Low-res two-view results

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

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

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

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

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

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

CAS	0.08 2	0.04 1	0.07 1	0.17 109	0.08 46	0.10 57	0.13 45	0.12 4	0.09 2	0.09 16	0.10 37	0.08 24	0.06 7	0.09 10	0.09 16	0.08 192	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 76	0.11 2	0.09 2	0.08 5	0.09 24	0.11 73	0.07 30	0.12 93	0.08 9	0.06 52	0.04 2	0.05 2	0.03 1	0.05 36	0.05 43

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 17	0.14 56	0.10 35	0.14 81	0.08 24	0.07 30	0.10 15	0.11 72	0.06 52	0.04 2	0.05 2	0.05 32	0.04 1	0.04 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	0.09 8	0.04 1	0.08 6	0.13 6	0.06 2	0.11 79	0.13 45	0.15 24	0.19 123	0.11 62	0.15 92	0.10 58	0.07 30	0.12 93	0.09 16	0.07 143	0.05 82	0.05 2	0.04 7	0.06 93	0.05 43

IGEV_Zeroshot_test	0.09 8	0.05 5	0.13 111	0.14 11	0.08 46	0.12 104	0.13 45	0.17 65	0.11 16	0.10 35	0.06 2	0.09 39	0.06 7	0.11 42	0.09 16	0.06 52	0.04 2	0.06 31	0.06 83	0.05 36	0.05 43

MSKI-zero shot	0.09 8	0.05 5	0.09 24	0.16 60	0.07 14	0.10 57	0.13 45	0.15 24	0.14 56	0.09 16	0.09 24	0.09 39	0.06 7	0.12 93	0.11 72	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

AEACV	0.09 8	0.05 5	0.08 6	0.14 11	0.13 304	0.14 154	0.13 45	0.15 24	0.09 2	0.07 2	0.09 24	0.07 18	0.08 50	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

Any-RAFT	0.10 47	0.05 5	0.10 39	0.15 35	0.07 14	0.13 124	0.14 76	0.21 135	0.15 68	0.11 62	0.12 63	0.13 114	0.10 80	0.13 130	0.10 45	0.07 143	0.04 2	0.05 2	0.04 7	0.06 93	0.05 43

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 121	0.12 4	0.11 16	0.08 5	0.09 24	0.06 3	0.09 67	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

LoS	0.09 8	0.05 5	0.11 64	0.13 6	0.07 14	0.14 154	0.11 10	0.15 24	0.15 68	0.09 16	0.09 24	0.12 92	0.09 67	0.15 162	0.10 45	0.07 143	0.05 82	0.05 2	0.03 1	0.05 36	0.05 43

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 79	0.12 23	0.11 2	0.16 84	0.06 1	0.05 1	0.07 18	0.05 2	0.10 15	0.11 72	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

iRaft-Stereo_20w	0.09 8	0.05 5	0.13 111	0.14 11	0.09 123	0.12 104	0.15 121	0.19 113	0.11 16	0.11 62	0.08 17	0.08 24	0.05 2	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.06 93	0.05 43

TRStereo	0.10 47	0.05 5	0.12 87	0.16 60	0.12 284	0.10 57	0.13 45	0.18 89	0.19 123	0.09 16	0.09 24	0.09 39	0.07 30	0.10 15	0.08 9	0.07 143	0.05 82	0.07 100	0.07 160	0.04 1	0.04 4

XX-Stereo	0.09 8	0.05 5	0.09 24	0.17 109	0.09 123	0.15 174	0.12 23	0.21 135	0.10 6	0.10 35	0.14 81	0.07 18	0.06 7	0.13 130	0.08 9	0.06 52	0.05 82	0.06 31	0.06 83	0.04 1	0.04 4

CREStereo	0.09 8	0.05 5	0.08 6	0.11 1	0.06 2	0.14 154	0.14 76	0.14 17	0.10 6	0.09 16	0.13 74	0.09 39	0.08 50	0.12 93	0.10 45	0.08 192	0.04 2	0.05 2	0.03 1	0.06 93	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 8	0.05 5	0.09 24	0.12 3	0.06 2	0.13 124	0.14 76	0.16 38	0.11 16	0.09 16	0.13 74	0.10 58	0.07 30	0.14 148	0.10 45	0.15 348	0.04 2	0.05 2	0.03 1	0.07 151	0.06 98

IGEV+	0.08 2	0.06 17	0.09 24	0.18 176	0.07 14	0.10 57	0.13 45	0.10 1	0.10 6	0.08 5	0.08 17	0.06 3	0.05 2	0.13 130	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

MIF-Stereo (partial)	0.11 72	0.06 17	0.10 39	0.19 223	0.10 217	0.10 57	0.12 23	0.17 65	0.19 123	0.14 125	0.16 104	0.10 58	0.11 104	0.12 93	0.12 122	0.08 192	0.05 82	0.08 161	0.07 160	0.06 93	0.07 151

RAFT-Test	0.09 8	0.06 17	0.10 39	0.16 60	0.07 14	0.11 79	0.15 121	0.16 38	0.13 42	0.09 16	0.10 37	0.11 73	0.09 67	0.12 93	0.09 16	0.06 52	0.04 2	0.05 2	0.04 7	0.05 36	0.05 43

HH	0.09 8	0.06 17	0.13 111	0.17 109	0.08 46	0.11 79	0.16 172	0.15 24	0.10 6	0.08 5	0.10 37	0.08 24	0.07 30	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

HanStereo	0.09 8	0.06 17	0.13 111	0.17 109	0.08 46	0.11 79	0.16 172	0.15 24	0.10 6	0.08 5	0.10 37	0.08 24	0.07 30	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 109	0.06 2	0.08 22	0.12 23	0.13 11	0.08 1	0.08 5	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

knoymous	0.11 72	0.06 17	0.12 87	0.14 11	0.07 14	0.15 174	0.13 45	0.20 124	0.14 56	0.11 62	0.17 120	0.13 114	0.09 67	0.14 148	0.11 72	0.09 234	0.05 82	0.06 31	0.05 32	0.07 151	0.07 151

riskmin	0.11 72	0.06 17	0.13 111	0.14 11	0.08 46	0.14 154	0.14 76	0.18 89	0.15 68	0.12 80	0.15 92	0.17 181	0.11 104	0.14 148	0.12 122	0.09 234	0.05 82	0.07 100	0.05 32	0.08 198	0.08 214

RCA-Stereo	0.09 8	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 89	0.14 56	0.10 35	0.11 53	0.08 24	0.07 30	0.12 93	0.11 72	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.04 4

fff	0.10 47	0.06 17	0.12 87	0.15 35	0.07 14	0.09 36	0.17 192	0.16 38	0.21 154	0.13 104	0.17 120	0.10 58	0.11 104	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

ADStereo(finetuned)	0.10 47	0.06 17	0.13 111	0.16 60	0.06 2	0.09 36	0.17 192	0.16 38	0.20 141	0.13 104	0.18 140	0.10 58	0.12 133	0.12 93	0.12 122	0.06 52	0.04 2	0.05 2	0.04 7	0.05 36	0.05 43

test-3	0.09 8	0.06 17	0.10 39	0.18 176	0.07 14	0.07 15	0.14 76	0.12 4	0.16 84	0.10 35	0.08 17	0.08 24	0.08 50	0.11 42	0.10 45	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 4

test_1	0.09 8	0.06 17	0.10 39	0.18 176	0.07 14	0.07 15	0.14 76	0.12 4	0.16 84	0.10 35	0.08 17	0.08 24	0.08 50	0.11 42	0.10 45	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 4

PFNet+	0.12 134	0.06 17	0.14 147	0.16 60	0.09 123	0.05 1	0.12 23	0.18 89	0.21 154	0.16 173	0.19 151	0.14 130	0.10 80	0.11 42	0.11 72	0.08 192	0.05 82	0.09 229	0.08 213	0.06 93	0.11 289

HHNet	0.11 72	0.06 17	0.16 208	0.15 35	0.14 319	0.07 15	0.13 45	0.20 124	0.18 109	0.15 146	0.25 221	0.11 73	0.09 67	0.13 130	0.10 45	0.06 52	0.04 2	0.08 161	0.06 83	0.05 36	0.09 246

IIG-Stereo	0.11 72	0.06 17	0.13 111	0.17 109	0.08 46	0.11 79	0.12 23	0.22 154	0.18 109	0.14 125	0.17 120	0.12 92	0.13 162	0.12 93	0.13 149	0.06 52	0.05 82	0.07 100	0.06 83	0.06 93	0.05 43

ASMatch	0.11 72	0.06 17	0.13 111	0.17 109	0.10 217	0.08 22	0.14 76	0.18 89	0.16 84	0.12 80	0.16 104	0.16 165	0.11 104	0.13 130	0.11 72	0.05 2	0.04 2	0.06 31	0.06 83	0.04 1	0.09 246

DEmStereo	0.12 134	0.06 17	0.14 147	0.14 11	0.10 217	0.16 196	0.15 121	0.16 38	0.24 192	0.17 183	0.23 186	0.12 92	0.14 191	0.12 93	0.14 173	0.05 2	0.04 2	0.07 100	0.06 83	0.05 36	0.05 43

DRaft	0.12 134	0.06 17	0.12 87	0.14 11	0.09 123	0.14 154	0.17 192	0.21 135	0.30 254	0.18 211	0.27 248	0.10 58	0.16 220	0.11 42	0.12 122	0.05 2	0.04 2	0.07 100	0.07 160	0.05 36	0.05 43

PFNet	0.12 134	0.06 17	0.17 227	0.18 176	0.08 46	0.09 36	0.15 121	0.26 211	0.20 141	0.16 173	0.16 104	0.14 130	0.12 133	0.13 130	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.05 36	0.05 43

GrayStereo	0.11 72	0.06 17	0.11 64	0.19 223	0.09 123	0.09 36	0.16 172	0.18 89	0.17 99	0.14 125	0.17 120	0.17 181	0.11 104	0.12 93	0.11 72	0.05 2	0.05 82	0.07 100	0.06 83	0.06 93	0.10 268

RAFT-RH_RVC	0.12 134	0.06 17	0.14 147	0.16 60	0.09 123	0.12 104	0.12 23	0.17 65	0.12 26	0.13 104	0.40 331	0.11 73	0.10 80	0.13 130	0.12 122	0.05 2	0.04 2	0.08 161	0.05 32	0.05 36	0.06 98

AnonymousM	0.10 47	0.06 17	0.10 39	0.14 11	0.07 14	0.09 36	0.13 45	0.19 113	0.14 56	0.13 104	0.12 63	0.09 39	0.08 50	0.13 130	0.10 45	0.08 192	0.05 82	0.08 161	0.05 32	0.05 36	0.05 43

rafts_anoy	0.11 72	0.06 17	0.10 39	0.17 109	0.08 46	0.10 57	0.14 76	0.18 89	0.14 56	0.13 104	0.13 74	0.12 92	0.11 104	0.11 42	0.13 149	0.07 143	0.05 82	0.09 229	0.11 306	0.07 151	0.06 98

s12784h	0.10 47	0.06 17	0.08 6	0.15 35	0.05 1	0.16 196	0.18 230	0.16 38	0.15 68	0.10 35	0.11 53	0.11 73	0.11 104	0.11 42	0.12 122	0.05 2	0.04 2	0.06 31	0.04 7	0.04 1	0.04 4

XX-TBD	0.09 8	0.06 17	0.07 1	0.14 11	0.07 14	0.13 124	0.16 172	0.14 17	0.14 56	0.11 62	0.12 63	0.09 39	0.08 50	0.10 15	0.10 45	0.06 52	0.04 2	0.05 2	0.04 7	0.06 93	0.05 43

raftrobust	0.09 8	0.06 17	0.11 64	0.17 109	0.08 46	0.09 36	0.10 5	0.18 89	0.16 84	0.10 35	0.09 24	0.12 92	0.08 50	0.12 93	0.10 45	0.08 192	0.05 82	0.06 31	0.05 32	0.05 36	0.06 98

DCANet	0.10 47	0.06 17	0.12 87	0.16 60	0.06 2	0.09 36	0.17 192	0.16 38	0.20 141	0.13 104	0.18 140	0.10 58	0.11 104	0.11 42	0.12 122	0.06 52	0.04 2	0.05 2	0.04 7	0.05 36	0.05 43

csc	0.10 47	0.06 17	0.12 87	0.15 35	0.07 14	0.09 36	0.17 192	0.16 38	0.21 154	0.13 104	0.17 120	0.10 58	0.11 104	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

cscssc	0.10 47	0.06 17	0.12 87	0.15 35	0.07 14	0.09 36	0.17 192	0.16 38	0.21 154	0.13 104	0.17 120	0.10 58	0.11 104	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

111	0.11 72	0.06 17	0.12 87	0.15 35	0.07 14	0.10 57	0.14 76	0.21 135	0.24 192	0.11 62	0.12 63	0.14 130	0.12 133	0.13 130	0.10 45	0.06 52	0.04 2	0.06 31	0.04 7	0.06 93	0.05 43

RAFT-Stereo + iAFF	0.09 8	0.06 17	0.10 39	0.17 109	0.07 14	0.10 57	0.15 121	0.17 65	0.15 68	0.10 35	0.10 37	0.08 24	0.09 67	0.12 93	0.10 45	0.05 2	0.04 2	0.06 31	0.06 83	0.04 1	0.03 1

R-Stereo Train	0.10 47	0.06 17	0.11 64	0.17 109	0.08 46	0.11 79	0.14 76	0.24 186	0.11 16	0.12 80	0.19 151	0.11 73	0.08 50	0.10 15	0.11 72	0.07 143	0.05 82	0.06 31	0.05 32	0.05 36	0.05 43

RAFT-Stereo	0.10 47	0.06 17	0.11 64	0.17 109	0.08 46	0.11 79	0.14 76	0.24 186	0.11 16	0.12 80	0.19 151	0.11 73	0.08 50	0.10 15	0.11 72	0.07 143	0.05 82	0.06 31	0.05 32	0.05 36	0.05 43
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.11 72	0.06 17	0.12 87	0.14 11	0.06 2	0.12 104	0.10 5	0.18 89	0.18 109	0.13 104	0.17 120	0.15 151	0.11 104	0.15 162	0.14 173	0.06 52	0.04 2	0.04 1	0.04 7	0.06 93	0.05 43
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MGS-Stereo	0.09 8	0.07 52	0.12 87	0.16 60	0.08 46	0.09 36	0.15 121	0.12 4	0.12 26	0.07 2	0.10 37	0.08 24	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.06 93	0.05 43

MyStereo8	0.12 134	0.07 52	0.15 173	0.15 35	0.09 123	0.18 232	0.14 76	0.19 113	0.22 173	0.12 80	0.18 140	0.11 73	0.10 80	0.16 187	0.18 244	0.07 143	0.05 82	0.07 100	0.05 32	0.08 198	0.09 246

SMFormer	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.17 232	0.08 192	0.05 82	0.07 100	0.06 83	0.08 198	0.07 151

tta	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.17 232	0.08 192	0.05 82	0.07 100	0.06 83	0.06 93	0.06 98

qqq1	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.12 122	0.08 192	0.05 82	0.05 2	0.05 32	0.06 93	0.06 98

fff1	0.14 183	0.07 52	0.18 253	0.14 11	0.08 46	0.17 216	0.17 192	0.27 223	0.27 230	0.19 221	0.20 160	0.19 197	0.15 209	0.15 162	0.12 122	0.08 192	0.05 82	0.05 2	0.05 32	0.06 93	0.06 98

MyStereo07	0.10 47	0.07 52	0.10 39	0.17 109	0.09 123	0.14 154	0.17 192	0.15 24	0.15 68	0.09 16	0.06 2	0.06 3	0.07 30	0.12 93	0.09 16	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

MyStereo06	0.10 47	0.07 52	0.12 87	0.17 109	0.09 123	0.13 124	0.18 230	0.19 113	0.12 26	0.13 104	0.08 17	0.07 18	0.07 30	0.11 42	0.09 16	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

MyStereo05	0.13 158	0.07 52	0.10 39	0.17 109	0.09 123	0.13 124	0.18 230	0.28 244	0.35 292	0.17 183	0.14 81	0.15 151	0.11 104	0.15 162	0.13 149	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

MyStereo04	0.13 158	0.07 52	0.10 39	0.17 109	0.09 123	0.14 154	0.17 192	0.29 258	0.38 308	0.17 183	0.14 81	0.16 165	0.11 104	0.15 162	0.13 149	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.06 98

