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

3.25w_new	0.23 39	0.17 63	0.32 65	0.31 17	0.17 17	0.43 220	0.20 20	0.37 33	0.30 44	0.37 96	0.28 46	0.22 30	0.25 75	0.42 79	0.22 27	0.10 10	0.08 2	0.11 1	0.09 9	0.09 1	0.10 28

3.25w	0.23 39	0.17 63	0.32 65	0.31 17	0.17 17	0.43 220	0.20 20	0.37 33	0.30 44	0.37 96	0.28 46	0.22 30	0.25 75	0.42 79	0.22 27	0.10 10	0.08 2	0.11 1	0.09 9	0.09 1	0.10 28

2.25w	0.22 25	0.18 87	0.31 54	0.31 17	0.18 31	0.31 115	0.18 10	0.32 15	0.31 49	0.31 59	0.37 87	0.20 20	0.22 46	0.45 100	0.24 58	0.10 10	0.09 22	0.11 1	0.09 9	0.10 3	0.10 28

2.75w_new	0.21 13	0.18 87	0.28 29	0.29 5	0.17 17	0.23 19	0.34 218	0.36 31	0.28 32	0.34 80	0.26 32	0.17 4	0.22 46	0.36 39	0.23 47	0.10 10	0.08 2	0.11 1	0.09 9	0.10 3	0.09 4

monsters	0.22 25	0.14 11	0.26 14	0.31 17	0.19 50	0.23 19	0.19 15	0.44 74	0.33 65	0.36 89	0.30 54	0.16 2	0.18 17	0.43 85	0.19 3	0.11 22	0.09 22	0.11 1	0.09 9	0.10 3	0.10 28

IGEV	0.20 10	0.12 1	0.23 1	0.31 17	0.20 74	0.23 19	0.19 15	0.40 50	0.29 39	0.22 17	0.34 75	0.20 20	0.15 4	0.31 14	0.19 3	0.11 22	0.10 51	0.12 22	0.10 50	0.10 3	0.10 28

LG-Stereo_L2	0.18 3	0.13 2	0.28 29	0.30 9	0.19 50	0.20 5	0.18 10	0.30 10	0.21 13	0.18 4	0.15 3	0.19 15	0.18 17	0.33 25	0.19 3	0.13 59	0.09 22	0.13 51	0.09 9	0.10 3	0.08 1

MLG-Stereo_test1	0.18 3	0.13 2	0.27 20	0.33 46	0.17 17	0.24 28	0.17 3	0.25 4	0.12 1	0.18 4	0.14 1	0.23 39	0.15 4	0.31 14	0.20 9	0.12 31	0.09 22	0.12 22	0.09 9	0.10 3	0.09 4

MLG-Stereo	0.18 3	0.13 2	0.27 20	0.34 57	0.15 1	0.27 59	0.17 3	0.28 7	0.14 3	0.18 4	0.14 1	0.23 39	0.15 4	0.32 19	0.20 9	0.11 22	0.09 22	0.13 51	0.09 9	0.10 3	0.09 4

FoundationStereo	0.17 1	0.14 11	0.25 10	0.30 9	0.16 7	0.23 19	0.20 20	0.22 2	0.15 4	0.18 4	0.16 8	0.20 20	0.19 25	0.26 2	0.21 15	0.13 59	0.09 22	0.12 22	0.09 9	0.10 3	0.09 4

dual_stereo	0.19 7	0.14 11	0.24 5	0.31 17	0.16 7	0.16 3	0.20 20	0.29 8	0.20 11	0.23 19	0.20 12	0.22 30	0.14 1	0.52 153	0.24 58	0.13 59	0.10 51	0.11 1	0.09 9	0.10 3	0.09 4

AdaDepth	0.22 25	0.17 63	0.32 65	0.37 126	0.18 31	0.34 149	0.22 44	0.33 23	0.23 17	0.21 11	0.21 14	0.20 20	0.20 31	0.56 183	0.21 15	0.10 10	0.10 51	0.13 51	0.10 50	0.11 12	0.12 109

asda	0.21 13	0.19 124	0.29 36	0.31 17	0.17 17	0.25 42	0.23 59	0.36 31	0.28 32	0.27 41	0.24 25	0.18 10	0.21 39	0.40 63	0.21 15	0.09 1	0.08 2	0.11 1	0.09 9	0.11 12	0.10 28

asd	0.21 13	0.18 87	0.29 36	0.32 34	0.18 31	0.27 59	0.22 44	0.35 28	0.22 15	0.31 59	0.22 17	0.19 15	0.21 39	0.44 96	0.21 15	0.10 10	0.08 2	0.11 1	0.10 50	0.11 12	0.09 4

depthmonostereo	0.29 91	0.14 11	0.31 54	0.35 91	0.17 17	0.46 241	0.27 109	0.69 217	0.57 187	0.35 85	0.42 98	0.31 65	0.35 177	0.35 37	0.27 121	0.14 98	0.12 189	0.13 51	0.12 104	0.11 12	0.10 28

DilatedVolume-Stereo	0.30 106	0.15 25	0.34 97	0.33 46	0.20 74	0.53 272	0.25 81	0.56 120	0.43 133	0.56 175	0.50 125	0.35 93	0.29 129	0.49 134	0.28 141	0.13 59	0.11 134	0.12 22	0.11 76	0.11 12	0.10 28

4.25_new	0.22 25	0.21 197	0.32 65	0.32 34	0.18 31	0.31 115	0.27 109	0.32 15	0.24 21	0.29 51	0.27 37	0.20 20	0.23 58	0.34 29	0.23 47	0.09 1	0.08 2	0.11 1	0.09 9	0.11 12	0.09 4

4.5w_new	0.22 25	0.21 197	0.32 65	0.32 34	0.18 31	0.31 115	0.27 109	0.32 15	0.24 21	0.29 51	0.27 37	0.20 20	0.23 58	0.34 29	0.23 47	0.09 1	0.08 2	0.11 1	0.09 9	0.11 12	0.09 4

4.25w-stereo	0.22 25	0.21 197	0.32 65	0.32 34	0.18 31	0.31 115	0.27 109	0.32 15	0.24 21	0.29 51	0.27 37	0.20 20	0.23 58	0.34 29	0.23 47	0.09 1	0.08 2	0.11 1	0.09 9	0.11 12	0.09 4

4w-stereo	0.21 13	0.19 124	0.31 54	0.31 17	0.17 17	0.29 88	0.19 15	0.31 13	0.21 13	0.31 59	0.24 25	0.20 20	0.24 68	0.41 71	0.22 27	0.09 1	0.08 2	0.11 1	0.10 50	0.11 12	0.09 4

2.5w	0.21 13	0.18 87	0.31 54	0.32 34	0.18 31	0.31 115	0.25 81	0.31 13	0.23 17	0.28 44	0.35 80	0.18 10	0.17 10	0.39 58	0.21 15	0.10 10	0.08 2	0.11 1	0.10 50	0.11 12	0.09 4

3.75w	0.22 25	0.17 63	0.30 47	0.31 17	0.19 50	0.43 220	0.24 73	0.35 28	0.24 21	0.31 59	0.27 37	0.17 4	0.22 46	0.37 46	0.20 9	0.10 10	0.07 1	0.11 1	0.09 9	0.11 12	0.09 4

3.5w_stereo	0.22 25	0.18 87	0.29 36	0.30 9	0.18 31	0.27 59	0.23 59	0.37 33	0.28 32	0.31 59	0.26 32	0.22 30	0.26 90	0.50 140	0.24 58	0.09 1	0.08 2	0.11 1	0.09 9	0.11 12	0.09 4

1w_stereo	0.24 45	0.15 25	0.29 36	0.34 57	0.18 31	0.31 115	0.41 349	0.40 50	0.43 133	0.31 59	0.38 89	0.17 4	0.24 68	0.45 100	0.23 47	0.10 10	0.08 2	0.11 1	0.09 9	0.11 12	0.09 4

LG-Stereo_L1	0.18 3	0.13 2	0.28 29	0.30 9	0.20 74	0.20 5	0.19 15	0.27 6	0.19 8	0.15 1	0.15 3	0.18 10	0.17 10	0.33 25	0.19 3	0.13 59	0.09 22	0.12 22	0.09 9	0.11 12	0.08 1

MLG-Stereo_test3	0.20 10	0.13 2	0.27 20	0.33 46	0.17 17	0.38 185	0.18 10	0.30 10	0.19 8	0.24 23	0.15 3	0.26 48	0.17 10	0.32 19	0.21 15	0.13 59	0.09 22	0.12 22	0.09 9	0.11 12	0.10 28

MLG-Stereo_test2	0.17 1	0.13 2	0.25 10	0.31 17	0.16 7	0.24 28	0.17 3	0.25 4	0.13 2	0.17 3	0.17 10	0.22 30	0.14 1	0.32 19	0.19 3	0.13 59	0.09 22	0.12 22	0.09 9	0.11 12	0.09 4

LG-G_1	0.21 13	0.13 2	0.30 47	0.34 57	0.16 7	0.52 264	0.17 3	0.34 25	0.18 6	0.21 11	0.21 14	0.26 48	0.19 25	0.37 46	0.20 9	0.14 98	0.10 51	0.13 51	0.09 9	0.11 12	0.10 28

LG-G	0.21 13	0.13 2	0.30 47	0.34 57	0.16 7	0.52 264	0.17 3	0.34 25	0.18 6	0.21 11	0.21 14	0.26 48	0.19 25	0.37 46	0.20 9	0.14 98	0.10 51	0.13 51	0.09 9	0.11 12	0.10 28

castereo++	0.26 63	0.16 39	0.26 14	0.33 46	0.19 50	0.75 392	0.20 20	0.37 33	0.47 155	0.23 19	0.23 19	0.35 93	0.28 115	0.39 58	0.19 3	0.14 98	0.09 22	0.14 80	0.09 9	0.11 12	0.10 28

castereo	0.28 80	0.16 39	0.32 65	0.35 91	0.21 95	0.40 196	0.42 359	0.50 96	0.66 220	0.26 32	0.41 95	0.37 106	0.36 195	0.33 25	0.24 58	0.13 59	0.09 22	0.13 51	0.10 50	0.11 12	0.10 28

MonSter	0.20 10	0.14 11	0.25 10	0.31 17	0.15 1	0.22 14	0.22 44	0.39 45	0.33 65	0.20 8	0.25 30	0.17 4	0.15 4	0.38 54	0.18 1	0.09 1	0.08 2	0.11 1	0.09 9	0.11 12	0.09 4

DEFOM-Stereo	0.22 25	0.15 25	0.26 14	0.33 46	0.20 74	0.61 328	0.21 35	0.30 10	0.31 49	0.23 19	0.19 11	0.18 10	0.18 17	0.41 71	0.22 27	0.12 31	0.10 51	0.12 22	0.09 9	0.11 12	0.11 64

Pointernet	0.27 73	0.14 11	0.33 80	0.35 91	0.23 154	0.35 158	0.21 35	0.72 244	0.38 108	0.39 113	0.36 83	0.34 84	0.25 75	0.36 39	0.25 74	0.15 159	0.10 51	0.12 22	0.08 1	0.11 12	0.10 28

trnet	0.27 73	0.14 11	0.23 1	0.28 3	0.15 1	0.37 172	0.23 59	0.52 107	0.72 248	0.42 128	0.51 134	0.34 84	0.26 90	0.39 58	0.25 74	0.15 159	0.11 134	0.12 22	0.08 1	0.11 12	0.10 28

testlalala	0.28 80	0.19 124	0.43 215	0.34 57	0.23 154	0.45 236	0.30 153	0.43 68	0.29 39	0.68 243	0.49 121	0.35 93	0.25 75	0.32 19	0.25 74	0.14 98	0.11 134	0.14 80	0.09 9	0.11 12	0.11 64

LoS_RVC	0.27 73	0.16 39	0.27 20	0.32 34	0.30 351	0.44 228	0.34 218	0.41 56	0.33 65	0.31 59	0.51 134	0.29 56	0.32 156	0.36 39	0.28 141	0.11 22	0.10 51	0.11 1	0.08 1	0.11 12	0.19 328

LoS	0.29 91	0.15 25	0.30 47	0.29 5	0.18 31	0.33 139	0.29 137	0.51 98	0.72 248	0.34 80	0.52 143	0.41 134	0.28 115	0.47 120	0.28 141	0.15 159	0.11 134	0.13 51	0.09 9	0.11 12	0.11 64
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
RCA-Stereo	0.35 149	0.17 63	0.34 97	0.38 156	0.22 114	0.31 115	0.34 218	0.68 209	1.24 482	0.45 136	0.65 181	0.47 171	0.43 234	0.38 54	0.27 121	0.13 59	0.10 51	0.14 80	0.11 76	0.11 12	0.11 64

DCANet-4	0.36 167	0.20 160	0.48 288	0.34 57	0.19 50	0.29 88	0.30 153	0.66 189	0.92 378	0.69 252	0.78 237	0.40 128	0.47 257	0.45 100	0.34 206	0.14 98	0.10 51	0.14 80	0.11 76	0.11 12	0.13 144

fff	0.37 184	0.16 39	0.41 183	0.34 57	0.19 50	0.29 88	0.30 153	0.69 217	1.06 445	0.69 252	0.78 237	0.42 144	0.63 352	0.46 113	0.34 206	0.14 98	0.10 51	0.14 80	0.11 76	0.11 12	0.13 144

csc	0.37 184	0.16 39	0.41 183	0.34 57	0.19 50	0.29 88	0.30 153	0.69 217	1.06 445	0.69 252	0.78 237	0.42 144	0.63 352	0.46 113	0.34 206	0.14 98	0.10 51	0.14 80	0.11 76	0.11 12	0.13 144

cscssc	0.37 184	0.16 39	0.41 183	0.34 57	0.19 50	0.29 88	0.30 153	0.69 217	1.06 445	0.69 252	0.78 237	0.42 144	0.63 352	0.46 113	0.34 206	0.14 98	0.10 51	0.14 80	0.11 76	0.11 12	0.13 144

GASTEREO	0.25 53	0.16 39	0.32 65	0.40 221	0.20 74	0.22 14	0.30 153	0.43 68	0.31 49	0.37 96	0.33 66	0.22 30	0.35 177	0.41 71	0.23 47	0.15 159	0.10 51	0.13 51	0.11 76	0.12 44	0.11 64

water-stereo	0.28 80	0.14 11	0.29 36	0.35 91	0.19 50	0.36 167	0.23 59	0.62 158	0.38 108	0.39 113	0.62 174	0.41 134	0.35 177	0.28 6	0.27 121	0.14 98	0.13 255	0.13 51	0.12 104	0.12 44	0.10 28

qwe	0.22 25	0.18 87	0.28 29	0.31 17	0.18 31	0.29 88	0.21 35	0.38 41	0.32 59	0.35 85	0.30 54	0.20 20	0.20 31	0.43 85	0.21 15	0.09 1	0.08 2	0.11 1	0.09 9	0.12 44	0.09 4

3w_stereo	0.24 45	0.20 160	0.37 130	0.33 46	0.16 7	0.32 132	0.42 359	0.41 56	0.38 108	0.31 59	0.27 37	0.16 2	0.26 90	0.34 29	0.22 27	0.10 10	0.08 2	0.11 1	0.09 9	0.12 44	0.11 64

2w_stereo	0.22 25	0.18 87	0.30 47	0.32 34	0.16 7	0.28 76	0.38 300	0.38 41	0.35 81	0.32 72	0.33 66	0.17 4	0.18 17	0.29 7	0.22 27	0.09 1	0.08 2	0.11 1	0.10 50	0.12 44	0.10 28

xyz-stereo-finetune2	0.36 167	0.19 124	0.38 142	0.32 34	0.19 50	0.82 422	0.29 137	0.52 107	0.32 59	0.51 157	0.78 237	0.43 152	0.45 248	0.69 319	0.44 306	0.13 59	0.12 189	0.17 184	0.13 138	0.12 44	0.13 144

111111	0.21 13	0.14 11	0.27 20	0.37 126	0.22 114	0.21 11	0.19 15	0.43 68	0.27 28	0.20 8	0.20 12	0.29 56	0.14 1	0.41 71	0.22 27	0.14 98	0.10 51	0.12 22	0.09 9	0.12 44	0.12 109

LGtest1	0.19 7	0.14 11	0.29 36	0.34 57	0.16 7	0.26 46	0.17 3	0.32 15	0.20 11	0.21 11	0.15 3	0.23 39	0.20 31	0.32 19	0.20 9	0.15 159	0.10 51	0.13 51	0.09 9	0.12 44	0.11 64

Reg-Stereo(zero)	0.30 106	0.16 39	0.28 29	0.34 57	0.18 31	0.32 132	0.20 20	0.63 166	0.68 228	0.50 154	0.52 143	0.51 188	0.30 144	0.45 100	0.25 74	0.13 59	0.10 51	0.12 22	0.10 50	0.12 44	0.11 64

AIO_rvc	0.23 39	0.16 39	0.32 65	0.34 57	0.19 50	0.26 46	0.33 207	0.40 50	0.22 15	0.26 32	0.24 25	0.34 84	0.15 4	0.51 147	0.24 58	0.12 31	0.09 22	0.13 51	0.10 50	0.12 44	0.10 28

HUF	0.24 45	0.16 39	0.33 80	0.32 34	0.18 31	0.25 42	0.40 334	0.42 60	0.34 68	0.25 28	0.23 19	0.32 68	0.28 115	0.34 29	0.24 58	0.13 59	0.10 51	0.13 51	0.09 9	0.12 44	0.10 28

AIO_test	0.23 39	0.16 39	0.28 29	0.34 57	0.20 74	0.30 100	0.39 323	0.38 41	0.25 26	0.25 28	0.28 46	0.32 68	0.22 46	0.38 54	0.25 74	0.12 31	0.09 22	0.13 51	0.10 50	0.12 44	0.09 4

GIP-stereo	0.24 45	0.18 87	0.30 47	0.37 126	0.24 183	0.26 46	0.20 20	0.46 80	0.36 89	0.24 23	0.39 91	0.35 93	0.20 31	0.31 14	0.21 15	0.15 159	0.10 51	0.13 51	0.10 50	0.12 44	0.11 64

fffft	0.25 53	0.17 63	0.37 130	0.36 110	0.22 114	0.28 76	0.36 264	0.42 60	0.24 21	0.36 89	0.23 19	0.27 52	0.22 46	0.52 153	0.27 121	0.12 31	0.09 22	0.16 146	0.12 104	0.12 44	0.12 109
1: 1. 1
SMoEStereo_RVC	0.26 63	0.19 124	0.35 107	0.35 91	0.22 114	0.36 167	0.32 197	0.39 45	0.34 68	0.37 96	0.30 54	0.33 80	0.24 68	0.53 162	0.24 58	0.12 31	0.10 51	0.16 146	0.12 104	0.12 44	0.11 64

tt45	0.27 73	0.17 63	0.34 97	0.35 91	0.23 154	0.38 185	0.28 127	0.46 80	0.28 32	0.40 119	0.27 37	0.38 114	0.25 75	0.57 196	0.26 103	0.13 59	0.11 134	0.16 146	0.13 138	0.12 44	0.14 188

999	0.27 73	0.16 39	0.35 107	0.36 110	0.24 183	0.31 115	0.27 109	0.49 88	0.38 108	0.26 32	0.30 54	0.39 118	0.23 58	0.63 264	0.25 74	0.13 59	0.10 51	0.14 80	0.12 104	0.12 44	0.14 188

WCG-NET	0.28 80	0.15 25	0.33 80	0.33 46	0.19 50	0.33 139	0.27 109	0.39 45	0.80 301	0.46 142	0.49 121	0.39 118	0.25 75	0.40 63	0.25 74	0.12 31	0.09 22	0.13 51	0.11 76	0.12 44	0.10 28

GCAP-BAT	0.30 106	0.21 197	0.42 204	0.33 46	0.27 287	0.26 46	0.27 109	0.45 78	0.30 44	0.60 186	0.64 178	0.45 160	0.23 58	0.56 183	0.26 103	0.15 159	0.12 189	0.15 120	0.10 50	0.12 44	0.11 64

IGEV-Stereo++	0.21 13	0.15 25	0.27 20	0.37 126	0.19 50	0.22 14	0.18 10	0.42 60	0.35 81	0.22 17	0.28 46	0.24 43	0.18 17	0.27 5	0.22 27	0.12 31	0.09 22	0.12 22	0.10 50	0.12 44	0.10 28

Occ-G	0.26 63	0.14 11	0.28 29	0.34 57	0.20 74	0.27 59	0.34 218	0.41 56	0.31 49	0.29 51	0.43 101	0.49 182	0.25 75	0.47 120	0.28 141	0.13 59	0.11 134	0.14 80	0.11 76	0.12 44	0.12 109

WCG-NET（raft）	0.31 112	0.15 25	0.36 114	0.32 34	0.19 50	0.35 158	0.27 109	0.51 98	0.78 290	0.45 136	0.55 155	0.48 176	0.27 101	0.54 168	0.26 103	0.13 59	0.10 51	0.12 22	0.11 76	0.12 44	0.11 64

MSKI-zero shot	0.32 118	0.17 63	0.34 97	0.39 184	0.21 95	0.32 132	0.22 44	0.61 152	0.43 133	0.52 163	0.64 178	0.61 245	0.20 31	0.74 347	0.25 74	0.14 98	0.10 51	0.14 80	0.10 50	0.12 44	0.12 109

GCAP-Stereo	0.28 80	0.19 124	0.40 173	0.38 156	0.19 50	0.38 185	0.23 59	0.57 125	0.41 123	0.45 136	0.49 121	0.39 118	0.27 101	0.33 25	0.23 47	0.14 98	0.12 189	0.14 80	0.11 76	0.12 44	0.11 64

CAS	0.34 134	0.13 2	0.25 10	1.28 544	0.30 351	0.46 241	0.38 300	0.48 85	0.47 155	0.34 80	0.52 143	0.24 43	0.19 25	0.29 7	0.27 121	0.69 534	0.08 2	0.12 22	0.08 1	0.12 44	0.15 211

Selective-IGEV	0.24 45	0.18 87	0.35 107	0.35 91	0.19 50	0.27 59	0.25 81	0.55 118	0.23 17	0.27 41	0.25 30	0.34 84	0.19 25	0.58 216	0.22 27	0.12 31	0.10 51	0.14 80	0.11 76	0.12 44	0.10 28

MC-Stereo	0.28 80	0.17 63	0.32 65	0.38 156	0.20 74	0.26 46	0.26 93	0.49 88	0.37 103	0.37 96	0.61 171	0.41 134	0.31 151	0.55 173	0.25 74	0.13 59	0.09 22	0.14 80	0.12 104	0.12 44	0.11 64

test-3	0.34 134	0.16 39	0.43 215	0.39 184	0.21 95	0.43 220	0.22 44	0.63 166	0.78 290	0.71 265	0.45 105	0.64 260	0.27 101	0.43 85	0.31 169	0.12 31	0.09 22	0.17 184	0.13 138	0.12 44	0.10 28

test_1	0.34 134	0.16 39	0.43 215	0.39 184	0.21 95	0.43 220	0.23 59	0.63 166	0.78 290	0.68 243	0.45 105	0.64 260	0.27 101	0.43 85	0.31 169	0.12 31	0.09 22	0.17 184	0.13 138	0.12 44	0.10 28

RAFT-RH_RVC	0.56 390	0.17 63	0.41 183	0.37 126	0.23 154	0.57 301	0.24 73	0.60 146	0.70 236	1.19 486	3.94 558	0.56 206	0.38 203	0.65 284	0.36 239	0.13 59	0.11 134	0.20 300	0.14 169	0.12 44	0.13 144

AnonymousM	0.41 238	0.81 522	0.29 36	0.34 57	0.22 114	0.28 76	0.38 300	0.53 117	0.41 123	0.70 258	0.49 121	0.47 171	0.27 101	0.41 71	0.31 169	0.15 159	0.12 189	1.51 545	0.26 452	0.12 44	0.10 28

raftrobust	0.34 134	0.19 124	0.36 114	0.41 253	0.27 287	0.30 100	0.25 81	0.71 240	0.63 205	0.58 180	0.55 155	0.45 160	0.46 253	0.51 147	0.29 156	0.16 209	0.12 189	0.14 80	0.12 104	0.12 44	0.13 144

