM	0.15 222	0.08 142	0.14 157	0.16 69	0.09 133	0.16 203	0.14 70	0.28 251	0.25 214	0.19 227	0.23 191	0.37 340	0.16 229	0.20 264	0.15 211	0.07 144	0.05 109	0.07 100	0.06 88	0.07 159	0.06 101

H2IRNET	0.10 52	0.09 192	0.09 29	0.18 183	0.09 133	0.12 106	0.15 116	0.14 17	0.21 164	0.10 42	0.10 39	0.10 60	0.10 90	0.10 18	0.10 51	0.05 2	0.04 2	0.08 165	0.08 214	0.06 102	0.05 52

DispNO	0.16 240	0.09 192	0.19 275	0.21 295	0.11 257	0.13 132	0.28 356	0.23 176	0.34 288	0.22 265	0.26 243	0.20 213	0.19 272	0.15 169	0.16 225	0.09 238	0.06 192	0.07 100	0.07 163	0.06 102	0.06 101

DualNet	0.13 160	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 228	0.19 203	0.13 173	0.10 18	0.20 266	0.06 57	0.04 2	0.09 230	0.08 214	0.06 102	0.06 101

ffm	0.12 138	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 228	0.19 203	0.13 173	0.10 18	0.07 1	0.06 57	0.04 2	0.09 230	0.08 214	0.06 102	0.06 101

ff1	0.13 160	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 228	0.19 203	0.13 173	0.14 151	0.20 266	0.06 57	0.04 2	0.09 230	0.08 214	0.06 102	0.06 101

mmx	0.14 189	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 228	0.19 203	0.13 173	0.14 151	0.20 266	0.08 193	0.06 192	0.09 230	0.08 214	0.08 202	0.08 221

whm_eth	0.14 189	0.09 192	0.20 284	0.20 271	0.12 287	0.12 106	0.15 116	0.18 99	0.28 245	0.17 188	0.32 287	0.09 39	0.12 141	0.18 234	0.14 188	0.07 144	0.07 250	0.08 165	0.07 163	0.07 159	0.07 161

xxx	0.14 189	0.09 192	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 228	0.19 203	0.13 173	0.14 151	0.20 266	0.08 193	0.06 192	0.09 230	0.08 214	0.08 202	0.08 221

StereoIM	0.09 12	0.09 192	0.08 11	0.17 116	0.09 133	0.13 132	0.10 6	0.16 45	0.16 89	0.09 17	0.11 56	0.06 3	0.06 6	0.09 10	0.13 160	0.07 144	0.06 192	0.07 100	0.05 32	0.05 40	0.04 7

CASnet	0.09 12	0.09 192	0.09 29	0.19 230	0.06 2	0.07 16	0.11 11	0.18 99	0.14 60	0.11 62	0.10 39	0.09 39	0.07 33	0.10 18	0.10 51	0.06 57	0.04 2	0.10 271	0.08 214	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo	0.13 160	0.09 192	0.11 72	0.20 271	0.10 219	0.11 84	0.18 234	0.32 290	0.24 195	0.15 151	0.15 97	0.14 130	0.13 173	0.19 245	0.11 88	0.06 57	0.04 2	0.09 230	0.08 214	0.04 1	0.05 52

CroCo-Stereo Lap2	0.09 12	0.09 192	0.08 11	0.22 309	0.09 133	0.09 35	0.19 265	0.16 45	0.12 26	0.09 17	0.10 39	0.05 1	0.05 2	0.08 6	0.08 11	0.06 57	0.06 192	0.07 100	0.05 32	0.05 40	0.05 52

qqq	0.13 160	0.09 192	0.15 194	0.16 69	0.08 48	0.13 132	0.15 116	0.23 176	0.16 89	0.15 151	0.19 151	0.16 165	0.16 229	0.15 169	0.16 225	0.07 144	0.06 192	0.08 165	0.08 214	0.07 159	0.07 161

Wz-Net-LNSev-Ref	0.18 272	0.09 192	0.29 330	0.15 38	0.10 219	0.22 291	0.20 280	0.26 219	0.39 315	0.25 299	0.42 351	0.24 255	0.15 209	0.20 264	0.19 260	0.07 144	0.05 109	0.06 32	0.05 32	0.10 277	0.09 254

BUS	0.14 189	0.09 192	0.14 157	0.22 309	0.10 219	0.19 257	0.14 70	0.34 317	0.19 130	0.17 188	0.22 185	0.16 165	0.13 173	0.15 169	0.13 160	0.08 193	0.06 192	0.10 271	0.09 254	0.07 159	0.07 161

RAFT_CTSACE	0.12 138	0.09 192	0.10 46	0.22 309	0.08 48	0.12 106	0.24 324	0.18 99	0.16 89	0.20 244	0.27 251	0.13 115	0.07 33	0.13 135	0.09 19	0.05 2	0.06 192	0.08 165	0.07 163	0.04 1	0.04 7

BSDual-CNN	0.15 222	0.09 192	0.14 157	0.22 309	0.10 219	0.14 157	0.15 116	0.34 317	0.19 130	0.17 188	0.22 185	0.25 265	0.16 229	0.15 169	0.14 188	0.08 193	0.06 192	0.10 271	0.09 254	0.07 159	0.07 161

SA	0.12 138	0.09 192	0.08 11	0.18 183	0.08 48	0.12 106	0.24 324	0.23 176	0.18 118	0.17 188	0.27 251	0.14 130	0.11 112	0.11 47	0.11 88	0.05 2	0.05 109	0.09 230	0.08 214	0.05 40	0.04 7

iRaft-Stereo_5w	0.12 138	0.09 192	0.12 92	0.19 230	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.19 227	0.14 83	0.11 77	0.09 69	0.20 264	0.16 225	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.06 101

psmg	0.14 189	0.09 192	0.14 157	0.17 116	0.10 219	0.15 179	0.17 194	0.29 261	0.19 130	0.17 188	0.21 176	0.25 265	0.16 229	0.15 169	0.14 188	0.08 193	0.06 192	0.08 165	0.08 214	0.07 159	0.06 101

CSP-Net	0.16 240	0.09 192	0.14 157	0.16 69	0.09 133	0.19 257	0.17 194	0.25 207	0.32 271	0.25 299	0.30 275	0.24 255	0.15 209	0.21 280	0.18 251	0.09 238	0.06 192	0.07 100	0.07 163	0.08 202	0.07 161

IPLGR	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.12 106	0.17 194	0.21 143	0.24 195	0.11 62	0.12 64	0.11 77	0.08 51	0.12 103	0.12 130	0.06 57	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

GMOStereo	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

error version	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test-v	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test_3	0.10 52	0.09 192	0.10 46	0.20 271	0.08 48	0.13 132	0.26 344	0.14 17	0.21 164	0.10 42	0.10 39	0.09 39	0.09 69	0.08 6	0.11 88	0.05 2	0.04 2	0.08 165	0.07 163	0.04 1	0.04 7

ADLNet2	0.16 240	0.09 192	0.13 131	0.16 69	0.09 133	0.20 269	0.16 173	0.31 281	0.39 315	0.16 176	0.20 162	0.20 213	0.18 257	0.21 280	0.22 294	0.08 193	0.06 192	0.07 100	0.07 163	0.09 250	0.07 161

Patchmatch Stereo++	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.11 11	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161
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
PSM-adaLoss	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

ROB_FTStereo_v2	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

ROB_FTStereo	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.11 11	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

HUI-Stereo	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

iGMRVC	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

iRAFT	0.11 83	0.09 192	0.16 224	0.18 183	0.08 48	0.06 2	0.11 11	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

CRE-IMP	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.10 58	0.12 21	0.18 99	0.10 8	0.14 127	0.13 74	0.13 115	0.12 141	0.12 103	0.11 88	0.07 144	0.04 2	0.08 165	0.06 88	0.08 202	0.08 221

test-2	0.11 83	0.09 192	0.07 2	0.19 230	0.08 48	0.12 106	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

cross-raft	0.10 52	0.09 192	0.09 29	0.19 230	0.07 18	0.11 84	0.25 338	0.13 11	0.15 71	0.08 6	0.11 56	0.12 92	0.10 90	0.09 10	0.11 88	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

RAFT	0.13 160	0.09 192	0.11 72	0.18 183	0.08 48	0.15 179	0.24 324	0.20 126	0.19 130	0.21 252	0.21 176	0.17 184	0.12 141	0.16 201	0.09 19	0.06 57	0.07 250	0.10 271	0.09 254	0.05 40	0.05 52

RAFT-IKP	0.11 83	0.09 192	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 43	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 57	0.04 2	0.08 165	0.06 88	0.08 202	0.07 161

ICVP	0.15 222	0.09 192	0.12 92	0.22 309	0.09 133	0.17 222	0.21 296	0.25 207	0.23 185	0.18 214	0.30 275	0.26 273	0.18 257	0.17 223	0.14 188	0.09 238	0.07 250	0.08 165	0.07 163	0.07 159	0.07 161
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 138	0.09 192	0.23 303	0.24 333	0.11 257	0.19 257	0.14 70	0.17 75	0.14 60	0.10 42	0.13 74	0.12 92	0.07 33	0.14 151	0.11 88	0.08 193	0.08 272	0.08 165	0.08 214	0.05 40	0.07 161

MMNet	0.17 260	0.09 192	0.16 224	0.20 271	0.11 257	0.27 334	0.20 280	0.25 207	0.41 324	0.22 265	0.30 275	0.21 220	0.20 281	0.17 223	0.20 266	0.06 57	0.06 192	0.07 100	0.07 163	0.08 202	0.07 161