CoDeX	0.12 134	0.07 52	0.13 111	0.17 109	0.08 46	0.12 104	0.16 172	0.23 168	0.27 230	0.13 104	0.17 120	0.15 151	0.12 133	0.14 148	0.11 72	0.07 143	0.05 82	0.07 100	0.06 83	0.06 93	0.05 43

11t1	0.12 134	0.07 52	0.14 147	0.14 11	0.08 46	0.17 216	0.15 121	0.19 113	0.15 68	0.15 146	0.15 92	0.17 181	0.16 220	0.15 162	0.13 149	0.08 192	0.05 82	0.06 31	0.05 32	0.08 198	0.07 151

ff7	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

IGEVStereo-DCA	0.09 8	0.07 52	0.11 64	0.16 60	0.10 217	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.08 24	0.06 7	0.10 15	0.09 16	0.06 52	0.05 82	0.06 31	0.05 32	0.05 36	0.06 98

ffff	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

rrr	0.09 8	0.07 52	0.13 111	0.16 60	0.10 217	0.11 79	0.15 121	0.16 38	0.15 68	0.10 35	0.06 2	0.08 24	0.06 7	0.10 15	0.09 16	0.06 52	0.05 82	0.06 31	0.05 32	0.05 36	0.06 98

11t	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

MIF-Stereo	0.09 8	0.07 52	0.08 6	0.18 176	0.08 46	0.13 124	0.11 10	0.12 4	0.11 16	0.10 35	0.12 63	0.05 1	0.06 7	0.09 10	0.10 45	0.07 143	0.06 189	0.05 2	0.05 32	0.06 93	0.05 43

EKT-Stereo	0.11 72	0.07 52	0.14 147	0.16 60	0.10 217	0.13 124	0.14 76	0.19 113	0.21 154	0.11 62	0.08 17	0.13 114	0.10 80	0.11 42	0.12 122	0.08 192	0.06 189	0.07 100	0.06 83	0.08 198	0.07 151

MIM_Stereo	0.10 47	0.07 52	0.11 64	0.15 35	0.07 14	0.07 15	0.12 23	0.20 124	0.14 56	0.13 104	0.14 81	0.09 39	0.05 2	0.12 93	0.08 9	0.05 2	0.06 189	0.07 100	0.06 83	0.06 93	0.05 43

4D-IteraStereo	0.10 47	0.07 52	0.10 39	0.18 176	0.07 14	0.09 36	0.15 121	0.18 89	0.15 68	0.10 35	0.11 53	0.10 58	0.07 30	0.12 93	0.09 16	0.05 2	0.03 1	0.08 161	0.07 160	0.06 93	0.05 43

anonymousdsp2	0.11 72	0.07 52	0.11 64	0.16 60	0.09 123	0.13 124	0.14 76	0.19 113	0.23 182	0.13 104	0.14 81	0.12 92	0.09 67	0.14 148	0.11 72	0.05 2	0.05 82	0.05 2	0.04 7	0.06 93	0.06 98

anonymousdsp	0.09 8	0.07 52	0.11 64	0.17 109	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

CBFPSM	0.15 215	0.07 52	0.27 315	0.17 109	0.09 123	0.13 124	0.15 121	0.22 154	0.23 182	0.20 241	0.27 248	0.23 246	0.16 220	0.16 187	0.19 254	0.06 52	0.06 189	0.06 31	0.07 160	0.07 151	0.07 151

iinet-f	0.17 257	0.07 52	0.46 360	0.14 11	0.10 217	0.21 274	0.14 76	0.27 223	0.23 182	0.22 259	0.25 221	0.21 219	0.16 220	0.18 226	0.22 286	0.09 234	0.07 244	0.07 100	0.06 83	0.09 250	0.10 268

gwcnet-sp	0.14 183	0.07 52	0.13 111	0.18 176	0.09 123	0.16 196	0.18 230	0.24 186	0.24 192	0.19 221	0.24 195	0.15 151	0.16 220	0.16 187	0.15 203	0.08 192	0.07 244	0.07 100	0.08 213	0.08 198	0.07 151

scenet	0.14 183	0.07 52	0.13 111	0.18 176	0.09 123	0.16 196	0.18 230	0.24 186	0.24 192	0.19 221	0.24 195	0.15 151	0.16 220	0.16 187	0.15 203	0.08 192	0.07 244	0.07 100	0.08 213	0.08 198	0.07 151

DCRE	0.11 72	0.07 52	0.13 111	0.16 60	0.11 255	0.11 79	0.17 192	0.18 89	0.17 99	0.11 62	0.18 140	0.11 73	0.10 80	0.15 162	0.11 72	0.06 52	0.05 82	0.06 31	0.06 83	0.05 36	0.05 43

anonymousa	0.13 158	0.07 52	0.14 147	0.18 176	0.09 123	0.13 124	0.17 192	0.20 124	0.29 249	0.15 146	0.24 195	0.16 165	0.14 191	0.14 148	0.14 173	0.07 143	0.05 82	0.07 100	0.09 252	0.05 36	0.07 151

ProNet	0.09 8	0.07 52	0.11 64	0.17 109	0.08 46	0.11 79	0.15 121	0.15 24	0.12 26	0.10 35	0.06 2	0.07 18	0.06 7	0.11 42	0.09 16	0.05 2	0.05 82	0.06 31	0.05 32	0.04 1	0.06 98

MC-Stereo	0.09 8	0.07 52	0.09 24	0.17 109	0.06 2	0.10 57	0.14 76	0.12 4	0.11 16	0.09 16	0.12 63	0.09 39	0.06 7	0.11 42	0.10 45	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

ssnet	0.14 183	0.07 52	0.13 111	0.18 176	0.09 123	0.16 196	0.18 230	0.24 186	0.24 192	0.19 221	0.24 195	0.15 151	0.16 220	0.16 187	0.15 203	0.08 192	0.07 244	0.07 100	0.08 213	0.08 198	0.07 151

DCANet-4	0.11 72	0.07 52	0.13 111	0.16 60	0.06 2	0.09 36	0.17 192	0.18 89	0.20 141	0.13 104	0.17 120	0.09 39	0.14 191	0.12 93	0.13 149	0.06 52	0.04 2	0.05 2	0.04 7	0.04 1	0.05 43

ccc-4	0.09 8	0.07 52	0.11 64	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

tt	4.65 417	0.07 52	3.54 416	2.01 419	1.55 418	10.25 423	16.66 423	8.90 426	5.03 420	1.33 413	0.96 399	4.71 419	4.74 419	3.33 419	5.86 421	6.06 426	10.30 430	1.87 420	2.09 421	2.61 419	1.19 419

DisPM	0.11 72	0.07 52	0.13 111	0.16 60	0.09 123	0.06 2	0.13 45	0.18 89	0.17 99	0.14 125	0.19 151	0.12 92	0.10 80	0.12 93	0.11 72	0.07 143	0.05 82	0.07 100	0.06 83	0.06 93	0.11 289

IGEV-Stereo	0.09 8	0.07 52	0.11 64	0.17 109	0.09 123	0.11 79	0.15 121	0.16 38	0.12 26	0.10 35	0.06 2	0.06 3	0.06 7	0.11 42	0.09 16	0.05 2	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 72	0.07 52	0.11 64	0.18 176	0.07 14	0.08 22	0.13 45	0.16 38	0.24 192	0.12 80	0.13 74	0.12 92	0.08 50	0.18 226	0.12 122	0.06 52	0.08 270	0.08 161	0.06 83	0.05 36	0.05 43

GANet-ADL	0.13 158	0.07 52	0.15 173	0.17 109	0.10 217	0.19 247	0.15 121	0.30 268	0.21 154	0.13 104	0.18 140	0.19 197	0.13 162	0.16 187	0.14 173	0.08 192	0.06 189	0.06 31	0.05 32	0.07 151	0.08 214

CrosDoStereo	0.12 134	0.07 52	0.12 87	0.14 11	0.09 123	0.12 104	0.15 121	0.17 65	0.22 173	0.19 221	0.24 195	0.15 151	0.11 104	0.11 42	0.12 122	0.06 52	0.05 82	0.07 100	0.07 160	0.05 36	0.05 43

LCNet	0.11 72	0.07 52	0.09 24	0.19 223	0.09 123	0.08 22	0.14 76	0.21 135	0.15 68	0.12 80	0.15 92	0.16 165	0.11 104	0.12 93	0.11 72	0.05 2	0.04 2	0.08 161	0.07 160	0.06 93	0.14 329

STrans-v2	0.10 47	0.07 52	0.13 111	0.18 176	0.08 46	0.10 57	0.14 76	0.22 154	0.11 16	0.11 62	0.15 92	0.12 92	0.10 80	0.11 42	0.12 122	0.05 2	0.04 2	0.06 31	0.06 83	0.05 36	0.05 43

OMP-Stereo	0.11 72	0.07 52	0.14 147	0.18 176	0.08 46	0.09 36	0.12 23	0.21 135	0.21 154	0.13 104	0.14 81	0.11 73	0.12 133	0.11 42	0.13 149	0.06 52	0.05 82	0.07 100	0.06 83	0.05 36	0.04 4

NF-Stereo	0.11 72	0.07 52	0.13 111	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.12 307

OCTAStereo	0.11 72	0.07 52	0.14 147	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.11 289

PSM-softLoss	0.12 134	0.07 52	0.15 173	0.17 109	0.09 123	0.08 22	0.12 23	0.24 186	0.17 99	0.15 146	0.19 151	0.13 114	0.11 104	0.11 42	0.11 72	0.07 143	0.05 82	0.08 161	0.07 160	0.07 151	0.12 307

KMStereo	0.12 134	0.07 52	0.15 173	0.17 109	0.09 123	0.08 22	0.12 23	0.24 186	0.17 99	0.15 146	0.19 151	0.13 114	0.11 104	0.11 42	0.11 72	0.07 143	0.05 82	0.08 161	0.07 160	0.07 151	0.12 307

PSM-AAD	0.11 72	0.07 52	0.10 39	0.20 264	0.09 123	0.10 57	0.14 76	0.21 135	0.13 42	0.12 80	0.14 81	0.18 193	0.11 104	0.11 42	0.10 45	0.05 2	0.05 82	0.09 229	0.08 213	0.06 93	0.14 329

FTStereo	0.12 134	0.07 52	0.14 147	0.18 176	0.09 123	0.07 15	0.15 121	0.22 154	0.18 109	0.12 80	0.24 195	0.11 73	0.13 162	0.13 130	0.14 173	0.05 2	0.05 82	0.07 100	0.07 160	0.06 93	0.10 268

KYRaft	0.12 134	0.07 52	0.10 39	0.19 223	0.09 123	0.08 22	0.15 121	0.23 168	0.12 26	0.13 104	0.16 104	0.20 212	0.10 80	0.12 93	0.11 72	0.06 52	0.04 2	0.08 161	0.08 213	0.06 93	0.15 344

DeepStereo_LL	0.12 134	0.07 52	0.12 87	0.14 11	0.09 123	0.12 104	0.15 121	0.17 65	0.22 173	0.19 221	0.24 195	0.15 151	0.11 104	0.11 42	0.12 122	0.06 52	0.05 82	0.07 100	0.07 160	0.05 36	0.05 43

SST-Stereo	0.11 72	0.07 52	0.16 208	0.18 176	0.09 123	0.06 2	0.12 23	0.18 89	0.10 6	0.15 146	0.18 140	0.13 114	0.12 133	0.10 15	0.11 72	0.06 52	0.04 2	0.09 229	0.06 83	0.07 151	0.06 98

THIR-Stereo	0.12 134	0.07 52	0.11 64	0.15 35	0.08 46	0.14 154	0.16 172	0.18 89	0.25 208	0.17 183	0.24 195	0.13 114	0.13 162	0.12 93	0.14 173	0.06 52	0.05 82	0.07 100	0.07 160	0.05 36	0.05 43

RAFT_R40	0.11 72	0.07 52	0.15 173	0.18 176	0.09 123	0.06 2	0.13 45	0.17 65	0.15 68	0.14 125	0.18 140	0.15 151	0.12 133	0.10 15	0.11 72	0.06 52	0.04 2	0.09 229	0.06 83	0.06 93	0.05 43

RE-Stereo	0.11 72	0.07 52	0.13 111	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.11 289

Pruner-Stereo	0.11 72	0.07 52	0.12 87	0.17 109	0.09 123	0.06 2	0.12 23	0.18 89	0.17 99	0.14 125	0.19 151	0.13 114	0.10 80	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.06 93	0.08 214

TVStereo	0.11 72	0.07 52	0.13 111	0.17 109	0.09 123	0.10 57	0.13 45	0.23 168	0.19 123	0.12 80	0.17 120	0.12 92	0.12 133	0.11 42	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.11 289

RAFT-345	0.11 72	0.07 52	0.16 208	0.17 109	0.08 46	0.08 22	0.12 23	0.16 38	0.10 6	0.11 62	0.34 303	0.09 39	0.10 80	0.11 42	0.12 122	0.05 2	0.05 82	0.07 100	0.06 83	0.04 1	0.05 43

test-1	0.10 47	0.07 52	0.17 227	0.19 223	0.08 46	0.11 79	0.24 321	0.15 24	0.18 109	0.09 16	0.07 13	0.10 58	0.08 50	0.08 5	0.09 16	0.06 52	0.04 2	0.06 31	0.06 83	0.04 1	0.05 43

GMM-Stereo	0.11 72	0.07 52	0.10 39	0.18 176	0.09 123	0.08 22	0.14 76	0.24 186	0.16 84	0.11 62	0.15 92	0.13 114	0.11 104	0.11 42	0.11 72	0.05 2	0.04 2	0.08 161	0.07 160	0.06 93	0.09 246

Prome-Stereo	0.11 72	0.07 52	0.11 64	0.18 176	0.09 123	0.12 104	0.14 76	0.23 168	0.13 42	0.13 104	0.16 104	0.13 114	0.08 50	0.12 93	0.10 45	0.05 2	0.05 82	0.07 100	0.06 83	0.06 93	0.10 268

iRaftStereo_RVC	0.10 47	0.07 52	0.10 39	0.17 109	0.09 123	0.11 79	0.17 192	0.18 89	0.12 26	0.09 16	0.11 53	0.10 58	0.07 30	0.11 42	0.10 45	0.05 2	0.04 2	0.08 161	0.08 213	0.04 1	0.04 4

raft+_RVC	0.11 72	0.07 52	0.09 24	0.16 60	0.07 14	0.10 57	0.11 10	0.24 186	0.20 141	0.12 80	0.15 92	0.12 92	0.08 50	0.12 93	0.13 149	0.07 143	0.04 2	0.07 100	0.06 83	0.05 36	0.05 43

RALCasStereoNet	0.11 72	0.07 52	0.09 24	0.16 60	0.08 46	0.13 124	0.14 76	0.17 65	0.11 16	0.12 80	0.17 120	0.14 130	0.10 80	0.12 93	0.11 72	0.07 143	0.06 189	0.06 31	0.05 32	0.08 198	0.07 151

222	0.16 238	0.07 52	0.15 173	0.14 11	0.08 46	0.25 312	0.18 230	0.30 268	0.21 154	0.18 211	0.29 268	0.17 181	0.16 220	0.16 187	0.44 383	0.10 266	0.05 82	0.07 100	0.06 83	0.08 198	0.08 214

test_xeample3	0.09 8	0.07 52	0.12 87	0.16 60	0.09 123	0.11 79	0.15 121	0.16 38	0.14 56	0.10 35	0.07 13	0.08 24	0.06 7	0.10 15	0.09 16	0.06 52	0.04 2	0.06 31	0.05 32	0.05 36	0.06 98

xxxx	0.15 215	0.07 52	0.14 147	0.14 11	0.08 46	0.24 304	0.18 230	0.32 285	0.20 141	0.14 125	0.28 258	0.22 235	0.14 191	0.15 162	0.29 344	0.09 234	0.05 82	0.07 100	0.07 160	0.08 198	0.08 214

test_xeample	0.15 215	0.07 52	0.14 147	0.15 35	0.08 46	0.22 287	0.20 279	0.29 258	0.21 154	0.16 173	0.29 268	0.19 197	0.17 241	0.16 187	0.28 337	0.09 234	0.05 82	0.07 100	0.07 160	0.07 151	0.07 151

AFF-stereo	0.09 8	0.07 52	0.10 39	0.17 109	0.07 14	0.10 57	0.15 121	0.18 89	0.10 6	0.10 35	0.11 53	0.09 39	0.10 80	0.12 93	0.10 45	0.05 2	0.04 2	0.07 100	0.07 160	0.04 1	0.04 4