Gwc-CoAtRS	0.34 134	0.17 63	0.44 227	0.39 184	0.23 154	0.34 149	0.22 44	0.70 232	0.75 265	0.60 186	0.59 166	0.58 219	0.29 129	0.45 100	0.26 103	0.14 98	0.11 134	0.14 80	0.12 104	0.12 44	0.12 109

CREStereo	0.28 80	0.15 25	0.24 5	0.27 1	0.17 17	0.37 172	0.25 81	0.51 98	0.72 248	0.42 128	0.51 134	0.32 68	0.26 90	0.38 54	0.25 74	0.16 209	0.11 134	0.12 22	0.08 1	0.12 44	0.11 64
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.32 118	0.16 39	0.24 5	0.29 5	0.18 31	0.45 236	0.22 44	0.56 120	0.63 205	0.46 142	0.54 149	0.39 118	0.34 174	0.48 130	0.24 58	0.75 536	0.10 51	0.12 22	0.08 1	0.12 44	0.11 64

MSCF	0.25 53	0.16 39	0.33 80	0.39 184	0.20 74	0.20 5	0.31 176	0.43 68	0.31 49	0.36 89	0.33 66	0.23 39	0.35 177	0.36 39	0.23 47	0.15 159	0.10 51	0.13 51	0.11 76	0.13 79	0.11 64

4.5_new	0.21 13	0.20 160	0.29 36	0.30 9	0.17 17	0.24 28	0.26 93	0.32 15	0.28 32	0.32 72	0.28 46	0.19 15	0.17 10	0.29 7	0.21 15	0.10 10	0.08 2	0.12 22	0.10 50	0.13 79	0.09 4

4.5w-stereo	0.21 13	0.20 160	0.29 36	0.30 9	0.17 17	0.24 28	0.26 93	0.32 15	0.28 32	0.32 72	0.28 46	0.19 15	0.17 10	0.29 7	0.21 15	0.10 10	0.08 2	0.12 22	0.10 50	0.13 79	0.09 4

monsterstereo	0.22 25	0.14 11	0.26 14	0.34 57	0.18 31	0.21 11	0.20 20	0.37 33	0.35 81	0.33 77	0.40 92	0.19 15	0.18 17	0.45 100	0.21 15	0.11 22	0.09 22	0.12 22	0.09 9	0.13 79	0.08 1

xyz-stereo-finetune	0.33 128	0.18 87	0.36 114	0.33 46	0.18 31	0.57 301	0.31 176	0.58 131	0.69 235	0.45 136	0.54 149	0.38 114	0.33 166	0.56 183	0.36 239	0.12 31	0.12 189	0.16 146	0.13 138	0.13 79	0.12 109

xyz-stereo	4.23 564	0.17 63	61.76 593	0.34 57	0.16 7	12.16 575	0.37 278	0.58 131	0.68 228	1.01 445	3.36 551	0.77 338	0.82 444	1.21 484	0.40 277	0.12 31	0.10 51	0.16 146	0.11 76	0.13 79	0.10 28

LG-Stereo	0.24 45	0.18 87	0.40 173	0.39 184	0.20 74	0.22 14	0.27 109	0.32 15	0.36 89	0.26 32	0.44 102	0.22 30	0.16 9	0.37 46	0.27 121	0.11 22	0.12 189	0.16 146	0.15 195	0.13 79	0.09 4

SGD-Stereo	0.22 25	0.15 25	0.27 20	0.31 17	0.15 1	0.29 88	0.20 20	0.37 33	0.29 39	0.24 23	0.29 53	0.21 29	0.27 101	0.36 39	0.25 74	0.16 209	0.09 22	0.13 51	0.10 50	0.13 79	0.10 28

GREAT-IGEV	0.22 25	0.15 25	0.31 54	0.29 5	0.22 114	0.21 11	0.26 93	0.33 23	0.31 49	0.20 8	0.30 54	0.22 30	0.22 46	0.47 120	0.22 27	0.11 22	0.09 22	0.12 22	0.09 9	0.13 79	0.10 28

AIO-test1	0.38 199	0.18 87	0.38 142	0.50 421	0.24 183	0.46 241	0.30 153	0.70 232	1.19 473	0.40 119	0.71 200	0.45 160	0.29 129	0.53 162	0.27 121	0.15 159	0.13 255	0.19 270	0.21 380	0.13 79	0.17 277

UGAM-zero	0.46 282	0.19 124	0.62 372	0.37 126	0.23 154	0.34 149	0.21 35	1.15 429	0.39 118	0.66 234	0.61 171	1.70 515	0.91 464	0.75 353	0.25 74	0.14 98	0.11 134	0.15 120	0.12 104	0.13 79	0.13 144

model_zeroshot	0.33 128	0.18 87	0.48 288	0.39 184	0.28 310	0.45 236	0.25 81	0.63 166	0.45 146	0.61 193	0.50 125	0.51 188	0.25 75	0.45 100	0.26 103	0.16 209	0.13 255	0.15 120	0.14 169	0.13 79	0.13 144

U	0.45 272	0.16 39	0.32 65	0.40 221	0.71 525	3.55 559	0.20 20	0.41 56	0.38 108	0.26 32	0.23 19	0.24 43	0.22 46	0.26 2	0.22 27	0.15 159	0.09 22	0.88 536	0.13 138	0.13 79	0.11 64

AIO-Stereo	0.25 53	0.18 87	0.34 97	0.37 126	0.18 31	0.28 76	0.30 153	0.48 85	0.27 28	0.29 51	0.30 54	0.32 68	0.17 10	0.52 153	0.23 47	0.12 31	0.10 51	0.14 80	0.11 76	0.13 79	0.10 28

RAFT-Stereo-weight	0.32 118	0.18 87	0.33 80	0.39 184	0.22 114	0.26 46	0.29 137	0.67 199	0.80 301	0.53 166	0.51 134	0.58 219	0.20 31	0.47 120	0.27 121	0.13 59	0.10 51	0.14 80	0.11 76	0.13 79	0.11 64

gcap-zeroshot	0.34 134	0.18 87	0.52 330	0.38 156	0.22 114	0.49 253	0.27 109	0.52 107	0.34 68	0.64 213	0.50 125	0.83 355	0.34 174	0.48 130	0.24 58	0.13 59	0.11 134	0.15 120	0.12 104	0.13 79	0.12 109

testlalala2	0.36 167	0.18 87	0.45 239	0.89 529	0.53 500	0.44 228	0.26 93	0.61 152	0.49 158	0.68 243	0.56 158	0.44 158	0.24 68	0.34 29	0.31 169	0.15 159	0.12 189	0.14 80	0.10 50	0.13 79	0.13 144

MoCha-V2	0.25 53	0.15 25	0.29 36	0.40 221	0.18 31	0.27 59	0.26 93	0.49 88	0.27 28	0.36 89	0.27 37	0.33 80	0.35 177	0.49 134	0.22 27	0.12 31	0.10 51	0.12 22	0.10 50	0.13 79	0.11 64

IGEV++	0.24 45	0.17 63	0.31 54	0.38 156	0.22 114	0.24 28	0.22 44	0.50 96	0.23 17	0.28 44	0.35 80	0.30 58	0.22 46	0.31 14	0.28 141	0.14 98	0.10 51	0.13 51	0.10 50	0.13 79	0.13 144

IGEVStereo-DCA	0.29 91	0.22 236	0.38 142	0.35 91	0.27 287	0.37 172	0.35 242	0.62 158	0.34 68	0.38 105	0.30 54	0.35 93	0.27 101	0.51 147	0.22 27	0.15 159	0.12 189	0.16 146	0.12 104	0.13 79	0.15 211

rrr	0.29 91	0.22 236	0.41 183	0.35 91	0.27 287	0.37 172	0.32 197	0.52 107	0.42 131	0.38 105	0.30 54	0.35 93	0.27 101	0.51 147	0.22 27	0.15 159	0.12 189	0.16 146	0.13 138	0.13 79	0.14 188

AEACV	0.27 73	0.17 63	0.31 54	0.34 57	0.45 476	0.26 46	0.28 127	0.37 33	0.32 59	0.30 58	0.46 110	0.31 65	0.37 199	0.36 39	0.24 58	0.14 98	0.10 51	0.15 120	0.12 104	0.13 79	0.11 64

Any-RAFT	0.35 149	0.16 39	0.30 47	0.34 57	0.21 95	0.52 264	0.22 44	0.88 317	0.73 255	0.53 166	0.73 205	0.64 260	0.28 115	0.46 113	0.24 58	0.15 159	0.10 51	0.13 51	0.10 50	0.13 79	0.12 109

RAFT-Test	0.34 134	0.18 87	0.37 130	0.38 156	0.23 154	0.50 256	0.23 59	0.69 217	0.40 119	0.60 186	0.85 282	0.61 245	0.28 115	0.46 113	0.27 121	0.14 98	0.11 134	0.14 80	0.11 76	0.13 79	0.12 109

CES	0.28 80	0.14 11	0.23 1	0.30 9	0.70 524	0.37 172	0.27 109	0.48 85	0.46 150	0.34 80	0.48 118	0.27 52	0.22 46	0.39 58	0.23 47	0.13 59	0.11 134	0.12 22	0.08 1	0.13 79	0.17 277

EGLCR-Stereo	0.25 53	0.16 39	0.33 80	0.34 57	0.20 74	0.35 158	0.20 20	0.52 107	0.36 89	0.28 44	0.27 37	0.41 134	0.18 17	0.45 100	0.26 103	0.14 98	0.10 51	0.16 146	0.14 169	0.13 79	0.11 64

ProNet	0.29 91	0.21 197	0.38 142	0.35 91	0.24 183	0.32 132	0.43 366	0.57 125	0.37 103	0.33 77	0.30 54	0.32 68	0.28 115	0.57 196	0.26 103	0.13 59	0.11 134	0.16 146	0.13 138	0.13 79	0.13 144

ADStereo(finetuned)	0.37 184	0.16 39	0.49 300	0.34 57	0.19 50	0.30 100	0.30 153	0.68 209	0.91 373	0.70 258	0.77 226	0.43 152	0.69 389	0.45 100	0.33 191	0.14 98	0.10 51	0.14 80	0.11 76	0.13 79	0.12 109

CIPLG	0.41 238	0.21 197	0.63 381	0.45 355	0.33 400	0.52 264	0.33 207	0.65 180	0.60 192	0.82 335	0.96 333	0.46 168	0.32 156	0.55 173	0.44 306	0.16 209	0.12 189	0.15 120	0.14 169	0.13 79	0.14 188

IPLG	0.39 215	0.20 160	0.59 362	0.40 221	0.24 183	0.54 278	0.27 109	0.75 263	0.63 205	0.84 354	0.81 257	0.32 68	0.32 156	0.60 237	0.45 315	0.13 59	0.11 134	0.16 146	0.13 138	0.13 79	0.12 109

IPLGR_C	0.40 227	0.21 197	0.64 386	0.45 355	0.33 400	0.52 264	0.34 218	0.66 189	0.62 194	0.82 335	0.92 316	0.45 160	0.32 156	0.52 153	0.46 325	0.17 248	0.12 189	0.15 120	0.14 169	0.13 79	0.14 188

ACRE	0.40 227	0.21 197	0.65 392	0.45 355	0.33 400	0.51 260	0.33 207	0.66 189	0.63 205	0.80 314	0.92 316	0.45 160	0.32 156	0.52 153	0.45 315	0.16 209	0.12 189	0.15 120	0.14 169	0.13 79	0.14 188

TRStereo	0.37 184	0.27 353	0.59 362	0.47 385	0.41 453	0.29 88	0.30 153	0.84 298	0.59 190	0.52 163	0.41 95	0.52 192	0.26 90	0.73 340	0.27 121	0.17 248	0.12 189	0.19 270	0.19 333	0.13 79	0.11 64

STrans-v2	0.46 282	0.20 160	0.48 288	0.40 221	0.24 183	0.55 283	0.50 408	1.07 392	0.73 255	0.65 222	1.05 379	0.72 307	0.69 389	0.72 335	0.33 191	0.14 98	0.10 51	0.17 184	0.14 169	0.13 79	0.12 109

RAFT-345	0.40 227	0.18 87	0.40 173	0.38 156	0.22 114	0.33 139	0.26 93	0.61 152	0.51 164	0.74 289	1.79 508	0.45 160	0.33 166	0.66 292	0.36 239	0.14 98	0.11 134	0.18 230	0.14 169	0.13 79	0.13 144

CREStereo++_RVC	0.32 118	0.15 25	0.23 1	0.31 17	0.24 183	0.27 59	0.22 44	0.46 80	0.88 350	0.46 142	0.80 250	0.30 58	0.26 90	0.36 39	0.33 191	0.13 59	0.09 22	0.13 51	0.51 531	0.13 79	0.09 4
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	0.30 106	0.15 25	0.31 54	0.30 9	0.17 17	0.55 283	0.23 59	0.44 74	0.55 179	0.59 182	0.68 194	0.37 106	0.26 90	0.35 37	0.27 121	0.15 159	0.16 351	0.12 22	0.10 50	0.13 79	0.14 188

XX-TBD	0.32 118	0.53 492	0.26 14	0.51 437	0.20 74	0.37 172	0.24 73	0.40 50	0.73 255	0.54 170	0.69 195	0.31 65	0.25 75	0.32 19	0.27 121	0.16 209	0.10 51	0.12 22	0.09 9	0.13 79	0.11 64

DCANet	0.36 167	0.16 39	0.41 183	0.34 57	0.19 50	0.30 100	0.30 153	0.68 209	0.91 373	0.70 258	0.77 226	0.43 152	0.57 314	0.45 100	0.34 206	0.14 98	0.10 51	0.14 80	0.11 76	0.13 79	0.12 109

111	0.40 227	0.17 63	0.41 183	0.34 57	0.19 50	0.52 264	0.28 127	0.74 257	1.16 467	0.50 154	0.91 312	0.63 253	0.48 262	0.61 245	0.35 223	0.14 98	0.10 51	0.14 80	0.12 104	0.13 79	0.13 144

RAFT-Stereo + iAFF	0.36 167	0.17 63	0.41 183	0.35 91	0.19 50	0.33 139	0.29 137	0.65 180	0.73 255	0.68 243	1.01 357	0.56 206	0.40 220	0.42 79	0.30 162	0.11 22	0.09 22	0.15 120	0.14 169	0.13 79	0.10 28

AFF-stereo	0.38 199	0.19 124	0.39 161	0.37 126	0.21 95	0.27 59	0.31 176	0.65 180	0.66 220	0.64 213	1.13 409	0.76 332	0.39 214	0.55 173	0.33 191	0.11 22	0.09 22	0.16 146	0.16 227	0.13 79	0.11 64

EAI-Stereo	0.34 134	0.19 124	0.44 227	0.39 184	0.21 95	0.31 115	0.30 153	1.15 429	0.30 44	0.49 151	0.75 216	0.36 104	0.28 115	0.62 253	0.27 121	0.14 98	0.11 134	0.14 80	0.13 138	0.13 79	0.12 109

CFNet-RSSM	0.34 134	0.17 63	0.45 239	0.39 184	0.22 114	0.35 158	0.23 59	0.73 255	0.84 324	0.65 222	0.54 149	0.57 211	0.28 115	0.46 113	0.26 103	0.13 59	0.10 51	0.14 80	0.12 104	0.13 79	0.11 64

LG-Stereo_Zeroshot	0.23 39	0.16 39	0.32 65	0.39 184	0.21 95	0.18 4	0.21 35	0.34 25	0.26 27	0.28 44	0.51 134	0.28 55	0.29 129	0.26 2	0.24 58	0.14 98	0.10 51	0.13 51	0.10 50	0.14 123	0.12 109

MM-Stereo_test3	0.34 134	0.19 124	0.31 54	0.41 253	0.25 215	0.35 158	0.44 375	0.72 244	0.92 378	0.46 142	0.52 143	0.41 134	0.29 129	0.44 96	0.28 141	0.16 209	0.15 319	0.17 184	0.13 138	0.14 123	0.13 144

DEFOM-Stereo_RVC	0.25 53	0.31 393	0.24 5	0.51 437	0.19 50	0.29 88	0.22 44	0.40 50	0.37 103	0.26 32	0.24 25	0.24 43	0.31 151	0.44 96	0.22 27	0.14 98	0.09 22	0.12 22	0.09 9	0.14 123	0.10 28

mms	0.26 63	0.21 197	0.33 80	0.37 126	0.25 215	0.30 100	0.33 207	0.40 50	0.32 59	0.28 44	0.34 75	0.34 84	0.20 31	0.45 100	0.26 103	0.12 31	0.11 134	0.16 146	0.12 104	0.14 123	0.11 64

ours_stereo	0.26 63	0.21 197	0.33 80	0.38 156	0.23 154	0.30 100	0.33 207	0.42 60	0.38 108	0.26 32	0.34 75	0.35 93	0.23 58	0.47 120	0.27 121	0.13 59	0.11 134	0.16 146	0.12 104	0.14 123	0.10 28

fffy	0.28 80	0.21 197	0.34 97	0.37 126	0.23 154	0.33 139	0.29 137	0.51 98	0.41 123	0.32 72	0.37 87	0.39 118	0.27 101	0.50 140	0.27 121	0.12 31	0.11 134	0.16 146	0.13 138	0.14 123	0.11 64

tg	0.33 128	0.18 87	0.37 130	0.39 184	0.22 114	0.38 185	0.26 93	0.70 232	0.56 185	0.47 147	0.65 181	0.42 144	0.24 68	0.55 173	0.33 191	0.14 98	0.10 51	0.18 230	0.17 276	0.14 123	0.11 64

PAM_32	0.46 282	0.19 124	0.67 402	0.39 184	0.24 183	0.75 392	0.27 109	0.95 344	0.34 68	0.68 243	0.44 102	1.91 523	0.65 369	0.62 253	0.26 103	0.15 159	0.10 51	0.16 146	0.15 195	0.14 123	0.13 144

PAM	0.46 282	0.19 124	0.70 416	0.40 221	0.26 256	0.75 392	0.33 207	0.85 301	0.34 68	0.70 258	0.46 110	1.83 518	0.63 352	0.61 245	0.26 103	0.15 159	0.10 51	0.16 146	0.14 169	0.14 123	0.13 144

RAStereo	0.24 45	0.17 63	0.29 36	0.40 221	0.21 95	0.23 19	0.26 93	0.42 60	0.45 146	0.23 19	0.34 75	0.30 58	0.19 25	0.34 29	0.25 74	0.15 159	0.12 189	0.16 146	0.13 138	0.14 123	0.11 64

IGEV-BASED-STEREO-	0.56 390	3.08 572	2.43 544	0.31 17	0.18 31	0.29 88	0.20 20	0.37 33	0.32 59	0.28 44	0.24 25	0.18 10	0.18 17	0.31 14	0.22 27	1.09 548	0.08 2	0.17 184	0.16 227	0.14 123	0.97 550

RSM++	0.25 53	0.18 87	0.34 97	0.36 110	0.20 74	0.28 76	0.30 153	0.51 98	0.32 59	0.25 28	0.22 17	0.37 106	0.21 39	0.50 140	0.24 58	0.12 31	0.10 51	0.14 80	0.12 104	0.14 123	0.10 28

RSM	0.25 53	0.18 87	0.33 80	0.36 110	0.20 74	0.27 59	0.34 218	0.51 98	0.27 28	0.26 32	0.23 19	0.39 118	0.21 39	0.56 183	0.22 27	0.12 31	0.10 51	0.14 80	0.11 76	0.14 123	0.10 28

MGS-Stereo	0.28 80	0.19 124	0.40 173	0.36 110	0.23 154	0.37 172	0.30 153	0.39 45	0.44 139	0.31 59	0.51 134	0.40 128	0.24 68	0.43 85	0.26 103	0.15 159	0.12 189	0.15 120	0.13 138	0.14 123	0.13 144

ff7	0.29 91	0.21 197	0.38 142	0.36 110	0.26 256	0.31 115	0.35 242	0.62 158	0.34 68	0.38 105	0.33 66	0.32 68	0.29 129	0.58 216	0.25 74	0.14 98	0.10 51	0.17 184	0.12 104	0.14 123	0.15 211

ffff	0.29 91	0.21 197	0.38 142	0.36 110	0.26 256	0.31 115	0.35 242	0.62 158	0.34 68	0.38 105	0.33 66	0.32 68	0.29 129	0.58 216	0.25 74	0.14 98	0.10 51	0.17 184	0.12 104	0.14 123	0.15 211

11t	0.29 91	0.21 197	0.38 142	0.36 110	0.26 256	0.31 115	0.35 242	0.62 158	0.34 68	0.38 105	0.33 66	0.32 68	0.29 129	0.58 216	0.25 74	0.14 98	0.10 51	0.17 184	0.12 104	0.14 123	0.15 211

MaDis-Stereo	0.26 63	0.18 87	0.36 114	0.36 110	0.26 256	0.27 59	0.27 109	0.43 68	0.35 81	0.27 41	0.26 32	0.41 134	0.28 115	0.40 63	0.28 141	0.16 209	0.14 289	0.16 146	0.13 138	0.14 123	0.12 109

IGEV_Zeroshot_test	0.34 134	0.18 87	0.67 402	0.39 184	0.28 310	0.30 100	0.25 81	0.74 257	0.31 49	0.62 195	0.57 161	0.54 200	0.25 75	0.53 162	0.27 121	0.14 98	0.10 51	0.15 120	0.14 169	0.14 123	0.12 109

UniTT-Stereo	0.27 73	0.17 63	0.37 130	0.40 221	0.27 287	0.30 100	0.28 127	0.39 45	0.31 49	0.29 51	0.46 110	0.27 52	0.25 75	0.47 120	0.34 206	0.17 248	0.13 255	0.13 51	0.12 104	0.14 123	0.12 109

MIM_Stereo	0.38 199	0.17 63	0.53 338	0.37 126	0.24 183	0.27 59	0.24 73	0.70 232	0.54 174	0.72 277	1.00 354	0.63 253	0.29 129	0.64 277	0.38 264	0.13 59	0.14 289	0.17 184	0.16 227	0.14 123	0.11 64

HH	0.35 149	0.20 160	0.47 268	0.40 221	0.25 215	0.33 139	0.31 176	0.76 270	0.38 108	0.43 131	0.57 161	0.79 342	0.44 243	0.71 330	0.25 74	0.15 159	0.11 134	0.15 120	0.14 169	0.14 123	0.12 109

HanStereo	0.35 149	0.20 160	0.47 268	0.40 221	0.25 215	0.33 139	0.31 176	0.76 270	0.38 108	0.43 131	0.57 161	0.79 342	0.44 243	0.71 330	0.25 74	0.15 159	0.11 134	0.15 120	0.14 169	0.14 123	0.12 109

anonymousdsp	0.29 91	0.21 197	0.38 142	0.37 126	0.25 215	0.30 100	0.35 242	0.63 166	0.35 81	0.39 113	0.33 66	0.33 80	0.28 115	0.59 231	0.25 74	0.14 98	0.10 51	0.17 184	0.12 104	0.14 123	0.15 211

DCRE	0.37 184	0.18 87	0.46 256	0.45 355	0.32 389	0.42 217	0.37 278	0.63 166	0.51 164	0.47 147	0.94 320	0.56 206	0.36 195	0.52 153	0.32 179	0.14 98	0.13 255	0.15 120	0.14 169	0.14 123	0.13 144

TestStereo1	0.43 255	0.23 257	0.41 183	0.51 437	0.24 183	0.34 149	0.40 334	0.77 273	0.90 366	0.68 243	0.96 333	0.48 176	0.46 253	0.91 425	0.32 179	0.16 209	0.13 255	0.18 230	0.15 195	0.14 123	0.13 144

ccc-4	0.29 91	0.21 197	0.38 142	0.36 110	0.26 256	0.31 115	0.35 242	0.62 158	0.34 68	0.38 105	0.33 66	0.32 68	0.29 129	0.58 216	0.25 74	0.14 98	0.10 51	0.17 184	0.12 104	0.14 123	0.15 211