UNet	0.17 260	0.09 192	0.18 266	0.19 230	0.12 287	0.27 334	0.19 265	0.33 307	0.29 252	0.21 252	0.24 199	0.23 249	0.19 272	0.19 245	0.18 251	0.07 144	0.06 192	0.08 165	0.07 163	0.08 202	0.06 101

ACVNet	0.15 222	0.09 192	0.15 194	0.13 6	0.12 287	0.14 157	0.20 280	0.22 159	0.33 277	0.17 188	0.26 243	0.21 220	0.16 229	0.17 223	0.21 285	0.07 144	0.06 192	0.06 32	0.06 88	0.08 202	0.06 101

acv_ft	0.15 222	0.09 192	0.15 194	0.19 230	0.10 219	0.16 203	0.17 194	0.25 207	0.33 277	0.19 227	0.26 243	0.21 220	0.17 248	0.17 223	0.18 251	0.07 144	0.06 192	0.06 32	0.06 88	0.08 202	0.06 101

hitnet-ft	0.18 272	0.09 192	0.17 249	0.14 13	0.09 133	0.26 327	0.20 280	0.25 207	0.26 227	0.24 286	0.32 287	0.31 312	0.22 294	0.24 310	0.21 285	0.12 315	0.07 250	0.10 271	0.08 214	0.12 306	0.11 296

DSFCA	0.16 240	0.09 192	0.14 157	0.16 69	0.10 219	0.20 269	0.19 265	0.28 251	0.31 265	0.23 278	0.24 199	0.22 237	0.15 209	0.19 245	0.20 266	0.10 270	0.07 250	0.09 230	0.09 254	0.08 202	0.08 221

DMCA	0.14 189	0.09 192	0.16 224	0.19 230	0.09 133	0.15 179	0.17 194	0.23 176	0.27 234	0.14 127	0.19 151	0.17 184	0.18 257	0.15 169	0.17 237	0.10 270	0.06 192	0.08 165	0.06 88	0.09 250	0.10 273

DISCO	0.19 282	0.09 192	0.22 294	0.17 116	0.10 219	0.25 319	0.18 234	0.27 237	0.44 339	0.22 265	0.31 283	0.33 324	0.26 317	0.28 331	0.28 348	0.08 193	0.06 192	0.07 100	0.07 163	0.09 250	0.09 254

LL-Strereo2	0.10 52	0.10 241	0.15 194	0.18 183	0.08 48	0.15 179	0.09 3	0.17 75	0.14 60	0.14 127	0.10 39	0.09 39	0.07 33	0.16 201	0.10 51	0.05 2	0.05 109	0.10 271	0.07 163	0.06 102	0.05 52

Selective-RAFT	0.11 83	0.10 241	0.11 72	0.21 295	0.08 48	0.16 203	0.13 43	0.20 126	0.22 176	0.10 42	0.10 39	0.11 77	0.10 90	0.15 169	0.11 88	0.05 2	0.05 109	0.06 32	0.05 32	0.06 102	0.05 52

ssnet_v2	0.17 260	0.10 241	0.17 249	0.17 116	0.11 257	0.21 283	0.21 296	0.33 307	0.25 214	0.22 265	0.22 185	0.27 280	0.18 257	0.22 291	0.20 266	0.11 291	0.09 295	0.09 230	0.09 254	0.08 202	0.08 221

raft_robust	0.13 160	0.10 241	0.07 2	0.18 183	0.08 48	0.13 132	0.24 324	0.28 251	0.33 277	0.20 244	0.19 151	0.14 130	0.10 90	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.07 163	0.05 40	0.04 7

NINENet	0.16 240	0.10 241	0.15 194	0.17 116	0.11 257	0.19 257	0.14 70	0.40 356	0.36 301	0.18 214	0.21 176	0.16 165	0.13 173	0.15 169	0.13 160	0.08 193	0.08 272	0.10 271	0.07 163	0.10 277	0.09 254

test_4	0.10 52	0.10 241	0.08 11	0.19 230	0.09 133	0.08 23	0.22 305	0.15 29	0.17 101	0.12 86	0.18 145	0.12 92	0.09 69	0.08 6	0.11 88	0.04 1	0.04 2	0.08 165	0.08 214	0.04 1	0.03 1

pcwnet_v2	0.19 282	0.10 241	0.26 313	0.17 116	0.14 321	0.18 237	0.15 116	0.37 341	0.46 347	0.19 227	0.24 199	0.21 220	0.19 272	0.20 264	0.19 260	0.13 335	0.10 313	0.10 271	0.10 286	0.11 292	0.13 321

Anonymous	0.14 189	0.10 241	0.24 306	0.22 309	0.13 304	0.18 237	0.22 305	0.20 126	0.19 130	0.14 127	0.12 64	0.11 77	0.13 173	0.16 201	0.13 160	0.08 193	0.07 250	0.08 165	0.08 214	0.12 306	0.10 273

psm_up	0.18 272	0.10 241	0.18 266	0.20 271	0.11 257	0.17 222	0.19 265	0.37 341	0.34 288	0.21 252	0.28 260	0.29 294	0.24 306	0.20 264	0.22 294	0.09 238	0.10 313	0.11 298	0.11 309	0.08 202	0.08 221

DMCA-RVC	0.17 260	0.10 241	0.15 194	0.24 333	0.11 257	0.18 237	0.18 234	0.25 207	0.24 195	0.21 252	0.26 243	0.25 265	0.27 325	0.18 234	0.20 266	0.12 315	0.08 272	0.13 327	0.10 286	0.10 277	0.08 221

SuperB	0.20 291	0.10 241	0.56 376	0.16 69	0.09 133	0.18 237	0.18 234	0.24 194	0.50 356	0.26 304	0.39 330	0.17 184	0.21 285	0.22 291	0.21 285	0.08 193	0.06 192	0.06 32	0.06 88	0.12 306	0.10 273

ADCP+	0.20 291	0.10 241	0.33 340	0.20 271	0.12 287	0.22 291	0.26 344	0.31 281	0.34 288	0.26 304	0.37 317	0.22 237	0.22 294	0.27 320	0.27 340	0.09 238	0.06 192	0.08 165	0.08 214	0.09 250	0.10 273

CFNet	0.15 222	0.10 241	0.17 249	0.17 116	0.08 48	0.18 237	0.09 3	0.28 251	0.25 214	0.19 227	0.24 199	0.24 255	0.17 248	0.17 223	0.14 188	0.08 193	0.06 192	0.09 230	0.10 286	0.07 159	0.06 101

CVANet_RVC	0.18 272	0.10 241	0.14 157	0.21 295	0.10 219	0.18 237	0.17 194	0.34 317	0.33 277	0.22 265	0.31 283	0.28 287	0.18 257	0.23 302	0.17 237	0.12 315	0.08 272	0.12 313	0.11 309	0.09 250	0.07 161

NLCA_NET_v2_RVC	0.17 260	0.10 241	0.22 294	0.20 271	0.10 219	0.15 179	0.18 234	0.31 281	0.25 214	0.21 252	0.30 275	0.25 265	0.17 248	0.21 280	0.20 266	0.09 238	0.06 192	0.08 165	0.08 214	0.07 159	0.08 221
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 240	0.10 241	0.10 46	0.18 183	0.09 133	0.18 237	0.19 265	0.26 219	0.31 265	0.22 265	0.35 308	0.21 220	0.21 285	0.22 291	0.16 225	0.06 57	0.05 109	0.06 32	0.06 88	0.07 159	0.06 101

NVstereo2D	0.19 282	0.10 241	0.15 194	0.17 116	0.15 332	0.28 340	0.23 315	0.44 371	0.42 330	0.15 151	0.27 251	0.25 265	0.19 272	0.22 291	0.17 237	0.09 238	0.06 192	0.10 271	0.08 214	0.15 346	0.09 254

iResNet	0.13 160	0.10 241	0.18 266	0.19 230	0.08 48	0.13 132	0.18 234	0.20 126	0.26 227	0.15 151	0.23 191	0.15 154	0.13 173	0.14 151	0.14 188	0.06 57	0.04 2	0.06 32	0.05 32	0.06 102	0.05 52

MDST_ROB	0.22 309	0.10 241	0.17 249	0.18 183	0.11 257	0.37 369	0.19 265	0.43 369	0.41 324	0.39 358	0.39 330	0.29 294	0.21 285	0.26 317	0.18 251	0.11 291	0.10 313	0.14 337	0.11 309	0.10 277	0.08 221

DLCB_ROB	0.18 272	0.10 241	0.15 194	0.23 328	0.11 257	0.24 309	0.18 234	0.29 261	0.28 245	0.27 310	0.28 260	0.28 287	0.24 306	0.19 245	0.20 266	0.08 193	0.08 272	0.09 230	0.09 254	0.07 159	0.07 161

fast-acv-ft	0.18 272	0.11 261	0.19 275	0.19 230	0.12 287	0.24 309	0.21 296	0.25 207	0.34 288	0.22 265	0.34 304	0.27 280	0.20 281	0.21 280	0.23 304	0.09 238	0.09 295	0.08 165	0.10 286	0.08 202	0.07 161

ToySt	0.17 260	0.11 261	0.18 266	0.17 116	0.11 257	0.16 203	0.25 338	0.24 194	0.33 277	0.19 227	0.24 199	0.26 273	0.24 306	0.19 245	0.20 266	0.07 144	0.08 272	0.09 230	0.10 286	0.09 250	0.08 221