EAI-Stereo	0.09 8	0.07 52	0.11 64	0.16 60	0.07 14	0.10 57	0.15 121	0.16 38	0.09 2	0.08 5	0.09 24	0.08 24	0.07 30	0.09 10	0.11 72	0.05 2	0.05 82	0.05 2	0.05 32	0.05 36	0.04 4

CFNet-RSSM	0.09 8	0.07 52	0.10 39	0.16 60	0.07 14	0.09 36	0.15 121	0.17 65	0.18 109	0.08 5	0.12 63	0.11 73	0.09 67	0.12 93	0.10 45	0.06 52	0.04 2	0.06 31	0.04 7	0.04 1	0.04 4

SFCPSM	0.13 158	0.07 52	0.15 173	0.17 109	0.09 123	0.15 174	0.16 172	0.28 244	0.27 230	0.14 125	0.18 140	0.12 92	0.13 162	0.14 148	0.11 72	0.08 192	0.05 82	0.07 100	0.07 160	0.07 151	0.06 98

Gwc-CoAtRS	0.09 8	0.07 52	0.10 39	0.16 60	0.07 14	0.10 57	0.15 121	0.18 89	0.17 99	0.08 5	0.10 37	0.12 92	0.09 67	0.12 93	0.09 16	0.06 52	0.04 2	0.06 31	0.04 7	0.04 1	0.05 43

cf-r	0.14 183	0.07 52	0.13 111	0.16 60	0.08 46	0.14 154	0.19 265	0.21 135	0.25 208	0.17 183	0.26 233	0.22 235	0.17 241	0.14 148	0.15 203	0.10 266	0.05 82	0.06 31	0.08 213	0.06 93	0.06 98

GANet-RSSM	0.14 183	0.07 52	0.13 111	0.13 6	0.08 46	0.14 154	0.18 230	0.23 168	0.21 154	0.17 183	0.25 221	0.24 255	0.16 220	0.16 187	0.16 220	0.10 266	0.06 189	0.07 100	0.08 213	0.08 198	0.07 151

PSMNet-RSSM	0.14 183	0.07 52	0.14 147	0.15 35	0.08 46	0.13 124	0.16 172	0.25 203	0.24 192	0.17 183	0.28 258	0.23 246	0.14 191	0.16 187	0.14 173	0.11 291	0.06 189	0.09 229	0.12 324	0.08 198	0.07 151

GwcNet-RSSM	0.14 183	0.07 52	0.12 87	0.16 60	0.08 46	0.15 174	0.20 279	0.22 154	0.28 243	0.18 211	0.28 258	0.23 246	0.17 241	0.15 162	0.16 220	0.10 266	0.06 189	0.07 100	0.09 252	0.07 151	0.07 151

CFNet-ft	0.14 183	0.07 52	0.15 173	0.12 3	0.09 123	0.17 216	0.18 230	0.22 154	0.24 192	0.17 183	0.26 233	0.24 255	0.14 191	0.16 187	0.15 203	0.11 291	0.06 189	0.08 161	0.09 252	0.09 250	0.08 214

RASNet	0.15 215	0.07 52	0.15 173	0.16 60	0.08 46	0.19 247	0.14 76	0.30 268	0.21 154	0.17 183	0.25 221	0.21 219	0.19 265	0.20 258	0.20 262	0.07 143	0.06 189	0.06 31	0.08 213	0.06 93	0.06 98

CFNet_RVC	0.14 183	0.07 52	0.15 173	0.12 3	0.09 123	0.17 216	0.18 230	0.22 154	0.24 192	0.17 183	0.26 233	0.24 255	0.14 191	0.16 187	0.15 203	0.11 291	0.06 189	0.08 161	0.09 252	0.09 250	0.08 214

iResNet_ROB	0.14 183	0.07 52	0.13 111	0.15 35	0.07 14	0.19 247	0.14 76	0.26 211	0.32 266	0.23 273	0.26 233	0.23 246	0.16 220	0.15 162	0.14 173	0.07 143	0.05 82	0.05 2	0.04 7	0.08 198	0.08 214

LE_ROB	0.50 385	0.07 52	0.14 147	0.15 35	0.08 46	0.26 322	0.17 192	0.23 168	1.71 415	4.68 419	0.67 380	0.46 368	0.47 378	0.21 273	0.30 350	0.07 143	0.06 189	0.06 31	0.06 83	0.08 198	0.06 98

pmcnn	0.15 215	0.07 52	0.20 277	0.15 35	0.07 14	0.21 274	0.16 172	0.25 203	0.26 220	0.21 250	0.33 293	0.29 293	0.19 265	0.18 226	0.17 232	0.07 143	0.05 82	0.05 2	0.04 7	0.07 151	0.06 98

Former-RAFT_DAM_RVC	0.11 72	0.08 135	0.13 111	0.16 60	0.08 46	0.15 174	0.16 172	0.18 89	0.19 123	0.10 35	0.09 24	0.09 39	0.08 50	0.11 42	0.12 122	0.07 143	0.05 82	0.08 161	0.06 83	0.07 151	0.06 98

AE-Stereo	0.10 47	0.08 135	0.11 64	0.19 223	0.09 123	0.10 57	0.15 121	0.14 17	0.20 141	0.09 16	0.15 92	0.12 92	0.08 50	0.11 42	0.10 45	0.05 2	0.06 189	0.07 100	0.06 83	0.05 36	0.04 4

ACVNet-DCA	0.10 47	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.24 186	0.16 84	0.09 16	0.09 24	0.06 3	0.06 7	0.10 15	0.07 1	0.06 52	0.05 82	0.06 31	0.05 32	0.07 151	0.07 151

xx1	0.11 72	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.16 38	0.18 109	0.09 16	0.09 24	0.16 165	0.16 220	0.10 15	0.07 1	0.06 52	0.05 82	0.08 161	0.08 213	0.07 151	0.07 151

1test111	0.11 72	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.24 186	0.16 84	0.09 16	0.09 24	0.06 3	0.06 7	0.15 162	0.16 220	0.06 52	0.05 82	0.06 31	0.05 32	0.07 151	0.07 151

cc1	0.10 47	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.16 38	0.18 109	0.09 16	0.09 24	0.06 3	0.06 7	0.10 15	0.07 1	0.06 52	0.05 82	0.06 31	0.05 32	0.06 93	0.06 98

mmm	0.14 183	0.08 135	0.18 253	0.17 109	0.09 123	0.17 216	0.18 230	0.21 135	0.16 84	0.16 173	0.23 186	0.21 219	0.16 220	0.16 187	0.17 232	0.08 192	0.05 82	0.08 161	0.08 213	0.08 198	0.07 151

tt1	0.10 47	0.08 135	0.13 111	0.17 109	0.09 123	0.13 124	0.15 121	0.15 24	0.19 123	0.09 16	0.08 17	0.06 3	0.06 7	0.10 15	0.08 9	0.06 52	0.05 82	0.06 31	0.05 32	0.06 93	0.06 98

ttt	0.14 183	0.08 135	0.14 147	0.15 35	0.08 46	0.15 174	0.18 230	0.27 223	0.30 254	0.16 173	0.24 195	0.17 181	0.14 191	0.13 130	0.14 173	0.11 291	0.08 270	0.09 229	0.08 213	0.09 250	0.09 246

PCWNet_CMD	0.14 183	0.08 135	0.15 173	0.17 109	0.09 123	0.14 154	0.14 76	0.29 258	0.36 298	0.14 125	0.20 160	0.21 219	0.13 162	0.17 217	0.14 173	0.07 143	0.05 82	0.07 100	0.07 160	0.07 151	0.07 151

TestStereo1	0.13 158	0.08 135	0.08 6	0.20 264	0.08 46	0.18 232	0.29 363	0.23 168	0.17 99	0.17 183	0.20 160	0.16 165	0.11 104	0.12 93	0.13 149	0.06 52	0.06 189	0.08 161	0.06 83	0.05 36	0.05 43

x	0.13 158	0.08 135	0.15 173	0.14 11	0.08 46	0.19 247	0.14 76	0.22 154	0.21 154	0.15 146	0.20 160	0.20 212	0.18 251	0.18 226	0.18 244	0.07 143	0.05 82	0.06 31	0.06 83	0.07 151	0.07 151

IER	0.14 183	0.08 135	0.13 111	0.17 109	0.09 123	0.14 154	0.16 172	0.26 211	0.27 230	0.18 211	0.26 233	0.17 181	0.20 278	0.17 217	0.14 173	0.08 192	0.05 82	0.07 100	0.06 83	0.08 198	0.07 151

CRFU-Net	0.16 238	0.08 135	0.15 173	0.17 109	0.09 123	0.20 264	0.14 76	0.27 223	0.21 154	0.28 320	0.28 258	0.29 293	0.18 251	0.19 245	0.18 244	0.09 234	0.09 291	0.07 100	0.07 160	0.08 198	0.09 246

SA-5K	0.13 158	0.08 135	0.08 6	0.20 264	0.08 46	0.18 232	0.29 363	0.23 168	0.17 99	0.17 183	0.20 160	0.16 165	0.11 104	0.12 93	0.13 149	0.06 52	0.06 189	0.08 161	0.06 83	0.05 36	0.05 43

Sa-1000	0.12 134	0.08 135	0.09 24	0.18 176	0.08 46	0.15 174	0.22 302	0.22 154	0.19 123	0.15 146	0.20 160	0.17 181	0.11 104	0.10 15	0.10 45	0.06 52	0.05 82	0.09 229	0.09 252	0.05 36	0.05 43

CIPLG	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.13 124	0.15 121	0.17 65	0.16 84	0.14 125	0.11 53	0.16 165	0.10 80	0.17 217	0.12 122	0.07 143	0.05 82	0.06 31	0.06 83	0.05 36	0.06 98

DAS	0.15 215	0.08 135	0.18 253	0.19 223	0.10 217	0.19 247	0.17 192	0.28 244	0.30 254	0.18 211	0.26 233	0.21 219	0.16 220	0.16 187	0.13 149	0.08 192	0.06 189	0.06 31	0.06 83	0.07 151	0.07 151

SepStereo	0.15 215	0.08 135	0.18 253	0.19 223	0.10 217	0.19 247	0.17 192	0.28 244	0.30 254	0.18 211	0.26 233	0.21 219	0.16 220	0.26 316	0.13 149	0.08 192	0.06 189	0.06 31	0.06 83	0.07 151	0.07 151

IPLG	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.11 79	0.14 76	0.20 124	0.15 68	0.13 104	0.18 140	0.07 18	0.07 30	0.14 148	0.14 173	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

IPLGR_C	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.12 104	0.15 121	0.17 65	0.15 68	0.14 125	0.11 53	0.16 165	0.10 80	0.16 187	0.12 122	0.07 143	0.05 82	0.06 31	0.06 83	0.05 36	0.06 98

MIPNet	0.11 72	0.08 135	0.15 173	0.17 109	0.09 123	0.12 104	0.14 76	0.21 135	0.25 208	0.12 80	0.10 37	0.09 39	0.07 30	0.13 130	0.13 149	0.06 52	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

AASNet	0.16 238	0.08 135	0.13 111	0.19 223	0.09 123	0.19 247	0.15 121	0.38 343	0.37 302	0.20 241	0.24 195	0.20 212	0.17 241	0.17 217	0.21 273	0.10 266	0.08 270	0.08 161	0.07 160	0.09 250	0.09 246

ACRE	0.11 72	0.08 135	0.15 173	0.17 109	0.08 46	0.13 124	0.15 121	0.17 65	0.14 56	0.14 125	0.11 53	0.16 165	0.10 80	0.16 187	0.12 122	0.07 143	0.05 82	0.06 31	0.06 83	0.05 36	0.06 98

AACVNet	0.16 238	0.08 135	0.15 173	0.15 35	0.10 217	0.18 232	0.15 121	0.24 186	0.25 208	0.27 308	0.27 248	0.28 286	0.18 251	0.19 245	0.17 232	0.09 234	0.07 244	0.09 229	0.07 160	0.10 275	0.09 246

GwcNet-ADL	0.13 158	0.08 135	0.14 147	0.20 264	0.09 123	0.12 104	0.20 279	0.30 268	0.25 208	0.14 125	0.14 81	0.18 193	0.14 191	0.13 130	0.15 203	0.07 143	0.05 82	0.06 31	0.05 32	0.07 151	0.06 98

AAGNet	0.12 134	0.08 135	0.17 227	0.19 223	0.09 123	0.08 22	0.13 45	0.19 113	0.13 42	0.16 173	0.21 176	0.13 114	0.14 191	0.11 42	0.14 173	0.06 52	0.04 2	0.09 229	0.06 83	0.06 93	0.05 43

TransformOpticalFlow	0.10 47	0.08 135	0.13 111	0.18 176	0.07 14	0.09 36	0.15 121	0.19 113	0.16 84	0.12 80	0.16 104	0.11 73	0.11 104	0.11 42	0.11 72	0.05 2	0.04 2	0.06 31	0.06 83	0.05 36	0.05 43

NRIStereo	0.11 72	0.08 135	0.15 173	0.18 176	0.08 46	0.10 57	0.13 45	0.17 65	0.15 68	0.12 80	0.15 92	0.13 114	0.13 162	0.13 130	0.10 45	0.06 52	0.04 2	0.07 100	0.06 83	0.06 93	0.07 151

DeepStereo_RVC	0.11 72	0.08 135	0.17 227	0.18 176	0.08 46	0.08 22	0.11 10	0.17 65	0.12 26	0.13 104	0.15 92	0.12 92	0.12 133	0.12 93	0.11 72	0.06 52	0.04 2	0.07 100	0.06 83	0.07 151	0.08 214

IRAFT_RVC	0.12 134	0.08 135	0.17 227	0.19 223	0.08 46	0.07 15	0.14 76	0.25 203	0.23 182	0.14 125	0.15 92	0.15 151	0.12 133	0.12 93	0.11 72	0.06 52	0.04 2	0.09 229	0.06 83	0.06 93	0.06 98

CroCo-Stereo	0.09 8	0.08 135	0.08 6	0.22 307	0.09 123	0.09 36	0.18 230	0.16 38	0.12 26	0.07 2	0.07 13	0.08 24	0.06 7	0.08 5	0.07 1	0.07 143	0.05 82	0.06 31	0.04 7	0.05 36	0.04 4
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
LMCR-Stereo	0.15 215	0.08 135	0.14 147	0.21 290	0.09 123	0.18 232	0.19 265	0.28 244	0.19 123	0.24 284	0.24 195	0.23 246	0.17 241	0.20 258	0.17 232	0.07 143	0.06 189	0.08 161	0.06 83	0.10 275	0.09 246

CFNet_pseudo	0.14 183	0.08 135	0.16 208	0.16 60	0.09 123	0.13 124	0.14 76	0.27 223	0.34 281	0.15 146	0.21 176	0.22 235	0.13 162	0.18 226	0.14 173	0.07 143	0.05 82	0.08 161	0.06 83	0.07 151	0.07 151

RALAANet	0.11 72	0.08 135	0.10 39	0.17 109	0.09 123	0.14 154	0.10 5	0.20 124	0.16 84	0.14 125	0.13 74	0.16 165	0.09 67	0.12 93	0.12 122	0.06 52	0.05 82	0.08 161	0.07 160	0.06 93	0.04 4

ADLNet	0.16 238	0.08 135	0.15 173	0.16 60	0.10 217	0.16 196	0.17 192	0.33 295	0.27 230	0.23 273	0.27 248	0.24 255	0.16 220	0.18 226	0.21 273	0.10 266	0.06 189	0.10 270	0.10 283	0.08 198	0.09 246

GES	0.14 183	0.08 135	0.16 208	0.15 35	0.10 217	0.13 124	0.13 45	0.28 244	0.26 220	0.17 183	0.24 195	0.19 197	0.14 191	0.16 187	0.14 173	0.08 192	0.08 270	0.07 100	0.06 83	0.08 198	0.09 246

ARAFT	0.12 134	0.08 135	0.18 253	0.19 223	0.09 123	0.15 174	0.17 192	0.20 124	0.13 42	0.12 80	0.13 74	0.14 130	0.12 133	0.15 162	0.13 149	0.06 52	0.05 82	0.10 270	0.09 252	0.06 93	0.04 4

RAFT + AFF	0.13 158	0.08 135	0.21 284	0.20 264	0.10 217	0.14 154	0.23 313	0.27 223	0.21 154	0.12 80	0.10 37	0.12 92	0.10 80	0.16 187	0.12 122	0.08 192	0.07 244	0.09 229	0.09 252	0.06 93	0.09 246

UPFNet	0.16 238	0.08 135	0.12 87	0.20 264	0.12 284	0.20 264	0.23 313	0.28 244	0.26 220	0.18 211	0.24 195	0.22 235	0.20 278	0.19 245	0.22 286	0.09 234	0.07 244	0.08 161	0.09 252	0.08 198	0.06 98