SA-5K	0.43 255	0.23 257	0.41 183	0.51 437	0.24 183	0.34 149	0.40 334	0.77 273	0.90 366	0.68 243	0.96 333	0.48 176	0.46 253	0.91 425	0.32 179	0.16 209	0.13 255	0.18 230	0.15 195	0.14 123	0.13 144

IGEV-Stereo	0.29 91	0.21 197	0.38 142	0.37 126	0.25 215	0.30 100	0.35 242	0.63 166	0.35 81	0.39 113	0.33 66	0.33 80	0.28 115	0.59 231	0.25 74	0.14 98	0.10 51	0.17 184	0.12 104	0.14 123	0.15 211
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.45 272	0.21 197	0.48 288	0.42 293	0.28 310	0.31 115	0.54 434	0.63 166	0.62 194	0.62 195	0.89 305	1.01 415	0.69 389	0.75 353	0.66 399	0.13 59	0.12 189	0.17 184	0.15 195	0.14 123	0.15 211

MIPNet	0.37 184	0.21 197	0.59 362	0.39 184	0.25 215	0.50 256	0.28 127	0.77 273	0.70 236	0.65 222	0.60 168	0.40 128	0.49 265	0.44 96	0.37 255	0.14 98	0.11 134	0.16 146	0.13 138	0.14 123	0.13 144

CrosDoStereo	0.50 343	0.18 87	0.45 239	0.38 156	0.24 183	0.40 196	1.18 534	0.67 199	0.86 337	0.94 414	1.37 464	0.63 253	0.77 429	0.65 284	0.45 315	0.15 159	0.12 189	0.17 184	0.18 303	0.14 123	0.14 188

TransformOpticalFlow	0.44 262	0.20 160	0.47 268	0.41 253	0.23 154	0.37 172	0.47 389	0.94 337	0.76 273	0.65 222	1.14 414	0.73 318	0.56 312	0.76 357	0.32 179	0.15 159	0.10 51	0.17 184	0.15 195	0.14 123	0.13 144

ASMatch	0.48 309	0.19 124	0.45 239	0.39 184	0.28 310	0.37 172	0.26 93	0.74 257	0.68 228	0.76 298	2.34 525	0.61 245	0.52 283	0.62 253	0.37 255	0.14 98	0.12 189	0.17 184	0.15 195	0.14 123	0.21 369

DeepStereo_LL	0.50 343	0.18 87	0.45 239	0.38 156	0.24 183	0.40 196	1.18 534	0.67 199	0.86 337	0.94 414	1.37 464	0.63 253	0.77 429	0.65 284	0.45 315	0.15 159	0.12 189	0.17 184	0.18 303	0.14 123	0.14 188

DEmStereo	0.48 309	0.17 63	0.50 313	0.38 156	0.25 215	0.59 320	0.34 218	0.63 166	0.74 262	0.89 387	1.66 500	0.58 219	1.06 492	0.60 237	0.42 285	0.14 98	0.11 134	0.16 146	0.16 227	0.14 123	0.15 211

THIR-Stereo	0.50 343	0.18 87	0.45 239	0.38 156	0.23 154	0.75 392	0.67 470	0.66 189	0.87 346	1.02 448	1.40 470	0.72 307	0.76 422	0.62 253	0.42 285	0.15 159	0.11 134	0.17 184	0.18 303	0.14 123	0.15 211

DRaft	0.49 327	0.17 63	0.47 268	0.37 126	0.25 215	0.58 307	0.40 334	0.65 180	0.85 332	1.02 448	1.75 507	0.50 184	0.82 444	0.63 264	0.40 277	0.13 59	0.11 134	0.16 146	0.16 227	0.14 123	0.15 211

s12784h	0.36 167	0.15 25	0.24 5	0.34 57	0.15 1	0.77 399	0.29 137	0.80 286	0.83 319	0.56 175	0.57 161	0.43 152	0.40 220	0.57 196	0.33 191	0.12 31	0.10 51	0.14 80	0.09 9	0.14 123	0.09 4

raft+_RVC	0.38 199	0.19 124	0.35 107	0.37 126	0.25 215	0.45 236	0.37 278	0.78 279	0.89 363	0.51 157	0.78 237	0.50 184	0.29 129	0.53 162	0.40 277	0.15 159	0.12 189	0.17 184	0.15 195	0.14 123	0.12 109

XX-Stereo	0.37 184	0.17 63	0.45 239	0.55 472	0.36 419	0.38 185	0.20 20	0.60 146	0.30 44	0.46 142	1.30 454	0.73 318	0.26 90	0.56 183	0.26 103	0.16 209	0.11 134	0.17 184	0.16 227	0.14 123	0.10 28

test_xeample3	0.29 91	0.21 197	0.41 183	0.35 91	0.26 256	0.35 158	0.32 197	0.56 120	0.36 89	0.43 131	0.32 65	0.34 84	0.28 115	0.54 168	0.23 47	0.14 98	0.11 134	0.16 146	0.12 104	0.14 123	0.13 144

ARAFT	0.47 297	0.24 294	0.79 450	0.42 293	0.25 215	0.55 283	0.55 438	0.75 263	0.81 309	0.89 387	0.75 216	0.73 318	0.47 257	0.88 410	0.37 255	0.15 159	0.12 189	0.23 379	0.22 398	0.14 123	0.13 144

R-Stereo Train	0.39 215	0.18 87	0.42 204	0.42 293	0.26 256	0.40 196	0.32 197	0.72 244	0.34 68	0.89 387	1.28 447	0.57 211	0.35 177	0.42 79	0.32 179	0.15 159	0.12 189	0.14 80	0.12 104	0.14 123	0.13 144

RAFT-Stereo	0.39 215	0.18 87	0.42 204	0.42 293	0.26 256	0.40 196	0.32 197	0.72 244	0.34 68	0.89 387	1.28 447	0.57 211	0.35 177	0.42 79	0.32 179	0.15 159	0.12 189	0.14 80	0.12 104	0.14 123	0.13 144
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MLCV	0.47 297	0.24 294	0.61 369	0.37 126	0.17 17	0.61 328	0.33 207	0.80 286	0.87 346	0.94 414	1.13 409	0.72 307	0.43 234	0.89 416	0.51 349	0.13 59	0.10 51	0.13 51	0.11 76	0.14 123	0.12 109

S2M2_XL	0.19 7	0.18 87	0.27 20	0.27 1	0.20 74	0.15 2	0.16 2	0.22 2	0.15 4	0.21 11	0.26 32	0.17 4	0.17 10	0.24 1	0.21 15	0.17 248	0.16 351	0.15 120	0.13 138	0.15 169	0.12 109

G2L-Stereo_test	0.48 309	0.20 160	0.40 173	0.34 57	0.23 154	0.57 301	0.58 448	1.10 402	0.77 280	0.86 365	0.94 320	0.95 399	0.54 299	0.68 313	0.60 382	0.16 209	0.12 189	0.14 80	0.12 104	0.15 169	0.15 211

MM-Stereo_test2	0.30 106	0.18 87	0.39 161	0.40 221	0.24 183	0.42 217	0.42 359	0.63 166	0.41 123	0.37 96	0.35 80	0.32 68	0.26 90	0.53 162	0.25 74	0.12 31	0.10 51	0.15 120	0.12 104	0.15 169	0.10 28

MM-Stereo_test1	0.33 128	0.19 124	0.36 114	0.41 253	0.23 154	0.36 167	0.45 378	0.58 131	0.54 174	0.60 186	0.50 125	0.38 114	0.37 199	0.60 237	0.26 103	0.15 159	0.13 255	0.17 184	0.14 169	0.15 169	0.12 109

HART	0.29 91	0.16 39	0.32 65	0.40 221	0.21 95	0.32 132	0.26 93	0.62 158	0.31 49	0.33 77	0.65 181	0.41 134	0.22 46	0.55 173	0.25 74	0.12 31	0.10 51	0.15 120	0.11 76	0.15 169	0.11 64

SCV	0.26 63	0.19 124	0.33 80	0.35 91	0.21 95	0.27 59	0.34 218	0.56 120	0.28 32	0.24 23	0.28 46	0.37 106	0.23 58	0.49 134	0.22 27	0.18 279	0.10 51	0.14 80	0.11 76	0.15 169	0.11 64

AIO-test2	0.39 215	0.21 197	0.41 183	0.47 385	0.25 215	0.45 236	0.35 242	0.77 273	1.27 492	0.36 89	0.87 293	0.37 106	0.30 144	0.47 120	0.27 121	0.15 159	0.13 255	0.21 342	0.23 414	0.15 169	0.13 144

UGAM	0.52 359	0.22 236	0.46 256	0.45 355	0.25 215	0.41 210	0.52 426	0.62 158	1.16 467	0.76 298	1.13 409	1.32 479	0.57 314	1.00 447	0.53 359	0.17 248	0.14 289	0.25 408	0.21 380	0.15 169	0.13 144

IGEV-Stereo+	0.23 39	0.14 11	0.26 14	0.32 34	0.19 50	0.12 1	0.17 3	0.29 8	0.29 39	0.21 11	0.15 3	0.22 30	0.22 46	0.40 63	0.22 27	0.14 98	0.10 51	0.12 22	0.09 9	0.15 169	0.86 541

tta	0.51 350	0.23 257	0.62 372	0.34 57	0.20 74	0.62 336	0.34 218	1.21 453	1.02 423	0.81 326	1.01 357	0.71 298	0.65 369	0.84 393	0.55 369	0.19 309	0.15 319	0.18 230	0.16 227	0.15 169	0.14 188

qqq1	0.49 327	0.23 257	0.62 372	0.34 57	0.20 74	0.62 336	0.34 218	1.21 453	1.02 423	0.81 326	1.01 357	0.71 298	0.65 369	0.84 393	0.34 206	0.19 309	0.15 319	0.14 80	0.12 104	0.15 169	0.14 188

fff1	0.49 327	0.23 257	0.62 372	0.34 57	0.20 74	0.62 336	0.34 218	1.21 453	1.02 423	0.81 326	1.01 357	0.71 298	0.65 369	0.84 393	0.34 206	0.19 309	0.15 319	0.14 80	0.12 104	0.15 169	0.14 188

AE-Stereo	0.34 134	0.21 197	0.42 204	0.48 392	0.31 373	0.48 249	0.35 242	0.61 152	0.62 194	0.32 72	0.55 155	0.52 192	0.27 101	0.47 120	0.29 156	0.13 59	0.13 255	0.18 230	0.16 227	0.15 169	0.12 109

DisPM	0.39 215	0.19 124	0.44 227	0.41 253	0.27 287	0.24 28	0.31 176	0.65 180	0.57 187	0.87 373	0.87 293	0.60 240	0.32 156	0.76 357	0.32 179	0.18 279	0.12 189	0.19 270	0.17 276	0.15 169	0.20 351

raft_robust	0.41 238	0.23 257	0.36 114	0.42 293	0.21 95	0.40 196	0.33 207	0.79 283	0.98 405	0.79 312	0.87 293	0.39 118	0.33 166	0.84 393	0.29 156	0.13 59	0.12 189	0.16 146	0.17 276	0.15 169	0.12 109

RAFT_CTSACE	0.45 272	0.20 160	0.44 227	0.45 355	0.27 287	0.34 149	0.39 323	0.60 146	0.73 255	0.76 298	1.44 480	0.83 355	0.38 203	1.08 464	0.26 103	0.12 31	0.13 255	0.18 230	0.16 227	0.15 169	0.11 64

RAFT+CT+SA	0.39 215	0.23 257	0.36 114	0.51 437	0.27 287	0.29 88	0.46 382	0.75 263	0.80 301	0.51 157	0.89 305	0.41 134	0.40 220	0.78 368	0.32 179	0.14 98	0.11 134	0.18 230	0.18 303	0.15 169	0.14 188

Sa-1000	0.48 309	0.24 294	0.41 183	0.45 355	0.25 215	0.59 320	0.34 218	0.81 290	0.93 384	0.82 335	1.50 487	0.53 196	0.45 248	0.92 428	0.30 162	0.15 159	0.12 189	0.21 342	0.19 333	0.15 169	0.13 144

SA	0.44 262	0.25 317	0.46 256	0.46 376	0.24 183	0.43 220	0.36 264	0.75 263	0.96 398	0.59 182	1.03 369	0.48 176	0.52 283	0.94 441	0.32 179	0.16 209	0.12 189	0.21 342	0.19 333	0.15 169	0.13 144

test_4	0.36 167	0.18 87	0.31 54	0.44 332	0.25 215	0.20 5	0.34 218	0.56 120	0.41 123	0.59 182	1.45 483	0.43 152	0.25 75	0.63 264	0.28 141	0.12 31	0.10 51	0.17 184	0.19 333	0.15 169	0.11 64

iRaft-Stereo_20w	0.39 215	0.19 124	0.57 357	0.37 126	0.27 287	0.31 115	0.24 73	1.44 512	0.29 39	0.69 252	0.53 147	0.60 240	0.42 228	0.83 388	0.27 121	0.14 98	0.11 134	0.14 80	0.13 138	0.15 169	0.13 144

IPLGR	0.39 215	0.21 197	0.63 381	0.39 184	0.22 114	0.49 253	0.29 137	0.76 270	0.74 262	0.78 308	0.77 226	0.44 158	0.42 228	0.47 120	0.38 264	0.13 59	0.12 189	0.16 146	0.14 169	0.15 169	0.13 144

GMOStereo	0.37 184	0.19 124	0.38 142	0.43 313	0.24 183	0.37 172	0.38 300	0.52 107	0.62 194	0.87 373	0.84 272	0.64 260	0.35 177	0.37 46	0.28 141	0.13 59	0.11 134	0.20 300	0.18 303	0.15 169	0.11 64

error version	0.37 184	0.19 124	0.38 142	0.43 313	0.24 183	0.37 172	0.38 300	0.52 107	0.62 194	0.87 373	0.84 272	0.64 260	0.35 177	0.37 46	0.28 141	0.13 59	0.11 134	0.20 300	0.18 303	0.15 169	0.11 64

test-v	0.37 184	0.19 124	0.38 142	0.43 313	0.24 183	0.37 172	0.38 300	0.52 107	0.62 194	0.87 373	0.84 272	0.64 260	0.35 177	0.37 46	0.28 141	0.13 59	0.11 134	0.20 300	0.18 303	0.15 169	0.11 64

test_3	0.36 167	0.19 124	0.44 227	0.44 332	0.23 154	0.48 249	0.36 264	0.66 189	0.82 314	0.64 213	0.45 105	0.68 286	0.25 75	0.41 71	0.31 169	0.12 31	0.10 51	0.18 230	0.16 227	0.15 169	0.11 64

HHNet	0.41 238	0.17 63	0.41 183	0.34 57	0.37 426	0.33 139	0.34 218	0.69 217	0.75 265	0.86 365	1.30 454	0.52 192	0.32 156	0.52 153	0.35 223	0.15 159	0.11 134	0.19 270	0.15 195	0.15 169	0.24 402

OMP-Stereo	0.42 245	0.22 236	0.46 256	0.52 449	0.24 183	0.36 167	0.25 81	0.71 240	0.78 290	0.77 304	0.64 178	0.89 381	0.39 214	0.91 425	0.35 223	0.15 159	0.12 189	0.20 300	0.15 195	0.15 169	0.12 109

IIG-Stereo	0.43 255	0.21 197	0.44 227	0.50 421	0.25 215	0.44 228	0.21 35	0.71 240	0.76 273	0.83 347	0.95 329	0.83 355	0.43 234	0.90 418	0.35 223	0.15 159	0.12 189	0.19 270	0.14 169	0.15 169	0.11 64

FTStereo	0.56 390	0.20 160	0.37 130	0.41 253	0.25 215	0.40 196	0.79 502	0.66 189	0.43 133	1.09 472	3.27 546	0.70 294	0.73 413	0.55 173	0.33 191	0.14 98	0.13 255	0.19 270	0.17 276	0.15 169	0.30 447

GrayStereo	0.49 327	0.19 124	0.42 204	0.46 376	0.28 310	0.53 272	0.67 470	0.69 217	0.63 205	1.02 448	1.47 486	0.78 340	0.76 422	0.56 183	0.33 191	0.14 98	0.12 189	0.17 184	0.17 276	0.15 169	0.29 439

test-2	0.37 184	0.19 124	0.38 142	0.43 313	0.24 183	0.37 172	0.38 300	0.52 107	0.62 194	0.87 373	0.84 272	0.64 260	0.35 177	0.37 46	0.28 141	0.13 59	0.11 134	0.20 300	0.18 303	0.15 169	0.11 64

cross-raft	0.34 134	0.20 160	0.37 130	0.44 332	0.23 154	0.32 132	0.35 242	0.74 257	0.40 119	0.60 186	0.77 226	0.57 211	0.27 101	0.43 85	0.28 141	0.12 31	0.10 51	0.15 120	0.13 138	0.15 169	0.11 64

test-1	0.36 167	0.19 124	0.71 421	0.46 376	0.26 256	0.44 228	0.36 264	0.60 146	0.59 190	0.48 150	0.67 192	0.53 196	0.36 195	0.40 63	0.29 156	0.14 98	0.11 134	0.16 146	0.14 169	0.15 169	0.16 257

iRaftStereo_RVC	0.32 118	0.19 124	0.37 130	0.39 184	0.22 114	0.31 115	0.29 137	0.68 209	0.51 164	0.49 151	0.66 188	0.37 106	0.23 58	0.45 100	0.33 191	0.14 98	0.10 51	0.18 230	0.17 276	0.15 169	0.12 109

cf-r	0.47 297	0.23 257	0.41 183	0.39 184	0.23 154	0.59 320	0.37 278	0.88 317	0.85 332	0.72 277	1.05 379	0.94 397	0.62 346	0.56 183	0.54 364	0.21 349	0.14 289	0.17 184	0.19 333	0.15 169	0.15 211

DIP-Stereo	0.39 215	0.21 197	0.50 313	0.41 253	0.28 310	0.62 336	0.27 109	0.77 273	0.40 119	0.64 213	0.86 285	0.52 192	0.33 166	0.66 292	0.42 285	0.15 159	0.13 255	0.17 184	0.14 169	0.15 169	0.15 211
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	0.53 365	0.22 236	0.52 330	0.38 156	0.22 114	0.68 368	0.38 300	0.97 351	0.88 350	0.73 284	1.04 375	1.03 422	0.92 469	0.90 418	0.86 442	0.16 209	0.14 289	0.14 80	0.17 276	0.15 169	0.13 144

iResNet_ROB	0.52 359	0.21 197	0.53 338	0.37 126	0.21 95	0.61 328	0.29 137	1.51 521	1.32 498	0.90 394	1.02 365	0.80 350	0.62 346	0.76 357	0.43 290	0.16 209	0.12 189	0.13 51	0.09 9	0.15 169	0.18 295

pmcnn	1.23 518	0.29 379	0.96 471	0.40 221	0.23 154	0.95 445	0.69 480	1.16 436	1.28 494	1.67 522	2.33 524	11.15 575	0.86 454	0.93 434	0.88 452	0.15 159	0.12 189	0.12 22	0.10 50	0.15 169	0.15 211

FlowAnything_test	0.29 91	0.19 124	0.39 161	0.47 385	0.26 256	0.46 241	0.25 81	0.43 68	0.31 49	0.29 51	0.26 32	0.35 93	0.26 90	0.40 63	0.37 255	0.21 349	0.15 319	0.22 357	0.26 452	0.16 209	0.16 257

SCV_C0	0.26 63	0.18 87	0.34 97	0.35 91	0.24 183	0.23 19	0.28 127	0.51 98	0.36 89	0.31 59	0.36 83	0.37 106	0.20 31	0.57 196	0.22 27	0.13 59	0.10 51	0.13 51	0.11 76	0.16 209	0.12 109

StereoAnything_RVC	0.21 13	0.68 512	0.39 161	0.28 3	0.15 1	0.23 19	0.18 10	0.20 1	0.19 8	0.16 2	0.16 8	0.15 1	0.22 46	0.30 12	0.18 1	0.16 209	0.09 22	0.12 22	0.08 1	0.16 209	0.09 4

H2IRNET	0.37 184	0.20 160	0.33 80	0.38 156	0.25 215	0.27 59	0.23 59	0.59 136	0.72 248	0.39 113	0.90 309	0.74 324	0.55 305	0.52 153	0.43 290	0.15 159	0.13 255	0.18 230	0.20 358	0.16 209	0.13 144

DispNO	0.47 297	0.23 257	0.71 421	0.39 184	0.31 373	0.60 326	0.38 300	0.89 319	0.77 280	0.75 291	0.84 272	0.72 307	0.54 299	0.73 340	0.46 325	0.19 309	0.14 289	0.20 300	0.18 303	0.16 209	0.17 277

CoDeX	0.47 297	0.20 160	0.49 300	0.42 293	0.25 215	0.75 392	0.36 264	1.27 481	0.80 301	0.82 335	0.96 333	0.62 251	0.57 314	0.60 237	0.36 239	0.17 248	0.12 189	0.17 184	0.15 195	0.16 209	0.14 188

cc1	0.37 184	0.23 257	0.33 80	0.41 253	0.22 114	0.55 283	0.38 300	0.67 199	1.06 445	0.41 123	0.50 125	0.34 84	0.49 265	0.57 196	0.25 74	0.16 209	0.10 51	0.19 270	0.13 138	0.16 209	0.15 211

ffm	0.44 262	0.26 336	0.49 300	0.37 126	0.25 215	0.55 283	0.37 278	0.68 209	1.04 434	0.73 284	0.96 333	0.71 298	0.53 287	0.57 196	0.25 74	0.16 209	0.10 51	0.25 408	0.21 380	0.16 209	0.16 257

ff1	0.49 327	0.26 336	0.49 300	0.37 126	0.25 215	0.55 283	0.37 278	0.68 209	1.04 434	0.73 284	0.96 333	0.71 298	0.53 287	1.01 448	0.88 452	0.16 209	0.10 51	0.25 408	0.21 380	0.16 209	0.16 257

tt1	0.36 167	0.24 294	0.32 65	0.41 253	0.22 114	0.54 278	0.38 300	0.68 209	1.04 434	0.41 123	0.46 110	0.35 93	0.45 248	0.57 196	0.25 74	0.16 209	0.10 51	0.19 270	0.13 138	0.16 209	0.16 257

EKT-Stereo	0.35 149	0.23 257	0.39 161	0.43 313	0.29 336	0.38 185	0.31 176	0.69 217	0.64 212	0.45 136	0.63 175	0.49 182	0.27 101	0.56 183	0.33 191	0.18 279	0.14 289	0.18 230	0.15 195	0.16 209	0.16 257

LL-Strereo	0.57 397	0.27 353	0.68 406	0.48 392	0.34 409	0.39 192	0.48 397	0.94 337	0.97 401	0.83 347	0.78 237	1.10 445	1.18 504	1.33 498	0.49 338	0.17 248	0.14 289	0.22 357	0.19 333	0.16 209	0.17 277

4D-IteraStereo	0.33 128	0.18 87	0.40 173	0.40 221	0.24 183	0.32 132	0.27 109	0.58 131	0.72 248	0.65 222	0.54 149	0.42 144	0.23 58	0.45 100	0.28 141	0.14 98	0.09 22	0.19 270	0.16 227	0.16 209	0.11 64

anonymousdsp2	0.35 149	0.20 160	0.43 215	0.37 126	0.24 183	0.48 249	0.31 176	0.86 305	0.65 217	0.55 172	0.50 125	0.50 184	0.34 174	0.56 183	0.31 169	0.14 98	0.10 51	0.14 80	0.10 50	0.16 209	0.14 188

anonymousa	0.49 327	0.20 160	0.42 204	0.38 156	0.23 154	0.91 437	0.35 242	0.75 263	0.62 194	0.85 358	1.54 492	1.06 430	0.66 376	0.51 147	0.43 290	0.16 209	0.13 255	0.19 270	0.21 380	0.16 209	0.14 188