RAFT+CT+SA	0.13 160	0.11 261	0.09 29	0.19 230	0.09 133	0.15 179	0.28 356	0.22 159	0.22 176	0.15 151	0.26 243	0.10 60	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.07 100	0.08 214	0.07 159	0.06 101

hknet	0.15 222	0.11 261	0.13 131	0.22 309	0.11 257	0.14 157	0.15 116	0.34 317	0.25 214	0.17 188	0.22 185	0.22 237	0.18 257	0.17 223	0.12 130	0.07 144	0.06 192	0.10 271	0.09 254	0.07 159	0.07 161

FADNet-RVC-Resample	0.16 240	0.11 261	0.31 335	0.22 309	0.11 257	0.19 257	0.14 70	0.25 207	0.24 195	0.24 286	0.27 251	0.20 213	0.15 209	0.16 201	0.15 211	0.07 144	0.08 272	0.12 313	0.10 286	0.09 250	0.10 273

stereogan	0.22 309	0.11 261	0.21 289	0.20 271	0.12 287	0.31 348	0.19 265	0.35 330	0.44 339	0.22 265	0.39 330	0.35 334	0.27 325	0.33 350	0.22 294	0.10 270	0.12 332	0.10 271	0.10 286	0.14 335	0.13 321

ADCL	0.24 332	0.11 261	0.47 366	0.22 309	0.12 287	0.34 358	0.29 365	0.29 261	0.56 368	0.24 286	0.46 358	0.30 302	0.30 345	0.29 338	0.29 351	0.08 193	0.07 250	0.09 230	0.09 254	0.10 277	0.10 273

AdaStereo	0.15 222	0.11 261	0.15 194	0.18 183	0.09 133	0.20 269	0.11 11	0.32 290	0.28 245	0.20 244	0.23 191	0.20 213	0.13 173	0.19 245	0.14 188	0.12 315	0.05 109	0.10 271	0.07 163	0.09 250	0.07 161
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.
DeepPruner_ROB	0.16 240	0.11 261	0.15 194	0.17 116	0.10 219	0.17 222	0.15 116	0.32 290	0.21 164	0.19 227	0.21 176	0.22 237	0.18 257	0.20 264	0.15 211	0.13 335	0.09 295	0.09 230	0.09 254	0.11 292	0.10 273

DRN-Test	0.19 282	0.11 261	0.20 284	0.22 309	0.10 219	0.22 291	0.22 305	0.39 352	0.37 307	0.24 286	0.32 287	0.26 273	0.21 285	0.22 291	0.24 314	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

StereoDRNet	0.18 272	0.11 261	0.17 249	0.22 309	0.11 257	0.21 283	0.22 305	0.37 341	0.33 277	0.24 286	0.28 260	0.30 302	0.19 272	0.20 264	0.20 266	0.09 238	0.08 272	0.11 298	0.09 254	0.09 250	0.07 161

XPNet_ROB	0.22 309	0.11 261	0.19 275	0.22 309	0.13 304	0.22 291	0.19 265	0.34 317	0.40 321	0.30 330	0.39 330	0.39 352	0.26 317	0.26 317	0.28 348	0.15 349	0.10 313	0.10 271	0.10 286	0.13 323	0.12 307

WCMA_ROB	0.24 332	0.11 261	0.22 294	0.17 116	0.14 321	0.32 349	0.15 116	0.32 290	0.32 271	0.38 356	0.53 368	0.40 355	0.34 358	0.34 353	0.25 323	0.11 291	0.12 332	0.12 313	0.10 286	0.14 335	0.14 338

PSMNet_ROB	0.21 300	0.11 261	0.15 194	0.27 360	0.15 332	0.24 309	0.35 383	0.43 369	0.37 307	0.27 310	0.32 287	0.32 321	0.22 294	0.21 280	0.26 333	0.12 315	0.08 272	0.13 327	0.11 309	0.09 250	0.09 254

StereoVision	0.13 160	0.12 275	0.09 29	0.24 333	0.10 219	0.15 179	0.21 296	0.21 143	0.20 151	0.12 86	0.24 199	0.10 60	0.10 90	0.16 201	0.10 51	0.09 238	0.11 323	0.12 313	0.12 327	0.06 102	0.05 52

CASS	0.13 160	0.12 275	0.11 72	0.23 328	0.09 133	0.15 179	0.17 194	0.18 99	0.19 130	0.17 188	0.18 145	0.15 154	0.15 209	0.14 151	0.14 188	0.09 238	0.06 192	0.10 271	0.08 214	0.09 250	0.07 161
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 189	0.12 275	0.08 11	0.20 271	0.10 219	0.14 157	0.29 365	0.21 143	0.24 195	0.18 214	0.28 260	0.11 77	0.15 209	0.12 103	0.13 160	0.06 57	0.05 109	0.07 100	0.08 214	0.08 202	0.07 161

SACVNet	0.18 272	0.12 275	0.14 157	0.17 116	0.13 304	0.22 291	0.18 234	0.31 281	0.30 259	0.23 278	0.31 283	0.30 302	0.22 294	0.22 291	0.17 237	0.11 291	0.08 272	0.10 271	0.10 286	0.12 306	0.14 338

PSMNet-ADL	0.15 222	0.12 275	0.13 131	0.22 309	0.09 133	0.13 132	0.20 280	0.26 219	0.23 185	0.18 214	0.20 162	0.24 255	0.16 229	0.18 234	0.17 237	0.08 193	0.08 272	0.08 165	0.11 309	0.08 202	0.07 161

GEStereo_RVC	0.17 260	0.12 275	0.15 194	0.22 309	0.11 257	0.19 257	0.17 194	0.32 290	0.48 349	0.20 244	0.25 228	0.17 184	0.13 173	0.21 280	0.16 225	0.10 270	0.06 192	0.08 165	0.07 163	0.09 250	0.08 221

sAnonymous2	0.13 160	0.12 275	0.24 306	0.20 271	0.12 287	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 238	0.05 109	0.08 165	0.06 88	0.15 346	0.10 273

CroCo_RVC	0.13 160	0.12 275	0.24 306	0.20 271	0.12 287	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 238	0.05 109	0.08 165	0.06 88	0.15 346	0.10 273

APVNet	0.22 309	0.12 275	0.19 275	0.18 183	0.14 321	0.32 349	0.31 379	0.39 352	0.32 271	0.27 310	0.40 335	0.30 302	0.29 341	0.26 317	0.25 323	0.11 291	0.12 332	0.11 298	0.14 340	0.12 306	0.12 307

FAT-Stereo	0.20 291	0.12 275	0.22 294	0.21 295	0.12 287	0.17 222	0.18 234	0.34 317	0.39 315	0.27 310	0.37 317	0.34 330	0.32 353	0.21 280	0.20 266	0.09 238	0.11 323	0.10 271	0.09 254	0.11 292	0.14 338

S-Stereo	0.20 291	0.12 275	0.25 312	0.21 295	0.13 304	0.20 269	0.18 234	0.32 290	0.43 335	0.23 278	0.36 311	0.28 287	0.30 345	0.19 245	0.22 294	0.09 238	0.12 332	0.10 271	0.10 286	0.13 323	0.13 321

STTStereo	0.18 272	0.12 275	0.27 319	0.20 271	0.11 257	0.16 203	0.21 296	0.29 261	0.23 185	0.21 252	0.30 275	0.29 294	0.18 257	0.20 264	0.19 260	0.12 315	0.11 323	0.11 298	0.14 340	0.09 250	0.08 221

RTSC	0.23 324	0.12 275	0.28 324	0.21 295	0.13 304	0.28 340	0.16 173	0.35 330	0.66 384	0.27 310	0.33 300	0.30 302	0.21 285	0.31 342	0.29 351	0.10 270	0.08 272	0.09 230	0.10 286	0.13 323	0.13 321

ADCRef	0.19 282	0.12 275	0.41 359	0.20 271	0.12 287	0.22 291	0.18 234	0.32 290	0.36 301	0.26 304	0.32 287	0.17 184	0.23 300	0.24 310	0.24 314	0.07 144	0.06 192	0.09 230	0.09 254	0.08 202	0.08 221

RYNet	0.22 309	0.12 275	0.22 294	0.19 230	0.17 355	0.46 375	0.26 344	0.38 348	0.48 349	0.24 286	0.28 260	0.34 330	0.23 300	0.20 264	0.30 355	0.10 270	0.06 192	0.09 230	0.09 254	0.13 323	0.15 346

GANet	0.21 300	0.12 275	0.21 289	0.24 333	0.13 304	0.22 291	0.22 305	0.41 361	0.26 227	0.31 336	0.42 351	0.37 340	0.28 333	0.23 302	0.22 294	0.10 270	0.12 332	0.10 271	0.09 254	0.10 277	0.08 221

TDLM	0.17 260	0.12 275	0.13 131	0.24 333	0.10 219	0.18 237	0.18 234	0.36 336	0.30 259	0.21 252	0.28 260	0.28 287	0.18 257	0.23 302	0.18 251	0.11 291	0.07 250	0.10 271	0.10 286	0.08 202	0.08 221

SGM-ForestM	0.32 365	0.12 275	0.16 224	0.16 69	0.11 257	0.39 372	0.19 265	0.41 361	0.50 356	0.52 379	0.54 370	1.32 409	0.42 377	0.40 376	0.27 340	0.14 346	0.16 361	0.16 351	0.16 353	0.12 306	0.12 307