FENet	0.13 158	0.08 135	0.13 111	0.16 60	0.08 46	0.15 174	0.16 172	0.23 168	0.23 182	0.17 183	0.24 195	0.16 165	0.13 162	0.14 148	0.15 203	0.08 192	0.05 82	0.08 161	0.08 213	0.08 198	0.08 214

DIP-Stereo	0.11 72	0.08 135	0.15 173	0.17 109	0.09 123	0.13 124	0.09 3	0.16 38	0.16 84	0.12 80	0.16 104	0.14 130	0.12 133	0.16 187	0.14 173	0.06 52	0.05 82	0.06 31	0.05 32	0.05 36	0.07 151
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 183	0.08 135	0.15 173	0.17 109	0.09 123	0.14 154	0.14 76	0.29 258	0.36 298	0.14 125	0.20 160	0.21 219	0.13 162	0.18 226	0.14 173	0.07 143	0.05 82	0.07 100	0.07 160	0.07 151	0.07 151

HSM-Net_RVC	0.14 183	0.08 135	0.12 87	0.15 35	0.08 46	0.16 196	0.15 121	0.27 223	0.29 249	0.20 241	0.21 176	0.29 293	0.14 191	0.18 226	0.13 149	0.06 52	0.06 189	0.06 31	0.06 83	0.07 151	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UCFNet_RVC	0.15 215	0.08 135	0.13 111	0.11 1	0.10 217	0.20 264	0.10 5	0.24 186	0.23 182	0.17 183	0.21 176	0.24 255	0.15 209	0.18 226	0.15 203	0.12 314	0.07 244	0.11 296	0.13 334	0.11 291	0.10 268

iResNetv2_ROB	0.15 215	0.08 135	0.16 208	0.16 60	0.08 46	0.16 196	0.13 45	0.26 211	0.36 298	0.21 250	0.29 268	0.24 255	0.13 162	0.14 148	0.14 173	0.06 52	0.06 189	0.06 31	0.04 7	0.09 250	0.08 214

MLCV	0.13 158	0.08 135	0.17 227	0.18 176	0.06 2	0.16 196	0.17 192	0.19 113	0.22 173	0.19 221	0.25 221	0.17 181	0.13 162	0.15 162	0.14 173	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

H2IRNET	0.10 47	0.09 182	0.10 39	0.18 176	0.09 123	0.12 104	0.15 121	0.14 17	0.21 154	0.10 35	0.10 37	0.10 58	0.11 104	0.10 15	0.10 45	0.06 52	0.04 2	0.08 161	0.08 213	0.06 93	0.05 43

DualNet	0.13 158	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.15 24	0.19 123	0.15 146	0.26 233	0.19 197	0.13 162	0.10 15	0.22 286	0.06 52	0.05 82	0.09 229	0.08 213	0.06 93	0.06 98

ffm	0.12 134	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.15 24	0.19 123	0.15 146	0.26 233	0.19 197	0.13 162	0.10 15	0.08 9	0.06 52	0.05 82	0.09 229	0.08 213	0.06 93	0.06 98

ff1	0.13 158	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.15 24	0.19 123	0.15 146	0.26 233	0.19 197	0.13 162	0.15 162	0.22 286	0.06 52	0.05 82	0.09 229	0.08 213	0.06 93	0.06 98

mmx	0.15 215	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.27 223	0.26 220	0.15 146	0.26 233	0.19 197	0.13 162	0.15 162	0.22 286	0.08 192	0.06 189	0.09 229	0.08 213	0.08 198	0.08 214

1111x	0.16 238	0.09 182	0.13 111	0.18 176	0.08 46	0.18 232	0.25 336	0.32 285	0.25 208	0.17 183	0.24 195	0.27 278	0.15 209	0.14 148	0.24 307	0.07 143	0.07 244	0.08 161	0.09 252	0.07 151	0.07 151

whm_eth	0.14 183	0.09 182	0.21 284	0.21 290	0.12 284	0.12 104	0.16 172	0.18 89	0.29 249	0.17 183	0.32 286	0.09 39	0.13 162	0.18 226	0.14 173	0.07 143	0.07 244	0.08 161	0.07 160	0.07 151	0.07 151

xxx	0.15 215	0.09 182	0.15 173	0.16 60	0.09 123	0.17 216	0.17 192	0.27 223	0.26 220	0.15 146	0.26 233	0.19 197	0.13 162	0.15 162	0.22 286	0.08 192	0.06 189	0.09 229	0.08 213	0.08 198	0.08 214

test croco	0.11 72	0.09 182	0.10 39	0.19 223	0.09 123	0.11 79	0.14 76	0.14 17	0.13 42	0.13 104	0.15 92	0.09 39	0.12 133	0.13 130	0.12 122	0.07 143	0.05 82	0.09 229	0.06 83	0.06 93	0.06 98

StereoIM	0.09 8	0.09 182	0.08 6	0.17 109	0.09 123	0.14 154	0.11 10	0.16 38	0.16 84	0.09 16	0.11 53	0.06 3	0.06 7	0.09 10	0.13 149	0.07 143	0.06 189	0.08 161	0.05 32	0.05 36	0.04 4

CASnet	0.09 8	0.09 182	0.09 24	0.19 223	0.06 2	0.07 15	0.11 10	0.18 89	0.14 56	0.11 62	0.10 37	0.09 39	0.07 30	0.10 15	0.10 45	0.06 52	0.04 2	0.10 270	0.08 213	0.06 93	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
CFNet_ucs	0.15 215	0.09 182	0.17 227	0.16 60	0.11 255	0.14 154	0.14 76	0.30 268	0.34 281	0.16 173	0.24 195	0.23 246	0.14 191	0.18 226	0.15 203	0.09 234	0.06 189	0.08 161	0.07 160	0.09 250	0.09 246

SDNR	0.20 286	0.09 182	0.19 274	0.16 60	0.12 284	0.79 399	0.13 45	0.26 211	0.33 271	0.19 221	0.25 221	0.19 197	0.12 133	0.19 245	0.15 203	0.16 360	0.18 366	0.14 337	0.11 306	0.08 198	0.12 307

CroCo-Stereo Lap2	0.09 8	0.09 182	0.08 6	0.22 307	0.09 123	0.09 36	0.18 230	0.16 38	0.12 26	0.09 16	0.10 37	0.05 1	0.05 2	0.08 5	0.08 9	0.06 52	0.06 189	0.07 100	0.05 32	0.06 93	0.05 43

qqq	0.13 158	0.09 182	0.15 173	0.16 60	0.08 46	0.13 124	0.15 121	0.24 186	0.16 84	0.15 146	0.19 151	0.16 165	0.16 220	0.15 162	0.16 220	0.07 143	0.06 189	0.08 161	0.08 213	0.07 151	0.07 151

Wz-Net-LNSev-Ref	0.18 270	0.09 182	0.30 330	0.15 35	0.11 255	0.23 298	0.20 279	0.27 223	0.40 316	0.26 301	0.43 350	0.25 264	0.15 209	0.21 273	0.20 262	0.07 143	0.05 82	0.06 31	0.05 32	0.10 275	0.09 246

BUS	0.15 215	0.09 182	0.14 147	0.22 307	0.10 217	0.20 264	0.14 76	0.34 309	0.20 141	0.17 183	0.23 186	0.16 165	0.14 191	0.16 187	0.14 173	0.08 192	0.06 189	0.10 270	0.09 252	0.07 151	0.07 151

RAFT_CTSACE	0.12 134	0.09 182	0.10 39	0.22 307	0.08 46	0.12 104	0.24 321	0.18 89	0.17 99	0.21 250	0.27 248	0.13 114	0.07 30	0.13 130	0.09 16	0.05 2	0.06 189	0.08 161	0.07 160	0.04 1	0.04 4

BSDual-CNN	0.15 215	0.09 182	0.14 147	0.22 307	0.10 217	0.15 174	0.15 121	0.34 309	0.20 141	0.17 183	0.23 186	0.25 264	0.16 220	0.16 187	0.14 173	0.08 192	0.06 189	0.10 270	0.09 252	0.07 151	0.07 151

SA	0.13 158	0.09 182	0.09 24	0.18 176	0.08 46	0.12 104	0.24 321	0.23 168	0.19 123	0.17 183	0.27 248	0.15 151	0.11 104	0.11 42	0.11 72	0.05 2	0.05 82	0.09 229	0.08 213	0.05 36	0.05 43

iRaft-Stereo_5w	0.12 134	0.09 182	0.12 87	0.20 264	0.08 46	0.09 36	0.12 23	0.22 154	0.22 173	0.19 221	0.14 81	0.11 73	0.09 67	0.20 258	0.16 220	0.05 2	0.05 82	0.07 100	0.06 83	0.05 36	0.06 98

psmg	0.14 183	0.09 182	0.14 147	0.17 109	0.10 217	0.15 174	0.17 192	0.29 258	0.20 141	0.17 183	0.21 176	0.25 264	0.16 220	0.16 187	0.14 173	0.08 192	0.07 244	0.08 161	0.08 213	0.07 151	0.07 151

CSP-Net	0.16 238	0.09 182	0.14 147	0.17 109	0.09 123	0.19 247	0.18 230	0.25 203	0.33 271	0.26 301	0.31 277	0.25 264	0.16 220	0.21 273	0.19 254	0.09 234	0.06 189	0.07 100	0.07 160	0.08 198	0.08 214

IPLGR	0.11 72	0.09 182	0.17 227	0.18 176	0.08 46	0.13 124	0.16 172	0.21 135	0.24 192	0.12 80	0.12 63	0.11 73	0.09 67	0.13 130	0.12 122	0.06 52	0.05 82	0.06 31	0.06 83	0.05 36	0.04 4

GMOStereo	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 353	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

error version	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 353	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

test-v	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 353	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

test_3	0.11 72	0.09 182	0.10 39	0.21 290	0.08 46	0.13 124	0.25 336	0.14 17	0.21 154	0.10 35	0.10 37	0.09 39	0.10 80	0.08 5	0.11 72	0.05 2	0.04 2	0.08 161	0.07 160	0.04 1	0.04 4

ADLNet2	0.16 238	0.09 182	0.14 147	0.17 109	0.09 123	0.20 264	0.16 172	0.32 285	0.39 312	0.17 183	0.20 160	0.20 212	0.19 265	0.21 273	0.23 296	0.08 192	0.07 244	0.07 100	0.07 160	0.09 250	0.07 151

Patchmatch Stereo++	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.12 23	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

ROB_FTStereo_v2	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.12 23	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

ROB_FTStereo	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

HUI-Stereo	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

iGMRVC	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.12 23	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

iRAFT	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

CRE-IMP	0.11 72	0.09 182	0.16 208	0.19 223	0.09 123	0.10 57	0.12 23	0.18 89	0.10 6	0.14 125	0.14 81	0.14 130	0.13 162	0.12 93	0.12 122	0.07 143	0.04 2	0.08 161	0.06 83	0.08 198	0.08 214

test-2	0.11 72	0.09 182	0.08 6	0.19 223	0.08 46	0.12 104	0.28 353	0.13 11	0.18 109	0.11 62	0.17 120	0.14 130	0.12 133	0.07 1	0.07 1	0.05 2	0.05 82	0.09 229	0.07 160	0.04 1	0.04 4

cross-raft	0.10 47	0.09 182	0.09 24	0.19 223	0.07 14	0.11 79	0.24 321	0.13 11	0.15 68	0.08 5	0.10 37	0.12 92	0.10 80	0.09 10	0.11 72	0.05 2	0.04 2	0.06 31	0.05 32	0.04 1	0.04 4

RAFT	0.13 158	0.09 182	0.11 64	0.18 176	0.08 46	0.15 174	0.23 313	0.21 135	0.20 141	0.21 250	0.21 176	0.18 193	0.13 162	0.17 217	0.10 45	0.06 52	0.07 244	0.10 270	0.09 252	0.06 93	0.05 43

RAFT-IKP	0.11 72	0.09 182	0.17 227	0.19 223	0.08 46	0.06 2	0.11 10	0.17 65	0.13 42	0.15 146	0.16 104	0.14 130	0.12 133	0.11 42	0.11 72	0.06 52	0.05 82	0.08 161	0.06 83	0.08 198	0.07 151

ICVP	0.16 238	0.09 182	0.12 87	0.22 307	0.09 123	0.18 232	0.21 292	0.26 211	0.24 192	0.18 211	0.30 274	0.27 278	0.18 251	0.18 226	0.15 203	0.10 266	0.07 244	0.08 161	0.07 160	0.07 151	0.08 214
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 134	0.09 182	0.24 303	0.24 332	0.11 255	0.19 247	0.14 76	0.17 65	0.15 68	0.10 35	0.13 74	0.12 92	0.07 30	0.14 148	0.11 72	0.08 192	0.08 270	0.08 161	0.08 213	0.05 36	0.07 151

delet	0.17 257	0.09 182	0.18 253	0.19 223	0.11 255	0.21 274	0.22 302	0.30 268	0.38 308	0.17 183	0.27 248	0.19 197	0.19 265	0.19 245	0.21 273	0.08 192	0.08 270	0.09 229	0.11 306	0.06 93	0.07 151

UNet	0.17 257	0.09 182	0.18 253	0.19 223	0.12 284	0.28 338	0.19 265	0.33 295	0.30 254	0.21 250	0.25 221	0.23 246	0.19 265	0.20 258	0.19 254	0.07 143	0.06 189	0.08 161	0.07 160	0.08 198	0.07 151

ac_64	0.16 238	0.09 182	0.15 173	0.18 176	0.10 217	0.22 287	0.17 192	0.24 186	0.22 173	0.19 221	0.24 195	0.29 293	0.18 251	0.19 245	0.22 286	0.09 234	0.08 270	0.08 161	0.09 252	0.07 151	0.06 98

ACVNet	0.15 215	0.09 182	0.15 173	0.13 6	0.12 284	0.14 154	0.20 279	0.22 154	0.34 281	0.17 183	0.26 233	0.21 219	0.17 241	0.18 226	0.21 273	0.07 143	0.06 189	0.06 31	0.06 83	0.08 198	0.06 98

acv_ft	0.15 215	0.09 182	0.16 208	0.19 223	0.10 217	0.16 196	0.17 192	0.25 203	0.34 281	0.19 221	0.26 233	0.21 219	0.17 241	0.18 226	0.19 254	0.07 143	0.06 189	0.06 31	0.06 83	0.08 198	0.06 98

HGLStereo	0.17 257	0.09 182	0.19 274	0.17 109	0.12 284	0.18 232	0.18 230	0.31 281	0.33 271	0.22 259	0.33 293	0.24 255	0.18 251	0.20 258	0.21 273	0.10 266	0.09 291	0.07 100	0.07 160	0.09 250	0.10 268

DSFCA	0.16 238	0.09 182	0.14 147	0.16 60	0.10 217	0.21 274	0.19 265	0.28 244	0.31 261	0.23 273	0.25 221	0.22 235	0.16 220	0.20 258	0.20 262	0.10 266	0.07 244	0.09 229	0.09 252	0.08 198	0.08 214

DMCA	0.14 183	0.09 182	0.17 227	0.19 223	0.09 123	0.15 174	0.17 192	0.23 168	0.28 243	0.14 125	0.20 160	0.17 181	0.18 251	0.15 162	0.17 232	0.10 266	0.06 189	0.08 161	0.06 83	0.09 250	0.10 268

BEATNet_4x	0.12 134	0.09 182	0.15 173	0.18 176	0.07 14	0.15 174	0.07 1	0.23 168	0.19 123	0.16 173	0.19 151	0.19 197	0.14 191	0.17 217	0.15 203	0.07 143	0.05 82	0.05 2	0.05 32	0.06 93	0.07 151

ccs_rob	0.14 183	0.09 182	0.16 208	0.16 60	0.09 123	0.13 124	0.14 76	0.27 223	0.34 281	0.15 146	0.21 176	0.22 235	0.13 162	0.18 226	0.14 173	0.07 143	0.05 82	0.08 161	0.07 160	0.07 151	0.07 151

HSM	0.15 215	0.09 182	0.15 173	0.16 60	0.09 123	0.16 196	0.14 76	0.28 244	0.25 208	0.20 241	0.24 195	0.37 337	0.17 241	0.20 258	0.15 203	0.07 143	0.05 82	0.07 100	0.06 83	0.07 151	0.06 98

DISCO	0.20 286	0.09 182	0.22 291	0.17 109	0.10 217	0.25 312	0.18 230	0.28 244	0.45 337	0.23 273	0.32 286	0.34 328	0.26 316	0.29 333	0.29 344	0.08 192	0.06 189	0.07 100	0.07 160	0.09 250	0.10 268