Selective-RAFT	0.35 149	0.23 257	0.51 325	0.44 332	0.21 95	0.64 352	0.27 109	0.59 136	0.63 205	0.40 119	0.38 89	0.55 203	0.40 220	0.57 196	0.35 223	0.13 59	0.11 134	0.14 80	0.12 104	0.16 209	0.13 144

CroCo-Stereo Lap2	0.28 80	0.24 294	0.39 161	0.50 421	0.29 336	0.20 5	0.31 176	0.49 88	0.38 108	0.24 23	0.27 37	0.46 168	0.31 151	0.39 58	0.30 162	0.14 98	0.15 319	0.16 146	0.13 138	0.16 209	0.15 211

GLC_STEREO	0.29 91	0.19 124	0.27 20	0.44 332	0.19 50	0.31 115	0.26 93	0.47 83	0.43 133	0.37 96	0.47 116	0.41 134	0.23 58	0.50 140	0.34 206	0.14 98	0.18 388	0.19 270	0.16 227	0.16 209	0.13 144

PFNet+	0.40 227	0.19 124	0.49 300	0.39 184	0.25 215	0.28 76	0.23 59	0.64 179	0.70 236	0.85 358	0.79 247	0.64 260	0.35 177	0.72 335	0.34 206	0.19 309	0.14 289	0.23 379	0.20 358	0.16 209	0.20 351

NF-Stereo	0.38 199	0.20 160	0.45 239	0.41 253	0.25 215	0.26 46	0.31 176	0.69 217	0.70 236	0.65 222	0.77 226	0.57 211	0.30 144	0.67 303	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.16 209	0.27 425

OCTAStereo	0.38 199	0.20 160	0.46 256	0.41 253	0.25 215	0.26 46	0.31 176	0.69 217	0.70 236	0.65 222	0.77 226	0.58 219	0.30 144	0.67 303	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.16 209	0.27 425

PSM-softLoss	0.38 199	0.20 160	0.48 288	0.41 253	0.26 256	0.30 100	0.35 242	0.69 217	0.46 150	0.62 195	0.82 261	0.59 234	0.33 166	0.70 325	0.39 270	0.19 309	0.12 189	0.20 300	0.18 303	0.16 209	0.22 387

KMStereo	0.38 199	0.20 160	0.48 288	0.41 253	0.26 256	0.30 100	0.35 242	0.69 217	0.46 150	0.62 195	0.82 261	0.59 234	0.33 166	0.70 325	0.39 270	0.19 309	0.12 189	0.20 300	0.18 303	0.16 209	0.22 387

KYRaft	0.48 309	0.20 160	0.38 142	0.44 332	0.23 154	0.44 228	0.37 278	0.66 189	0.41 123	0.94 414	1.73 504	0.79 342	0.41 226	0.63 264	0.31 169	0.16 209	0.11 134	0.18 230	0.22 398	0.16 209	0.78 536

PFNet	0.42 245	0.18 87	0.58 361	0.43 313	0.24 183	0.43 220	0.32 197	0.74 257	0.78 290	1.00 440	0.74 214	0.68 286	0.39 214	0.72 335	0.37 255	0.16 209	0.10 51	0.20 300	0.15 195	0.16 209	0.13 144

RE-Stereo	0.38 199	0.20 160	0.46 256	0.41 253	0.25 215	0.26 46	0.31 176	0.69 217	0.70 236	0.65 222	0.77 226	0.58 219	0.30 144	0.67 303	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.16 209	0.27 425

TVStereo	0.38 199	0.20 160	0.46 256	0.41 253	0.25 215	0.26 46	0.31 176	0.69 217	0.70 236	0.65 222	0.77 226	0.58 219	0.30 144	0.67 303	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.16 209	0.27 425

IRAFT_RVC	0.42 245	0.20 160	0.48 288	0.44 332	0.24 183	0.27 59	0.54 434	0.74 257	0.77 280	0.76 298	0.80 250	0.73 318	0.51 281	0.70 325	0.36 239	0.17 248	0.10 51	0.21 342	0.16 227	0.16 209	0.14 188

CroCo-Stereo	0.26 63	0.22 236	0.36 114	0.48 392	0.22 114	0.20 5	0.29 137	0.51 98	0.44 139	0.28 44	0.23 19	0.42 144	0.26 90	0.29 7	0.26 103	0.15 159	0.13 255	0.13 51	0.11 76	0.16 209	0.12 109
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
RAFT	0.45 272	0.22 236	0.45 239	0.47 385	0.26 256	0.54 278	0.47 389	0.66 189	0.58 189	0.80 314	0.82 261	0.94 397	0.57 314	0.75 353	0.34 206	0.17 248	0.15 319	0.22 357	0.20 358	0.16 209	0.12 109

GMM-Stereo	0.44 262	0.19 124	0.36 114	0.42 293	0.25 215	0.51 260	0.47 389	0.71 240	0.53 170	0.76 298	1.37 464	0.76 332	0.38 203	0.60 237	0.33 191	0.15 159	0.10 51	0.20 300	0.19 333	0.16 209	0.27 425

Prome-Stereo	0.46 282	0.19 124	0.35 107	0.44 332	0.26 256	0.40 196	0.45 378	0.68 209	0.44 139	0.96 422	1.84 510	0.59 234	0.67 379	0.61 245	0.32 179	0.14 98	0.11 134	0.16 146	0.14 169	0.16 209	0.29 439

SFCPSM	0.47 297	0.21 197	0.55 347	0.40 221	0.27 287	0.87 433	0.37 278	1.33 492	0.77 280	0.80 314	0.84 272	0.54 200	0.49 265	0.57 196	0.37 255	0.18 279	0.13 255	0.18 230	0.20 358	0.16 209	0.15 211

delet	0.55 379	0.24 294	0.55 347	0.44 332	0.33 400	1.07 469	0.50 408	1.00 360	0.86 337	0.85 358	0.96 333	0.90 386	0.63 352	0.83 388	0.74 420	0.18 279	0.18 388	0.20 300	0.21 380	0.16 209	0.15 211

GwcNet-RSSM	0.49 327	0.24 294	0.42 204	0.40 221	0.23 154	0.55 283	0.38 300	0.93 332	0.93 384	0.71 265	1.16 425	0.86 366	0.60 334	0.62 253	0.66 399	0.21 349	0.14 289	0.19 270	0.20 358	0.16 209	0.15 211

G2L-ROB	0.47 297	0.19 124	0.42 204	0.35 91	0.22 114	0.57 301	0.42 359	1.14 425	0.71 247	0.84 354	0.75 216	1.09 441	0.53 287	0.74 347	0.53 359	0.17 248	0.12 189	0.14 80	0.12 104	0.17 244	0.19 328

G2L-Stereo	0.49 327	0.23 257	0.48 288	0.43 313	0.26 256	0.47 246	0.42 359	0.93 332	0.78 290	0.84 354	0.86 285	0.91 388	0.52 283	0.78 368	0.70 409	0.20 332	0.17 371	0.22 357	0.18 303	0.17 244	0.21 369

HI	0.45 272	0.21 197	0.36 114	0.34 57	0.35 415	0.28 76	0.31 176	0.72 244	0.46 150	0.87 373	1.13 409	1.09 441	0.76 422	0.69 319	0.56 371	0.12 31	0.10 51	0.17 184	0.17 276	0.17 244	0.15 211

CoSv	0.45 272	0.21 197	0.36 114	0.34 57	0.35 415	0.28 76	0.31 176	0.72 244	0.46 150	0.87 373	1.13 409	1.09 441	0.76 422	0.69 319	0.56 371	0.12 31	0.10 51	0.17 184	0.17 276	0.17 244	0.15 211

IGEV-RUCA	0.25 53	0.16 39	0.34 97	0.39 184	0.27 287	0.33 139	0.20 20	0.38 41	0.36 89	0.26 32	0.31 63	0.25 47	0.21 39	0.48 130	0.24 58	0.20 332	0.11 134	0.13 51	0.10 50	0.17 244	0.15 211

test_sample1	0.42 245	0.22 236	0.46 256	0.34 57	0.23 154	0.58 307	0.35 242	0.99 356	0.49 158	0.62 195	0.75 216	0.69 290	0.61 340	0.58 216	0.44 306	0.18 279	0.14 289	0.17 184	0.15 195	0.17 244	0.17 277

MyStereo07	0.32 118	0.22 236	0.34 97	0.42 293	0.28 310	0.40 196	0.50 408	0.72 244	0.37 103	0.37 96	0.34 75	0.32 68	0.31 151	0.59 231	0.27 121	0.14 98	0.13 255	0.18 230	0.17 276	0.17 244	0.16 257

MyStereo06	0.38 199	0.21 197	0.61 369	0.41 253	0.28 310	0.41 210	0.50 408	0.95 344	0.35 81	0.62 195	0.54 149	0.76 332	0.27 101	0.50 140	0.29 156	0.14 98	0.13 255	0.18 230	0.17 276	0.17 244	0.15 211

MyStereo05	0.44 262	0.21 197	0.45 239	0.41 253	0.28 310	0.41 210	0.50 408	0.93 332	1.09 456	0.76 298	0.61 171	0.51 188	0.57 314	0.73 340	0.42 285	0.14 98	0.13 255	0.18 230	0.17 276	0.17 244	0.15 211

MyStereo04	0.44 262	0.22 236	0.44 227	0.42 293	0.28 310	0.40 196	0.50 408	1.00 360	1.08 454	0.62 195	0.58 165	0.55 203	0.57 314	0.71 330	0.44 306	0.14 98	0.13 255	0.18 230	0.17 276	0.17 244	0.16 257

11t1	0.36 167	0.21 197	0.42 204	0.35 91	0.22 114	0.62 336	0.29 137	0.69 217	0.43 133	0.60 186	0.53 147	0.53 196	0.48 262	0.56 183	0.40 277	0.18 279	0.14 289	0.16 146	0.13 138	0.17 244	0.17 277

plain	0.31 112	0.20 160	0.50 313	0.39 184	0.29 336	0.27 59	0.30 153	0.44 74	0.35 81	0.31 59	0.66 188	0.30 58	0.31 151	0.65 284	0.31 169	0.17 248	0.13 255	0.20 300	0.15 195	0.17 244	0.12 109

CBFPSM	0.59 411	0.22 236	1.31 510	0.38 156	0.27 287	1.12 481	0.65 466	0.79 283	0.82 314	0.80 314	0.81 257	1.35 488	0.87 457	0.67 303	0.76 422	0.16 209	0.15 319	0.15 120	0.16 227	0.17 244	0.22 387

knoymous	0.36 167	0.20 160	0.31 54	0.31 17	0.22 114	0.36 167	0.29 137	0.61 152	0.64 212	0.67 237	0.70 198	0.60 240	0.40 220	0.58 216	0.34 206	0.17 248	0.11 134	0.20 300	0.11 76	0.17 244	0.18 295

x	0.39 215	0.24 294	0.41 183	0.34 57	0.23 154	0.52 264	0.32 197	0.86 305	0.52 167	0.57 178	0.70 198	0.59 234	0.50 276	0.49 134	0.46 325	0.17 248	0.15 319	0.17 184	0.15 195	0.17 244	0.16 257

IER	0.46 282	0.23 257	0.50 313	0.38 156	0.28 310	0.69 370	0.35 242	0.80 286	0.66 220	0.83 347	0.94 320	0.75 326	0.77 429	0.60 237	0.42 285	0.17 248	0.14 289	0.17 184	0.17 276	0.17 244	0.15 211

NRIStereo	0.36 167	0.20 160	0.45 239	0.41 253	0.23 154	0.34 149	0.26 93	0.65 180	0.55 179	0.64 213	0.63 175	0.56 206	0.37 199	0.65 284	0.37 255	0.15 159	0.11 134	0.18 230	0.15 195	0.17 244	0.14 188

Pruner-Stereo	0.38 199	0.20 160	0.45 239	0.40 221	0.25 215	0.22 14	0.24 73	0.67 199	0.55 179	0.89 387	0.76 222	0.68 286	0.29 129	0.62 253	0.35 223	0.18 279	0.12 189	0.20 300	0.17 276	0.17 244	0.18 295

rafts_anoy	0.37 184	0.21 197	0.36 114	0.41 253	0.26 256	0.30 100	0.33 207	0.67 199	0.90 366	0.58 180	0.66 188	0.45 160	0.33 166	0.47 120	0.39 270	0.16 209	0.11 134	0.21 342	0.23 414	0.17 244	0.14 188

RALCasStereoNet	0.36 167	0.21 197	0.37 130	0.42 293	0.26 256	0.35 158	0.38 300	0.63 166	0.64 212	0.50 154	0.72 201	0.51 188	0.29 129	0.59 231	0.36 239	0.16 209	0.14 289	0.15 120	0.13 138	0.17 244	0.16 257

acv_ft	0.51 350	0.23 257	0.56 353	0.44 332	0.28 310	0.86 432	0.39 323	0.91 328	0.80 301	0.97 427	0.96 333	0.79 342	0.59 330	0.63 264	0.87 448	0.17 248	0.15 319	0.16 146	0.15 195	0.17 244	0.15 211

HSM-Net_RVC	0.53 365	0.22 236	0.35 107	0.37 126	0.21 95	0.85 429	0.37 278	1.23 466	0.93 384	0.90 394	1.15 420	1.26 466	0.63 352	0.72 335	0.48 336	0.17 248	0.13 255	0.16 146	0.15 195	0.17 244	0.15 211
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.51 350	0.24 294	0.41 183	0.39 184	0.24 183	0.75 392	0.40 334	1.22 461	0.75 265	0.81 326	0.91 312	1.21 461	0.69 389	0.87 407	0.46 325	0.17 248	0.13 255	0.17 184	0.14 169	0.17 244	0.17 277

iResNet	0.49 327	0.29 379	0.79 450	0.42 293	0.21 95	0.61 328	0.40 334	0.82 292	0.99 410	0.87 373	1.12 402	0.69 290	0.53 287	0.78 368	0.51 349	0.15 159	0.11 134	0.14 80	0.12 104	0.17 244	0.15 211

Former-RAFT_DAM_RVC	0.34 134	0.27 353	0.45 239	0.36 110	0.25 215	0.48 249	0.30 153	0.58 131	0.90 366	0.42 128	0.36 83	0.30 58	0.29 129	0.49 134	0.30 162	0.16 209	0.14 289	0.18 230	0.15 195	0.18 268	0.15 211

SMFormer	0.51 350	0.23 257	0.62 372	0.34 57	0.20 74	0.62 336	0.34 218	1.21 453	1.02 423	0.81 326	1.01 357	0.71 298	0.65 369	0.84 393	0.55 369	0.19 309	0.15 319	0.18 230	0.16 227	0.18 268	0.18 295

ACVNet-DCA	0.35 149	0.23 257	0.33 80	0.41 253	0.22 114	0.55 283	0.38 300	0.85 301	0.54 174	0.41 123	0.50 125	0.34 84	0.49 265	0.57 196	0.25 74	0.16 209	0.10 51	0.19 270	0.13 138	0.18 268	0.17 277

xx1	0.39 215	0.23 257	0.33 80	0.41 253	0.22 114	0.55 283	0.38 300	0.67 199	1.06 445	0.41 123	0.50 125	0.65 273	0.53 287	0.57 196	0.25 74	0.16 209	0.10 51	0.20 300	0.19 333	0.18 268	0.17 277

1test111	0.36 167	0.23 257	0.33 80	0.41 253	0.22 114	0.55 283	0.38 300	0.85 301	0.54 174	0.41 123	0.50 125	0.34 84	0.49 265	0.55 173	0.45 315	0.16 209	0.10 51	0.19 270	0.13 138	0.18 268	0.17 277

MIF-Stereo (partial)	0.31 112	0.18 87	0.37 130	0.41 253	0.31 373	0.28 76	0.23 59	0.47 83	0.42 131	0.31 59	0.63 175	0.36 104	0.35 177	0.57 196	0.31 169	0.17 248	0.13 255	0.19 270	0.17 276	0.18 268	0.14 188

CASnet	0.30 106	0.20 160	0.33 80	0.41 253	0.16 7	0.26 46	0.24 73	0.52 107	0.53 170	0.52 163	0.54 149	0.39 118	0.24 68	0.40 63	0.26 103	0.14 98	0.10 51	0.22 357	0.18 303	0.18 268	0.11 64
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.35 149	0.24 294	0.48 288	0.41 253	0.26 256	0.35 158	0.24 73	0.67 199	0.44 139	0.54 170	0.51 134	0.66 278	0.25 75	0.66 292	0.30 162	0.14 98	0.12 189	0.23 379	0.20 358	0.18 268	0.13 144

gwcnet-sp	0.48 309	0.23 257	0.70 416	0.40 221	0.26 256	0.81 414	0.41 349	0.89 319	0.84 324	0.91 399	0.76 222	0.66 278	0.61 340	0.66 292	0.50 339	0.18 279	0.17 371	0.18 230	0.18 303	0.18 268	0.18 295

scenet	0.48 309	0.23 257	0.70 416	0.40 221	0.26 256	0.81 414	0.41 349	0.89 319	0.84 324	0.91 399	0.76 222	0.66 278	0.61 340	0.66 292	0.50 339	0.18 279	0.17 371	0.18 230	0.18 303	0.18 268	0.18 295

ssnet	0.48 309	0.23 257	0.70 416	0.40 221	0.26 256	0.81 414	0.41 349	0.89 319	0.84 324	0.91 399	0.76 222	0.66 278	0.61 340	0.66 292	0.50 339	0.18 279	0.17 371	0.18 230	0.18 303	0.18 268	0.18 295

qqq	0.40 227	0.26 336	0.44 227	0.36 110	0.22 114	0.46 241	0.36 264	0.85 301	0.54 174	0.56 175	0.69 195	0.65 273	0.53 287	0.55 173	0.45 315	0.17 248	0.16 351	0.20 300	0.19 333	0.18 268	0.17 277

BUS	0.45 272	0.25 317	0.43 215	0.45 355	0.28 310	0.70 375	0.34 218	0.94 337	0.76 273	0.75 291	0.80 250	0.65 273	0.49 265	0.64 277	0.51 349	0.20 332	0.14 289	0.22 357	0.19 333	0.18 268	0.18 295

CRFU-Net	0.57 397	0.27 353	0.57 357	0.46 376	0.30 351	1.20 493	0.52 426	1.10 402	0.56 185	1.00 440	0.98 347	1.06 430	0.79 436	0.81 377	0.71 414	0.21 349	0.19 402	0.18 230	0.16 227	0.18 268	0.19 328

test_5	0.43 255	0.24 294	0.43 215	0.52 449	0.28 310	0.28 76	0.42 359	0.72 244	0.82 314	0.62 195	0.91 312	0.72 307	0.55 305	0.79 373	0.35 223	0.14 98	0.11 134	0.18 230	0.18 303	0.18 268	0.16 257

BSDual-CNN	0.46 282	0.25 317	0.43 215	0.45 355	0.28 310	0.77 399	0.40 334	0.94 337	0.76 273	0.75 291	0.80 250	0.76 332	0.54 299	0.64 277	0.43 290	0.20 332	0.14 289	0.22 357	0.19 333	0.18 268	0.18 295

hknet	0.49 327	0.25 317	0.51 325	0.45 355	0.29 336	0.77 399	0.40 334	0.94 337	0.83 319	0.75 291	0.80 250	0.97 404	0.61 340	0.73 340	0.45 315	0.18 279	0.14 289	0.22 357	0.19 333	0.18 268	0.18 295

psmg	0.49 327	0.25 317	0.43 215	0.41 253	0.28 310	0.85 429	0.43 366	0.99 356	0.76 273	0.91 399	0.94 320	0.76 332	0.54 299	0.64 277	0.43 290	0.20 332	0.15 319	0.20 300	0.20 358	0.18 268	0.18 295

CSP-Net	0.56 390	0.27 353	0.49 300	0.41 253	0.28 310	1.22 495	0.50 408	1.23 466	0.72 248	0.95 421	0.95 329	0.89 381	0.62 346	0.83 388	0.62 388	0.26 425	0.17 371	0.17 184	0.17 276	0.18 268	0.17 277

GwcNet-ADL	0.44 262	0.22 236	0.48 288	0.45 355	0.30 351	0.40 196	0.37 278	0.92 330	0.97 401	0.71 265	0.78 237	0.61 245	0.42 228	0.62 253	0.50 339	0.19 309	0.14 289	0.15 120	0.14 169	0.18 268	0.18 295

GANet-ADL	0.42 245	0.25 317	0.45 239	0.43 313	0.29 336	0.54 278	0.35 242	0.89 319	0.86 337	0.63 203	0.72 201	0.68 286	0.42 228	0.52 153	0.41 281	0.21 349	0.14 289	0.15 120	0.13 138	0.18 268	0.19 328

PSM-AAD	0.48 309	0.20 160	0.37 130	0.43 313	0.23 154	0.56 296	0.50 408	0.65 180	0.70 236	1.07 466	1.12 402	0.58 219	0.92 469	0.61 245	0.32 179	0.15 159	0.11 134	0.25 408	0.26 452	0.18 268	0.43 505

RAFT_R40	0.40 227	0.19 124	0.44 227	0.43 313	0.25 215	0.23 19	0.26 93	0.67 199	0.67 223	0.98 432	0.78 237	0.72 307	0.43 234	0.76 357	0.35 223	0.16 209	0.11 134	0.20 300	0.16 227	0.18 268	0.14 188

GES	0.44 262	0.23 257	0.57 357	0.40 221	0.30 351	0.59 320	0.36 264	0.96 348	0.68 228	0.74 289	0.83 267	0.47 171	0.48 262	0.67 303	0.43 290	0.22 375	0.16 351	0.17 184	0.16 227	0.18 268	0.23 394

222	1.18 515	0.22 236	0.44 227	0.37 126	0.22 114	0.79 406	0.37 278	1.31 489	0.89 363	0.92 407	1.08 391	0.72 307	0.71 406	0.66 292	13.89 574	0.20 332	0.15 319	0.17 184	0.16 227	0.18 268	0.19 328

test_xeample	1.01 492	0.21 197	0.42 204	0.35 91	0.21 95	0.71 380	0.39 323	1.23 466	0.86 337	0.81 326	1.04 375	0.69 290	0.61 340	0.69 319	10.93 571	0.19 309	0.15 319	0.18 230	0.17 276	0.18 268	0.17 277

RAFT + AFF	0.53 365	0.29 379	0.75 438	0.51 437	0.32 389	0.63 345	0.60 453	1.00 360	0.91 373	0.78 308	0.87 293	0.83 355	0.58 323	0.80 374	0.47 332	0.17 248	0.20 414	0.23 379	0.22 398	0.18 268	0.18 295

FENet	0.42 245	0.22 236	0.38 142	0.39 184	0.24 183	0.55 283	0.32 197	0.79 283	0.70 236	0.71 265	0.72 201	0.63 253	0.57 314	0.62 253	0.44 306	0.19 309	0.13 255	0.19 270	0.17 276	0.18 268	0.19 328

ac_64	0.52 359	0.22 236	0.50 313	0.45 355	0.28 310	0.80 409	0.45 378	1.02 372	0.61 193	0.91 399	0.83 267	1.07 435	0.68 385	0.74 347	0.70 409	0.21 349	0.18 388	0.20 300	0.19 333	0.18 268	0.15 211

ACVNet	0.46 282	0.23 257	0.36 114	0.39 184	0.28 310	0.58 307	0.40 334	0.87 312	0.80 301	0.64 213	0.96 333	0.79 342	0.60 334	0.63 264	0.67 402	0.17 248	0.15 319	0.16 146	0.15 195	0.18 268	0.15 211

GANet-RSSM	0.47 297	0.21 197	0.37 130	0.38 156	0.25 215	0.58 307	0.36 264	1.07 392	0.78 290	0.68 243	1.01 357	0.86 366	0.67 379	0.62 253	0.44 306	0.21 349	0.15 319	0.18 230	0.18 303	0.18 268	0.17 277