StereoDRNet-Refined	0.17 260	0.12 275	0.15 194	0.20 271	0.09 133	0.18 237	0.18 234	0.26 219	0.23 185	0.26 304	0.40 335	0.22 237	0.17 248	0.21 280	0.20 266	0.08 193	0.05 109	0.09 230	0.10 286	0.07 159	0.07 161
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 282	0.12 275	0.18 266	0.16 69	0.12 287	0.15 179	0.12 21	0.30 275	0.32 271	0.20 244	0.22 185	0.27 280	0.23 300	0.21 280	0.16 225	0.16 360	0.18 368	0.23 372	0.21 368	0.12 306	0.13 321

SGM_RVC	0.23 324	0.12 275	0.15 194	0.15 38	0.09 133	0.33 355	0.18 234	0.34 317	0.31 265	0.44 373	0.37 317	0.53 379	0.35 360	0.35 359	0.24 314	0.13 335	0.13 345	0.13 327	0.13 336	0.10 277	0.11 296
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 240	0.13 296	0.24 306	0.20 271	0.10 219	0.17 222	0.13 43	0.29 261	0.25 214	0.23 278	0.32 287	0.25 265	0.11 112	0.19 245	0.14 188	0.09 238	0.06 192	0.11 298	0.06 88	0.12 306	0.08 221

HBP-ISP	0.18 272	0.13 296	0.16 224	0.15 38	0.11 257	0.08 23	0.13 43	0.28 251	0.29 252	0.22 265	0.33 300	0.21 220	0.25 314	0.23 302	0.17 237	0.14 346	0.16 361	0.21 367	0.17 360	0.10 277	0.08 221

Wz-Net-MNSev	0.22 309	0.13 296	0.31 335	0.20 271	0.14 321	0.36 368	0.24 324	0.33 307	0.44 339	0.28 321	0.40 335	0.38 344	0.19 272	0.24 310	0.25 323	0.09 238	0.07 250	0.09 230	0.09 254	0.12 306	0.10 273

UDGNet	0.14 189	0.13 296	0.16 224	0.17 116	0.10 219	0.12 106	0.16 173	0.21 143	0.27 234	0.20 244	0.20 162	0.16 165	0.13 173	0.16 201	0.13 160	0.10 270	0.06 192	0.09 230	0.07 163	0.06 102	0.07 161

Anonymous3	0.16 240	0.13 296	0.33 340	0.26 349	0.14 321	0.27 334	0.17 194	0.28 251	0.28 245	0.15 151	0.17 123	0.14 130	0.10 90	0.15 169	0.12 130	0.08 193	0.08 272	0.08 165	0.08 214	0.08 202	0.11 296

GwcNet	0.20 291	0.13 296	0.19 275	0.18 183	0.12 287	0.24 309	0.19 265	0.35 330	0.43 335	0.20 244	0.32 287	0.33 324	0.20 281	0.22 291	0.24 314	0.11 291	0.09 295	0.09 230	0.09 254	0.09 250	0.10 273

RP	0.21 300	0.13 296	0.21 289	0.23 328	0.11 257	0.21 283	0.20 280	0.25 207	0.44 339	0.21 252	0.38 322	0.36 336	0.24 306	0.27 320	0.25 323	0.11 291	0.12 332	0.13 327	0.12 327	0.12 306	0.14 338

edge stereo	0.22 309	0.13 296	0.20 284	0.21 295	0.13 304	0.23 304	0.16 173	0.32 290	0.42 330	0.32 342	0.40 335	0.38 344	0.35 360	0.25 315	0.24 314	0.13 335	0.11 323	0.14 337	0.11 309	0.12 306	0.13 321

CBMV_ROB	0.19 282	0.13 296	0.17 249	0.16 69	0.11 257	0.15 179	0.13 43	0.26 219	0.28 245	0.27 310	0.30 275	0.27 280	0.24 306	0.23 302	0.16 225	0.15 349	0.17 366	0.22 371	0.20 366	0.10 277	0.11 296

DN-CSS_ROB	0.13 160	0.13 296	0.16 224	0.18 183	0.10 219	0.16 203	0.08 2	0.22 159	0.18 118	0.17 188	0.22 185	0.13 115	0.13 173	0.12 103	0.13 160	0.05 2	0.05 109	0.10 271	0.10 286	0.08 202	0.06 101

PWCDC_ROB	0.20 291	0.13 296	0.22 294	0.24 333	0.11 257	0.19 257	0.15 116	0.33 307	0.54 365	0.29 327	0.50 366	0.21 220	0.15 209	0.27 320	0.20 266	0.11 291	0.09 295	0.10 271	0.08 214	0.11 292	0.09 254

MeshStereo	0.27 350	0.13 296	0.18 266	0.15 38	0.11 257	0.32 349	0.24 324	0.40 356	0.36 301	0.52 379	0.57 377	0.67 390	0.40 370	0.35 359	0.26 333	0.14 346	0.13 345	0.13 327	0.11 309	0.11 292	0.10 273
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
TestStereo	0.13 160	0.14 308	0.11 72	0.23 328	0.08 48	0.15 179	0.21 296	0.20 126	0.23 185	0.14 127	0.24 199	0.16 165	0.12 141	0.16 201	0.14 188	0.05 2	0.06 192	0.08 165	0.06 88	0.09 250	0.05 52

GMStereo	0.13 160	0.14 308	0.14 157	0.18 183	0.09 133	0.15 179	0.16 173	0.20 126	0.24 195	0.16 176	0.17 123	0.10 60	0.10 90	0.16 201	0.13 160	0.07 144	0.06 192	0.06 32	0.06 88	0.07 159	0.06 101
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
FADNet_RVC	0.16 240	0.14 308	0.40 357	0.20 271	0.11 257	0.13 132	0.13 43	0.26 219	0.22 176	0.21 252	0.23 191	0.20 213	0.17 248	0.14 151	0.16 225	0.08 193	0.08 272	0.12 313	0.09 254	0.11 292	0.10 273

SANet	0.24 332	0.14 308	0.28 324	0.21 295	0.11 257	0.27 334	0.24 324	0.38 348	0.64 381	0.36 350	0.40 335	0.43 362	0.26 317	0.27 320	0.24 314	0.12 315	0.09 295	0.10 271	0.09 254	0.13 323	0.11 296

SGM-Forest	0.20 291	0.14 308	0.18 266	0.19 230	0.13 304	0.20 269	0.22 305	0.33 307	0.30 259	0.24 286	0.29 271	0.28 287	0.19 272	0.23 302	0.17 237	0.15 349	0.16 361	0.15 345	0.14 340	0.12 306	0.12 307
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.19 282	0.14 308	0.17 249	0.18 183	0.10 219	0.20 269	0.11 11	0.29 261	0.30 259	0.29 327	0.30 275	0.30 302	0.23 300	0.27 320	0.19 260	0.13 335	0.15 358	0.17 354	0.16 353	0.10 277	0.10 273
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
psmorigin	0.25 341	0.15 314	0.34 348	0.17 116	0.13 304	0.23 304	0.14 70	0.34 317	0.33 277	0.41 365	0.55 371	0.41 357	0.37 364	0.34 353	0.27 340	0.11 291	0.15 358	0.11 298	0.11 309	0.12 306	0.16 357

NCC-stereo	0.24 332	0.15 314	0.31 335	0.26 349	0.16 342	0.20 269	0.30 373	0.40 356	0.40 321	0.24 286	0.38 322	0.33 324	0.28 333	0.36 364	0.27 340	0.12 315	0.11 323	0.15 345	0.22 371	0.13 323	0.13 321

Abc-Net	0.24 332	0.15 314	0.31 335	0.26 349	0.16 342	0.20 269	0.30 373	0.40 356	0.40 321	0.24 286	0.38 322	0.33 324	0.28 333	0.36 364	0.27 340	0.12 315	0.11 323	0.15 345	0.22 371	0.13 323	0.13 321
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 348	0.15 314	0.30 333	0.24 333	0.18 362	0.22 291	0.15 116	0.38 348	0.71 388	0.32 342	0.41 345	0.36 336	0.28 333	0.32 348	0.29 351	0.12 315	0.11 323	0.14 337	0.13 336	0.16 353	0.20 372

ADCMid	0.25 341	0.15 314	0.40 357	0.20 271	0.14 321	0.25 319	0.26 344	0.34 317	0.38 312	0.36 350	0.44 356	0.34 330	0.40 370	0.35 359	0.33 366	0.10 270	0.09 295	0.11 298	0.11 309	0.13 323	0.12 307

DANet	0.21 300	0.15 314	0.28 324	0.25 344	0.13 304	0.22 291	0.19 265	0.27 237	0.27 234	0.28 321	0.32 287	0.35 334	0.31 349	0.31 342	0.23 304	0.11 291	0.09 295	0.11 298	0.10 286	0.13 323	0.11 296
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NCCL2	0.23 324	0.15 314	0.17 249	0.34 378	0.18 362	0.24 309	0.23 315	0.34 317	0.28 245	0.31 336	0.38 322	0.38 344	0.28 333	0.23 302	0.24 314	0.15 349	0.12 332	0.18 362	0.21 368	0.13 323	0.13 321

Wz-Net-LNSev	0.22 309	0.16 321	0.38 353	0.21 295	0.13 304	0.25 319	0.23 315	0.32 290	0.43 335	0.30 330	0.41 345	0.31 312	0.18 257	0.22 291	0.25 323	0.10 270	0.09 295	0.08 165	0.08 214	0.12 306	0.11 296

dd	0.15 222	0.16 321	0.16 224	0.19 230	0.09 133	0.15 179	0.18 234	0.21 143	0.25 214	0.23 278	0.20 162	0.21 220	0.09 69	0.21 280	0.16 225	0.10 270	0.06 192	0.08 165	0.06 88	0.08 202	0.06 101