DispNO	0.16 238	0.10 237	0.20 277	0.21 290	0.11 255	0.13 124	0.27 346	0.23 168	0.35 292	0.22 259	0.27 248	0.20 212	0.20 278	0.16 187	0.16 220	0.09 234	0.06 189	0.07 100	0.07 160	0.06 93	0.06 98

LL-Strereo2	0.11 72	0.10 237	0.16 208	0.18 176	0.08 46	0.15 174	0.09 3	0.17 65	0.14 56	0.14 125	0.11 53	0.09 39	0.07 30	0.16 187	0.10 45	0.05 2	0.05 82	0.11 296	0.07 160	0.06 93	0.05 43

LL-Strereo	0.13 158	0.10 237	0.12 87	0.20 264	0.10 217	0.11 79	0.18 230	0.33 295	0.25 208	0.16 173	0.16 104	0.14 130	0.14 191	0.19 245	0.11 72	0.06 52	0.05 82	0.09 229	0.08 213	0.04 1	0.05 43

ssnet_v2	0.17 257	0.10 237	0.18 253	0.17 109	0.11 255	0.21 274	0.22 302	0.34 309	0.25 208	0.23 273	0.23 186	0.27 278	0.19 265	0.22 290	0.21 273	0.11 291	0.10 312	0.09 229	0.09 252	0.08 198	0.08 214

raft_robust	0.13 158	0.10 237	0.07 1	0.18 176	0.08 46	0.13 124	0.24 321	0.29 258	0.34 281	0.20 241	0.20 160	0.15 151	0.10 80	0.11 42	0.12 122	0.05 2	0.05 82	0.07 100	0.07 160	0.05 36	0.04 4

NINENet	0.16 238	0.10 237	0.16 208	0.17 109	0.11 255	0.20 264	0.14 76	0.41 356	0.37 302	0.18 211	0.21 176	0.16 165	0.14 191	0.16 187	0.14 173	0.08 192	0.08 270	0.10 270	0.07 160	0.10 275	0.09 246

test_4	0.11 72	0.10 237	0.08 6	0.19 223	0.09 123	0.08 22	0.21 292	0.15 24	0.18 109	0.12 80	0.18 140	0.12 92	0.09 67	0.08 5	0.11 72	0.04 1	0.04 2	0.08 161	0.08 213	0.04 1	0.04 4

Anonymous	0.14 183	0.10 237	0.24 303	0.23 324	0.13 304	0.18 232	0.23 313	0.20 124	0.19 123	0.14 125	0.12 63	0.11 73	0.13 162	0.17 217	0.13 149	0.08 192	0.07 244	0.08 161	0.08 213	0.12 304	0.10 268

MMNet	0.17 257	0.10 237	0.17 227	0.20 264	0.11 255	0.27 330	0.20 279	0.26 211	0.42 325	0.22 259	0.30 274	0.22 235	0.20 278	0.18 226	0.20 262	0.06 52	0.06 189	0.07 100	0.07 160	0.08 198	0.07 151

psm_up	0.19 279	0.10 237	0.18 253	0.21 290	0.11 255	0.17 216	0.19 265	0.38 343	0.34 281	0.22 259	0.28 258	0.29 293	0.25 309	0.20 258	0.22 286	0.09 234	0.10 312	0.11 296	0.11 306	0.08 198	0.08 214

hitnet-ft	0.18 270	0.10 237	0.17 227	0.14 11	0.09 123	0.27 330	0.20 279	0.25 203	0.26 220	0.24 284	0.32 286	0.32 318	0.23 296	0.24 307	0.21 273	0.12 314	0.07 244	0.10 270	0.08 213	0.12 304	0.11 289

DMCA-RVC	0.17 257	0.10 237	0.16 208	0.24 332	0.11 255	0.19 247	0.18 230	0.26 211	0.24 192	0.21 250	0.27 248	0.25 264	0.27 321	0.18 226	0.21 273	0.12 314	0.08 270	0.13 326	0.10 283	0.10 275	0.08 214

SuperB	0.20 286	0.10 237	0.57 373	0.16 60	0.09 123	0.19 247	0.18 230	0.25 203	0.51 354	0.27 308	0.39 328	0.17 181	0.22 290	0.22 290	0.21 273	0.08 192	0.06 189	0.06 31	0.06 83	0.12 304	0.11 289

ADCP+	0.20 286	0.10 237	0.35 347	0.21 290	0.12 284	0.22 287	0.27 346	0.31 281	0.35 292	0.26 301	0.37 314	0.22 235	0.22 290	0.27 318	0.28 337	0.09 234	0.06 189	0.08 161	0.08 213	0.10 275	0.10 268

NLCA_NET_v2_RVC	0.17 257	0.10 237	0.23 297	0.20 264	0.10 217	0.15 174	0.18 230	0.31 281	0.25 208	0.21 250	0.31 277	0.25 264	0.17 241	0.21 273	0.20 262	0.09 234	0.06 189	0.08 161	0.09 252	0.07 151	0.08 214
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 238	0.10 237	0.11 64	0.18 176	0.09 123	0.19 247	0.18 230	0.27 223	0.32 266	0.22 259	0.35 307	0.21 219	0.22 290	0.22 290	0.17 232	0.06 52	0.05 82	0.06 31	0.06 83	0.07 151	0.06 98

iResNet	0.13 158	0.10 237	0.18 253	0.19 223	0.08 46	0.14 154	0.18 230	0.21 135	0.27 230	0.16 173	0.24 195	0.15 151	0.13 162	0.14 148	0.15 203	0.06 52	0.04 2	0.06 31	0.05 32	0.06 93	0.05 43

MDST_ROB	0.22 304	0.10 237	0.18 253	0.18 176	0.11 255	0.40 370	0.19 265	0.44 369	0.42 325	0.40 359	0.40 331	0.29 293	0.21 283	0.27 318	0.19 254	0.11 291	0.10 312	0.14 337	0.11 306	0.10 275	0.08 214

DLCB_ROB	0.18 270	0.10 237	0.16 208	0.23 324	0.11 255	0.24 304	0.18 230	0.30 268	0.28 243	0.27 308	0.29 268	0.28 286	0.25 309	0.20 258	0.20 262	0.08 192	0.08 270	0.09 229	0.09 252	0.07 151	0.07 151

fast-acv-ft	0.18 270	0.11 256	0.20 277	0.19 223	0.12 284	0.26 322	0.21 292	0.26 211	0.35 292	0.22 259	0.34 303	0.27 278	0.21 283	0.21 273	0.23 296	0.09 234	0.09 291	0.08 161	0.10 283	0.08 198	0.07 151

ToySt	0.17 257	0.11 256	0.19 274	0.17 109	0.11 255	0.16 196	0.26 342	0.24 186	0.33 271	0.19 221	0.24 195	0.26 273	0.24 303	0.19 245	0.21 273	0.07 143	0.08 270	0.09 229	0.10 283	0.09 250	0.08 214

Selective-RAFT	0.11 72	0.11 256	0.12 87	0.21 290	0.08 46	0.16 196	0.13 45	0.21 135	0.23 182	0.10 35	0.10 37	0.11 73	0.10 80	0.15 162	0.11 72	0.05 2	0.05 82	0.06 31	0.05 32	0.06 93	0.05 43

RAFT+CT+SA	0.13 158	0.11 256	0.09 24	0.19 223	0.09 123	0.15 174	0.28 353	0.22 154	0.22 173	0.15 146	0.26 233	0.10 58	0.10 80	0.11 42	0.12 122	0.05 2	0.04 2	0.07 100	0.08 213	0.07 151	0.06 98

hknet	0.15 215	0.11 256	0.14 147	0.22 307	0.11 255	0.15 174	0.15 121	0.34 309	0.26 220	0.17 183	0.23 186	0.22 235	0.18 251	0.17 217	0.13 149	0.07 143	0.06 189	0.10 270	0.09 252	0.07 151	0.07 151

pcwnet_v2	0.19 279	0.11 256	0.26 313	0.18 176	0.14 319	0.18 232	0.15 121	0.37 336	0.46 345	0.19 221	0.24 195	0.21 219	0.19 265	0.21 273	0.20 262	0.13 328	0.10 312	0.10 270	0.10 283	0.11 291	0.13 316

stereogan	0.22 304	0.11 256	0.21 284	0.20 264	0.12 284	0.32 347	0.19 265	0.36 329	0.45 337	0.23 273	0.39 328	0.35 333	0.27 321	0.33 347	0.23 296	0.10 266	0.12 331	0.10 270	0.10 283	0.14 334	0.14 329

CFNet	0.15 215	0.11 256	0.17 227	0.17 109	0.08 46	0.19 247	0.10 5	0.29 258	0.26 220	0.19 221	0.24 195	0.24 255	0.18 251	0.18 226	0.15 203	0.08 192	0.06 189	0.09 229	0.10 283	0.08 198	0.07 151

CVANet_RVC	0.18 270	0.11 256	0.14 147	0.21 290	0.11 255	0.19 247	0.18 230	0.34 309	0.34 281	0.22 259	0.31 277	0.28 286	0.18 251	0.24 307	0.18 244	0.12 314	0.08 270	0.12 313	0.12 324	0.09 250	0.08 214

AdaStereo	0.15 215	0.11 256	0.16 208	0.19 223	0.09 123	0.21 274	0.11 10	0.33 295	0.28 243	0.21 250	0.23 186	0.21 219	0.13 162	0.19 245	0.15 203	0.13 328	0.05 82	0.10 270	0.07 160	0.09 250	0.07 151
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.
NVstereo2D	0.19 279	0.11 256	0.16 208	0.17 109	0.16 341	0.28 338	0.23 313	0.44 369	0.42 325	0.15 146	0.28 258	0.25 264	0.19 265	0.23 297	0.18 244	0.09 234	0.06 189	0.10 270	0.08 213	0.15 345	0.10 268

DeepPruner_ROB	0.16 238	0.11 256	0.16 208	0.17 109	0.10 217	0.17 216	0.15 121	0.32 285	0.21 154	0.19 221	0.21 176	0.22 235	0.19 265	0.21 273	0.16 220	0.13 328	0.09 291	0.09 229	0.10 283	0.11 291	0.11 289

DRN-Test	0.20 286	0.11 256	0.21 284	0.22 307	0.10 217	0.22 287	0.22 302	0.40 351	0.38 308	0.24 284	0.33 293	0.26 273	0.22 290	0.22 290	0.25 314	0.11 291	0.07 244	0.11 296	0.10 283	0.09 250	0.08 214

StereoDRNet	0.19 279	0.11 256	0.18 253	0.22 307	0.11 255	0.22 287	0.22 302	0.37 336	0.34 281	0.24 284	0.28 258	0.30 300	0.19 265	0.20 258	0.21 273	0.10 266	0.08 270	0.11 296	0.09 252	0.09 250	0.07 151

WCMA_ROB	0.24 327	0.11 256	0.24 303	0.17 109	0.14 319	0.34 353	0.16 172	0.33 295	0.33 271	0.39 356	0.54 367	0.40 354	0.35 357	0.35 355	0.26 325	0.12 314	0.12 331	0.12 313	0.11 306	0.14 334	0.14 329

CASS	0.14 183	0.12 271	0.12 87	0.23 324	0.09 123	0.15 174	0.17 192	0.19 113	0.20 141	0.17 183	0.18 140	0.15 151	0.15 209	0.15 162	0.14 173	0.09 234	0.06 189	0.10 270	0.08 213	0.09 250	0.07 151
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 183	0.12 271	0.08 6	0.20 264	0.10 217	0.14 154	0.28 353	0.21 135	0.24 192	0.19 221	0.28 258	0.11 73	0.15 209	0.12 93	0.13 149	0.06 52	0.05 82	0.07 100	0.08 213	0.08 198	0.07 151

SACVNet	0.19 279	0.12 271	0.15 173	0.17 109	0.13 304	0.22 287	0.18 230	0.31 281	0.31 261	0.24 284	0.31 277	0.30 300	0.23 296	0.23 297	0.17 232	0.11 291	0.08 270	0.10 270	0.10 283	0.12 304	0.14 329

PSMNet-ADL	0.15 215	0.12 271	0.13 111	0.22 307	0.09 123	0.13 124	0.20 279	0.26 211	0.23 182	0.18 211	0.20 160	0.23 246	0.17 241	0.18 226	0.18 244	0.09 234	0.08 270	0.08 161	0.11 306	0.08 198	0.07 151

GEStereo_RVC	0.17 257	0.12 271	0.16 208	0.22 307	0.11 255	0.19 247	0.18 230	0.32 285	0.49 349	0.20 241	0.25 221	0.17 181	0.13 162	0.21 273	0.16 220	0.10 266	0.06 189	0.08 161	0.07 160	0.09 250	0.08 214

sAnonymous2	0.13 158	0.12 271	0.25 307	0.20 264	0.12 284	0.18 232	0.14 76	0.27 223	0.21 154	0.11 62	0.12 63	0.13 114	0.08 50	0.11 42	0.11 72	0.09 234	0.05 82	0.08 161	0.06 83	0.15 345	0.10 268

CroCo_RVC	0.13 158	0.12 271	0.25 307	0.20 264	0.12 284	0.18 232	0.14 76	0.27 223	0.21 154	0.11 62	0.12 63	0.13 114	0.08 50	0.11 42	0.11 72	0.09 234	0.05 82	0.08 161	0.06 83	0.15 345	0.10 268

APVNet	0.23 317	0.12 271	0.20 277	0.18 176	0.14 319	0.32 347	0.31 370	0.40 351	0.33 271	0.27 308	0.40 331	0.30 300	0.29 333	0.27 318	0.25 314	0.11 291	0.12 331	0.11 296	0.14 340	0.12 304	0.13 316

FADNet-RVC-Resample	0.17 257	0.12 271	0.32 337	0.22 307	0.12 284	0.19 247	0.14 76	0.25 203	0.24 192	0.24 284	0.27 248	0.20 212	0.15 209	0.17 217	0.16 220	0.07 143	0.08 270	0.12 313	0.10 283	0.09 250	0.11 289

S-Stereo	0.21 296	0.12 271	0.25 307	0.21 290	0.13 304	0.21 274	0.19 265	0.33 295	0.45 337	0.23 273	0.36 311	0.28 286	0.29 333	0.20 258	0.23 296	0.09 234	0.12 331	0.10 270	0.10 283	0.13 319	0.14 329

ADCL	0.25 334	0.12 271	0.49 365	0.22 307	0.12 284	0.36 361	0.29 363	0.30 268	0.57 367	0.24 284	0.47 358	0.30 300	0.31 349	0.30 339	0.30 350	0.09 234	0.07 244	0.09 229	0.09 252	0.10 275	0.10 268

ADCRef	0.20 286	0.12 271	0.43 358	0.20 264	0.12 284	0.23 298	0.18 230	0.32 285	0.37 302	0.26 301	0.33 293	0.18 193	0.23 296	0.25 312	0.26 325	0.07 143	0.06 189	0.09 229	0.09 252	0.08 198	0.09 246

RYNet	0.23 317	0.12 271	0.22 291	0.19 223	0.17 351	0.47 375	0.26 342	0.39 348	0.49 349	0.24 284	0.29 268	0.34 328	0.24 303	0.20 258	0.31 354	0.10 266	0.06 189	0.09 229	0.09 252	0.14 334	0.15 344

TDLM	0.18 270	0.12 271	0.14 147	0.24 332	0.10 217	0.18 232	0.18 230	0.37 336	0.30 254	0.22 259	0.28 258	0.28 286	0.18 251	0.23 297	0.19 254	0.11 291	0.07 244	0.10 270	0.10 283	0.08 198	0.08 214

SGM-ForestM	0.33 364	0.12 271	0.17 227	0.16 60	0.11 255	0.42 372	0.20 279	0.43 365	0.53 363	0.53 378	0.57 373	1.41 409	0.44 377	0.42 377	0.29 344	0.14 346	0.16 360	0.16 351	0.16 352	0.12 304	0.13 316

StereoDRNet-Refined	0.17 257	0.12 271	0.16 208	0.20 264	0.10 217	0.18 232	0.18 230	0.27 223	0.24 192	0.26 301	0.41 341	0.23 246	0.18 251	0.21 273	0.21 273	0.09 234	0.05 82	0.09 229	0.10 283	0.07 151	0.07 151
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
XPNet_ROB	0.22 304	0.12 271	0.20 277	0.22 307	0.13 304	0.22 287	0.19 265	0.35 324	0.40 316	0.30 330	0.40 331	0.38 343	0.27 321	0.26 316	0.29 344	0.15 348	0.10 312	0.10 270	0.10 283	0.13 319	0.12 307