AANet_RVC	0.57 397	0.32 397	0.54 342	0.45 355	0.27 287	0.57 301	0.48 397	1.00 360	1.28 494	0.86 365	1.33 458	0.87 372	0.58 323	1.07 461	0.75 421	0.18 279	0.12 189	0.15 120	0.13 138	0.18 268	0.18 295

iResNetv2_ROB	0.52 359	0.27 353	0.69 412	0.38 156	0.25 215	0.62 336	0.35 242	1.17 441	1.01 420	0.99 435	1.06 385	0.88 377	0.67 379	0.66 292	0.39 270	0.19 309	0.13 255	0.15 120	0.11 76	0.18 268	0.16 257

DN-CSS_ROB	0.43 255	0.26 336	0.62 372	0.40 221	0.29 336	0.44 228	0.27 109	0.77 273	0.75 265	0.72 277	1.09 395	0.48 176	0.43 234	0.69 319	0.37 255	0.15 159	0.12 189	0.21 342	0.19 333	0.18 268	0.16 257

rvit_stereo_0081	0.32 118	0.24 294	0.47 268	0.43 313	0.26 256	0.30 100	0.37 278	0.42 60	0.55 179	0.36 89	0.40 92	0.39 118	0.35 177	0.43 85	0.33 191	0.22 375	0.16 351	0.19 270	0.16 227	0.19 302	0.13 144

rvit_stereo_0082	0.32 118	0.24 294	0.47 268	0.43 313	0.26 256	0.30 100	0.37 278	0.42 60	0.55 179	0.36 89	0.40 92	0.39 118	0.35 177	0.43 85	0.33 191	0.22 375	0.16 351	0.19 270	0.16 227	0.19 302	0.13 144

rvit_stereo_ft	0.33 128	0.25 317	0.47 268	0.52 449	0.32 389	0.33 139	0.47 389	0.49 88	0.50 162	0.34 80	0.41 95	0.41 134	0.32 156	0.48 130	0.34 206	0.22 375	0.14 289	0.19 270	0.18 303	0.19 302	0.14 188

test_sample2	0.42 245	0.22 236	0.43 215	0.33 46	0.21 95	0.58 307	0.39 323	0.95 344	0.67 223	0.63 203	0.77 226	0.69 290	0.57 314	0.61 245	0.38 264	0.19 309	0.14 289	0.18 230	0.16 227	0.19 302	0.18 295

MyStereo8	0.40 227	0.20 160	0.54 342	0.41 253	0.29 336	0.53 272	0.29 137	0.65 180	0.49 158	0.71 265	0.98 347	0.58 219	0.43 234	0.50 140	0.51 349	0.15 159	0.12 189	0.16 146	0.14 169	0.19 302	0.19 328

riskmin	0.38 199	0.20 160	0.39 161	0.32 34	0.23 154	0.53 272	0.30 153	0.63 166	0.80 301	0.49 151	0.56 158	0.73 318	0.58 323	0.55 173	0.36 239	0.17 248	0.11 134	0.19 270	0.13 138	0.19 302	0.20 351

AAGNet	1.43 529	0.20 160	0.48 288	0.44 332	0.25 215	0.29 88	0.31 176	0.65 180	0.68 228	0.97 427	0.86 285	0.67 285	0.62 346	0.64 277	20.63 579	0.16 209	0.11 134	0.19 270	0.15 195	0.19 302	0.12 109

SST-Stereo	0.40 227	0.19 124	0.45 239	0.42 293	0.25 215	0.25 42	0.21 35	0.66 189	0.47 155	1.08 470	0.79 247	0.72 307	0.43 234	0.77 364	0.35 223	0.16 209	0.11 134	0.20 300	0.16 227	0.19 302	0.15 211

DeepStereo_RVC	0.36 167	0.21 197	0.47 268	0.40 221	0.24 183	0.26 46	0.22 44	0.60 146	0.38 108	0.69 252	0.67 192	0.57 211	0.51 281	0.56 183	0.39 270	0.16 209	0.12 189	0.18 230	0.15 195	0.19 302	0.18 295

ICVP	0.46 282	0.25 317	0.38 142	0.48 392	0.28 310	0.58 307	0.43 366	1.00 360	0.70 236	0.67 237	0.95 329	0.75 326	0.55 305	0.53 162	0.54 364	0.23 392	0.17 371	0.19 270	0.17 276	0.19 302	0.20 351
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	1.01 492	0.22 236	0.43 215	0.36 110	0.21 95	0.82 422	0.36 264	1.32 490	0.88 350	0.71 265	0.94 320	0.97 404	0.63 352	0.64 277	10.58 570	0.20 332	0.16 351	0.18 230	0.17 276	0.19 302	0.19 328

UPFNet	0.53 365	0.24 294	0.51 325	0.45 355	0.38 435	0.84 428	0.49 403	0.99 356	0.75 265	0.87 373	0.88 301	0.86 366	0.64 363	0.80 374	0.71 414	0.20 332	0.20 414	0.20 300	0.20 358	0.19 302	0.15 211

HGLStereo	0.56 390	0.28 367	0.57 357	0.50 421	0.37 426	0.80 409	0.45 378	1.02 372	0.78 290	0.86 365	1.14 414	0.89 381	0.82 444	0.76 357	0.73 417	0.21 349	0.20 414	0.19 270	0.18 303	0.19 302	0.21 369

DMCA	0.45 272	0.26 336	0.50 313	0.38 156	0.28 310	0.51 260	0.34 218	0.93 332	0.68 228	0.75 291	0.83 267	0.79 342	0.53 287	0.51 147	0.54 364	0.21 349	0.16 351	0.21 342	0.16 227	0.19 302	0.21 369

HITNet	0.41 238	0.26 336	0.45 239	0.33 46	0.17 17	0.63 345	0.30 153	0.93 332	0.64 212	0.71 265	0.82 261	0.64 260	0.52 283	0.59 231	0.43 290	0.14 98	0.10 51	0.15 120	0.13 138	0.19 302	0.12 109
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
LE_ROB	4.42 565	0.24 294	2.75 546	0.42 293	0.23 154	1.57 520	0.90 516	1.71 537	17.88 583	16.56 585	4.88 566	5.17 562	18.85 585	1.63 519	14.62 575	0.17 248	0.14 289	0.16 146	0.16 227	0.19 302	0.17 277

z-ln-s-r	0.66 424	0.36 421	1.30 509	0.39 184	0.26 256	0.57 301	0.63 461	0.80 286	1.03 428	0.80 314	1.43 477	0.91 388	0.76 422	1.08 464	1.87 527	0.16 209	0.12 189	0.17 184	0.14 169	0.20 318	0.16 257

DFGA-Net	0.45 272	0.29 379	0.80 452	0.42 293	0.32 389	0.53 272	0.35 242	0.78 279	0.89 363	0.66 234	0.75 216	0.48 176	0.39 214	0.74 347	0.60 382	0.15 159	0.13 255	0.19 270	0.18 303	0.20 318	0.17 277

coex_refinement	0.53 365	0.21 197	0.39 161	0.44 332	0.30 351	0.76 398	0.39 323	1.09 400	0.90 366	0.85 358	1.12 402	1.00 411	0.56 312	0.63 264	0.81 432	0.21 349	0.13 255	0.16 146	0.16 227	0.20 318	0.21 369

rvit_stereo_0083	0.34 134	0.24 294	0.50 313	0.44 332	0.27 287	0.34 149	0.35 242	0.45 78	0.62 194	0.37 96	0.47 116	0.42 144	0.35 177	0.40 63	0.36 239	0.22 375	0.20 414	0.20 300	0.17 276	0.20 318	0.14 188

rvit_stereo_0081_aga	0.31 112	0.28 367	0.44 227	0.42 293	0.29 336	0.34 149	0.31 176	0.44 74	0.40 119	0.39 113	0.44 102	0.40 128	0.32 156	0.42 79	0.29 156	0.23 392	0.17 371	0.19 270	0.16 227	0.20 318	0.15 211

AIO-Stereo-zeroshot	0.42 245	0.20 160	0.74 434	0.38 156	0.43 465	0.39 192	0.26 93	0.94 337	0.49 158	0.53 166	0.77 226	0.93 395	0.45 248	0.63 264	0.24 58	0.16 209	0.10 51	0.17 184	0.18 303	0.20 318	0.20 351

mmm	0.44 262	0.27 353	0.46 256	0.38 156	0.24 183	0.61 328	0.35 242	0.94 337	0.53 170	0.72 277	1.05 379	0.63 253	0.50 276	0.57 196	0.45 315	0.18 279	0.15 319	0.23 379	0.20 358	0.20 318	0.18 295

1111x	0.55 379	0.22 236	0.46 256	0.38 156	0.20 74	0.66 362	0.43 366	1.23 466	0.99 410	0.71 265	0.99 352	0.95 399	0.69 389	0.90 418	1.08 489	0.18 279	0.17 371	0.18 230	0.19 333	0.20 318	0.18 295

iinet-f	0.67 429	0.26 336	2.15 539	0.39 184	0.31 373	1.19 492	0.56 444	0.84 298	0.84 324	0.80 314	1.17 427	1.05 428	0.84 451	0.71 330	1.21 500	0.20 332	0.18 388	0.17 184	0.15 195	0.20 318	0.20 351

ssnet_v2	0.58 404	0.28 367	0.56 353	0.43 313	0.29 336	0.95 445	0.59 451	1.13 416	0.99 410	0.93 411	0.80 250	0.99 408	0.64 363	0.82 380	0.94 468	0.25 415	0.22 432	0.23 379	0.24 429	0.20 318	0.19 328

DAS	0.51 350	0.25 317	0.60 367	0.48 392	0.31 373	0.58 307	0.41 349	0.83 295	0.97 401	0.89 387	1.12 402	0.70 294	0.75 419	0.82 380	0.43 290	0.17 248	0.13 255	0.18 230	0.15 195	0.20 318	0.18 295

SepStereo	0.51 350	0.25 317	0.60 367	0.48 392	0.31 373	0.58 307	0.41 349	0.83 295	0.97 401	0.89 387	1.12 402	0.70 294	0.75 419	0.93 434	0.43 290	0.17 248	0.13 255	0.18 230	0.15 195	0.20 318	0.18 295

Patchmatch Stereo++	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.22 44	0.59 136	0.36 89	0.63 203	0.73 205	0.58 219	0.38 203	0.58 216	0.36 239	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211
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	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.31 176	0.59 136	0.36 89	0.63 203	0.73 205	0.58 219	0.38 203	0.56 183	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

ROB_FTStereo_v2	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.31 176	0.59 136	0.36 89	0.63 203	0.73 205	0.57 211	0.38 203	0.57 196	0.36 239	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

ROB_FTStereo	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.25 42	0.21 35	0.59 136	0.36 89	0.63 203	0.73 205	0.58 219	0.38 203	0.57 196	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

HUI-Stereo	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.22 44	0.60 146	0.36 89	0.63 203	0.73 205	0.58 219	0.38 203	0.50 140	0.35 223	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

iGMRVC	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.30 153	0.59 136	0.36 89	0.63 203	0.73 205	0.58 219	0.38 203	0.58 216	0.36 239	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

iRAFT	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.22 44	0.59 136	0.36 89	0.63 203	0.73 205	0.58 219	0.38 203	0.58 216	0.36 239	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

RAFT-IKP	0.35 149	0.23 257	0.47 268	0.41 253	0.22 114	0.24 28	0.28 127	0.59 136	0.36 89	0.63 203	0.73 205	0.57 211	0.38 203	0.58 216	0.36 239	0.18 279	0.12 189	0.20 300	0.16 227	0.20 318	0.15 211

MMNet	0.55 379	0.25 317	0.61 369	0.43 313	0.34 409	1.07 469	0.39 323	0.87 312	0.91 373	0.91 399	0.93 319	0.86 366	0.76 422	0.81 377	0.76 422	0.15 159	0.14 289	0.18 230	0.19 333	0.20 318	0.16 257

UNet	0.54 377	0.26 336	0.66 398	0.44 332	0.40 446	0.99 455	0.41 349	0.98 354	0.75 265	0.83 347	0.89 305	1.04 424	0.72 410	0.73 340	0.62 388	0.19 309	0.14 289	0.20 300	0.17 276	0.20 318	0.17 277

PSMNet-RSSM	0.48 309	0.22 236	0.38 142	0.42 293	0.25 215	0.50 256	0.37 278	1.10 402	0.77 280	0.70 258	1.06 385	0.84 359	0.64 363	0.62 253	0.47 332	0.23 392	0.15 319	0.23 379	0.25 438	0.20 318	0.19 328

StereoDRNet-Refined	0.58 404	0.32 397	0.54 342	0.46 376	0.30 351	0.96 448	0.40 334	1.00 360	0.94 391	1.12 477	1.08 391	0.96 402	0.67 379	0.90 418	0.89 462	0.17 248	0.13 255	0.22 357	0.21 380	0.20 318	0.19 328
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
S2M2	0.26 63	0.22 236	0.33 80	0.31 17	0.25 215	0.24 28	0.13 1	0.35 28	0.41 123	0.25 28	0.36 83	0.30 58	0.25 75	0.30 12	0.26 103	0.22 375	0.19 402	0.17 184	0.19 333	0.21 342	0.18 295

rvit_0105_3	0.47 297	0.34 410	0.77 448	0.54 466	0.31 373	0.49 253	0.47 389	0.63 166	0.79 299	0.65 222	0.59 166	0.64 260	0.50 276	0.65 284	0.39 270	0.29 452	0.27 474	0.29 456	0.28 465	0.21 342	0.20 351

ACV-stereo	0.62 417	0.34 410	1.00 476	0.43 313	0.31 373	1.20 493	0.40 334	0.75 263	0.83 319	0.64 213	0.77 226	2.10 527	1.03 489	0.81 377	0.64 394	0.21 349	0.17 371	0.18 230	0.18 303	0.21 342	0.21 369

test_sample4	0.47 297	0.26 336	0.50 313	0.35 91	0.22 114	0.69 370	0.38 300	1.15 429	0.81 309	0.78 308	0.82 261	0.62 251	0.53 287	0.63 264	0.44 306	0.21 349	0.15 319	0.21 342	0.19 333	0.21 342	0.19 328

test_sample3	0.46 282	0.25 317	0.50 313	0.35 91	0.23 154	0.69 370	0.37 278	1.15 429	0.81 309	0.75 291	0.79 247	0.66 278	0.49 265	0.63 264	0.46 325	0.21 349	0.15 319	0.20 300	0.19 333	0.21 342	0.19 328

CAS++	0.32 118	0.24 294	0.36 114	0.37 126	0.26 256	0.28 76	0.23 59	0.87 312	0.50 162	0.47 147	0.45 105	0.26 48	0.21 39	0.49 134	0.24 58	0.23 392	0.19 402	0.22 357	0.17 276	0.21 342	0.16 257
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
fast-acv-ft	0.64 420	0.30 388	0.73 429	0.45 355	0.34 409	1.17 489	0.49 403	0.86 305	0.98 405	1.02 448	1.36 461	1.29 471	0.85 452	0.76 357	0.81 432	0.21 349	0.23 442	0.23 379	0.23 414	0.21 342	0.20 351

ToySt	0.49 327	0.27 353	0.75 438	0.40 221	0.27 287	0.64 352	0.49 403	0.84 298	0.77 280	0.60 186	0.83 267	0.88 377	0.66 376	0.70 325	0.56 371	0.16 209	0.17 371	0.21 342	0.20 358	0.21 342	0.19 328

AASNet	0.53 365	0.25 317	0.52 330	0.49 407	0.32 389	0.74 389	0.40 334	1.50 518	0.86 337	0.86 365	0.92 316	0.64 260	0.59 330	0.59 231	0.79 427	0.23 392	0.19 402	0.20 300	0.16 227	0.21 342	0.19 328

ADLNet2	0.55 379	0.25 317	0.65 392	0.47 385	0.30 351	0.83 425	0.50 408	1.05 384	0.95 397	0.80 314	0.98 347	0.99 408	0.69 389	0.77 364	0.73 417	0.20 332	0.16 351	0.17 184	0.18 303	0.21 342	0.21 369

LCNet	0.41 238	0.20 160	0.32 65	0.44 332	0.24 183	0.47 246	0.29 137	0.67 199	0.53 170	0.72 277	1.03 369	0.66 278	0.60 334	0.58 216	0.34 206	0.14 98	0.10 51	0.19 270	0.19 333	0.21 342	0.36 478

CRE-IMP	0.36 167	0.23 257	0.49 300	0.42 293	0.24 183	0.41 210	0.21 35	0.57 125	0.41 123	0.65 222	0.72 201	0.53 196	0.37 199	0.61 245	0.38 264	0.17 248	0.11 134	0.19 270	0.15 195	0.21 342	0.18 295

GEStereo_RVC	0.55 379	0.29 379	0.63 381	0.49 407	0.31 373	0.70 375	0.54 434	1.22 461	0.92 378	0.82 335	0.85 282	0.85 361	0.63 352	0.90 418	0.65 396	0.24 404	0.16 351	0.19 270	0.16 227	0.21 342	0.22 387

RALAANet	0.38 199	0.23 257	0.48 288	0.42 293	0.29 336	0.35 158	0.25 81	0.86 305	0.64 212	0.67 237	0.65 181	0.60 240	0.29 129	0.60 237	0.34 206	0.15 159	0.12 189	0.17 184	0.15 195	0.21 342	0.13 144

sCroCo_RVC	0.35 149	0.28 367	0.69 412	0.51 437	0.39 441	0.41 210	0.31 176	0.49 88	0.45 146	0.31 59	0.48 118	0.38 114	0.32 156	0.46 113	0.32 179	0.21 349	0.22 432	0.19 270	0.19 333	0.21 342	0.20 351

ADLNet	0.55 379	0.27 353	0.51 325	0.44 332	0.35 415	0.78 403	0.46 382	1.08 396	0.86 337	0.99 435	0.98 347	0.92 393	0.63 352	0.69 319	0.81 432	0.22 375	0.16 351	0.22 357	0.22 398	0.21 342	0.21 369

HCRNet	0.44 262	0.34 410	0.41 183	0.53 459	0.26 256	0.53 272	0.29 137	0.83 295	0.63 205	0.71 265	0.81 257	0.77 338	0.50 276	0.66 292	0.36 239	0.24 404	0.16 351	0.24 395	0.20 358	0.21 342	0.18 295

psm_up	0.55 379	0.26 336	0.47 268	0.49 407	0.32 389	0.65 359	0.56 444	1.04 379	0.82 314	0.82 335	0.88 301	1.01 415	0.94 475	0.74 347	0.61 386	0.21 349	0.25 458	0.26 427	0.23 414	0.21 342	0.20 351

DSFCA	0.55 379	0.25 317	0.62 372	0.40 221	0.36 419	0.74 389	0.52 426	1.04 379	0.82 314	1.06 463	0.84 272	0.89 381	0.63 352	0.99 444	0.58 374	0.25 415	0.21 424	0.21 342	0.21 380	0.21 342	0.19 328

CFNet	0.51 350	0.29 379	0.46 256	0.41 253	0.27 287	0.70 375	0.32 197	1.13 416	1.00 416	0.72 277	1.07 388	0.85 361	0.60 334	0.76 357	0.52 356	0.19 309	0.14 289	0.23 379	0.23 414	0.21 342	0.16 257

NLCA_NET_v2_RVC	0.53 365	0.32 397	0.64 386	0.44 332	0.30 351	0.66 362	0.44 375	1.04 379	0.88 350	0.91 399	0.91 312	0.99 408	0.60 334	0.68 313	0.60 382	0.21 349	0.17 371	0.22 357	0.22 398	0.21 342	0.21 369
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DLCB_ROB	0.58 404	0.28 367	0.47 268	0.49 407	0.32 389	0.77 399	0.50 408	0.99 356	0.92 378	1.04 457	1.14 414	1.21 461	0.69 389	0.88 410	0.69 406	0.20 332	0.20 414	0.22 357	0.22 398	0.21 342	0.18 295

rvit_0105_6	0.38 199	0.28 367	0.64 386	0.50 421	0.30 351	0.39 192	0.38 300	0.51 98	0.67 223	0.40 119	0.45 105	0.50 184	0.41 226	0.54 168	0.36 239	0.27 435	0.26 465	0.24 395	0.21 380	0.22 364	0.16 257

rvit_0105_5	0.42 245	0.31 393	0.73 429	0.50 421	0.29 336	0.44 228	0.42 359	0.61 152	0.74 262	0.51 157	0.51 134	0.60 240	0.47 257	0.57 196	0.38 264	0.27 435	0.25 458	0.25 408	0.23 414	0.22 364	0.18 295

ITSA-stereo	0.53 365	0.28 367	0.52 330	0.40 221	0.23 154	0.56 296	0.34 218	1.24 473	1.24 482	0.80 314	0.81 257	0.72 307	0.58 323	0.82 380	0.65 396	0.21 349	0.17 371	0.23 379	0.21 380	0.22 364	0.26 415

AIO-Stereo-zeroshot1	0.48 309	0.21 197	1.26 505	0.39 184	0.51 495	0.28 76	0.30 153	1.25 477	0.44 139	0.68 243	1.11 398	0.86 366	0.33 166	0.67 303	0.27 121	0.15 159	0.11 134	0.17 184	0.20 358	0.22 364	0.24 402

rvit_stereo_0080	0.31 112	0.25 317	0.40 173	0.39 184	0.28 310	0.27 59	0.46 382	0.49 88	0.44 139	0.35 85	0.42 98	0.40 128	0.28 115	0.41 71	0.33 191	0.22 375	0.17 371	0.17 184	0.16 227	0.22 364	0.15 211

test_sample5	0.47 297	0.26 336	0.49 300	0.36 110	0.22 114	0.64 352	0.39 323	1.13 416	0.81 309	0.77 304	0.94 320	0.64 260	0.54 299	0.65 284	0.43 290	0.21 349	0.16 351	0.22 357	0.20 358	0.22 364	0.20 351

DualNet	0.48 309	0.26 336	0.49 300	0.36 110	0.22 114	0.64 352	0.39 323	1.13 416	0.81 309	0.80 314	1.03 369	0.64 260	0.54 299	0.65 284	0.43 290	0.21 349	0.16 351	0.22 357	0.20 358	0.22 364	0.20 351

mmx	0.53 365	0.26 336	0.49 300	0.37 126	0.25 215	0.55 283	0.37 278	1.16 436	1.03 428	0.73 284	0.96 333	0.71 298	0.53 287	1.01 448	0.88 452	0.20 332	0.15 319	0.25 408	0.21 380	0.22 364	0.20 351

whm_eth	0.31 112	0.25 317	0.40 173	0.39 184	0.28 310	0.27 59	0.46 382	0.49 88	0.44 139	0.35 85	0.42 98	0.40 128	0.28 115	0.41 71	0.33 191	0.22 375	0.17 371	0.17 184	0.16 227	0.22 364	0.15 211

xxx	0.53 365	0.26 336	0.49 300	0.37 126	0.25 215	0.55 283	0.37 278	1.16 436	1.03 428	0.73 284	0.96 333	0.71 298	0.53 287	1.01 448	0.88 452	0.20 332	0.15 319	0.25 408	0.21 380	0.22 364	0.20 351

CASS	0.45 272	0.27 353	0.42 204	0.48 392	0.22 114	0.61 328	0.34 218	0.97 351	0.62 194	0.71 265	0.85 282	0.61 245	0.55 305	0.57 196	0.41 281	0.29 452	0.16 351	0.22 357	0.18 303	0.22 364	0.28 432
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.63 419	0.28 367	0.99 475	0.40 221	0.30 351	1.03 462	0.56 444	1.10 402	0.99 410	0.97 427	1.22 435	1.06 430	0.69 389	1.07 461	0.95 471	0.19 309	0.11 134	0.16 146	0.13 138	0.22 364	0.21 369