Syn2CoEx	0.21 300	0.16 321	0.27 319	0.29 370	0.14 321	0.26 327	0.20 280	0.33 307	0.31 265	0.28 321	0.36 311	0.27 280	0.25 314	0.19 245	0.24 314	0.16 360	0.12 332	0.14 337	0.11 309	0.09 250	0.08 221

G-Net	0.24 332	0.16 321	0.36 349	0.22 309	0.16 342	0.51 381	0.23 315	0.29 261	0.34 288	0.36 350	0.38 322	0.31 312	0.29 341	0.27 320	0.26 333	0.11 291	0.09 295	0.12 313	0.09 254	0.16 353	0.13 321

Nwc_Net	0.23 324	0.16 321	0.21 289	0.25 344	0.14 321	0.24 309	0.26 344	0.37 341	0.38 312	0.22 265	0.41 345	0.30 302	0.28 333	0.28 331	0.25 323	0.11 291	0.10 313	0.17 354	0.20 366	0.10 277	0.10 273

AnyNet_C32	0.26 348	0.16 321	0.36 349	0.20 271	0.16 342	0.25 319	0.30 373	0.32 290	0.44 339	0.31 336	0.49 362	0.30 302	0.33 354	0.40 376	0.33 366	0.12 315	0.12 332	0.12 313	0.14 340	0.14 335	0.15 346

ADCPNet	0.25 341	0.16 321	0.61 380	0.21 295	0.15 332	0.35 366	0.25 338	0.32 290	0.35 296	0.30 330	0.40 335	0.36 336	0.28 333	0.28 331	0.32 363	0.12 315	0.10 313	0.11 298	0.12 327	0.14 335	0.13 321

DPSNet	0.28 353	0.16 321	0.31 335	0.18 183	0.13 304	0.54 383	0.42 392	0.51 383	0.67 385	0.29 327	0.38 322	0.38 344	0.29 341	0.31 342	0.23 304	0.11 291	0.10 313	0.11 298	0.08 214	0.20 368	0.16 357

PDISCO_ROB	0.27 350	0.16 321	0.26 313	0.28 363	0.20 367	0.32 349	0.26 344	0.44 371	0.57 370	0.28 321	0.40 335	0.45 366	0.29 341	0.33 350	0.34 368	0.12 315	0.09 295	0.17 354	0.16 353	0.17 360	0.13 321

LALA_ROB	0.25 341	0.16 321	0.22 294	0.26 349	0.17 355	0.27 334	0.27 351	0.42 366	0.37 307	0.33 346	0.38 322	0.51 376	0.26 317	0.28 331	0.27 340	0.16 360	0.09 295	0.12 313	0.11 309	0.13 323	0.12 307

PWC_ROB	0.21 300	0.16 321	0.26 313	0.18 183	0.11 257	0.22 291	0.13 43	0.32 290	0.49 354	0.30 330	0.40 335	0.32 321	0.24 306	0.31 342	0.22 294	0.10 270	0.07 250	0.11 298	0.08 214	0.11 292	0.10 273

Anonymous_2	0.22 309	0.17 332	0.28 324	0.15 38	0.16 342	0.32 349	0.22 305	0.22 159	0.17 101	0.23 278	0.24 199	0.26 273	0.27 325	0.27 320	0.23 304	0.22 378	0.25 386	0.17 354	0.17 360	0.17 360	0.17 364

Wz-Net-SNSev	0.25 341	0.17 332	0.44 361	0.25 344	0.14 321	0.26 327	0.23 315	0.38 348	0.56 368	0.30 330	0.55 371	0.39 352	0.26 317	0.23 302	0.30 355	0.10 270	0.09 295	0.09 230	0.10 286	0.11 292	0.11 296

WZ-Net	0.28 353	0.17 332	0.78 397	0.22 309	0.16 342	0.34 358	0.29 365	0.39 352	0.57 370	0.24 286	0.55 371	0.37 340	0.24 306	0.33 350	0.35 369	0.09 238	0.08 272	0.09 230	0.10 286	0.14 335	0.16 357

DDUNet	0.22 309	0.17 332	0.21 289	0.22 309	0.15 332	0.25 319	0.24 324	0.29 261	0.30 259	0.31 336	0.36 311	0.33 324	0.25 314	0.24 310	0.20 266	0.18 366	0.13 345	0.17 354	0.11 309	0.16 353	0.16 357

UDG	0.21 300	0.17 332	0.19 275	0.23 328	0.15 332	0.30 346	0.20 280	0.33 307	0.35 296	0.23 278	0.28 260	0.31 312	0.27 325	0.20 264	0.22 294	0.15 349	0.12 332	0.13 327	0.09 254	0.14 335	0.14 338

aanetorigin	0.22 309	0.17 332	0.56 376	0.17 116	0.10 219	0.15 179	0.19 265	0.20 126	0.33 277	0.49 377	0.48 361	0.29 294	0.27 325	0.20 264	0.23 304	0.08 193	0.07 250	0.08 165	0.07 163	0.10 277	0.09 254

AF-Net	0.22 309	0.17 332	0.17 249	0.26 349	0.13 304	0.25 319	0.24 324	0.32 290	0.50 356	0.25 299	0.33 300	0.38 344	0.26 317	0.28 331	0.25 323	0.11 291	0.10 313	0.16 351	0.11 309	0.11 292	0.10 273

DeepPrunerF	0.24 332	0.17 332	0.42 360	0.26 349	0.16 342	0.22 291	0.28 356	0.37 341	0.50 356	0.26 304	0.29 271	0.24 255	0.28 333	0.21 280	0.22 294	0.15 349	0.11 323	0.20 366	0.18 364	0.12 306	0.13 321

FBW_ROB	0.24 332	0.17 332	0.22 294	0.26 349	0.14 321	0.25 319	0.22 305	0.41 361	0.41 324	0.41 365	0.41 345	0.42 358	0.27 325	0.31 342	0.23 304	0.09 238	0.14 352	0.14 337	0.12 327	0.11 292	0.09 254

ETE_ROB	0.23 324	0.17 332	0.22 294	0.25 344	0.13 304	0.26 327	0.29 365	0.31 281	0.36 301	0.28 321	0.36 311	0.45 366	0.26 317	0.27 320	0.26 333	0.11 291	0.08 272	0.12 313	0.09 254	0.14 335	0.13 321

FINET	0.21 300	0.18 342	0.26 313	0.18 183	0.16 342	0.23 304	0.23 315	0.32 290	0.48 349	0.25 299	0.32 287	0.22 237	0.22 294	0.22 291	0.17 237	0.18 366	0.16 361	0.11 298	0.10 286	0.15 346	0.13 321

ADCS	0.29 357	0.18 342	0.45 362	0.21 295	0.17 355	0.28 340	0.23 315	0.41 361	0.63 380	0.40 361	0.49 362	0.40 355	0.36 362	0.39 372	0.40 380	0.13 335	0.12 332	0.13 327	0.14 340	0.16 353	0.16 357

PA-Net	0.23 324	0.18 342	0.33 340	0.28 363	0.22 371	0.21 283	0.38 388	0.29 261	0.39 315	0.22 265	0.32 287	0.25 265	0.26 317	0.20 264	0.25 323	0.09 238	0.23 384	0.15 345	0.22 371	0.09 250	0.13 321
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.24 332	0.19 345	0.33 340	0.21 295	0.24 374	0.24 309	0.20 280	0.35 330	0.41 324	0.24 286	0.32 287	0.38 344	0.21 285	0.29 338	0.23 304	0.12 315	0.11 323	0.14 337	0.16 353	0.23 372	0.23 378

RTS	0.45 382	0.19 345	3.26 417	0.24 333	0.15 332	0.74 398	0.20 280	0.36 336	0.76 394	0.42 368	0.43 354	0.31 312	0.41 374	0.53 388	0.35 369	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 346

RTSA	0.45 382	0.19 345	3.26 417	0.24 333	0.15 332	0.74 398	0.20 280	0.36 336	0.76 394	0.42 368	0.43 354	0.31 312	0.41 374	0.53 388	0.35 369	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 346

Anonymous Stereo	0.23 324	0.19 345	0.50 368	0.24 333	0.17 355	0.21 283	0.21 296	0.33 307	0.44 339	0.25 299	0.34 304	0.26 273	0.18 257	0.31 342	0.27 340	0.13 335	0.12 332	0.12 313	0.13 336	0.11 292	0.14 338

NaN_ROB	0.22 309	0.19 345	0.24 306	0.25 344	0.13 304	0.29 343	0.26 344	0.33 307	0.41 324	0.31 336	0.31 283	0.32 321	0.23 300	0.30 341	0.21 285	0.11 291	0.17 366	0.10 271	0.10 286	0.08 202	0.09 254

Wz-Net-TNSev	0.29 357	0.20 350	0.65 383	0.19 230	0.15 332	0.38 371	0.27 351	0.35 330	0.55 366	0.34 347	0.42 351	0.45 366	0.38 365	0.32 348	0.30 355	0.12 315	0.13 345	0.10 271	0.12 327	0.15 346	0.14 338

dad	0.17 260	0.20 350	0.20 284	0.16 69	0.11 257	0.20 269	0.18 234	0.21 143	0.28 245	0.30 330	0.24 199	0.29 294	0.13 173	0.19 245	0.16 225	0.18 366	0.09 295	0.11 298	0.09 254	0.11 292	0.07 161