PSMNet_ROB	0.22 304	0.12 271	0.15 173	0.27 355	0.15 329	0.25 312	0.36 381	0.43 365	0.37 302	0.27 308	0.33 293	0.32 318	0.23 296	0.21 273	0.27 330	0.12 314	0.08 270	0.13 326	0.11 306	0.10 275	0.09 246

SGM_RVC	0.24 327	0.12 271	0.16 208	0.15 35	0.09 123	0.34 353	0.19 265	0.35 324	0.32 266	0.44 370	0.38 321	0.53 377	0.36 360	0.36 359	0.26 325	0.13 328	0.13 343	0.13 326	0.13 334	0.11 291	0.11 289
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 238	0.13 290	0.25 307	0.20 264	0.10 217	0.17 216	0.13 45	0.30 268	0.25 208	0.23 273	0.32 286	0.25 264	0.11 104	0.19 245	0.14 173	0.09 234	0.06 189	0.11 296	0.06 83	0.12 304	0.08 214

StereoVision	0.14 183	0.13 290	0.10 39	0.24 332	0.10 217	0.16 196	0.21 292	0.21 135	0.20 141	0.12 80	0.25 221	0.10 58	0.10 80	0.16 187	0.10 45	0.09 234	0.10 312	0.12 313	0.12 324	0.06 93	0.05 43

HBP-ISP	0.18 270	0.13 290	0.17 227	0.15 35	0.11 255	0.08 22	0.13 45	0.28 244	0.30 254	0.22 259	0.33 293	0.21 219	0.25 309	0.23 297	0.18 244	0.15 348	0.17 364	0.21 366	0.17 359	0.10 275	0.09 246

Wz-Net-MNSev	0.23 317	0.13 290	0.33 338	0.20 264	0.15 329	0.36 361	0.25 336	0.34 309	0.45 337	0.29 325	0.41 341	0.39 348	0.19 265	0.25 312	0.27 330	0.09 234	0.07 244	0.09 229	0.09 252	0.12 304	0.10 268

UDGNet	0.14 183	0.13 290	0.17 227	0.18 176	0.10 217	0.12 104	0.16 172	0.21 135	0.27 230	0.20 241	0.20 160	0.17 181	0.13 162	0.16 187	0.14 173	0.10 266	0.06 189	0.09 229	0.07 160	0.07 151	0.07 151

FAT-Stereo	0.21 296	0.13 290	0.22 291	0.21 290	0.12 284	0.18 232	0.18 230	0.35 324	0.40 316	0.28 320	0.37 314	0.33 324	0.33 353	0.21 273	0.20 262	0.09 234	0.11 323	0.10 270	0.09 252	0.11 291	0.14 329

STTStereo	0.18 270	0.13 290	0.28 317	0.20 264	0.11 255	0.16 196	0.21 292	0.29 258	0.23 182	0.22 259	0.30 274	0.29 293	0.18 251	0.20 258	0.20 262	0.12 314	0.11 323	0.11 296	0.14 340	0.09 250	0.08 214

RP	0.22 304	0.13 290	0.22 291	0.23 324	0.12 284	0.21 274	0.20 279	0.26 211	0.45 337	0.22 259	0.38 321	0.37 337	0.25 309	0.28 326	0.25 314	0.11 291	0.12 331	0.13 326	0.12 324	0.13 319	0.14 329

RTSC	0.23 317	0.13 290	0.30 330	0.21 290	0.13 304	0.29 340	0.17 192	0.36 329	0.68 382	0.27 308	0.34 303	0.30 300	0.22 290	0.32 344	0.31 354	0.10 266	0.08 270	0.09 229	0.10 283	0.13 319	0.14 329

GANet	0.22 304	0.13 290	0.21 284	0.25 338	0.14 319	0.23 298	0.22 302	0.42 360	0.27 230	0.31 335	0.43 350	0.37 337	0.29 333	0.23 297	0.23 296	0.10 266	0.12 331	0.10 270	0.09 252	0.10 275	0.08 214

CBMV_ROB	0.19 279	0.13 290	0.18 253	0.16 60	0.11 255	0.16 196	0.12 23	0.27 223	0.29 249	0.27 308	0.31 277	0.27 278	0.24 303	0.24 307	0.16 220	0.15 348	0.18 366	0.22 370	0.20 365	0.10 275	0.12 307

NOSS_ROB	0.19 279	0.13 290	0.18 253	0.16 60	0.12 284	0.16 196	0.12 23	0.30 268	0.33 271	0.20 241	0.22 185	0.27 278	0.24 303	0.21 273	0.16 220	0.16 360	0.18 366	0.23 371	0.21 367	0.13 319	0.13 316

DN-CSS_ROB	0.13 158	0.13 290	0.17 227	0.18 176	0.10 217	0.16 196	0.08 2	0.22 154	0.19 123	0.17 183	0.23 186	0.13 114	0.13 162	0.13 130	0.14 173	0.05 2	0.05 82	0.10 270	0.10 283	0.08 198	0.06 98

PWCDC_ROB	0.21 296	0.13 290	0.23 297	0.25 338	0.12 284	0.20 264	0.15 121	0.34 309	0.55 364	0.29 325	0.49 360	0.21 219	0.15 209	0.28 326	0.20 262	0.11 291	0.09 291	0.10 270	0.08 213	0.11 291	0.09 246

MeshStereo	0.27 349	0.13 290	0.18 253	0.15 35	0.11 255	0.33 349	0.24 321	0.41 356	0.36 298	0.53 378	0.58 375	0.67 387	0.41 369	0.36 359	0.27 330	0.14 346	0.13 343	0.13 326	0.11 306	0.11 291	0.11 289
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
Anonymous3	0.16 238	0.14 305	0.34 341	0.26 348	0.14 319	0.27 330	0.18 230	0.28 244	0.28 243	0.15 146	0.17 120	0.14 130	0.11 104	0.16 187	0.12 122	0.08 192	0.08 270	0.08 161	0.08 213	0.08 198	0.11 289

GwcNet	0.20 286	0.14 305	0.20 277	0.18 176	0.12 284	0.25 312	0.20 279	0.36 329	0.45 337	0.20 241	0.33 293	0.33 324	0.21 283	0.22 290	0.25 314	0.11 291	0.09 291	0.09 229	0.09 252	0.09 250	0.10 268

FADNet_RVC	0.17 257	0.14 305	0.41 355	0.20 264	0.11 255	0.13 124	0.13 45	0.27 223	0.22 173	0.21 250	0.23 186	0.20 212	0.18 251	0.15 162	0.17 232	0.08 192	0.08 270	0.12 313	0.09 252	0.11 291	0.10 268

edge stereo	0.23 317	0.14 305	0.21 284	0.21 290	0.13 304	0.24 304	0.16 172	0.32 285	0.42 325	0.32 342	0.40 331	0.39 348	0.35 357	0.25 312	0.25 314	0.13 328	0.11 323	0.14 337	0.11 306	0.12 304	0.14 329

SANet	0.25 334	0.14 305	0.29 325	0.21 290	0.11 255	0.29 340	0.25 336	0.40 351	0.65 381	0.36 349	0.40 331	0.42 358	0.27 321	0.27 318	0.25 314	0.12 314	0.09 291	0.10 270	0.09 252	0.13 319	0.12 307

SGM-Forest	0.20 286	0.14 305	0.18 253	0.20 264	0.13 304	0.21 274	0.22 302	0.33 295	0.31 261	0.24 284	0.29 268	0.28 286	0.20 278	0.23 297	0.18 244	0.15 348	0.16 360	0.15 344	0.14 340	0.13 319	0.12 307
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
TestStereo	0.14 183	0.15 311	0.11 64	0.23 324	0.08 46	0.15 174	0.21 292	0.20 124	0.23 182	0.14 125	0.25 221	0.16 165	0.13 162	0.16 187	0.14 173	0.06 52	0.06 189	0.08 161	0.06 83	0.09 250	0.05 43

GMStereo	0.13 158	0.15 311	0.14 147	0.18 176	0.09 123	0.16 196	0.16 172	0.20 124	0.25 208	0.17 183	0.17 120	0.11 73	0.11 104	0.16 187	0.13 149	0.07 143	0.06 189	0.06 31	0.06 83	0.07 151	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
NCC-stereo	0.25 334	0.15 311	0.31 333	0.26 348	0.17 351	0.21 274	0.31 370	0.41 356	0.40 316	0.24 284	0.38 321	0.33 324	0.29 333	0.37 363	0.28 337	0.13 328	0.11 323	0.15 344	0.22 370	0.13 319	0.13 316

Abc-Net	0.25 334	0.15 311	0.31 333	0.26 348	0.17 351	0.21 274	0.31 370	0.41 356	0.40 316	0.24 284	0.38 321	0.33 324	0.29 333	0.37 363	0.28 337	0.13 328	0.11 323	0.15 344	0.22 370	0.13 319	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 344	0.15 311	0.31 333	0.24 332	0.18 360	0.23 298	0.15 121	0.39 348	0.72 387	0.32 342	0.42 347	0.36 335	0.29 333	0.33 347	0.30 350	0.13 328	0.11 323	0.14 337	0.13 334	0.16 353	0.20 371

ADCMid	0.26 344	0.15 311	0.42 357	0.20 264	0.14 319	0.25 312	0.26 342	0.35 324	0.40 316	0.37 353	0.45 354	0.34 328	0.42 372	0.36 359	0.36 366	0.10 266	0.09 291	0.11 296	0.11 306	0.13 319	0.13 316

NCCL2	0.24 327	0.15 311	0.18 253	0.34 376	0.18 360	0.24 304	0.24 321	0.34 309	0.29 249	0.31 335	0.38 321	0.38 343	0.29 333	0.23 297	0.25 314	0.15 348	0.12 331	0.18 361	0.21 367	0.13 319	0.13 316

CBMV	0.20 286	0.15 311	0.18 253	0.18 176	0.10 217	0.20 264	0.11 10	0.30 268	0.31 261	0.29 325	0.31 277	0.31 312	0.23 296	0.28 326	0.19 254	0.13 328	0.15 355	0.17 353	0.16 352	0.10 275	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.22 304	0.16 319	0.41 355	0.22 307	0.13 304	0.25 312	0.24 321	0.33 295	0.44 334	0.30 330	0.42 347	0.32 318	0.19 265	0.23 297	0.27 330	0.10 266	0.09 291	0.08 161	0.08 213	0.12 304	0.11 289

Syn2CoEx	0.22 304	0.16 319	0.29 325	0.29 368	0.15 329	0.26 322	0.21 292	0.34 309	0.32 266	0.29 325	0.36 311	0.28 286	0.25 309	0.20 258	0.25 314	0.16 360	0.12 331	0.14 337	0.11 306	0.09 250	0.08 214

psmorigin	0.25 334	0.16 319	0.35 347	0.17 109	0.13 304	0.24 304	0.14 76	0.34 309	0.34 281	0.41 363	0.55 368	0.41 356	0.38 363	0.35 355	0.28 337	0.11 291	0.15 355	0.11 296	0.11 306	0.12 304	0.17 361

AnyNet_C32	0.26 344	0.16 319	0.39 352	0.20 264	0.17 351	0.26 322	0.31 370	0.32 285	0.45 337	0.31 335	0.50 362	0.30 300	0.34 354	0.41 376	0.36 366	0.12 314	0.12 331	0.12 313	0.14 340	0.14 334	0.15 344

DANet	0.21 296	0.16 319	0.29 325	0.25 338	0.13 304	0.23 298	0.19 265	0.28 244	0.27 230	0.28 320	0.32 286	0.35 333	0.32 351	0.31 340	0.24 307	0.11 291	0.09 291	0.11 296	0.10 283	0.13 319	0.11 289
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 351	0.16 319	0.33 338	0.18 176	0.13 304	0.55 381	0.42 389	0.52 381	0.68 382	0.29 325	0.38 321	0.39 348	0.30 344	0.32 344	0.23 296	0.11 291	0.10 312	0.11 296	0.08 213	0.20 367	0.16 353

PDISCO_ROB	0.28 351	0.16 319	0.28 317	0.28 361	0.20 367	0.33 349	0.27 346	0.45 371	0.58 370	0.28 320	0.41 341	0.45 364	0.30 344	0.34 350	0.35 365	0.12 314	0.09 291	0.17 353	0.16 352	0.17 360	0.13 316

LALA_ROB	0.25 334	0.16 319	0.23 297	0.27 355	0.17 351	0.27 330	0.27 346	0.42 360	0.38 308	0.33 346	0.39 328	0.51 374	0.26 316	0.29 333	0.28 337	0.16 360	0.09 291	0.13 326	0.12 324	0.13 319	0.13 316

PWC_ROB	0.21 296	0.16 319	0.27 315	0.18 176	0.11 255	0.22 287	0.13 45	0.33 295	0.49 349	0.30 330	0.40 331	0.32 318	0.25 309	0.31 340	0.23 296	0.10 266	0.07 244	0.11 296	0.08 213	0.11 291	0.10 268

Anonymous_2	0.22 304	0.17 328	0.28 317	0.15 35	0.16 341	0.33 349	0.22 302	0.23 168	0.18 109	0.23 273	0.24 195	0.26 273	0.27 321	0.27 318	0.24 307	0.22 376	0.26 384	0.17 353	0.17 359	0.16 353	0.18 363

Wz-Net-SNSev	0.26 344	0.17 328	0.46 360	0.25 338	0.14 319	0.26 322	0.24 321	0.38 343	0.57 367	0.30 330	0.56 369	0.39 348	0.26 316	0.24 307	0.32 359	0.10 266	0.09 291	0.10 270	0.11 306	0.11 291	0.11 289

WZ-Net	0.29 354	0.17 328	0.82 397	0.23 324	0.16 341	0.35 357	0.29 363	0.40 351	0.59 372	0.24 284	0.57 373	0.37 337	0.25 309	0.34 350	0.37 370	0.09 234	0.08 270	0.09 229	0.10 283	0.14 334	0.16 353

dd	0.15 215	0.17 328	0.17 227	0.19 223	0.09 123	0.15 174	0.18 230	0.22 154	0.26 220	0.23 273	0.20 160	0.21 219	0.10 80	0.21 273	0.17 232	0.10 266	0.06 189	0.08 161	0.06 83	0.08 198	0.07 151

UDG	0.21 296	0.17 328	0.20 277	0.23 324	0.15 329	0.31 345	0.20 279	0.33 295	0.35 292	0.24 284	0.28 258	0.31 312	0.29 333	0.21 273	0.23 296	0.15 348	0.12 331	0.13 326	0.09 252	0.14 334	0.15 344

aanetorigin	0.22 304	0.17 328	0.57 373	0.18 176	0.10 217	0.16 196	0.19 265	0.20 124	0.33 271	0.49 375	0.48 359	0.30 300	0.28 330	0.21 273	0.24 307	0.08 192	0.07 244	0.08 161	0.07 160	0.10 275	0.09 246

AF-Net	0.23 317	0.17 328	0.17 227	0.27 355	0.13 304	0.26 322	0.24 321	0.33 295	0.51 354	0.25 297	0.33 293	0.39 348	0.27 321	0.28 326	0.26 325	0.11 291	0.10 312	0.16 351	0.12 324	0.11 291	0.11 289

G-Net	0.25 334	0.17 328	0.38 351	0.23 324	0.16 341	0.51 378	0.23 313	0.29 258	0.35 292	0.36 349	0.38 321	0.31 312	0.29 333	0.28 326	0.27 330	0.11 291	0.09 291	0.12 313	0.10 283	0.16 353	0.14 329

Nwc_Net	0.23 317	0.17 328	0.22 291	0.25 338	0.15 329	0.25 312	0.27 346	0.38 343	0.39 312	0.22 259	0.41 341	0.30 300	0.29 333	0.28 326	0.25 314	0.11 291	0.10 312	0.17 353	0.20 365	0.10 275	0.11 289

DeepPrunerF	0.24 327	0.17 328	0.45 359	0.26 348	0.16 341	0.23 298	0.29 363	0.37 336	0.51 354	0.27 308	0.31 277	0.24 255	0.28 330	0.22 290	0.23 296	0.15 348	0.11 323	0.20 365	0.18 363	0.12 304	0.14 329

ADCPNet	0.26 344	0.17 328	0.62 378	0.21 290	0.15 329	0.36 361	0.25 336	0.33 295	0.37 302	0.31 335	0.41 341	0.36 335	0.29 333	0.29 333	0.34 364	0.12 314	0.10 312	0.11 296	0.12 324	0.14 334	0.13 316