NINENet	0.50 343	0.29 379	0.51 325	0.45 355	0.32 389	0.70 375	0.34 218	1.10 402	0.88 350	0.80 314	0.94 320	0.65 273	0.49 265	0.73 340	0.51 349	0.22 375	0.20 414	0.25 408	0.18 303	0.22 364	0.21 369

dd	0.43 255	0.38 438	0.55 347	0.44 332	0.25 215	0.47 246	0.38 300	0.70 232	1.05 438	0.59 182	0.65 181	0.42 144	0.39 214	0.66 292	0.50 339	0.24 404	0.15 319	0.21 342	0.15 195	0.22 364	0.18 295

PSMNet-ADL	0.48 309	0.27 353	0.40 173	0.48 392	0.30 351	0.68 368	0.37 278	0.90 324	0.80 301	0.61 193	0.80 250	0.92 393	0.62 346	0.72 335	0.63 391	0.23 392	0.18 388	0.18 230	0.20 358	0.22 364	0.20 351

TestStereo	0.38 199	0.31 393	0.40 173	0.45 355	0.20 74	0.40 196	0.37 278	0.66 189	0.65 217	0.53 166	0.78 237	0.47 171	0.40 220	0.55 173	0.37 255	0.18 279	0.13 255	0.20 300	0.15 195	0.22 364	0.13 144

ADCRef	0.80 459	0.43 458	1.32 512	0.50 421	0.45 476	1.07 469	0.51 423	1.07 392	0.98 405	1.17 482	1.42 474	0.87 372	0.91 464	0.85 400	3.19 546	0.18 279	0.16 351	0.23 379	0.23 414	0.22 364	0.21 369

rvit_0105_4	0.41 238	0.29 379	0.71 421	0.50 421	0.29 336	0.41 210	0.41 349	0.55 118	0.73 255	0.45 136	0.48 118	0.55 203	0.44 243	0.57 196	0.36 239	0.28 445	0.26 465	0.25 408	0.22 398	0.23 381	0.18 295

rvit_105_1	0.54 377	0.40 450	0.76 443	0.58 483	0.37 426	0.59 320	0.68 475	0.70 232	0.94 391	0.82 335	0.69 195	0.73 318	0.58 323	0.78 368	0.54 364	0.32 473	0.29 483	0.31 465	0.34 491	0.23 381	0.20 351

test_sample6	0.49 327	0.26 336	0.50 313	0.37 126	0.22 114	0.63 345	0.40 334	1.12 414	0.83 319	0.80 314	1.03 369	0.66 278	0.55 305	0.67 303	0.46 325	0.22 375	0.16 351	0.22 357	0.22 398	0.23 381	0.21 369

AACVNet	0.50 343	0.23 257	0.49 300	0.46 376	0.29 336	0.52 264	0.38 300	0.90 324	0.55 179	0.81 326	1.03 369	1.00 411	0.70 402	0.83 388	0.54 364	0.21 349	0.18 388	0.24 395	0.18 303	0.23 381	0.20 351

LMCR-Stereo	0.53 365	0.30 388	0.53 338	0.58 483	0.30 351	0.83 425	0.36 264	1.19 446	0.76 273	0.88 383	1.04 375	0.56 206	0.62 346	0.82 380	0.67 402	0.19 309	0.15 319	0.19 270	0.14 169	0.23 381	0.17 277

Anonymous3	0.46 282	0.34 410	0.86 461	0.50 421	0.37 426	0.81 414	0.50 408	0.72 244	0.65 217	0.51 157	0.65 181	0.45 160	0.45 248	0.64 277	0.38 264	0.24 404	0.24 450	0.22 357	0.21 380	0.23 381	0.23 394

Syn2CoEx	0.71 440	0.51 482	0.95 469	0.64 501	0.45 476	0.91 437	0.53 430	1.48 515	1.13 463	0.93 411	1.35 460	1.02 420	0.99 484	0.92 428	0.80 429	0.30 459	0.27 474	0.28 448	0.24 429	0.23 381	0.24 402

GwcNet	0.69 434	0.36 421	1.10 485	0.51 437	0.42 459	1.08 473	0.50 408	1.21 453	1.16 467	1.00 440	1.37 464	1.06 430	0.79 436	0.92 428	0.94 468	0.25 415	0.24 450	0.24 395	0.22 398	0.23 381	0.26 415

CFNet-ft	0.48 309	0.23 257	0.36 114	0.40 221	0.26 256	0.64 352	0.37 278	0.87 312	0.85 332	0.64 213	1.00 354	1.01 415	0.64 363	0.61 245	0.53 359	0.23 392	0.15 319	0.24 395	0.21 380	0.23 381	0.18 295

MSMDNet	0.48 309	0.24 294	0.52 330	0.39 184	0.27 287	0.63 345	0.30 153	0.96 348	0.96 398	0.86 365	1.07 388	0.79 342	0.44 243	0.57 196	0.43 290	0.17 248	0.12 189	0.20 300	0.16 227	0.23 381	0.19 328

CFNet_RVC	0.48 309	0.23 257	0.36 114	0.40 221	0.26 256	0.64 352	0.37 278	0.87 312	0.85 332	0.64 213	1.00 354	1.01 415	0.64 363	0.61 245	0.53 359	0.23 392	0.15 319	0.24 395	0.21 380	0.23 381	0.18 295

AdaStereo	0.50 343	0.32 397	0.47 268	0.48 392	0.25 215	0.67 366	0.32 197	1.17 441	0.88 350	0.75 291	0.99 352	0.75 326	0.49 265	0.67 303	0.46 325	0.27 435	0.12 189	0.28 448	0.18 303	0.23 381	0.18 295
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.
NaN_ROB	0.69 434	0.44 463	0.69 412	0.51 437	0.33 400	0.97 450	1.06 528	1.22 461	1.19 473	1.24 495	0.96 333	1.08 437	0.78 434	1.20 480	0.67 402	0.24 404	0.30 487	0.23 379	0.24 429	0.23 381	0.25 409

YMNet	0.66 424	0.38 438	0.90 465	0.52 449	0.46 483	1.08 473	0.49 403	1.00 360	0.77 280	1.18 484	1.29 451	1.12 449	0.74 415	0.85 400	0.86 442	0.27 435	0.31 496	0.25 408	0.25 438	0.24 394	0.23 394

YMNet_1	0.66 424	0.38 438	0.90 465	0.52 449	0.46 483	1.08 473	0.49 403	1.00 360	0.77 280	1.18 484	1.29 451	1.12 449	0.74 415	0.85 400	0.86 442	0.27 435	0.31 496	0.25 408	0.25 438	0.24 394	0.23 394

ttt	0.51 350	0.25 317	0.43 215	0.38 156	0.24 183	0.65 359	0.38 300	1.18 444	1.05 438	0.72 277	1.08 391	0.63 253	0.49 265	0.84 393	0.59 379	0.24 404	0.21 424	0.22 357	0.20 358	0.24 394	0.24 402

PCWNet_CMD	0.48 309	0.24 294	0.52 330	0.39 184	0.27 287	0.63 345	0.30 153	0.95 344	0.96 398	0.86 365	1.07 388	0.79 342	0.44 243	0.57 196	0.43 290	0.17 248	0.12 189	0.21 342	0.16 227	0.24 394	0.19 328

CFNet_pseudo	0.46 282	0.24 294	0.52 330	0.37 126	0.27 287	0.58 307	0.30 153	0.86 305	0.88 350	0.82 335	1.03 369	0.75 326	0.47 257	0.58 216	0.44 306	0.17 248	0.12 189	0.24 395	0.16 227	0.24 394	0.19 328

GMStereo	0.39 215	0.37 428	0.54 342	0.40 221	0.26 256	0.42 217	0.36 264	0.59 136	1.04 434	0.55 172	0.51 134	0.37 106	0.35 177	0.54 168	0.41 281	0.19 309	0.13 255	0.16 146	0.17 276	0.24 394	0.18 295
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
STTStereo	0.55 379	0.37 428	0.76 443	0.44 332	0.31 373	0.60 326	0.44 375	0.96 348	0.86 337	0.99 435	0.90 309	0.96 402	0.58 323	0.71 330	0.61 386	0.25 415	0.23 442	0.26 427	0.32 486	0.24 394	0.23 394

BEATNet_4x	0.46 282	0.32 397	0.56 353	0.37 126	0.19 50	0.63 345	0.35 242	1.01 369	0.72 248	0.77 304	0.83 267	0.70 294	0.59 330	0.68 313	0.53 359	0.16 209	0.12 189	0.16 146	0.14 169	0.24 394	0.16 257

ccs_rob	0.46 282	0.24 294	0.52 330	0.37 126	0.27 287	0.58 307	0.31 176	0.86 305	0.88 350	0.82 335	1.02 365	0.75 326	0.47 257	0.58 216	0.44 306	0.17 248	0.12 189	0.24 395	0.16 227	0.24 394	0.19 328

DISCO	0.70 436	0.26 336	0.68 406	0.44 332	0.31 373	1.14 483	0.51 423	1.23 466	1.23 480	0.81 326	1.05 379	1.50 503	0.85 452	1.82 528	1.03 483	0.19 309	0.15 319	0.18 230	0.16 227	0.24 394	0.23 394

zh-mn7	1.08 506	0.65 508	4.00 555	0.52 449	0.38 435	1.16 488	0.62 460	1.15 429	1.77 528	1.74 524	2.31 522	1.17 460	0.91 464	2.10 539	1.77 521	0.24 404	0.21 424	0.22 357	0.22 398	0.25 404	0.28 432

DDVS	0.52 359	0.30 388	0.56 353	0.41 253	0.31 373	0.71 380	0.34 218	0.91 328	0.67 223	0.85 358	0.89 305	1.12 449	0.46 253	0.86 405	0.60 382	0.22 375	0.16 351	0.22 357	0.18 303	0.25 404	0.26 415

DCVSM-stereo	0.49 327	0.27 353	0.53 338	0.39 184	0.29 336	0.51 260	0.26 93	0.75 263	0.75 265	1.11 476	0.75 216	1.05 428	0.72 410	0.60 237	0.47 332	0.20 332	0.19 402	0.24 395	0.20 358	0.25 404	0.30 447

UCFNet_RVC	0.49 327	0.26 336	0.35 107	0.39 184	0.26 256	0.64 352	0.36 264	1.15 429	0.84 324	0.67 237	0.88 301	0.88 377	0.59 330	0.58 216	0.45 315	0.24 404	0.17 371	0.27 440	0.27 459	0.25 404	0.23 394

DRN-Test	0.66 424	0.32 397	0.66 398	0.50 421	0.39 441	1.15 485	0.61 458	1.49 517	1.01 420	1.12 477	1.08 391	1.06 430	0.69 389	0.77 364	0.94 468	0.23 392	0.17 371	0.26 427	0.25 438	0.25 404	0.21 369

MDST_ROB	0.91 482	0.27 353	0.85 456	0.63 500	0.41 453	2.53 542	0.71 491	1.60 529	1.13 463	2.83 552	1.73 504	0.97 404	0.69 389	1.61 516	0.73 417	0.25 415	0.22 432	0.32 471	0.28 465	0.25 404	0.24 402

SGM_RVC	0.97 488	0.28 367	0.41 183	0.39 184	0.22 114	1.55 518	0.73 495	1.51 521	1.25 488	2.25 542	1.92 513	2.58 537	1.56 527	2.02 537	1.19 499	0.27 435	0.27 474	0.27 440	0.25 438	0.25 404	0.25 409
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
w-ln-seven-2	0.76 449	0.43 458	2.32 541	0.52 449	0.38 435	0.90 436	0.65 466	1.11 408	1.12 462	1.19 486	1.28 447	1.09 441	0.99 484	1.07 461	0.87 448	0.20 332	0.19 402	0.23 379	0.22 398	0.26 411	0.22 387

StereoVision	0.42 245	0.28 367	0.45 239	0.49 407	0.28 310	0.38 185	0.38 300	0.72 244	0.62 194	0.44 134	1.14 414	0.54 200	0.39 214	0.56 183	0.34 206	0.21 349	0.24 450	0.25 408	0.24 429	0.26 411	0.16 257

CFNet_ucs	0.50 343	0.24 294	0.55 347	0.38 156	0.31 373	0.58 307	0.33 207	0.98 354	0.93 384	0.88 383	1.19 433	0.80 350	0.49 265	0.63 264	0.43 290	0.21 349	0.15 319	0.26 427	0.18 303	0.26 411	0.22 387

Wz-Net-LNSev	0.71 440	0.51 482	1.36 519	0.50 421	0.41 453	1.15 485	0.69 480	1.21 453	1.07 451	1.02 448	1.12 402	1.08 437	0.87 457	0.89 416	0.89 462	0.24 404	0.22 432	0.21 342	0.19 333	0.26 411	0.26 415

DMCA-RVC	0.51 350	0.30 388	0.59 362	0.50 421	0.32 389	0.54 278	0.38 300	0.86 305	0.68 228	0.94 414	0.86 285	0.91 388	0.68 385	0.70 325	0.59 379	0.23 392	0.18 388	0.31 465	0.23 414	0.26 411	0.19 328

FADNet-RVC-Resample	0.56 390	0.33 405	1.16 491	0.49 407	0.34 409	0.71 380	0.43 366	1.01 369	0.93 384	0.82 335	0.87 293	0.74 324	0.67 379	0.73 340	0.45 315	0.18 279	0.18 388	0.26 427	0.27 459	0.26 411	0.27 425

PA-Net	0.67 429	0.43 458	0.83 454	0.50 421	0.53 500	0.94 442	0.68 475	1.10 402	1.14 465	0.80 314	0.88 301	0.87 372	0.77 429	1.02 453	0.88 452	0.24 404	0.41 523	0.29 456	0.44 516	0.26 411	0.34 471
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.57 397	0.33 405	0.49 300	0.51 437	0.30 351	0.66 362	0.73 495	1.03 376	1.01 420	0.82 335	1.10 397	0.84 359	0.70 402	0.86 405	0.58 374	0.28 445	0.17 371	0.25 408	0.22 398	0.26 411	0.19 328

DeepPruner_ROB	0.53 365	0.34 410	0.59 362	0.41 253	0.30 351	0.50 256	0.43 366	1.19 446	0.70 236	0.85 358	1.05 379	0.86 366	0.55 305	0.84 393	0.51 349	0.29 452	0.23 442	0.22 357	0.22 398	0.26 411	0.25 409

PSMNet_ROB	0.64 420	0.37 428	0.65 392	0.56 475	0.42 459	0.97 450	0.83 505	1.21 453	0.92 378	0.79 312	1.02 365	1.08 437	0.63 352	0.82 380	0.91 466	0.29 452	0.20 414	0.31 465	0.31 480	0.26 411	0.23 394

CBMV	0.64 420	0.35 416	0.41 183	0.42 293	0.25 215	1.01 457	0.77 499	1.13 416	1.09 456	1.17 482	1.22 435	1.04 424	0.75 419	0.88 410	0.63 391	0.28 445	0.30 487	0.34 478	0.30 473	0.26 411	0.26 415
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	1.00 491	0.50 478	1.70 530	0.53 459	0.36 419	1.75 530	0.71 491	1.22 461	2.28 541	0.96 422	2.54 531	1.42 494	0.95 478	2.19 543	1.54 514	0.22 375	0.19 402	0.21 342	0.20 358	0.27 422	0.25 409

test_sample7	0.52 359	0.29 379	0.50 313	0.36 110	0.27 287	0.62 336	0.41 349	1.06 388	0.88 350	0.92 407	0.86 285	0.85 361	0.69 389	0.68 313	0.50 339	0.26 425	0.20 414	0.27 440	0.26 452	0.27 422	0.24 402

aanetorigin	0.83 470	0.56 495	1.87 534	0.49 407	0.38 435	0.56 296	0.66 468	0.70 232	1.00 416	2.42 545	2.02 518	1.31 474	1.18 504	0.93 434	1.13 496	0.20 332	0.18 388	0.20 300	0.19 333	0.27 422	0.30 447

StereoDRNet	0.64 420	0.33 405	0.68 406	0.51 437	0.43 465	1.03 462	0.53 430	1.47 514	0.99 410	1.10 474	0.87 293	1.07 435	0.71 406	0.82 380	0.88 452	0.23 392	0.19 402	0.25 408	0.23 414	0.27 422	0.19 328

FACV-RUCA	0.43 255	0.28 367	0.47 268	0.45 355	0.33 400	0.58 307	0.34 218	0.82 292	0.73 255	0.57 178	0.84 272	0.47 171	0.50 276	0.54 168	0.39 270	0.22 375	0.15 319	0.35 480	0.16 227	0.28 426	0.21 369

Wz-Net-MNSev	0.76 449	0.40 450	1.34 514	0.50 421	0.40 446	1.44 512	0.83 505	1.15 429	1.16 467	1.25 496	1.20 434	1.13 455	0.81 440	1.16 475	1.00 481	0.22 375	0.19 402	0.24 395	0.23 414	0.28 426	0.26 415

FAT-Stereo	0.73 446	0.33 405	0.75 438	0.49 407	0.37 426	0.71 380	0.59 451	1.36 500	1.30 496	1.03 456	1.40 470	1.59 512	1.15 500	0.87 407	0.86 442	0.28 445	0.28 478	0.28 448	0.23 414	0.28 426	0.38 489

ADCP+	1.06 502	0.35 416	1.51 526	0.49 407	0.51 495	1.45 513	0.55 438	1.25 477	1.03 428	1.16 481	1.15 420	1.10 445	1.07 494	1.56 513	6.75 566	0.19 309	0.16 351	0.23 379	0.21 380	0.28 426	0.21 369

dad	0.58 404	0.50 478	0.64 386	0.43 313	0.30 351	0.59 320	0.36 264	0.78 279	1.25 488	1.01 445	1.17 427	1.15 458	0.53 287	0.68 313	0.50 339	0.35 492	0.23 442	0.37 490	0.21 380	0.29 430	0.20 351

SACVNet	0.58 404	0.34 410	0.55 347	0.55 472	0.36 419	0.63 345	0.48 397	1.13 416	0.77 280	1.02 448	1.06 385	1.02 420	0.74 415	0.90 418	0.51 349	0.27 435	0.21 424	0.25 408	0.24 429	0.29 430	0.36 478

pcwnet_v2	0.58 404	0.28 367	0.84 455	0.45 355	0.35 415	0.61 328	0.35 242	1.27 481	1.21 477	0.99 435	1.27 445	0.72 307	0.58 323	0.67 303	0.48 336	0.27 435	0.21 424	0.24 395	0.23 414	0.29 430	0.29 439

APVNet	0.71 440	0.37 428	0.89 464	0.56 475	0.45 476	1.18 491	0.68 475	1.41 508	0.85 332	0.81 326	1.15 420	1.04 424	0.81 440	1.10 468	1.17 497	0.26 425	0.28 478	0.32 471	0.31 480	0.29 430	0.30 447

hitnet-ft	0.55 379	0.27 353	0.39 161	0.41 253	0.28 310	0.78 403	0.40 334	0.92 330	0.90 366	0.82 335	1.01 357	1.13 455	0.70 402	0.78 368	0.67 402	0.28 445	0.20 414	0.28 448	0.22 398	0.29 430	0.26 415

Nwc_Net	0.78 455	0.38 438	0.73 429	0.60 493	0.55 505	1.05 467	0.55 438	1.67 534	1.05 438	0.88 383	1.86 512	1.40 493	1.09 495	1.10 468	0.87 448	0.30 459	0.25 458	0.36 485	0.38 499	0.29 430	0.29 439

ADCL	1.04 497	0.38 438	1.35 515	0.50 421	0.39 441	1.61 522	0.89 513	1.29 484	1.39 504	1.29 498	1.50 487	1.24 464	1.24 509	1.37 506	4.87 559	0.21 349	0.19 402	0.25 408	0.25 438	0.29 430	0.27 425

SGM-ForestM	4.04 562	0.32 397	0.46 256	0.43 313	0.27 287	7.50 570	1.45 554	3.84 563	4.24 563	8.19 575	6.76 572	19.00 583	9.08 571	10.74 576	6.62 565	0.31 462	0.33 507	0.32 471	0.32 486	0.29 430	0.29 439

PWC_ROB	0.87 474	0.52 489	1.28 506	0.50 421	0.32 389	0.91 437	0.37 278	1.36 500	1.46 511	1.61 516	2.59 535	1.16 459	1.01 488	1.34 500	1.40 512	0.25 415	0.18 388	0.28 448	0.20 358	0.29 430	0.28 432

ISRNet	0.56 390	0.24 294	0.66 398	0.56 475	0.36 419	0.44 228	0.25 81	0.82 292	0.84 324	1.07 466	1.25 442	0.91 388	0.60 334	0.66 292	0.58 374	0.35 492	0.26 465	0.36 485	0.33 489	0.30 439	0.42 499

rvit_stereo_0075_2	0.47 297	0.37 428	0.70 416	0.53 459	0.46 483	0.43 220	0.36 264	0.81 290	0.67 223	0.55 172	0.74 214	0.59 234	0.43 234	0.63 264	0.43 290	0.32 473	0.23 442	0.35 480	0.25 438	0.30 439	0.25 409

AF-Net	0.81 462	0.39 445	0.68 406	0.64 501	0.54 503	0.91 437	0.51 423	1.61 530	1.31 497	0.96 422	2.02 518	1.46 497	1.26 512	1.11 470	0.99 478	0.32 473	0.24 450	0.39 495	0.27 459	0.30 439	0.25 409

RTSC	0.87 474	0.48 470	1.23 502	0.52 449	0.37 426	1.13 482	0.50 408	1.34 494	1.79 529	1.51 510	1.24 440	1.12 449	0.81 440	1.62 517	2.16 533	0.25 415	0.19 402	0.23 379	0.24 429	0.30 439	0.31 455

DeepPrunerF	0.89 478	0.52 489	3.43 551	0.68 516	0.81 526	0.72 387	0.72 493	1.22 461	1.99 535	0.93 411	1.01 357	0.87 372	0.86 454	1.08 464	0.95 471	0.34 487	0.28 478	0.43 504	0.39 503	0.30 439	0.32 459

SGM-Forest	0.62 417	0.32 397	0.39 161	0.43 313	0.30 351	1.02 459	0.55 438	1.09 400	1.05 438	1.06 463	1.18 429	1.10 445	0.67 379	0.88 410	0.62 388	0.31 462	0.33 507	0.33 476	0.30 473	0.30 439	0.28 432
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
w-ln-seven	0.96 487	0.48 470	2.41 543	0.54 466	0.50 491	1.41 508	0.70 485	1.67 534	1.81 530	1.49 507	1.50 487	1.26 466	0.87 457	1.15 473	1.80 525	0.23 392	0.21 424	0.25 408	0.25 438	0.31 445	0.26 415

FADNet_RVC	0.55 379	0.37 428	1.17 496	0.44 332	0.31 373	0.56 296	0.34 218	1.06 388	0.88 350	0.67 237	0.90 309	0.61 245	0.65 369	0.93 434	0.70 409	0.21 349	0.18 388	0.26 427	0.23 414	0.31 445	0.28 432

FADNet-RVC	0.60 414	0.53 492	1.14 490	0.46 376	0.39 441	0.61 328	0.39 323	1.12 414	0.87 346	0.70 258	0.84 272	1.04 424	0.55 305	0.94 441	0.69 406	0.26 425	0.25 458	0.28 448	0.28 465	0.31 445	0.31 455

GANet	0.70 436	0.37 428	0.55 347	0.51 437	0.34 409	0.94 442	0.96 521	1.08 396	0.94 391	1.04 457	1.98 516	1.13 455	0.88 461	1.12 471	0.66 399	0.25 415	0.26 465	0.27 440	0.22 398	0.31 445	0.22 387

CVANet_RVC	0.57 397	0.33 405	0.44 227	0.47 385	0.32 389	0.67 366	0.61 458	1.05 384	0.93 384	0.85 358	1.04 375	1.01 415	0.73 413	0.83 388	0.52 356	0.29 452	0.19 402	0.27 440	0.25 438	0.31 445	0.21 369