FADNet-RVC	0.20 291	0.20 350	0.38 353	0.21 295	0.16 342	0.20 269	0.15 116	0.26 219	0.26 227	0.26 304	0.32 287	0.26 273	0.21 285	0.22 291	0.19 260	0.12 315	0.13 345	0.12 313	0.14 340	0.13 323	0.18 366

RGC	0.25 341	0.20 350	0.29 330	0.28 363	0.16 342	0.22 291	0.23 315	0.32 290	0.44 339	0.27 310	0.40 335	0.38 344	0.27 325	0.36 364	0.22 294	0.11 291	0.13 345	0.17 354	0.17 360	0.14 335	0.16 357

PVD	0.39 372	0.20 350	0.39 355	0.31 376	0.22 371	0.29 343	0.43 394	0.52 384	0.96 401	0.55 382	0.79 395	0.53 379	0.59 392	0.52 386	0.38 376	0.19 370	0.14 352	0.17 354	0.14 340	0.24 379	0.31 390

LSM	0.33 368	0.20 350	0.58 378	0.26 349	0.60 404	0.34 358	0.25 338	0.42 366	0.48 349	0.45 374	0.58 379	0.42 358	0.36 362	0.35 359	0.25 323	0.12 315	0.20 374	0.14 337	0.16 353	0.19 367	0.33 392

MFN_U_SF_RVC	0.32 365	0.21 356	0.55 374	0.30 372	0.15 332	0.34 358	0.17 194	0.52 384	0.46 347	0.46 376	0.55 371	0.59 382	0.39 367	0.35 359	0.37 374	0.15 349	0.14 352	0.18 362	0.21 368	0.16 353	0.15 346

MaskLacGwcNet_RVC	0.22 309	0.21 356	0.24 306	0.26 349	0.11 257	0.23 304	0.14 70	0.39 352	0.24 195	0.32 342	0.36 311	0.30 302	0.21 285	0.19 245	0.21 285	0.17 364	0.14 352	0.21 367	0.16 353	0.12 306	0.12 307

PS-NSSS	0.20 291	0.21 356	0.23 303	0.20 271	0.10 219	0.19 257	0.17 194	0.36 336	0.25 214	0.27 310	0.33 300	0.27 280	0.24 306	0.20 264	0.20 266	0.15 349	0.12 332	0.17 354	0.14 340	0.10 277	0.08 221

DispFullNet	0.27 350	0.21 356	0.65 383	0.28 363	0.16 342	0.26 327	0.17 194	0.33 307	0.58 373	0.27 310	0.38 322	0.43 362	0.23 300	0.38 369	0.23 304	0.12 315	0.06 192	0.19 364	0.11 309	0.21 369	0.15 346

FADNet	0.21 300	0.22 360	0.36 349	0.18 183	0.17 355	0.24 309	0.13 43	0.31 281	0.31 265	0.23 278	0.25 228	0.27 280	0.21 285	0.19 245	0.15 211	0.13 335	0.15 358	0.12 313	0.15 351	0.16 353	0.18 366

SQANet	0.23 324	0.23 361	0.30 333	0.30 372	0.19 364	0.27 334	0.13 43	0.29 261	0.33 277	0.24 286	0.37 317	0.31 312	0.22 294	0.27 320	0.23 304	0.15 349	0.10 313	0.21 367	0.16 353	0.21 369	0.15 346

GASNet	0.22 309	0.23 361	0.33 340	0.26 349	0.17 355	0.26 327	0.16 173	0.44 371	0.42 330	0.27 310	0.24 199	0.30 302	0.15 209	0.27 320	0.18 251	0.12 315	0.08 272	0.12 313	0.11 309	0.16 353	0.07 161

XQC	0.28 353	0.23 361	0.51 369	0.28 363	0.19 364	0.34 358	0.27 351	0.36 336	0.57 370	0.31 336	0.30 275	0.37 340	0.30 345	0.38 369	0.38 376	0.13 335	0.09 295	0.15 345	0.12 327	0.17 360	0.18 366

HCRNet	0.16 240	0.24 364	0.12 92	0.35 380	0.11 257	0.15 179	0.17 194	0.26 219	0.22 176	0.19 227	0.24 199	0.21 220	0.14 196	0.15 169	0.13 160	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

EDNetEfficient	0.29 357	0.24 364	1.13 407	0.18 183	0.10 219	0.19 257	0.20 280	0.20 126	0.60 377	0.74 396	0.56 376	0.31 312	0.39 367	0.22 291	0.30 355	0.09 238	0.07 250	0.08 165	0.07 163	0.11 292	0.09 254

MFN_U_SF_DS_RVC	0.30 362	0.24 364	0.29 330	0.36 382	0.16 342	0.34 358	0.30 373	0.32 290	0.42 330	0.40 361	0.46 358	0.38 344	0.31 349	0.34 353	0.28 348	0.19 370	0.20 374	0.26 374	0.29 383	0.18 364	0.19 371

PASM	0.32 365	0.24 364	0.48 367	0.28 363	0.27 382	0.29 343	0.30 373	0.34 317	0.49 354	0.35 348	0.39 330	0.46 370	0.34 358	0.34 353	0.35 369	0.23 382	0.25 386	0.26 374	0.28 382	0.23 372	0.21 374

CSAN	0.29 357	0.24 364	0.27 319	0.34 378	0.19 364	0.33 355	0.42 392	0.37 341	0.50 356	0.38 356	0.40 335	0.44 364	0.33 354	0.28 331	0.30 355	0.20 372	0.16 361	0.19 364	0.19 365	0.14 335	0.15 346

AnyNet_C01	0.36 371	0.25 369	1.37 410	0.22 309	0.17 355	0.48 379	0.27 351	0.35 330	0.39 315	0.39 358	0.74 391	0.46 370	0.38 365	0.45 380	0.47 389	0.13 335	0.13 345	0.13 327	0.14 340	0.14 335	0.15 346

STTRV1_RVC	0.25 341	0.26 370	0.39 355	0.19 230	0.26 381	0.30 346	0.24 324	0.34 317	0.35 296	0.36 350	0.34 304	0.31 312	0.31 349	0.28 331	0.25 323	0.17 364	0.10 313	0.16 351	0.14 340	0.17 360	0.12 307

MSMD_ROB	0.31 363	0.26 370	0.26 313	0.24 333	0.21 369	0.34 358	0.25 338	0.34 317	0.39 315	0.40 361	0.69 385	0.45 366	0.40 370	0.34 353	0.27 340	0.20 372	0.19 371	0.26 374	0.25 377	0.23 372	0.22 376

BEATNet-Init1	0.52 388	0.27 372	0.62 381	0.30 372	0.21 369	0.76 402	0.29 365	0.54 387	0.65 383	0.86 401	0.95 402	2.07 419	0.62 395	0.56 392	0.42 384	0.18 366	0.18 368	0.23 372	0.22 371	0.22 371	0.21 374

MANE	0.45 382	0.27 372	0.27 319	0.27 360	0.24 374	0.47 377	0.31 379	0.55 388	0.59 374	0.72 392	1.13 411	1.15 403	0.61 393	0.52 386	0.37 374	0.21 375	0.20 374	0.27 377	0.31 387	0.25 380	0.24 379

FC-DCNN	0.33 368	0.27 372	0.28 324	0.26 349	0.23 373	0.37 369	0.28 356	0.40 356	0.43 335	0.45 374	0.55 371	0.51 376	0.40 370	0.37 368	0.30 355	0.21 375	0.20 374	0.27 377	0.26 378	0.25 380	0.24 379

ccnet	0.29 357	0.28 375	0.23 303	0.20 271	0.28 383	0.41 374	0.21 296	0.45 374	0.33 277	0.36 350	0.46 358	0.36 336	0.30 345	0.39 372	0.42 384	0.23 382	0.14 352	0.21 367	0.17 360	0.23 372	0.18 366

FCDSN-DC	0.33 368	0.28 375	0.28 324	0.30 372	0.24 374	0.39 372	0.28 356	0.42 366	0.42 330	0.43 371	0.53 368	0.51 376	0.41 374	0.36 364	0.30 355	0.21 375	0.20 374	0.27 377	0.26 378	0.25 380	0.24 379
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SAMSARA	0.40 375	0.28 375	0.33 340	0.55 395	0.39 389	0.82 405	1.23 419	0.47 377	0.51 363	0.36 350	0.35 308	0.55 381	0.39 367	0.38 369	0.39 378	0.15 349	0.20 374	0.15 345	0.14 340	0.23 372	0.20 372

ELAS_RVC	0.41 377	0.29 378	0.33 340	0.28 363	0.24 374	0.54 383	0.36 384	0.49 380	0.59 374	0.72 392	0.74 391	0.65 388	0.54 386	0.54 390	0.40 380	0.22 378	0.20 374	0.27 377	0.26 378	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 377	0.29 378	0.33 340	0.27 360	0.24 374	0.60 388	0.36 384	0.50 382	0.50 356	0.71 390	0.79 395	0.67 390	0.54 386	0.51 384	0.42 384	0.22 378	0.20 374	0.27 377	0.26 378	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 424	0.31 380	153.02 443	0.19 230	0.09 133	0.21 283	0.16 173	0.22 159	0.59 374	0.72 392	0.67 383	0.42 358	0.50 384	0.24 310	0.39 378	0.08 193	0.07 250	0.08 165	0.07 163	0.12 306	0.10 273