FBW_ROB	0.25 334	0.17 328	0.23 297	0.27 355	0.14 319	0.26 322	0.22 302	0.42 360	0.43 332	0.42 365	0.41 341	0.43 360	0.27 321	0.32 344	0.24 307	0.09 234	0.15 355	0.15 344	0.12 324	0.12 304	0.10 268

ETE_ROB	0.23 317	0.17 328	0.23 297	0.25 338	0.14 319	0.26 322	0.29 363	0.32 285	0.37 302	0.28 320	0.37 314	0.45 364	0.27 321	0.28 326	0.27 330	0.11 291	0.09 291	0.12 313	0.10 283	0.14 334	0.13 316

DDUNet	0.23 317	0.18 341	0.22 291	0.22 307	0.15 329	0.25 312	0.24 321	0.30 268	0.31 261	0.31 335	0.37 314	0.34 328	0.26 316	0.25 312	0.21 273	0.18 365	0.13 343	0.17 353	0.11 306	0.16 353	0.17 361

FINET	0.22 304	0.18 341	0.28 317	0.19 223	0.16 341	0.24 304	0.24 321	0.33 295	0.49 349	0.26 301	0.33 293	0.22 235	0.23 296	0.23 297	0.18 244	0.18 365	0.16 360	0.11 296	0.10 283	0.15 345	0.14 329

PA-Net	0.24 327	0.18 341	0.34 341	0.28 361	0.22 371	0.22 287	0.39 386	0.29 258	0.39 312	0.22 259	0.33 293	0.25 264	0.26 316	0.21 273	0.25 314	0.10 266	0.23 382	0.15 344	0.22 370	0.09 250	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.25 334	0.19 344	0.34 341	0.21 290	0.24 374	0.24 304	0.21 292	0.36 329	0.42 325	0.25 297	0.32 286	0.38 343	0.21 283	0.29 333	0.24 307	0.13 328	0.11 323	0.14 337	0.16 352	0.23 370	0.23 376

RTS	0.46 381	0.19 344	3.33 414	0.25 338	0.15 329	0.72 394	0.21 292	0.37 336	0.78 393	0.42 365	0.44 352	0.31 312	0.43 375	0.55 387	0.37 370	0.10 266	0.09 291	0.13 326	0.13 334	0.15 345	0.15 344

RTSA	0.46 381	0.19 344	3.33 414	0.25 338	0.15 329	0.72 394	0.21 292	0.37 336	0.78 393	0.42 365	0.44 352	0.31 312	0.43 375	0.55 387	0.37 370	0.10 266	0.09 291	0.13 326	0.13 334	0.15 345	0.15 344

ADCS	0.30 357	0.19 344	0.48 364	0.21 290	0.18 360	0.29 340	0.24 321	0.42 360	0.64 379	0.40 359	0.50 362	0.40 354	0.37 361	0.40 371	0.43 380	0.13 328	0.13 343	0.13 326	0.14 340	0.16 353	0.16 353

Anonymous Stereo	0.24 327	0.19 344	0.52 367	0.25 338	0.18 360	0.21 274	0.22 302	0.34 309	0.45 337	0.25 297	0.35 307	0.26 273	0.19 265	0.31 340	0.29 344	0.13 328	0.12 331	0.12 313	0.13 334	0.12 304	0.14 329

Wz-Net-TNSev	0.29 354	0.20 349	0.69 389	0.19 223	0.15 329	0.38 367	0.27 346	0.36 329	0.56 366	0.35 347	0.42 347	0.45 364	0.39 364	0.33 347	0.31 354	0.13 328	0.13 343	0.10 270	0.12 324	0.15 345	0.15 344

dad	0.18 270	0.20 349	0.21 284	0.17 109	0.11 255	0.20 264	0.19 265	0.21 135	0.28 243	0.30 330	0.24 195	0.30 300	0.13 162	0.19 245	0.17 232	0.18 365	0.09 291	0.11 296	0.09 252	0.11 291	0.07 151

FADNet-RVC	0.21 296	0.20 349	0.40 353	0.21 290	0.16 341	0.21 274	0.15 121	0.27 223	0.27 230	0.26 301	0.32 286	0.26 273	0.21 283	0.22 290	0.19 254	0.12 314	0.13 343	0.12 313	0.14 340	0.13 319	0.18 363

RGC	0.25 334	0.20 349	0.29 325	0.28 361	0.16 341	0.22 287	0.23 313	0.33 295	0.44 334	0.27 308	0.40 331	0.38 343	0.28 330	0.37 363	0.23 296	0.11 291	0.13 343	0.17 353	0.17 359	0.15 345	0.16 353

NaN_ROB	0.23 317	0.20 349	0.25 307	0.25 338	0.13 304	0.31 345	0.27 346	0.34 309	0.41 323	0.31 335	0.31 277	0.32 318	0.23 296	0.31 340	0.22 286	0.11 291	0.17 364	0.10 270	0.11 306	0.08 198	0.09 246

MaskLacGwcNet_RVC	0.22 304	0.21 354	0.25 307	0.26 348	0.11 255	0.24 304	0.14 76	0.39 348	0.24 192	0.32 342	0.36 311	0.30 300	0.21 283	0.19 245	0.22 286	0.17 364	0.14 351	0.21 366	0.16 352	0.13 319	0.12 307

PVD	0.40 373	0.21 354	0.40 353	0.32 375	0.23 372	0.30 343	0.45 393	0.53 383	0.97 400	0.55 380	0.80 393	0.54 378	0.60 390	0.53 385	0.40 376	0.19 368	0.14 351	0.17 353	0.14 340	0.24 376	0.32 388

LSM	0.34 369	0.21 354	0.62 378	0.27 355	0.62 403	0.35 357	0.26 342	0.43 365	0.49 349	0.45 372	0.60 378	0.42 358	0.37 361	0.35 355	0.26 325	0.13 328	0.21 379	0.14 337	0.16 352	0.18 362	0.34 390

PS-NSSS	0.20 286	0.21 354	0.23 297	0.20 264	0.10 217	0.19 247	0.17 192	0.36 329	0.26 220	0.27 308	0.34 303	0.27 278	0.24 303	0.20 258	0.20 262	0.15 348	0.12 331	0.17 353	0.14 340	0.10 275	0.09 246

MFN_U_SF_RVC	0.33 364	0.22 358	0.58 376	0.31 372	0.15 329	0.36 361	0.17 192	0.54 384	0.46 345	0.47 374	0.56 369	0.58 380	0.39 364	0.36 359	0.38 373	0.15 348	0.15 355	0.18 361	0.21 367	0.16 353	0.16 353

DispFullNet	0.27 349	0.22 358	0.66 381	0.28 361	0.17 351	0.27 330	0.17 192	0.34 309	0.57 367	0.27 308	0.37 314	0.43 360	0.24 303	0.39 368	0.25 314	0.12 314	0.06 189	0.19 363	0.11 306	0.23 370	0.16 353

HCRNet	0.16 238	0.23 360	0.12 87	0.35 378	0.11 255	0.15 174	0.17 192	0.26 211	0.22 173	0.19 221	0.24 195	0.21 219	0.14 191	0.15 162	0.13 149	0.11 291	0.07 244	0.11 296	0.10 283	0.09 250	0.07 151

FADNet	0.21 296	0.23 360	0.37 350	0.18 176	0.17 351	0.25 312	0.13 45	0.32 285	0.32 266	0.23 273	0.25 221	0.27 278	0.21 283	0.19 245	0.16 220	0.13 328	0.15 355	0.12 313	0.15 350	0.17 360	0.18 363

XQC	0.29 354	0.23 360	0.53 368	0.29 368	0.19 364	0.36 361	0.28 353	0.37 336	0.58 370	0.31 335	0.31 277	0.37 337	0.30 344	0.39 368	0.39 374	0.13 328	0.09 291	0.15 344	0.12 324	0.18 362	0.18 363

SQANet	0.24 327	0.24 363	0.31 333	0.31 372	0.19 364	0.27 330	0.13 45	0.30 268	0.33 271	0.25 297	0.37 314	0.31 312	0.22 290	0.27 318	0.23 296	0.15 348	0.10 312	0.21 366	0.16 352	0.22 368	0.16 353

GASNet	0.22 304	0.24 363	0.34 341	0.26 348	0.17 351	0.27 330	0.16 172	0.45 371	0.42 325	0.27 308	0.24 195	0.30 300	0.16 220	0.27 318	0.18 244	0.12 314	0.09 291	0.12 313	0.11 306	0.16 353	0.08 214

EDNetEfficient	0.30 357	0.24 363	1.18 405	0.18 176	0.10 217	0.20 264	0.20 279	0.21 135	0.61 374	0.74 392	0.56 369	0.30 300	0.40 368	0.23 297	0.32 359	0.09 234	0.07 244	0.08 161	0.07 160	0.11 291	0.10 268

MFN_U_SF_DS_RVC	0.30 357	0.24 363	0.30 330	0.36 380	0.16 341	0.36 361	0.31 370	0.34 309	0.43 332	0.41 363	0.46 356	0.38 343	0.30 344	0.35 355	0.29 344	0.19 368	0.20 372	0.26 373	0.29 382	0.18 362	0.19 368

CSAN	0.30 357	0.24 363	0.28 317	0.34 376	0.19 364	0.34 353	0.42 389	0.38 343	0.51 354	0.38 355	0.40 331	0.44 363	0.34 354	0.29 333	0.31 354	0.19 368	0.16 360	0.19 363	0.19 364	0.14 334	0.15 344

PASM	0.33 364	0.25 368	0.51 366	0.28 361	0.27 380	0.30 343	0.31 370	0.35 324	0.51 354	0.36 349	0.40 331	0.47 371	0.35 357	0.34 350	0.36 366	0.23 381	0.26 384	0.26 373	0.28 381	0.23 370	0.21 372

AnyNet_C01	0.37 370	0.26 369	1.41 408	0.22 307	0.17 351	0.51 378	0.28 353	0.36 329	0.40 316	0.39 356	0.75 389	0.46 368	0.39 364	0.46 379	0.50 390	0.13 328	0.13 343	0.13 326	0.14 340	0.14 334	0.16 353

MSMD_ROB	0.31 362	0.26 369	0.26 313	0.24 332	0.21 369	0.34 353	0.25 336	0.34 309	0.39 312	0.40 359	0.69 383	0.45 364	0.41 369	0.34 350	0.28 337	0.20 372	0.20 372	0.26 373	0.25 376	0.23 370	0.22 375

ccnet	0.30 357	0.28 371	0.24 303	0.20 264	0.28 381	0.41 371	0.22 302	0.46 374	0.33 271	0.37 353	0.46 356	0.37 337	0.30 344	0.40 371	0.43 380	0.23 381	0.14 351	0.21 366	0.17 359	0.23 370	0.19 368

FCDSN-DC	0.33 364	0.28 371	0.28 317	0.30 370	0.24 374	0.39 369	0.28 353	0.43 365	0.42 325	0.44 370	0.53 366	0.51 374	0.42 372	0.37 363	0.30 350	0.21 374	0.20 372	0.27 376	0.26 377	0.25 378	0.25 378
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
BEATNet-Init1	0.54 387	0.28 371	0.68 388	0.31 372	0.21 369	0.85 402	0.31 370	0.57 386	0.69 385	0.89 399	1.00 401	2.17 416	0.66 393	0.58 391	0.44 383	0.19 368	0.18 366	0.23 371	0.22 370	0.22 368	0.21 372

SAMSARA	0.41 374	0.28 371	0.34 341	0.55 393	0.39 387	0.85 402	1.25 417	0.49 377	0.52 360	0.36 349	0.35 307	0.56 379	0.39 364	0.39 368	0.41 377	0.15 348	0.20 372	0.15 344	0.14 340	0.23 370	0.21 372

MANE	0.47 383	0.28 371	0.28 317	0.27 355	0.24 374	0.50 376	0.32 378	0.57 386	0.62 377	0.74 392	1.20 411	1.21 402	0.64 392	0.54 386	0.39 374	0.22 376	0.20 372	0.27 376	0.31 385	0.26 380	0.25 378

FC-DCNN	0.33 364	0.28 371	0.28 317	0.26 348	0.23 372	0.38 367	0.29 363	0.40 351	0.44 334	0.46 373	0.56 369	0.51 374	0.41 369	0.38 367	0.31 354	0.21 374	0.20 372	0.27 376	0.26 377	0.25 378	0.24 377

ELAS_RVC	0.42 376	0.29 377	0.33 338	0.28 361	0.24 374	0.56 382	0.38 384	0.50 378	0.61 374	0.74 392	0.76 390	0.67 387	0.56 386	0.55 387	0.42 379	0.22 376	0.21 379	0.27 376	0.26 377	0.27 382	0.26 381
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 376	0.29 377	0.34 341	0.28 361	0.24 374	0.63 386	0.37 382	0.52 381	0.52 360	0.72 389	0.82 394	0.68 389	0.56 386	0.52 383	0.45 386	0.22 376	0.21 379	0.27 376	0.26 377	0.26 380	0.26 381
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.28 351	0.31 379	0.36 349	0.30 370	0.15 329	0.25 312	0.19 265	0.45 371	0.34 281	0.39 356	0.37 314	0.39 348	0.31 349	0.27 318	0.27 330	0.24 383	0.18 366	0.30 384	0.23 374	0.19 365	0.15 344

EDNetEfficientorigin	7.92 421	0.32 380	152.98 440	0.20 264	0.10 217	0.22 287	0.17 192	0.23 168	0.60 373	0.73 390	0.67 380	0.41 356	0.51 383	0.24 307	0.41 377	0.08 192	0.07 244	0.09 229	0.07 160	0.12 304	0.11 289

GANetREF_RVC	0.31 362	0.34 381	0.29 325	0.35 378	0.16 341	0.33 349	0.42 389	0.48 376	0.52 360	0.35 347	0.35 307	0.34 328	0.32 351	0.40 371	0.33 362	0.27 385	0.20 372	0.29 382	0.15 350	0.19 365	0.18 363
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
coex-ft	3.24 416	0.35 382	57.83 439	0.18 176	0.13 304	0.27 330	0.23 313	0.28 244	0.72 387	1.89 417	0.70 384	0.43 360	0.47 378	0.29 333	0.43 380	0.09 234	0.09 291	0.12 313	0.09 252	0.14 334	0.14 329

NVStereoNet_ROB	0.47 383	0.37 383	0.47 363	0.42 385	0.29 384	0.35 357	0.35 380	0.50 378	0.61 374	0.73 390	0.94 398	0.70 391	0.68 394	0.48 380	0.62 397	0.22 376	0.33 389	0.34 386	0.34 389	0.30 383	0.31 387
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 371	0.38 384	0.53 368	0.44 386	0.28 381	0.57 383	0.24 321	0.42 360	0.62 377	0.40 359	0.50 362	0.46 368	0.34 354	0.40 371	0.33 362	0.30 386	0.30 388	0.39 388	0.33 387	0.30 383	0.29 384

MSC_U_SF_DS_RVC	0.44 378	0.39 385	0.56 371	0.40 382	0.20 367	0.66 389	0.33 379	0.54 384	0.72 387	0.71 388	0.72 386	0.62 382	0.55 384	0.52 383	0.47 387	0.20 372	0.19 371	0.29 382	0.30 384	0.24 376	0.19 368

Ntro	0.41 374	0.40 386	0.54 370	0.46 390	0.30 385	0.64 387	0.24 321	0.47 375	0.68 382	0.42 365	0.49 360	0.47 371	0.42 372	0.40 371	0.32 359	0.32 387	0.28 386	0.37 387	0.31 385	0.33 388	0.29 384

Consistency-Raft	0.44 378	0.40 386	0.46 360	0.37 381	0.43 390	0.42 372	0.41 387	0.57 386	0.55 364	0.32 342	0.73 387	0.32 318	0.50 381	0.42 377	0.49 389	0.39 390	0.36 390	0.45 390	0.52 400	0.42 390	0.30 386

JetBlue	0.73 397	0.46 388	1.21 406	0.52 392	0.47 392	2.16 417	0.67 405	0.78 396	0.72 387	0.70 387	0.79 392	1.21 402	0.84 401	1.06 413	1.04 413	0.40 391	0.28 386	0.33 385	0.33 387	0.30 383	0.34 390

ACVNet_1	0.45 380	0.51 389	0.61 377	0.45 387	0.28 381	0.50 376	0.28 353	0.58 391	0.71 386	0.63 383	0.59 377	0.74 392	0.50 381	0.50 381	0.36 366	0.26 384	0.25 383	0.39 388	0.29 382	0.32 387	0.25 378