XPNet_ROB	0.70 436	0.35 416	0.68 406	0.52 449	0.40 446	0.79 406	0.85 511	1.16 436	0.94 391	1.33 501	1.15 420	1.38 490	0.83 449	1.03 455	0.90 464	0.32 473	0.25 458	0.26 427	0.24 429	0.31 445	0.28 432

MSAF-DinoV2	1.04 497	0.38 438	1.32 512	0.54 466	0.29 336	0.89 434	0.72 493	1.52 524	1.24 482	1.05 459	1.41 472	2.98 541	1.49 523	2.74 552	2.83 544	0.22 375	0.14 289	0.20 300	0.22 398	0.32 451	0.32 459

TCMNet	0.66 424	0.39 445	0.98 474	0.59 487	0.61 516	0.96 448	0.55 438	1.05 384	0.90 366	0.84 354	1.14 414	0.89 381	0.65 369	0.85 400	1.01 482	0.26 425	0.26 465	0.31 465	0.28 465	0.32 451	0.29 439

Wz-Net-SNSev	0.91 482	0.73 514	2.13 538	0.56 475	0.45 476	0.95 445	1.13 533	1.34 494	1.24 482	1.02 448	1.30 454	1.46 497	0.86 454	1.81 527	1.50 513	0.25 415	0.23 442	0.25 408	0.26 452	0.32 451	0.29 439

S-Stereo	0.74 447	0.35 416	0.96 471	0.56 475	0.45 476	0.82 422	0.60 453	1.24 473	1.60 523	0.96 422	1.41 472	1.12 449	0.94 475	0.80 374	1.04 486	0.26 425	0.31 496	0.28 448	0.25 438	0.32 451	0.47 516

edge stereo	0.76 449	0.38 438	0.74 434	0.52 449	0.43 465	0.80 409	0.53 430	1.28 483	1.06 445	1.28 497	1.38 469	1.81 517	1.11 497	1.08 464	0.85 441	0.33 481	0.32 501	0.41 502	0.28 465	0.32 451	0.36 478

NCCL2	0.72 444	0.41 454	0.65 392	0.64 501	0.44 472	0.98 454	1.20 536	1.11 408	1.00 416	0.98 432	0.96 333	1.49 502	0.87 457	0.90 418	0.79 427	0.31 462	0.26 465	0.39 495	0.39 503	0.32 451	0.32 459

MeshStereo	1.34 523	0.43 458	0.54 342	0.44 332	0.34 409	1.66 525	0.60 453	1.94 540	1.37 501	4.47 566	3.25 544	4.71 557	1.94 542	1.92 532	1.17 497	0.35 492	0.35 511	0.37 490	0.31 480	0.32 451	0.32 459
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
psmorigin	0.82 463	0.51 482	2.09 537	0.49 407	0.41 453	0.85 429	0.50 408	1.04 379	0.88 350	1.45 506	1.43 477	1.50 503	1.06 492	1.22 486	0.97 474	0.31 462	0.32 501	0.27 440	0.27 459	0.33 458	0.42 499

NCC-stereo	0.78 455	0.40 450	0.76 443	0.61 495	0.67 520	0.81 414	0.69 480	1.54 526	1.11 458	0.90 394	1.36 461	1.33 482	1.16 501	1.19 478	0.88 452	0.31 462	0.30 487	0.37 490	0.48 524	0.33 458	0.33 464

Abc-Net	0.78 455	0.40 450	0.76 443	0.61 495	0.67 520	0.81 414	0.69 480	1.54 526	1.11 458	0.90 394	1.36 461	1.33 482	1.16 501	1.19 478	0.88 452	0.31 462	0.30 487	0.37 490	0.48 524	0.33 458	0.33 464
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
PS-NSSS	0.58 404	0.44 463	0.62 372	0.42 293	0.33 400	0.66 362	0.58 448	1.02 372	0.86 337	0.77 304	1.28 447	0.72 307	0.64 363	0.82 380	0.59 379	0.31 462	0.26 465	0.40 498	0.27 459	0.33 458	0.26 415

CBMV_ROB	0.59 411	0.37 428	0.38 142	0.39 184	0.28 310	0.74 389	0.28 127	1.00 360	0.98 405	0.94 414	1.25 442	0.81 353	0.78 434	0.87 407	0.50 339	0.36 496	0.37 514	0.43 504	0.40 506	0.33 458	0.30 447

ETE_ROB	0.70 436	0.49 474	0.73 429	0.56 475	0.36 419	0.79 406	0.87 512	1.14 425	0.93 384	1.19 486	1.18 429	1.39 491	0.82 444	0.99 444	0.80 429	0.26 425	0.21 424	0.31 465	0.26 452	0.33 458	0.34 471

RP	0.76 449	0.36 421	0.63 381	0.66 509	0.58 513	0.80 409	0.55 438	1.14 425	1.22 479	0.97 427	1.65 498	1.43 496	1.32 514	1.01 448	0.84 437	0.33 481	0.30 487	0.36 485	0.30 473	0.34 464	0.34 471

FBW_ROB	0.88 476	0.50 478	0.85 456	0.55 472	0.40 446	1.17 489	0.78 501	1.50 518	1.37 501	1.33 501	1.27 445	1.48 501	1.00 487	2.57 551	0.98 477	0.25 415	0.32 501	0.45 508	0.30 473	0.34 464	0.28 432

SANet	1.07 504	0.41 454	1.06 481	0.48 392	0.30 351	1.41 508	0.94 519	1.42 509	3.36 557	1.58 513	2.43 528	2.33 533	1.70 534	1.34 500	1.07 488	0.28 445	0.24 450	0.26 427	0.23 414	0.34 464	0.30 447

PWCDC_ROB	0.89 478	0.49 474	0.80 452	0.74 523	0.40 446	1.03 462	0.39 323	1.33 492	2.35 545	1.02 448	3.77 553	0.81 353	0.92 469	1.20 480	0.90 464	0.34 487	0.22 432	0.24 395	0.20 358	0.34 464	0.29 439

zh-sn7	1.09 507	0.75 516	3.23 549	0.57 481	0.42 459	1.11 477	0.89 513	1.19 446	1.27 492	1.41 505	1.98 516	1.25 465	1.47 522	1.99 536	2.62 541	0.26 425	0.26 465	0.26 427	0.27 459	0.35 468	0.30 447

FINET	0.67 429	0.42 456	1.00 476	0.46 376	0.43 465	0.83 425	0.89 513	1.08 396	1.50 513	0.87 373	1.14 414	0.71 298	0.68 385	0.92 428	0.70 409	0.36 496	0.30 487	0.26 427	0.24 429	0.35 468	0.33 464

DANet	0.71 440	0.45 467	0.91 467	0.59 487	0.40 446	0.81 414	0.40 334	0.97 351	0.84 324	1.20 490	1.22 435	1.33 482	0.88 461	1.16 475	1.24 501	0.27 435	0.23 442	0.31 465	0.25 438	0.35 468	0.32 459
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CSAN	0.83 470	0.49 474	0.77 448	0.60 493	0.41 453	1.14 483	1.06 528	1.19 446	1.46 511	1.32 499	1.43 477	1.37 489	1.19 506	1.27 493	0.86 442	0.39 502	0.31 496	0.36 485	0.37 496	0.35 468	0.34 471

LALA_ROB	0.74 447	0.43 458	0.69 412	0.54 466	0.40 446	1.01 457	0.95 520	1.21 453	1.07 451	1.22 492	1.12 402	1.56 509	0.79 436	1.04 457	0.86 442	0.33 481	0.22 432	0.35 480	0.30 473	0.35 468	0.31 455

DualNet (step1)	0.57 397	0.36 421	0.72 426	0.38 156	0.30 351	0.71 380	0.43 366	1.06 388	0.88 350	0.92 407	0.86 285	0.85 361	0.69 389	0.68 313	0.50 339	0.41 507	0.20 414	0.40 498	0.41 511	0.36 473	0.33 464

test_sample9	1.05 501	0.36 421	0.72 426	0.38 156	0.30 351	0.71 380	0.43 366	1.06 388	0.88 350	0.92 407	0.86 285	0.85 361	0.69 389	1.20 480	1.36 508	0.41 507	8.41 577	0.40 498	0.41 511	0.36 473	0.33 464

test_sample8	1.25 520	0.36 421	0.72 426	0.38 156	0.30 351	0.71 380	0.43 366	1.13 416	0.75 265	1.50 509	0.95 329	3.29 549	1.59 529	1.20 480	1.36 508	0.41 507	8.41 577	0.40 498	0.41 511	0.36 473	0.33 464

GMStereo_Zeroshot	0.49 327	0.44 463	0.74 434	0.49 407	0.27 287	0.56 296	0.29 137	0.73 255	0.76 273	0.86 365	0.94 320	0.91 388	0.36 195	0.74 347	0.43 290	0.26 425	0.14 289	0.26 427	0.15 195	0.36 473	0.18 295

UDGNet	0.48 309	0.77 519	0.50 313	0.48 392	0.31 373	0.41 210	0.34 218	0.70 232	0.92 378	0.65 222	0.60 168	0.58 219	0.43 234	0.63 264	0.41 281	0.32 473	0.15 319	0.66 530	0.19 333	0.36 473	0.21 369

RGC	0.79 458	0.59 499	0.71 421	0.65 506	0.65 519	0.92 441	0.58 448	1.29 484	1.05 438	1.07 466	1.45 483	1.47 500	1.03 489	1.21 484	0.88 452	0.32 473	0.30 487	0.48 516	0.40 506	0.37 478	0.37 483

ADCMid	1.14 510	0.52 489	2.23 540	0.53 459	0.43 465	1.07 469	0.75 497	1.23 466	1.05 438	2.15 539	1.44 480	1.50 503	1.43 520	1.56 513	5.01 560	0.26 425	0.24 450	0.29 456	0.31 480	0.37 478	0.33 464

ADCPNet	1.03 496	0.48 470	2.70 545	0.54 466	0.42 459	1.40 506	0.75 497	1.13 416	1.07 451	1.22 492	1.42 474	1.68 514	1.09 495	1.36 505	3.45 550	0.30 459	0.28 478	0.29 456	0.32 486	0.37 478	0.35 476

NOSS_ROB	0.57 397	0.39 445	0.39 161	0.44 332	0.30 351	0.73 388	0.54 434	1.03 376	1.08 454	0.67 237	0.87 293	0.76 332	0.57 314	0.77 364	0.47 332	0.38 500	0.38 516	0.44 507	0.42 515	0.37 478	0.34 471

HBP-ISP	0.59 411	0.45 467	0.43 215	0.45 355	0.33 400	0.70 375	0.28 127	1.11 408	1.00 416	0.83 347	1.18 429	0.65 273	0.68 385	0.88 410	0.52 356	0.35 492	0.38 516	0.47 512	0.41 511	0.38 482	0.31 455

stereogan	0.80 459	0.31 393	0.71 421	0.59 487	0.50 491	1.72 529	0.48 397	1.35 497	1.37 501	1.00 440	1.46 485	1.56 509	0.95 478	1.29 494	0.84 437	0.28 445	0.29 483	0.29 456	0.25 438	0.38 482	0.38 489

AnyNet_C32	1.16 514	0.62 506	2.40 542	0.57 481	0.55 505	1.41 508	1.34 547	1.18 444	1.24 482	1.49 507	1.42 474	1.39 491	1.20 508	1.55 511	4.82 558	0.29 452	0.28 478	0.29 456	0.34 491	0.38 482	0.42 499

WZ-Net	1.19 516	0.59 499	4.07 556	0.62 499	0.51 495	1.34 503	1.31 546	1.32 490	1.74 527	1.53 512	1.65 498	1.74 516	1.28 513	2.25 545	2.01 530	0.27 435	0.21 424	0.23 379	0.25 438	0.40 485	0.39 491

SHD	0.93 485	0.50 478	1.18 497	0.59 487	0.46 483	0.97 450	0.48 397	1.70 536	2.15 537	1.58 513	1.37 464	1.42 494	1.19 506	1.31 496	1.60 515	0.31 462	0.26 465	0.32 471	0.33 489	0.40 485	0.42 499

RTS	1.98 544	0.96 533	11.36 568	0.65 506	0.57 511	2.77 548	1.40 550	1.39 504	2.26 539	1.89 530	2.56 532	1.32 479	1.25 510	5.20 565	4.05 554	0.31 462	0.22 432	0.29 456	0.29 471	0.40 485	0.37 483

RTSA	1.98 544	0.96 533	11.36 568	0.65 506	0.57 511	2.77 548	1.40 550	1.39 504	2.26 539	1.89 530	2.56 532	1.32 479	1.25 510	5.20 565	4.05 554	0.31 462	0.22 432	0.29 456	0.29 471	0.40 485	0.37 483

RYNet	0.72 444	0.35 416	0.64 386	0.53 459	0.67 520	1.31 502	0.67 470	1.20 451	1.18 471	1.05 459	0.87 293	1.27 468	0.93 474	0.93 434	1.27 505	0.22 375	0.16 351	0.26 427	0.23 414	0.40 485	0.39 491

NVstereo2D	0.60 414	0.30 388	0.75 438	0.48 392	0.43 465	0.89 434	0.48 397	1.05 384	1.15 466	0.66 234	0.86 285	0.88 377	0.70 402	0.99 444	0.65 396	0.32 473	0.15 319	0.28 448	0.20 358	0.40 485	0.36 478

Wz-Net-TNSev	1.14 510	1.06 539	4.32 558	0.49 407	0.42 459	1.51 516	1.11 532	1.48 515	1.40 506	1.22 492	1.26 444	1.58 511	1.43 520	1.76 525	1.70 517	0.32 473	0.31 496	0.26 427	0.30 473	0.41 491	0.41 498

EDNetEfficient	1.46 530	0.80 521	6.12 561	0.47 385	0.39 441	0.69 370	0.83 505	0.90 324	2.77 550	3.50 562	1.96 515	1.66 513	2.03 545	1.26 490	4.18 556	0.21 349	0.18 388	0.21 342	0.20 358	0.41 491	0.39 491

MFN_U_SF_DS_RVC	1.02 495	0.57 497	1.51 526	0.67 512	0.50 491	2.57 543	1.66 557	1.20 451	1.43 507	1.38 503	1.57 494	1.33 482	0.92 469	1.64 520	0.88 452	0.37 499	0.39 520	0.46 511	0.60 536	0.41 491	0.40 494

WCMA_ROB	1.14 510	0.36 421	0.76 443	0.49 407	0.44 472	1.23 497	0.67 470	1.11 408	1.23 480	2.84 553	3.95 559	3.28 548	1.83 539	1.25 489	0.99 478	0.44 511	0.34 509	0.34 478	0.37 496	0.41 491	0.40 494

SDNR	0.86 473	0.37 428	1.47 524	0.40 221	0.38 435	3.38 558	0.33 207	0.90 324	0.98 405	0.99 435	2.09 521	0.59 234	0.71 406	1.29 494	0.70 409	0.51 522	0.56 538	0.36 485	0.26 452	0.43 495	0.46 511

GASNet	0.67 429	0.72 513	0.96 471	0.70 519	0.48 487	0.62 336	0.47 389	1.08 396	1.03 428	0.94 414	0.82 261	0.93 395	0.83 449	1.33 498	0.80 429	0.31 462	0.22 432	0.29 456	0.28 465	0.44 496	0.24 402

MFN_U_SF_RVC	1.09 507	0.59 499	1.97 536	0.67 512	0.44 472	1.93 534	0.60 453	1.85 539	1.36 499	1.61 516	1.54 492	1.95 525	1.37 516	1.64 520	1.73 518	0.40 506	0.37 514	0.45 508	0.48 524	0.44 496	0.44 506

ADCS	1.51 532	0.61 503	3.42 550	0.59 487	0.51 495	1.27 500	1.08 531	1.59 528	1.81 530	1.91 533	1.66 500	1.51 506	1.42 519	1.94 534	8.60 568	0.33 481	0.32 501	0.33 476	0.36 495	0.44 496	0.42 499

AnyNet_C01	1.56 533	1.05 538	7.45 563	0.64 501	0.54 503	1.99 535	1.38 549	1.43 511	1.36 499	1.63 519	1.92 513	1.84 519	1.33 515	2.40 547	4.03 553	0.33 481	0.32 501	0.32 471	0.34 491	0.44 496	0.45 510

coex-ft	6.43 571	1.51 551	87.33 594	0.49 407	0.38 435	1.34 503	1.21 538	1.16 436	8.09 568	12.12 577	2.79 539	2.77 540	3.31 560	1.16 475	3.15 545	0.24 404	0.23 442	0.27 440	0.24 429	0.45 500	0.37 483

G-Net	0.95 486	0.46 469	1.04 479	0.64 501	0.48 487	2.12 538	0.64 465	1.01 369	0.87 346	1.75 525	2.82 542	1.30 473	1.64 533	1.06 458	0.96 473	0.36 496	0.29 483	0.35 480	0.25 438	0.45 500	0.42 499

PDISCO_ROB	0.91 482	0.48 470	1.06 481	0.99 532	0.97 535	1.67 527	0.63 461	1.64 532	1.59 520	1.06 463	1.18 429	1.31 474	0.79 436	1.55 511	0.97 474	0.49 519	0.22 432	0.45 508	0.40 506	0.45 500	0.37 483

FADNet	0.61 416	0.51 482	1.10 485	0.45 355	0.44 472	0.65 359	0.41 349	1.19 446	1.05 438	0.70 258	0.84 272	0.98 407	0.66 376	0.82 380	0.50 339	0.29 452	0.30 487	0.27 440	0.30 473	0.46 503	0.35 476

DPSNet	0.99 490	0.42 456	1.88 535	0.53 459	0.41 453	1.59 521	1.26 542	2.21 546	1.43 507	1.10 474	1.11 398	1.46 497	1.95 543	1.34 500	1.26 503	0.34 487	0.25 458	0.25 408	0.21 380	0.46 503	0.37 483

MSMD_ROB	1.21 517	0.49 474	0.62 372	0.59 487	0.50 491	1.62 524	0.67 470	1.23 466	1.24 482	2.45 546	3.77 553	3.09 545	2.98 558	1.32 497	0.81 432	0.45 512	0.41 523	0.49 519	0.51 531	0.47 505	0.44 506

FC-DCNN v2	1.65 538	0.51 482	0.65 392	0.61 495	0.49 489	1.61 522	0.70 485	1.75 538	1.56 519	4.74 570	4.91 567	6.46 568	3.31 560	1.91 531	1.11 491	0.46 513	0.42 525	0.47 512	0.46 517	0.48 506	0.46 511

FC-DCNN	1.59 534	0.51 482	0.66 398	0.61 495	0.49 489	1.56 519	0.70 485	1.66 533	1.53 515	4.64 567	4.62 565	5.85 564	3.34 562	1.84 529	1.11 491	0.46 513	0.42 525	0.47 512	0.46 517	0.48 506	0.46 511

SAMSARA	1.07 504	0.65 508	1.19 498	1.06 538	0.90 529	1.76 531	1.76 561	1.46 513	1.44 509	1.51 510	1.16 425	2.00 526	1.14 499	1.48 509	1.31 507	0.39 502	0.44 531	0.35 480	0.38 499	0.49 508	0.49 522

MANE	4.13 563	0.51 482	0.64 386	0.66 509	0.56 508	6.89 569	0.99 524	7.55 572	12.04 572	6.68 573	8.57 575	10.69 574	9.45 572	7.59 573	6.39 564	0.49 519	0.43 529	0.48 516	0.98 552	0.49 508	0.48 519

FCDSN-DC	1.39 528	0.56 495	0.65 392	0.74 523	0.59 514	1.38 505	0.63 461	1.35 497	1.39 504	3.26 560	4.50 564	4.61 555	2.63 553	1.58 515	1.03 483	0.46 513	0.42 525	0.48 516	0.47 522	0.50 510	0.50 523
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ccnet	0.82 463	0.57 497	0.75 438	0.54 466	0.59 514	1.09 476	0.66 468	1.38 503	0.94 391	1.12 477	1.44 480	1.29 471	0.92 469	0.95 443	1.24 501	0.49 519	0.42 525	0.50 521	0.47 522	0.51 511	0.46 511

EDNetEfficientorigin	9.93 574	1.15 540	175.16 595	0.48 392	0.36 419	1.04 466	0.68 475	1.24 473	2.69 549	3.17 559	2.50 530	2.30 531	2.07 546	1.76 525	2.21 534	0.20 332	0.18 388	0.24 395	0.19 333	0.51 511	0.50 523

BEATNet-Init1	15.13 579	0.82 525	50.86 592	0.72 522	0.53 500	38.10 590	7.03 574	11.83 578	14.25 577	29.78 591	30.17 591	48.21 594	22.64 587	26.78 588	18.11 577	0.42 510	0.38 516	0.47 512	0.46 517	0.51 511	0.48 519

PVD	1.28 522	0.67 511	1.28 506	0.74 523	0.62 517	1.50 515	0.84 508	1.99 542	2.96 551	2.18 540	2.36 527	1.85 521	1.95 543	1.92 532	1.94 528	0.39 502	0.36 513	0.49 519	0.37 496	0.51 511	0.64 530

LSM	4.74 567	0.77 519	10.16 566	0.70 519	56.56 590	1.02 459	1.00 526	1.24 473	1.62 524	2.04 535	2.34 525	1.33 482	1.17 503	1.38 507	1.09 490	0.33 481	0.49 535	0.39 495	0.46 517	0.51 511	10.09 579

MaskLacGwcNet_RVC	0.67 429	0.81 522	0.73 429	0.53 459	0.37 426	1.40 506	0.53 430	1.04 379	0.79 299	0.88 383	0.94 320	0.95 399	0.53 287	0.93 434	0.58 374	0.39 502	0.30 487	0.57 526	0.31 480	0.53 516	0.30 447

XQC	0.89 478	0.65 508	1.31 510	0.67 512	0.52 499	1.22 495	0.68 475	1.26 479	1.52 514	1.14 480	1.11 398	1.28 470	1.04 491	1.40 508	1.77 521	0.38 500	0.24 450	0.37 490	0.31 480	0.53 516	0.47 516

ELAS_RVC	1.60 535	0.61 503	1.01 478	0.70 519	0.56 508	2.00 536	1.89 564	1.96 541	2.65 548	3.33 561	3.26 545	3.03 542	3.41 563	2.49 549	2.09 532	0.52 523	0.45 532	0.50 521	0.48 524	0.54 518	0.52 525
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.63 537	0.61 503	0.95 469	0.68 516	0.55 505	3.01 556	1.55 555	2.39 548	2.33 544	3.64 563	3.89 557	2.75 539	2.90 557	2.15 542	2.27 539	0.52 523	0.45 532	0.50 521	0.48 524	0.54 518	0.52 525
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Anonymous_2	0.82 463	0.44 463	0.63 381	0.40 221	0.43 465	0.80 409	0.52 426	0.72 244	0.77 280	0.71 265	0.60 168	0.87 372	0.76 422	0.75 353	0.58 374	0.52 523	0.54 537	0.54 524	4.82 576	0.56 520	0.40 494

PASM	0.90 481	0.64 507	1.69 528	0.69 518	0.69 523	0.78 403	0.84 508	1.03 376	1.26 491	1.19 486	1.15 420	1.31 474	0.98 483	1.24 488	1.03 483	0.52 523	0.56 538	0.59 529	0.66 538	0.56 520	0.54 527

sAnonymous2	0.40 227	0.39 445	0.85 456	0.48 392	0.37 426	0.40 196	0.46 382	0.57 125	0.52 167	0.38 105	0.46 110	0.35 93	0.42 228	0.43 85	0.30 162	0.19 309	0.14 289	0.18 230	0.17 276	0.57 522	0.44 506

CroCo_RVC	0.40 227	0.39 445	0.85 456	0.48 392	0.37 426	0.40 196	0.46 382	0.57 125	0.52 167	0.38 105	0.46 110	0.35 93	0.42 228	0.43 85	0.30 162	0.19 309	0.14 289	0.18 230	0.17 276	0.57 522	0.44 506