CC-Net-ROB	0.28 353	0.31 380	0.36 349	0.29 370	0.15 332	0.25 319	0.19 265	0.45 374	0.33 277	0.39 358	0.37 317	0.39 352	0.31 349	0.27 320	0.26 333	0.24 384	0.19 371	0.30 385	0.23 375	0.18 364	0.15 346

FADE	0.45 382	0.33 382	1.03 406	0.33 377	0.25 380	0.35 366	0.29 365	0.64 395	1.07 402	0.43 371	0.41 345	0.42 358	0.53 385	0.70 398	0.51 395	0.30 387	0.21 383	0.41 391	0.38 391	0.23 372	0.22 376

coex-ft	3.30 418	0.34 383	59.09 442	0.18 183	0.13 304	0.26 327	0.22 305	0.27 237	0.72 389	1.90 419	0.70 387	0.44 364	0.45 380	0.29 338	0.41 383	0.09 238	0.09 295	0.12 313	0.09 254	0.14 335	0.13 321

GANetREF_RVC	0.31 363	0.34 383	0.27 319	0.35 380	0.16 342	0.32 349	0.41 389	0.48 378	0.51 363	0.35 348	0.35 308	0.34 330	0.33 354	0.39 372	0.32 363	0.27 386	0.20 374	0.29 383	0.15 351	0.18 364	0.17 364
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
NVStereoNet_ROB	0.46 386	0.36 385	0.46 365	0.41 386	0.28 383	0.34 358	0.34 382	0.48 378	0.60 377	0.72 392	0.93 400	0.70 393	0.66 396	0.47 381	0.60 399	0.22 378	0.33 391	0.34 387	0.34 390	0.30 386	0.30 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 372	0.37 386	0.52 370	0.44 388	0.28 383	0.58 385	0.24 324	0.41 361	0.62 379	0.40 361	0.49 362	0.46 370	0.33 354	0.40 376	0.32 363	0.30 387	0.30 390	0.39 389	0.33 388	0.29 385	0.28 386

MSC_U_SF_DS_RVC	0.43 379	0.39 387	0.54 372	0.40 384	0.20 367	0.64 390	0.32 381	0.53 386	0.72 389	0.71 390	0.72 388	0.61 384	0.54 386	0.51 384	0.46 388	0.20 372	0.19 371	0.29 383	0.30 385	0.23 372	0.18 366

Ntro	0.40 375	0.40 388	0.53 371	0.46 392	0.30 387	0.65 391	0.24 324	0.46 376	0.68 386	0.41 365	0.49 362	0.48 374	0.42 377	0.39 372	0.31 362	0.32 389	0.28 388	0.37 388	0.30 385	0.32 390	0.29 387

Consistency-Raft	0.44 380	0.40 388	0.45 362	0.37 383	0.43 392	0.46 375	0.41 389	0.57 391	0.55 366	0.32 342	0.73 389	0.33 324	0.48 382	0.42 379	0.49 391	0.39 392	0.35 392	0.45 392	0.51 400	0.42 392	0.29 387

JetBlue	0.71 397	0.45 390	1.14 408	0.51 393	0.47 394	2.02 419	0.64 406	0.75 398	0.70 387	0.69 389	0.77 394	1.22 405	0.83 403	1.03 415	1.01 415	0.40 393	0.28 388	0.33 386	0.33 388	0.30 386	0.34 393

ACVNet_1	0.44 380	0.49 391	0.60 379	0.45 389	0.28 383	0.49 380	0.27 351	0.57 391	0.72 389	0.62 385	0.58 379	0.74 394	0.49 383	0.50 383	0.35 369	0.26 385	0.24 385	0.39 389	0.29 383	0.31 389	0.24 379

ACVNet-4b	0.39 372	0.53 392	0.55 374	0.45 389	0.24 374	0.47 377	0.18 234	0.49 380	0.64 381	0.42 368	0.45 357	0.60 383	0.27 325	0.34 353	0.24 314	0.33 390	0.14 352	0.48 393	0.42 393	0.30 386	0.26 385

SGM+DAISY	0.56 391	0.57 393	0.65 383	0.40 384	0.54 397	0.66 393	0.49 396	0.56 389	0.45 346	0.66 386	0.69 385	0.67 390	0.56 390	0.63 395	0.56 397	0.59 404	0.48 400	0.50 394	0.50 399	0.52 395	0.58 402

anonymity	0.53 389	0.58 394	0.65 383	0.41 386	0.61 405	0.53 382	0.41 389	0.56 389	0.41 324	0.55 382	0.50 366	0.49 375	0.55 389	0.58 393	0.50 394	0.58 403	0.50 404	0.51 395	0.51 400	0.51 394	0.57 401

SPS-STEREO	0.57 392	0.58 394	0.65 383	0.45 389	0.55 399	0.62 389	0.44 395	0.62 394	0.50 356	0.68 388	0.64 381	0.66 389	0.57 391	0.61 394	0.60 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 399	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH-64-1	0.65 394	0.61 396	0.68 391	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 396	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 391	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

IMH-64	0.65 394	0.61 396	0.68 391	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 396	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 391	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

RainbowNet	0.54 390	0.61 396	0.70 395	0.57 396	0.43 392	0.65 391	0.37 387	0.60 393	0.87 398	0.50 378	0.66 382	0.64 386	0.47 381	0.49 382	0.43 387	0.47 398	0.48 400	0.52 397	0.41 392	0.52 395	0.40 397

IMH	0.71 397	0.64 399	0.68 391	0.76 401	0.54 397	0.69 394	0.54 400	0.98 409	1.10 404	0.82 400	1.09 407	0.89 397	0.88 406	0.87 408	0.52 396	0.44 397	0.50 404	0.75 404	0.51 400	0.56 400	0.41 398

ACVNet_2	0.66 396	0.66 400	0.68 391	0.63 397	0.41 390	0.71 396	0.49 396	0.96 407	1.39 411	0.89 402	1.09 407	1.04 399	0.73 399	0.54 390	0.47 389	0.43 396	0.40 394	0.53 398	0.44 394	0.47 393	0.35 394

MFMNet_re	0.64 393	0.66 400	0.65 383	0.51 393	0.69 409	0.69 394	0.57 402	0.64 395	0.73 392	0.60 384	0.73 389	0.62 385	0.67 397	0.65 396	0.60 399	0.66 407	0.58 413	0.63 399	0.59 403	0.68 405	0.69 411

MADNet+	0.75 400	0.71 402	3.70 420	0.66 398	0.41 390	0.98 410	0.97 417	0.69 397	0.73 392	0.52 379	0.57 377	0.64 386	0.68 398	0.86 407	1.01 415	0.34 391	0.36 393	0.28 382	0.23 375	0.36 391	0.31 390

TorneroNet-64	0.76 401	0.72 403	0.74 396	0.78 403	0.58 403	0.91 409	0.56 401	0.84 401	1.29 408	0.66 386	0.90 398	1.40 411	0.75 400	0.85 406	0.67 405	0.49 399	0.46 395	0.72 403	0.59 403	0.67 404	0.53 400

TorneroNet	0.82 404	0.74 404	0.81 401	0.84 406	0.63 406	0.99 411	0.63 404	0.96 407	1.16 405	0.80 399	1.11 409	1.36 410	0.86 405	0.93 411	0.80 410	0.56 401	0.49 402	0.78 408	0.66 407	0.73 410	0.63 410

WAO-7	0.79 402	0.78 405	0.54 372	0.85 407	0.67 408	0.74 398	0.68 410	1.05 412	1.32 409	0.90 403	1.20 414	1.04 399	0.92 407	0.69 397	0.66 402	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.58 402

WAO-6	0.81 403	0.80 406	0.62 381	0.86 408	0.63 406	0.76 402	0.58 403	0.98 409	1.54 416	0.90 403	0.96 403	1.07 401	1.03 411	0.70 398	0.66 402	0.72 408	0.49 402	0.90 411	0.71 409	0.68 405	0.58 402

WAO-8	0.91 407	0.81 407	0.65 383	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

Venus	0.91 407	0.81 407	0.65 383	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

LVE	0.83 405	0.85 409	0.85 402	0.80 404	0.56 400	1.04 415	0.65 407	1.05 412	1.47 414	0.96 405	1.22 415	1.10 402	0.85 404	0.83 403	0.71 407	0.49 399	0.55 410	0.76 406	0.60 405	0.65 402	0.59 407

Dean	0.87 406	0.86 410	0.79 399	0.81 405	0.56 400	0.90 406	0.63 404	1.15 417	1.73 417	1.15 412	1.15 412	1.31 408	0.99 410	0.81 402	0.81 411	0.57 402	0.56 411	0.77 407	0.64 406	0.66 403	0.58 402

SPstereo	13.84 433	0.93 411	1.50 413	1.22 417	0.88 416	28.82 436	48.26 436	26.77 443	29.54 442	22.37 441	22.60 440	23.23 441	24.68 441	24.53 441	15.06 433	0.88 415	0.69 416	1.83 422	1.60 422	0.74 411	0.77 415

UNDER WATER-64	0.95 409	0.94 412	1.43 412	0.87 409	0.56 400	1.18 418	0.87 414	0.77 399	0.94 400	1.04 408	0.85 397	1.58 416	1.21 417	0.94 412	0.96 413	0.87 414	0.57 412	1.03 414	0.88 415	0.78 412	0.73 412

PWCK	0.71 397	0.94 412	0.95 404	0.76 401	0.31 388	0.74 398	0.36 384	0.90 402	0.90 399	0.96 405	0.75 393	0.95 398	0.61 393	0.87 408	0.66 402	0.72 408	0.46 395	0.75 404	0.49 397	0.69 407	0.44 399