ACVNet-4b	0.39 371	0.53 390	0.56 371	0.45 387	0.24 374	0.46 374	0.18 230	0.50 378	0.64 379	0.42 365	0.45 354	0.60 381	0.27 321	0.34 350	0.24 307	0.33 388	0.14 351	0.48 391	0.42 391	0.31 386	0.27 383

anonymity	0.53 386	0.58 391	0.66 381	0.41 383	0.61 402	0.54 380	0.41 387	0.57 386	0.41 323	0.56 381	0.50 362	0.50 373	0.55 384	0.59 392	0.50 390	0.58 401	0.50 402	0.51 393	0.51 398	0.52 392	0.58 399

SGM+DAISY	0.57 389	0.58 391	0.67 385	0.41 383	0.55 396	0.68 391	0.51 395	0.57 386	0.46 345	0.67 384	0.70 384	0.69 390	0.57 388	0.64 394	0.58 395	0.59 402	0.49 399	0.50 392	0.50 397	0.52 392	0.59 402

SPS-STEREO	0.58 390	0.59 393	0.66 381	0.45 387	0.55 396	0.65 388	0.44 392	0.63 393	0.51 354	0.69 386	0.65 379	0.66 386	0.58 389	0.62 393	0.62 397	0.62 404	0.47 397	0.51 393	0.49 395	0.55 395	0.58 399
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 387	0.61 394	0.71 394	0.57 394	0.43 390	0.66 389	0.37 382	0.60 392	0.87 397	0.51 376	0.67 380	0.63 383	0.47 378	0.50 381	0.44 383	0.47 396	0.48 398	0.53 395	0.41 390	0.53 394	0.41 395

IMH-64-1	0.66 392	0.62 395	0.69 389	0.72 397	0.51 393	0.60 384	0.51 395	0.92 400	0.84 395	0.75 395	1.02 402	0.81 393	0.78 399	0.80 398	0.50 390	0.43 392	0.46 393	0.72 399	0.48 393	0.55 395	0.40 393

IMH-64	0.66 392	0.62 395	0.69 389	0.72 397	0.51 393	0.60 384	0.51 395	0.92 400	0.84 395	0.75 395	1.02 402	0.81 393	0.78 399	0.80 398	0.50 390	0.43 392	0.46 393	0.72 399	0.48 393	0.55 395	0.40 393

IMH	0.72 395	0.65 397	0.70 392	0.77 399	0.54 395	0.71 393	0.56 398	0.99 408	1.08 401	0.82 398	1.09 405	0.89 395	0.88 403	0.88 406	0.53 394	0.44 395	0.50 402	0.75 402	0.51 398	0.58 398	0.42 396

MFMNet_re	0.65 391	0.66 398	0.66 381	0.51 391	0.69 407	0.70 392	0.58 399	0.65 394	0.75 391	0.61 382	0.73 387	0.63 383	0.68 394	0.65 395	0.60 396	0.66 405	0.58 411	0.63 397	0.59 401	0.68 402	0.69 409

ACVNet_2	0.67 394	0.68 399	0.70 392	0.64 395	0.41 388	0.75 397	0.50 394	0.98 406	1.38 410	0.90 400	1.09 405	1.04 397	0.74 397	0.55 387	0.48 388	0.43 392	0.40 392	0.53 395	0.45 392	0.48 391	0.36 392

MADNet+	0.76 398	0.72 400	3.76 417	0.67 396	0.41 388	0.99 408	0.97 415	0.72 395	0.75 391	0.52 377	0.58 375	0.64 385	0.68 394	0.89 407	1.04 413	0.35 389	0.36 390	0.28 381	0.23 374	0.38 389	0.33 389

TorneroNet-64	0.76 398	0.73 401	0.77 395	0.78 401	0.58 401	0.94 407	0.58 399	0.85 399	1.26 405	0.67 384	0.88 396	1.41 409	0.76 398	0.87 404	0.68 400	0.49 397	0.46 393	0.73 401	0.59 401	0.68 402	0.54 398

TorneroNet	0.83 402	0.75 402	0.83 399	0.85 404	0.63 404	1.03 411	0.65 403	0.96 404	1.14 403	0.80 397	1.10 407	1.36 407	0.88 403	0.95 409	0.82 408	0.57 399	0.49 399	0.79 406	0.66 405	0.74 408	0.64 408

WAO-7	0.80 400	0.78 403	0.57 373	0.85 404	0.67 406	0.76 398	0.69 408	1.07 410	1.30 407	0.90 400	1.20 411	1.05 398	0.93 405	0.71 396	0.68 400	0.60 403	0.62 412	0.67 398	0.68 406	0.64 399	0.59 402

WAO-6	0.82 401	0.81 404	0.63 380	0.87 406	0.63 404	0.79 399	0.60 401	0.98 406	1.52 414	0.91 402	0.97 400	1.08 399	1.04 409	0.72 397	0.70 403	0.72 406	0.49 399	0.91 409	0.71 407	0.70 404	0.59 402

WAO-8	0.92 405	0.83 405	0.67 385	0.94 409	0.70 408	0.92 405	0.68 406	1.08 412	1.80 417	1.06 408	1.42 415	1.29 404	1.08 411	0.86 402	0.80 406	0.74 408	0.54 405	0.86 407	0.75 408	0.71 405	0.63 406

Venus	0.92 405	0.83 405	0.67 385	0.94 409	0.70 408	0.92 405	0.68 406	1.08 412	1.80 417	1.06 408	1.42 415	1.29 404	1.08 411	0.86 402	0.80 406	0.74 408	0.54 405	0.86 407	0.75 408	0.71 405	0.63 406

LVE	0.84 403	0.87 407	0.86 400	0.81 402	0.56 398	1.09 413	0.66 404	1.07 410	1.45 412	0.97 404	1.23 413	1.11 400	0.86 402	0.84 401	0.72 404	0.49 397	0.56 408	0.76 403	0.60 403	0.66 400	0.60 405

Dean	0.88 404	0.88 408	0.81 396	0.82 403	0.57 399	0.91 404	0.62 402	1.17 415	1.71 415	1.15 410	1.16 409	1.31 406	1.00 408	0.82 400	0.83 409	0.57 399	0.56 408	0.78 405	0.65 404	0.67 401	0.58 399

SPstereo	13.84 430	0.95 409	1.53 411	1.24 415	0.90 414	29.09 433	47.98 433	26.78 440	29.57 439	22.38 438	22.47 437	23.18 438	24.63 438	24.46 438	15.07 430	0.91 413	0.71 414	1.85 419	1.62 419	0.74 408	0.79 413

PWCK	0.72 395	0.95 409	0.99 403	0.77 399	0.32 386	0.79 399	0.38 384	0.92 400	0.90 398	0.96 403	0.76 390	0.97 396	0.62 391	0.87 404	0.68 400	0.73 407	0.46 393	0.76 403	0.49 395	0.71 405	0.44 397

UNDER WATER-64	0.97 407	0.96 411	1.48 410	0.88 407	0.57 399	1.24 416	0.90 413	0.78 396	0.96 399	1.05 406	0.85 395	1.56 414	1.26 415	0.97 411	0.99 411	0.88 412	0.57 410	1.04 412	0.88 412	0.81 410	0.75 410

UNDER WATER	0.99 409	1.00 412	1.47 409	1.00 411	0.71 410	1.18 415	0.86 411	0.81 398	1.09 402	1.02 405	0.90 397	1.53 413	1.26 415	1.06 413	1.02 412	0.79 410	0.54 405	1.02 411	0.88 412	0.83 411	0.75 410

notaker	0.98 408	1.13 413	1.02 404	1.14 413	0.81 411	0.73 396	0.69 408	0.94 403	1.15 404	1.19 412	1.19 410	1.41 409	1.17 414	1.10 415	0.74 405	0.82 411	0.64 413	1.18 413	0.79 410	1.02 413	0.82 414

KSHMR	1.10 411	1.19 414	0.90 402	1.26 417	1.00 416	0.99 408	0.96 414	1.13 414	1.35 408	1.16 411	1.28 414	1.40 408	0.97 407	1.03 412	0.93 410	1.03 415	1.08 417	1.20 414	1.03 416	1.03 414	0.98 416

ktn	1.02 410	1.23 415	0.82 397	1.24 415	0.86 413	1.00 410	0.86 411	0.96 404	1.37 409	1.05 406	1.12 408	1.16 401	1.06 410	0.95 409	0.62 397	1.28 417	0.71 414	1.39 417	0.83 411	1.06 415	0.77 412

DPSimNet_ROB	1.14 412	1.25 416	0.87 401	1.15 414	0.90 414	1.15 414	1.18 416	1.20 416	1.26 405	1.45 414	1.05 404	1.44 412	1.13 413	0.92 408	1.70 416	1.47 418	0.52 404	1.22 415	1.04 417	0.92 412	1.03 417

HanzoNet	1.31 413	1.29 417	1.22 407	1.13 412	0.85 412	1.05 412	0.84 410	1.06 409	1.47 413	1.66 415	1.63 417	2.48 418	1.78 417	1.63 417	1.69 415	1.27 416	0.80 416	1.32 416	1.02 415	1.07 416	0.90 415

JetRed	1.66 414	1.51 418	3.09 413	0.93 408	1.21 417	5.28 419	1.61 419	1.29 417	1.42 411	1.84 416	1.77 418	1.59 415	0.95 406	1.43 416	2.51 419	0.91 413	1.61 418	0.93 410	0.91 414	1.36 417	1.03 417

MADNet++	1.97 415	1.75 419	1.66 412	1.83 418	1.69 419	2.38 418	1.45 418	2.36 418	2.11 419	2.58 418	2.37 419	2.25 417	2.21 418	2.28 418	2.36 418	1.87 419	1.67 419	1.53 418	1.34 418	1.87 418	1.78 420

DLNR_Zeroshot_test	10.48 425	2.27 420	19.78 435	120.28 440	13.29 430	0.06 2	0.13 45	0.24 186	0.10 6	0.08 5	0.10 37	0.09 39	0.07 30	0.10 15	0.09 16	0.13 328	0.04 2	0.06 31	0.04 7	52.68 439	0.04 4

DPSMNet_ROB	8.06 422	4.50 421	8.69 426	5.36 425	10.74 427	8.32 421	22.71 425	5.47 421	13.38 426	5.13 420	9.98 423	5.10 420	10.47 425	5.53 421	12.77 426	3.80 424	8.00 425	3.49 421	6.95 424	3.75 424	7.09 426

DGTPSM_ROB	8.06 422	4.50 421	8.69 426	5.34 423	10.73 426	8.32 421	22.71 425	5.47 421	13.38 426	5.13 420	9.98 423	5.10 420	10.47 425	5.53 421	12.77 426	3.79 423	8.00 425	3.49 421	6.95 424	3.74 423	7.09 426

xxxxx1	7.75 418	5.06 423	7.26 419	3.15 420	3.91 421	16.37 426	22.88 427	5.87 423	8.68 422	7.99 422	8.55 420	9.13 424	8.46 422	10.05 424	10.47 422	2.43 420	2.48 421	3.56 423	12.26 427	3.48 420	3.02 422

tt_ll	7.75 418	5.06 423	7.26 419	3.15 420	3.91 421	16.37 426	22.88 427	5.87 423	8.68 422	7.99 422	8.55 420	9.13 424	8.46 422	10.05 424	10.47 422	2.43 420	2.48 421	3.56 423	12.26 427	3.48 420	3.02 422

ff	7.75 418	5.06 423	7.26 419	3.15 420	3.91 421	16.37 426	22.88 427	5.87 423	8.68 422	7.99 422	8.55 420	9.13 424	8.46 422	10.05 424	10.47 422	2.43 420	2.48 421	3.56 423	12.26 427	3.48 420	3.02 422

Anonymous_1	10.87 427	7.82 426	7.41 422	10.29 426	10.08 425	18.64 430	26.11 430	11.02 427	13.45 428	9.43 425	10.10 425	9.73 427	11.31 427	10.69 427	12.47 425	6.42 427	8.38 427	5.70 426	10.22 426	11.41 428	6.65 425

DPSM_ROB	11.10 428	8.47 427	7.95 423	10.84 427	11.58 428	19.10 431	26.50 431	12.02 428	14.09 429	10.38 426	10.91 426	10.39 428	11.92 428	11.67 428	13.39 428	6.99 428	8.79 428	5.82 427	6.92 422	6.97 425	7.31 428

DPSM	11.10 428	8.47 427	7.95 423	10.84 427	11.58 428	19.10 431	26.50 431	12.02 428	14.09 429	10.38 426	10.91 426	10.39 428	11.92 428	11.67 428	13.39 428	6.99 428	8.79 428	5.82 427	6.92 422	6.97 425	7.31 428

PML	8.57 424	9.39 429	6.24 418	5.34 423	6.36 424	13.21 425	20.99 424	5.35 420	6.68 421	17.75 430	26.46 439	7.58 422	6.08 421	7.89 423	5.76 420	5.33 425	1.83 420	5.95 429	1.93 420	8.75 427	2.53 421

LRCNet_RVC	10.76 426	13.97 430	7.97 425	19.07 430	2.04 420	0.35 357	0.31 370	5.29 419	0.48 348	13.02 428	17.65 429	8.69 423	5.73 420	4.78 420	2.22 417	23.53 437	2.69 424	27.60 438	25.75 438	17.60 435	16.54 436

MyStereo03	22.37 434	17.11 431	16.16 430	21.87 432	23.27 433	38.30 434	53.36 435	24.10 434	28.51 435	20.93 435	21.96 434	20.94 432	24.00 432	23.43 434	27.22 436	14.07 431	17.72 435	11.70 430	13.96 432	14.00 429	14.72 431

MyStereo02	22.37 434	17.11 431	16.16 430	21.87 432	23.27 433	38.30 434	53.36 435	24.10 434	28.51 435	20.93 435	21.96 434	20.94 432	24.00 432	23.43 434	27.22 436	14.07 431	17.72 435	11.70 430	13.96 432	14.00 429	14.72 431

MyStereo	22.37 434	17.11 431	16.16 430	21.87 432	23.27 433	38.30 434	53.36 435	24.10 434	28.51 435	20.93 435	21.96 434	20.94 432	24.00 432	23.43 434	27.22 436	14.07 431	17.72 435	11.70 430	13.96 432	14.00 429	14.72 431

CasAABBNet	22.33 433	17.11 431	15.84 428	21.94 435	23.28 436	38.30 434	53.40 439	24.05 433	28.44 434	20.66 432	21.86 432	21.03 436	24.04 436	23.35 432	27.03 435	14.06 430	17.69 433	11.70 430	13.94 431	14.04 432	14.76 434

Selective-RAFT-Error	22.39 437	17.14 435	16.01 429	22.00 436	23.34 437	38.37 438	53.36 435	24.24 438	28.53 438	20.80 433	21.94 433	20.94 432	24.02 435	23.48 437	27.33 439	14.07 431	17.70 434	11.70 430	13.93 430	14.05 433	14.83 435

LSM0	22.80 438	17.22 436	19.17 433	22.12 437	28.90 439	38.38 439	53.27 434	24.21 437	28.36 433	20.84 434	21.11 431	21.63 437	24.25 437	23.42 433	26.98 434	14.08 435	17.39 432	11.72 435	13.98 435	14.22 434	14.66 430

HaxPig	15.73 431	18.55 437	19.19 434	16.92 429	15.89 431	7.80 420	7.57 420	13.37 430	10.80 425	15.40 429	14.87 428	15.95 430	14.81 430	15.67 430	15.97 431	18.96 436	16.72 431	19.47 436	18.10 436	19.45 436	19.06 437

MEDIAN_ROB	20.38 432	24.05 438	23.36 436	21.18 431	21.62 432	10.51 424	8.17 421	17.68 431	15.46 431	20.04 431	19.65 430	20.30 431	20.16 431	21.17 431	21.03 432	23.81 438	21.77 438	24.98 437	23.75 437	25.01 437	23.94 438

AVERAGE_ROB	24.89 439	29.12 439	27.98 437	24.83 438	24.59 438	17.82 429	11.61 422	21.45 432	19.91 432	25.04 439	24.38 438	25.06 439	25.31 439	24.69 439	22.86 433	29.74 439	27.09 439	28.97 439	27.94 439	30.07 438	29.35 439

test_example2	97.69 440	92.93 440	45.57 438	96.02 439	109.84 440	88.44 440	93.70 440	25.54 439	94.63 440	130.46 440	126.87 440	58.93 440	75.48 440	87.99 440	77.94 440	150.16 440	221.11 440	76.29 440	98.21 440	108.42 440	95.33 440

Low-res two-view benchmark