DGSMNet	0.76 449	0.55 494	1.29 508	0.58 483	0.62 517	0.94 442	0.70 485	1.26 479	1.11 458	0.83 347	1.24 440	1.00 411	0.71 406	1.03 455	0.81 432	0.34 487	0.29 483	0.41 502	0.40 506	0.57 522	0.55 528

STTRV1_RVC	0.82 463	0.59 499	1.16 491	0.67 512	0.81 526	1.11 477	0.63 461	1.30 487	1.11 458	0.98 432	1.33 458	1.08 437	0.95 478	1.26 490	0.87 448	0.55 529	0.25 458	0.43 504	0.39 503	0.58 525	0.40 494

CC-Net-ROB	0.82 463	0.96 533	0.85 456	0.58 483	0.45 476	1.27 500	0.70 485	1.17 441	1.02 423	0.83 347	1.23 439	0.90 386	0.77 429	1.06 458	0.69 406	0.46 513	0.34 509	1.71 547	0.38 499	0.59 526	0.36 478

FADE	5.17 568	2.05 562	13.14 572	1.03 536	0.99 538	2.09 537	0.91 517	3.91 564	3.00 552	1.76 526	1.60 496	2.73 538	6.73 570	5.95 567	3.95 552	11.57 583	1.70 569	23.09 587	15.86 583	0.62 527	0.65 531

GANetREF_RVC	0.80 459	0.75 516	0.86 461	0.66 509	0.42 459	1.15 485	0.98 522	1.14 425	1.19 473	1.01 445	1.02 365	1.10 445	0.90 463	1.15 473	0.76 422	0.48 517	0.39 520	0.57 526	0.38 499	0.63 528	0.46 511
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
PSMNet-RUCA	0.76 449	0.75 516	1.08 484	1.01 535	0.90 529	0.69 370	0.50 408	1.11 408	1.03 428	0.78 308	1.11 398	0.80 350	0.72 410	0.88 410	0.63 391	0.53 527	0.27 474	0.76 532	0.46 517	0.66 529	0.47 516

MSC_U_SF_DS_RVC	1.34 523	0.87 527	1.76 532	0.86 527	0.56 508	4.29 563	1.79 562	1.50 518	1.98 534	1.61 516	1.85 511	1.84 519	1.41 518	1.89 530	1.36 508	0.48 517	0.40 522	0.56 525	0.57 534	0.69 530	0.48 519

NVStereoNet_ROB	1.24 519	0.90 529	1.13 489	0.86 527	0.88 528	1.11 477	0.99 524	1.42 509	1.53 515	1.59 515	2.48 529	2.24 530	1.53 524	1.96 535	1.30 506	0.76 537	0.70 543	0.78 533	1.00 553	0.71 531	0.88 542
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MADNet+	2.23 550	2.43 566	10.85 567	1.22 542	0.91 531	2.76 547	1.40 550	2.12 545	1.67 526	1.32 499	1.74 506	1.86 522	1.74 535	6.25 568	4.41 557	0.65 532	0.64 541	0.58 528	0.54 533	0.80 532	0.76 535

MFMNet_re	1.14 510	0.97 536	1.19 498	0.99 532	0.95 533	1.25 499	1.22 539	1.39 504	1.55 517	1.69 523	1.67 502	1.21 461	1.53 524	1.12 471	0.99 478	0.87 541	0.75 550	0.79 534	0.75 542	0.90 533	0.94 544

GCST	0.83 470	1.22 542	0.74 434	1.58 547	1.01 540	1.06 468	0.23 59	0.78 279	0.78 290	0.97 427	0.65 181	0.78 340	0.35 177	0.92 428	0.34 206	0.96 542	0.65 542	1.20 542	0.81 545	0.91 534	0.70 533

anonymity	0.97 488	0.89 528	1.05 480	0.92 530	1.03 541	0.97 450	0.81 504	1.29 484	0.91 373	1.07 466	0.98 347	1.00 411	0.95 478	1.02 453	0.92 467	0.96 542	0.95 562	0.90 537	0.91 551	0.92 535	0.94 544

UDG	0.88 476	0.82 525	0.67 402	1.00 534	0.96 534	1.02 459	0.57 447	1.13 416	0.99 410	0.90 394	0.97 346	1.31 474	0.99 484	0.85 400	0.84 437	0.54 528	0.32 501	1.77 548	0.40 506	0.94 536	0.66 532

SGM+DAISY	1.35 525	0.94 532	1.25 504	0.96 531	1.00 539	1.52 517	1.02 527	1.34 494	1.21 477	2.64 548	2.65 537	2.44 534	1.56 527	1.64 520	1.26 503	0.97 544	0.95 562	0.90 537	0.90 548	0.94 536	0.96 547

SPS-STEREO	1.25 520	0.93 530	1.06 481	1.04 537	1.03 541	1.41 508	0.91 517	1.51 521	1.19 473	2.09 537	1.83 509	1.94 524	1.39 517	1.62 517	1.39 511	0.97 544	0.94 561	0.90 537	0.89 547	0.96 538	0.96 547
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	2.78 553	1.26 543	7.04 562	1.16 540	1.48 548	8.00 571	6.02 573	2.60 549	1.92 533	2.12 538	2.64 536	3.34 550	3.05 559	6.49 569	3.39 548	0.78 538	0.76 551	0.75 531	0.76 543	0.97 539	1.18 559

WAO-7	1.90 542	1.20 541	1.35 515	1.27 543	1.06 544	2.84 550	1.56 556	3.23 556	3.06 555	2.23 541	3.33 549	3.17 546	2.28 548	3.12 553	2.21 534	1.02 546	0.91 557	1.06 541	1.03 556	1.04 540	0.97 550

Consistency-Raft	1.01 492	0.81 522	1.24 503	0.84 526	0.97 535	0.81 414	0.84 508	1.30 487	1.59 520	1.05 459	1.68 503	1.12 449	0.91 464	0.92 428	1.11 491	0.65 532	0.74 546	0.79 534	0.90 548	1.06 541	0.79 538

DDUNet	1.06 502	2.56 569	0.68 406	1.21 541	1.26 546	1.03 462	0.69 480	1.11 408	0.94 391	0.96 422	1.22 435	1.27 468	0.82 444	0.93 434	0.72 416	0.84 539	0.38 516	1.99 551	0.60 536	1.10 542	0.85 540

SQANet	0.82 463	0.74 515	0.67 402	1.13 539	0.98 537	1.11 477	0.47 389	1.07 392	0.83 319	0.91 399	1.05 379	1.03 422	0.74 415	1.01 448	0.64 394	0.61 531	0.24 450	1.03 540	0.35 494	1.18 543	0.58 529

otaku	1.04 497	0.93 530	0.88 463	1.33 545	1.05 543	1.66 525	0.70 485	1.40 507	1.18 471	1.08 470	1.32 457	1.33 482	0.91 464	1.23 487	0.76 422	0.72 535	0.46 534	1.24 543	0.50 529	1.40 544	0.75 534

Ntro	1.09 507	0.97 536	0.91 467	1.44 546	1.19 545	1.69 528	0.80 503	1.35 497	1.25 488	1.00 440	1.29 451	1.31 474	0.97 482	1.26 490	0.84 437	0.84 539	0.43 529	1.36 544	0.50 529	1.56 545	0.78 536

testlalala_base	0.46 282	0.25 317	0.41 183	0.46 376	0.33 400	0.58 307	0.25 81	0.57 125	0.34 68	0.51 157	0.56 158	0.46 168	0.30 144	0.43 85	0.31 169	1.47 556	0.11 134	0.14 80	0.09 9	1.59 546	0.13 144

PWCK	1.92 543	1.66 557	3.12 548	1.65 548	0.91 531	2.84 550	2.26 567	2.10 544	2.41 546	2.36 544	2.31 522	2.22 529	1.82 537	3.43 556	2.03 531	1.61 559	0.71 545	1.51 545	0.82 546	1.69 547	0.91 543

RainbowNet	1.35 525	1.49 549	1.19 498	1.88 553	1.45 547	1.48 514	1.07 530	1.61 530	1.55 517	1.20 490	1.59 495	1.54 507	1.13 498	1.34 500	0.97 474	1.36 555	0.70 543	1.82 549	0.79 544	1.71 548	1.07 553

WAO-6	2.04 547	1.50 550	1.16 491	1.70 549	1.67 554	2.69 544	1.44 553	3.06 553	3.63 560	1.98 534	3.27 546	3.54 553	2.07 546	2.36 546	2.22 536	1.31 554	0.91 557	2.04 556	1.22 563	1.73 549	1.27 561

ACVNet_2	1.65 538	1.27 544	1.41 522	1.75 550	1.62 550	2.22 539	1.20 536	2.30 547	2.62 547	1.78 527	2.56 532	3.03 542	1.61 530	1.54 510	1.12 495	1.06 547	0.58 540	1.82 549	0.70 541	1.82 550	0.96 547

WAO-8	2.92 554	1.55 552	1.35 515	1.79 551	1.63 552	5.23 565	1.22 539	4.58 567	12.56 574	2.84 553	4.07 561	4.83 558	2.72 555	3.49 557	2.25 537	1.27 549	0.91 557	1.99 551	1.15 561	1.86 551	1.15 555

Venus	2.92 554	1.55 552	1.35 515	1.79 551	1.63 552	5.23 565	1.22 539	4.58 567	12.56 574	2.84 553	4.06 560	4.83 558	2.72 555	3.49 557	2.25 537	1.27 549	0.91 557	1.99 551	1.15 561	1.86 551	1.15 555

Dean	1.98 544	1.36 547	1.36 519	2.12 557	1.81 557	2.74 545	1.36 548	3.37 560	3.80 561	2.08 536	3.32 548	3.21 547	1.82 537	1.71 524	1.67 516	1.27 549	0.77 552	1.99 551	0.90 548	1.86 551	1.03 552

ACVNet-4b	1.35 525	1.31 545	1.10 485	1.90 554	1.59 549	1.92 533	0.77 499	1.52 524	1.62 524	1.05 459	1.60 496	2.11 528	0.94 475	1.64 520	0.77 426	1.30 552	0.35 511	2.03 555	0.67 539	1.88 554	0.84 539

LVE	2.12 549	1.44 548	1.36 519	1.99 556	1.78 555	2.75 546	1.79 562	2.82 550	3.95 562	1.90 532	4.33 563	3.52 552	1.81 536	2.24 544	1.74 519	1.74 561	0.87 555	2.06 557	1.13 559	1.91 555	1.35 562

ACVNet_1	1.46 530	1.33 546	1.12 488	1.91 555	1.62 550	1.83 532	0.98 522	2.00 543	1.85 532	1.39 504	1.53 491	2.32 532	1.53 524	1.34 500	1.11 491	1.30 552	0.50 536	2.06 557	0.58 535	1.93 556	0.95 546

IMH-64-1	1.86 540	1.62 554	1.16 491	2.20 558	1.89 558	2.33 540	1.30 543	2.89 551	2.29 542	1.66 520	2.80 540	2.49 535	1.61 530	2.10 539	1.78 523	1.60 557	0.74 546	2.43 561	1.02 554	2.12 557	1.17 557

IMH-64	1.86 540	1.62 554	1.16 491	2.20 558	1.89 558	2.33 540	1.30 543	2.89 551	2.29 542	1.66 520	2.80 540	2.49 535	1.61 530	2.10 539	1.78 523	1.60 557	0.74 546	2.43 561	1.02 554	2.12 557	1.17 557

IMH	2.04 547	1.62 554	1.20 501	2.20 558	1.89 558	2.91 555	1.30 543	3.11 554	3.03 553	1.81 528	3.35 550	3.03 542	1.90 540	2.48 548	1.80 525	1.66 560	0.77 552	2.45 563	1.04 557	2.15 559	1.19 560

DispFullNet	1.60 535	2.63 570	2.75 546	2.56 565	1.79 556	1.24 498	0.47 389	1.37 502	1.45 510	1.87 529	1.50 487	1.55 508	2.46 549	2.04 538	1.04 486	0.59 530	0.18 388	2.32 560	0.68 540	2.29 560	1.14 554

TorneroNet-64	3.44 557	1.86 558	1.42 523	2.58 566	2.28 564	6.87 568	1.68 558	4.70 569	12.03 571	2.31 543	5.59 571	8.25 570	2.55 552	3.97 562	2.73 542	1.81 562	0.74 546	2.57 565	1.07 558	2.35 561	1.44 563

TorneroNet	4.53 566	1.89 559	1.48 525	2.55 564	2.27 563	13.78 578	1.69 559	4.84 571	23.73 588	2.89 556	7.70 574	7.06 569	2.69 554	4.26 564	3.42 549	1.84 563	0.77 552	2.68 567	1.13 559	2.42 562	1.47 564

ktn	2.98 556	2.25 564	1.73 531	2.84 568	2.53 569	3.76 562	2.15 566	3.70 562	5.47 565	2.75 550	5.17 570	5.94 565	2.48 550	3.23 554	2.46 540	2.34 570	1.44 568	2.78 569	2.03 569	2.45 563	2.01 568

DPSimNet_ROB	3.58 560	2.45 567	8.57 564	2.53 563	2.37 565	2.88 553	3.77 572	3.14 555	3.23 556	4.71 569	3.86 556	4.68 556	4.87 568	4.07 563	5.62 561	2.33 569	2.33 571	2.47 564	2.52 570	2.51 564	2.64 571

KSHMR	2.57 551	1.93 560	1.69 528	2.63 567	2.42 566	2.86 552	2.07 565	3.27 558	6.50 566	2.49 547	3.36 551	3.41 551	1.92 541	2.49 549	1.94 528	2.13 566	1.40 567	2.79 570	1.50 566	2.73 565	1.77 565

UNDER WATER-64	3.53 559	2.01 561	3.94 554	3.22 572	2.49 568	5.41 567	2.60 570	3.43 561	12.41 573	3.03 558	2.68 538	6.07 566	4.04 565	3.79 561	3.33 547	2.02 564	1.24 566	2.63 566	1.46 565	2.78 566	2.08 569

SuperB	1.04 497	0.37 428	4.81 559	0.43 313	0.31 373	0.99 455	0.46 382	1.02 372	2.09 536	1.09 472	1.09 395	0.75 326	0.81 440	1.06 458	1.76 520	0.19 309	0.15 319	0.17 184	0.15 195	2.82 567	0.26 415

UNDER WATER	3.46 558	2.07 563	3.64 553	3.09 570	2.48 567	3.75 561	2.42 569	3.31 559	13.77 576	2.90 557	2.95 543	5.84 563	3.69 564	3.69 559	3.48 551	2.07 565	1.11 564	2.70 568	1.40 564	2.84 568	1.98 567

notaker	2.76 552	2.29 565	1.80 533	2.96 569	2.58 570	2.90 554	1.75 560	3.24 557	3.05 554	2.78 551	4.24 562	6.15 567	2.51 551	3.34 555	2.75 543	2.31 568	1.18 565	3.00 571	1.65 567	2.84 568	1.97 566

HanzoNet	6.76 572	2.45 567	4.22 557	3.19 571	2.94 572	3.62 560	2.28 568	4.79 570	7.20 567	14.00 581	13.19 580	17.49 581	22.30 586	13.25 578	6.19 563	4.20 574	1.93 570	3.10 572	2.56 571	3.35 570	2.88 573

JetRed	5.27 569	5.84 574	12.81 571	2.36 562	2.83 571	12.23 576	10.50 576	4.46 566	3.60 558	3.86 564	3.83 555	4.85 560	4.18 566	6.78 570	11.96 572	2.17 567	2.96 573	2.18 559	1.97 568	3.38 571	2.68 572

test_for_model	0.82 463	3.60 573	0.39 161	2.35 561	2.07 561	0.39 192	0.28 127	0.42 60	0.45 146	0.71 265	0.31 63	0.30 58	0.27 101	0.34 29	0.25 74	0.34 487	0.11 134	0.13 51	0.09 9	3.49 572	0.18 295

MADNet++	4.03 561	2.70 571	3.44 552	3.72 574	3.44 573	4.44 564	3.52 571	3.95 565	3.61 559	4.46 565	4.98 568	4.10 554	4.58 567	7.00 571	5.89 562	3.74 572	3.67 574	3.27 573	2.71 572	3.70 573	3.66 574

ASD4	9.96 575	8.86 577	17.78 573	7.17 575	9.80 574	16.08 579	28.92 581	9.77 576	8.20 569	7.02 574	7.08 573	8.47 571	9.57 573	11.17 577	20.26 578	4.12 573	4.14 575	5.57 579	4.74 575	5.53 574	4.90 576

tt	6.20 570	0.20 160	5.89 560	3.55 573	2.07 561	11.26 574	19.21 577	11.74 577	5.46 564	2.69 549	2.04 520	4.87 561	6.25 569	3.70 560	7.09 567	8.32 579	11.17 584	4.93 575	5.41 578	5.74 575	2.37 570

DPSMNet_ROB	12.08 577	8.00 575	21.00 576	8.97 578	16.79 578	10.67 572	30.89 583	9.02 575	15.17 579	6.51 572	15.41 584	9.04 572	14.85 577	9.27 575	21.67 581	4.58 576	8.57 579	5.09 578	9.29 580	5.90 576	10.95 580

DGTPSM_ROB	12.07 576	8.00 575	20.99 575	8.93 577	16.78 577	10.67 572	30.87 582	9.01 574	15.16 578	6.50 571	15.41 584	9.04 572	14.85 577	9.25 574	21.67 581	4.57 575	8.57 579	5.08 576	9.28 579	5.90 576	10.95 580

USTest	12.99 578	14.18 579	20.00 574	16.24 579	14.97 576	20.80 581	31.95 584	16.20 581	10.91 570	8.79 576	9.48 576	13.94 576	10.50 574	16.11 579	21.44 580	3.17 571	4.82 576	5.08 576	5.36 577	8.81 578	7.13 577

TCMNet-wrong-test	8.97 573	10.42 578	8.74 565	19.56 580	17.61 579	12.53 577	9.01 575	13.59 579	2.18 538	4.64 567	5.11 569	14.63 577	11.09 575	7.19 572	9.73 569	5.56 578	0.89 556	3.77 574	3.11 573	10.34 579	9.80 578

PML	40.80 595	29.24 586	11.87 570	7.20 576	14.47 575	92.13 595	213.69 596	7.63 573	23.35 587	74.72 595	190.14 596	50.17 595	26.15 588	21.39 583	12.70 573	8.76 580	2.92 572	8.45 580	3.25 574	13.26 580	4.42 575

DPSM_ROB	17.78 580	18.63 581	24.31 582	20.90 582	19.47 580	25.97 583	36.21 586	21.23 587	16.24 581	13.38 579	14.06 582	19.18 584	16.30 580	20.78 581	25.67 584	9.38 581	9.23 582	9.49 581	9.82 581	13.51 581	11.91 583

DPSM	17.78 580	18.63 581	24.31 582	20.90 582	19.47 580	25.97 583	36.21 586	21.23 587	16.24 581	13.38 579	14.06 582	19.18 584	16.30 580	20.78 581	25.67 584	9.38 581	9.23 582	9.49 581	9.82 581	13.51 581	11.91 583

FlowAnything	35.81 587	37.53 592	48.80 590	42.20 588	39.22 588	52.25 592	73.16 594	42.56 592	32.89 593	26.76 587	28.30 589	38.69 592	33.09 592	41.63 592	51.62 593	18.76 589	18.59 592	19.21 586	19.92 587	27.16 583	23.91 585

CasAABBNet	35.74 586	37.43 590	48.72 589	42.22 589	39.20 587	52.24 591	73.12 593	42.61 593	32.62 591	26.78 588	27.95 586	38.58 590	32.60 590	41.67 593	51.65 594	18.74 588	18.57 590	19.15 584	19.77 585	27.20 584	23.98 586

Selective-RAFT-Error	35.84 588	37.49 591	48.83 591	42.26 590	39.24 589	52.30 593	73.09 592	42.66 594	32.61 590	26.80 589	28.30 589	38.84 593	33.51 593	41.68 594	51.59 592	18.82 590	18.58 591	19.17 585	19.80 586	27.28 585	24.05 587

LSM0	38.95 594	37.60 593	48.58 588	43.57 591	91.06 595	52.57 594	72.57 591	43.17 595	32.63 592	26.97 590	27.97 587	38.65 591	32.94 591	41.86 595	51.78 595	18.89 591	18.41 586	19.13 583	19.63 584	27.29 586	33.77 589

xxxxx1	36.64 589	19.51 583	24.21 579	61.66 592	64.63 592	27.28 586	40.10 588	20.25 582	18.63 584	14.07 582	12.97 577	17.26 578	17.36 582	21.70 584	27.93 586	13.18 584	18.50 587	111.26 593	133.37 593	29.24 587	39.73 590

tt_ll	36.64 589	19.51 583	24.21 579	61.66 592	64.63 592	27.28 586	40.10 588	20.25 582	18.63 584	14.07 582	12.97 577	17.26 578	17.36 582	21.70 584	27.93 586	13.18 584	18.50 587	111.26 593	133.37 593	29.24 587	39.73 590

ff	36.64 589	19.51 583	24.21 579	61.66 592	64.63 592	27.28 586	40.10 588	20.25 582	18.63 584	14.07 582	12.97 577	17.26 578	17.36 582	21.70 584	27.93 586	13.18 584	18.50 587	111.26 593	133.37 593	29.24 587	39.73 590

LRCNet_RVC	21.24 583	31.15 587	21.41 577	28.98 585	23.82 583	3.13 557	0.60 453	20.96 586	1.59 520	25.58 586	28.15 588	21.99 586	14.79 576	21.94 587	16.41 576	28.89 592	14.87 585	33.53 588	31.28 588	29.51 590	26.16 588

HaxPig	31.96 584	37.24 589	34.27 584	24.37 584	24.88 584	18.26 580	19.86 578	20.64 585	28.52 589	35.97 592	38.75 592	25.57 587	28.72 589	33.88 589	34.39 589	35.94 593	38.87 593	37.80 589	40.48 589	39.68 591	41.15 593

AVERAGE_ROB	37.58 593	40.13 594	40.15 586	34.81 587	33.82 586	28.55 589	25.10 580	32.02 591	34.06 595	41.28 593	40.66 593	34.46 589	34.81 595	39.18 590	37.57 591	42.78 594	43.44 594	43.82 590	43.03 590	40.47 592	41.51 594

MEDIAN_ROB	37.38 592	40.85 595	40.60 587	32.31 586	31.85 585	27.20 585	24.55 579	29.10 590	33.19 594	42.09 594	41.76 594	33.35 588	34.39 594	39.78 591	37.07 590	43.64 595	44.10 595	44.12 591	43.40 591	41.51 593	42.76 595

DLNR_Zeroshot_test	20.09 582	36.28 588	38.04 585	169.85 595	61.80 591	0.23 19	0.20 20	13.88 580	0.37 103	0.44 134	0.66 188	0.43 152	0.21 39	0.62 253	0.28 141	5.46 577	0.10 51	0.15 120	0.11 76	72.60 594	0.11 64

Anonymous_1	33.25 585	18.26 580	23.92 578	20.54 581	21.28 582	25.59 582	35.94 585	22.01 589	15.57 580	13.33 578	13.49 581	18.08 582	15.29 579	20.36 580	24.60 583	16.28 587	8.84 581	66.59 592	118.00 592	155.73 595	11.23 582

test_example2	176.61 596	205.14 596	198.86 596	188.60 596	190.98 596	152.67 596	170.61 595	94.86 596	123.55 596	178.88 596	179.48 595	158.94 596	141.34 596	192.61 596	198.96 596	203.76 596	236.37 596	164.13 596	173.55 596	218.58 596	160.41 596

ccccc	429.48 597	429.19 597	527.00 597	507.10 597	501.20 597	356.95 597	342.70 597	380.82 597	297.90 597	334.51 597	389.17 597	372.86 597	449.39 597	499.17 597	553.56 597	561.44 597	431.22 597	334.28 597	290.86 597	540.88 597	489.46 597

Low-res two-view benchmark