UNDER WATER	0.97 410	0.97 414	1.42 411	0.99 413	0.70 412	1.12 417	0.84 413	0.80 400	1.08 403	1.01 407	0.90 398	1.55 415	1.22 418	1.03 415	1.00 414	0.78 412	0.53 407	1.02 413	0.87 414	0.80 413	0.74 413

notaker	0.97 410	1.11 415	0.98 405	1.13 415	0.81 413	0.73 397	0.68 410	0.93 405	1.16 405	1.18 414	1.18 413	1.41 412	1.16 416	1.08 417	0.69 406	0.81 413	0.64 415	1.17 416	0.79 412	0.98 415	0.80 416

KSHMR	1.09 413	1.17 416	0.88 403	1.25 419	1.00 418	0.99 411	0.96 416	1.13 416	1.37 410	1.16 413	1.29 416	1.41 412	0.96 409	1.01 414	0.92 412	1.03 417	1.08 419	1.20 417	1.03 418	1.01 416	0.97 418

ktn	1.01 412	1.21 417	0.80 400	1.23 418	0.86 415	1.01 413	0.87 414	0.94 406	1.39 411	1.04 408	1.12 410	1.15 403	1.07 412	0.94 412	0.59 398	1.28 420	0.71 417	1.38 420	0.83 413	1.02 417	0.75 414

DPSimNet_ROB	1.11 414	1.23 418	0.78 397	1.13 415	0.88 416	1.10 416	1.13 418	1.16 418	1.23 407	1.43 416	1.02 404	1.41 412	1.10 415	0.90 410	1.60 417	1.46 421	0.51 406	1.21 418	1.03 418	0.90 414	1.01 420

HanzoNet	1.29 415	1.26 419	1.19 409	1.12 414	0.85 414	1.02 414	0.83 412	1.03 411	1.48 415	1.64 417	1.61 419	2.50 421	1.72 419	1.61 419	1.61 418	1.26 419	0.80 418	1.31 419	1.01 417	1.02 417	0.86 417

JetRed	1.62 416	1.46 420	2.98 416	0.92 410	1.21 419	4.99 421	1.53 421	1.27 419	1.39 411	1.83 418	1.74 420	1.60 417	0.95 408	1.41 418	2.45 421	0.90 416	1.60 421	0.93 412	0.90 416	1.35 419	0.99 419

MADNet++	1.95 417	1.75 421	1.59 414	1.82 421	1.69 421	2.33 420	1.40 420	2.35 421	2.09 421	2.57 421	2.36 421	2.24 420	2.17 420	2.28 420	2.34 420	1.87 422	1.66 422	1.54 421	1.34 421	1.92 421	1.77 423

DLNR_Zeroshot_test	10.40 428	1.82 422	19.49 438	120.77 443	13.11 433	0.06 2	0.13 43	0.23 176	0.10 8	0.07 2	0.10 39	0.09 39	0.06 6	0.10 18	0.09 19	0.13 335	0.04 2	0.06 32	0.04 8	51.54 442	0.04 7

ASD4	3.54 419	3.38 423	2.05 415	1.72 420	2.51 423	9.03 425	17.71 426	2.25 420	5.51 423	2.46 420	2.81 422	2.03 418	3.36 421	2.73 421	5.06 422	1.22 418	1.34 420	1.13 415	1.33 420	1.68 420	1.49 422

DPSMNet_ROB	8.06 425	4.48 424	8.63 429	5.37 428	10.74 430	8.32 423	22.98 431	5.46 423	13.36 430	5.12 423	9.92 426	5.08 423	10.40 428	5.53 425	12.58 428	3.80 427	8.00 428	3.50 424	7.02 427	3.83 426	7.14 429

DGTPSM_ROB	8.06 425	4.48 424	8.63 429	5.35 426	10.72 429	8.32 423	22.97 430	5.46 423	13.35 429	5.12 423	9.92 426	5.08 423	10.40 428	5.52 424	12.58 428	3.79 426	8.00 428	3.50 424	7.02 427	3.83 426	7.14 429

xxxxx1	7.79 421	5.02 426	7.31 423	3.12 423	3.85 424	16.35 429	22.88 427	5.86 426	8.69 425	7.97 425	8.54 423	9.12 427	8.27 425	10.18 427	10.92 425	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

tt_ll	7.79 421	5.02 426	7.31 423	3.12 423	3.85 424	16.35 429	22.88 427	5.86 426	8.69 425	7.97 425	8.54 423	9.12 427	8.27 425	10.18 427	10.92 425	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

ff	7.79 421	5.02 426	7.31 423	3.12 423	3.85 424	16.35 429	22.88 427	5.86 426	8.69 425	7.97 425	8.54 423	9.12 427	8.27 425	10.18 427	10.92 425	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

Anonymous_1	10.96 430	7.92 429	7.46 426	10.33 429	10.06 428	18.65 433	26.34 433	11.06 430	13.44 431	9.40 428	10.05 428	9.67 430	11.23 430	10.73 430	12.72 430	6.42 430	8.38 430	5.77 429	10.61 429	12.12 431	6.77 428

DPSM_ROB	11.15 431	8.58 430	8.00 427	10.88 430	11.58 431	19.10 434	26.71 434	12.05 431	14.07 432	10.36 429	10.84 429	10.33 431	11.86 431	11.70 431	13.54 431	6.99 431	8.79 431	5.89 430	6.95 425	7.29 428	7.42 431

DPSM	11.15 431	8.58 430	8.00 427	10.88 430	11.58 431	19.10 434	26.71 434	12.05 431	14.07 432	10.36 429	10.84 429	10.33 431	11.86 431	11.70 431	13.54 431	6.99 431	8.79 431	5.89 430	6.95 425	7.29 428	7.42 431

PML	8.91 427	9.34 432	6.13 421	5.35 426	6.41 427	14.99 428	23.38 432	5.27 422	6.83 424	18.04 433	28.19 442	7.67 425	6.83 424	7.85 426	5.75 423	5.35 428	1.83 423	5.95 432	1.93 423	8.64 430	2.52 424

LRCNet_RVC	10.62 429	13.42 433	7.30 422	18.92 433	2.07 422	0.33 355	0.30 373	5.59 425	0.48 349	13.03 431	17.94 432	8.87 426	5.65 423	4.79 423	1.89 419	23.51 440	2.73 427	27.55 441	25.71 441	16.07 438	16.33 439

LSM0	22.87 441	17.28 434	18.96 436	22.19 440	29.04 442	38.42 442	53.71 437	24.28 440	28.31 436	20.78 437	21.00 434	21.43 440	24.16 440	23.50 439	27.39 438	14.09 438	17.38 435	11.84 438	14.04 438	14.73 437	14.89 433

MyStereo03	22.45 437	17.33 435	16.21 433	21.95 435	23.27 436	38.32 437	53.79 438	24.21 437	28.46 438	20.87 438	21.85 437	20.80 435	23.87 435	23.46 436	27.40 439	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

MyStereo02	22.45 437	17.33 435	16.21 433	21.95 435	23.27 436	38.32 437	53.79 438	24.21 437	28.46 438	20.87 438	21.85 437	20.80 435	23.87 435	23.46 436	27.40 439	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

MyStereo	22.45 437	17.33 435	16.21 433	21.95 435	23.27 436	38.32 437	53.79 438	24.21 437	28.46 438	20.87 438	21.85 437	20.80 435	23.87 435	23.46 436	27.40 439	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

CasAABBNet	22.42 436	17.33 435	16.01 431	22.01 438	23.28 439	38.32 437	53.80 441	24.14 436	28.41 437	20.60 435	21.77 435	20.89 439	23.91 439	23.43 435	27.36 437	14.07 433	17.69 436	11.83 437	14.01 434	14.67 435	14.95 437

Selective-RAFT-Error	22.47 440	17.37 439	16.09 432	22.06 439	23.34 440	38.39 441	53.83 442	24.29 441	28.47 441	20.74 436	21.83 436	20.81 438	23.90 438	23.54 440	27.53 442	14.08 434	17.69 436	11.82 433	14.00 433	14.69 436	15.00 438

HaxPig	15.71 434	18.52 440	19.18 437	16.89 432	15.89 434	7.73 422	7.60 422	13.31 433	10.82 428	15.42 432	14.91 431	15.98 433	14.92 433	15.58 433	15.98 434	18.95 439	16.73 434	19.46 439	18.08 439	19.26 439	19.05 440

MEDIAN_ROB	20.38 435	24.04 441	23.31 439	21.23 434	21.71 435	10.40 427	7.92 423	17.64 434	15.50 434	20.12 434	19.70 433	20.34 434	20.32 434	21.19 434	21.13 435	23.81 441	21.81 441	24.98 440	23.76 440	24.71 440	23.93 441

AVERAGE_ROB	24.90 442	29.20 442	28.14 440	24.89 441	24.64 441	17.75 432	11.12 424	21.45 435	19.93 435	25.12 442	24.46 441	25.12 442	25.46 442	24.69 442	22.83 436	29.76 442	27.13 442	28.97 442	27.95 442	29.91 441	29.47 442

test_example2	98.32 443	94.13 443	45.89 441	96.35 442	109.85 443	88.61 443	95.45 443	25.75 442	94.37 443	130.00 443	126.06 443	58.17 443	74.63 443	88.51 443	79.96 443	150.23 443	221.02 443	77.62 443	99.10 443	113.75 443	96.94 443

Low-res two-view benchmark