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

MatchStereo	0.07 3	0.04 1	0.08 28	0.14 42	0.06 15	0.05 3	0.12 85	0.12 57	0.09 29	0.07 48	0.07 47	0.04 1	0.04 1	0.09 40	0.09 56	0.06 120	0.05 182	0.05 35	0.03 1	0.04 21	0.05 136
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
GEAStereo	0.08 54	0.06 73	0.09 83	0.13 10	0.08 150	0.08 55	0.14 186	0.10 19	0.10 42	0.08 86	0.10 141	0.06 23	0.04 1	0.11 133	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.05 136

GSStereo	0.08 54	0.06 73	0.09 83	0.13 10	0.08 150	0.08 55	0.14 186	0.11 36	0.12 101	0.08 86	0.10 141	0.05 4	0.04 1	0.11 133	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.05 136

GS-Stereo							0.14 186	0.11 36	0.12 101	0.08 86	0.10 141	0.05 4	0.04 1	0.11 133	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.05 136

GASTEREO	0.08 54	0.05 19	0.09 83	0.19 386	0.08 150	0.08 55	0.12 85	0.14 93	0.11 69	0.10 157	0.09 115	0.07 84	0.04 1	0.12 216	0.08 15	0.06 120	0.05 182	0.05 35	0.04 40	0.04 21	0.05 136

MSCF	0.08 54	0.05 19	0.09 83	0.19 386	0.08 150	0.07 27	0.12 85	0.14 93	0.11 69	0.10 157	0.09 115	0.07 84	0.04 1	0.11 133	0.08 15	0.06 120	0.05 182	0.05 35	0.04 40	0.05 115	0.05 136

LG-Stereo_L1	0.07 3	0.05 19	0.11 176	0.14 42	0.06 15	0.07 27	0.12 85	0.09 12	0.08 14	0.05 2	0.04 1	0.05 4	0.04 1	0.08 17	0.08 15	0.05 33	0.04 23	0.05 35	0.03 1	0.04 21	0.04 34

MLG-Stereo_test2	0.07 3	0.04 1	0.10 125	0.15 86	0.06 15	0.07 27	0.11 57	0.09 12	0.04 2	0.06 14	0.05 7	0.06 23	0.04 1	0.08 17	0.09 56	0.06 120	0.04 23	0.05 35	0.03 1	0.05 115	0.05 136

SCV	0.08 54	0.09 346	0.08 28	0.15 86	0.08 150	0.10 146	0.12 85	0.11 36	0.12 101	0.07 48	0.07 47	0.06 23	0.04 1	0.10 80	0.08 15	0.05 33	0.05 182	0.06 129	0.04 40	0.06 223	0.04 34

FoundationStereo	0.06 1	0.04 1	0.08 28	0.13 10	0.05 1	0.09 96	0.13 129	0.06 1	0.09 29	0.05 2	0.05 7	0.06 23	0.04 1	0.07 3	0.07 1	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

AIO_rvc	0.07 3	0.06 73	0.08 28	0.15 86	0.06 15	0.08 55	0.14 186	0.09 12	0.08 14	0.07 48	0.08 91	0.07 84	0.04 1	0.10 80	0.08 15	0.05 33	0.04 23	0.05 35	0.04 40	0.04 21	0.03 1

GIP-stereo	0.08 54	0.06 73	0.11 176	0.15 86	0.07 79	0.09 96	0.13 129	0.15 125	0.11 69	0.07 48	0.08 91	0.05 4	0.04 1	0.10 80	0.07 1	0.05 33	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

IGEV-BASED-STEREO-	0.09 104	0.10 412	0.32 532	0.15 86	0.06 15	0.08 55	0.14 186	0.11 36	0.10 42	0.07 48	0.07 47	0.06 23	0.04 1	0.11 133	0.07 1	0.12 500	0.04 23	0.07 233	0.05 134	0.05 115	0.05 136

test_for_model	0.08 54	0.05 19	0.09 83	0.14 42	0.07 79	0.09 96	0.14 186	0.17 192	0.21 319	0.08 86	0.12 203	0.06 23	0.04 1	0.09 40	0.08 15	0.06 120	0.04 23	0.05 35	0.05 134	0.03 1	0.03 1

Selective-IGEV	0.07 3	0.06 73	0.09 83	0.17 242	0.06 15	0.08 55	0.12 85	0.13 76	0.08 14	0.08 86	0.07 47	0.06 23	0.04 1	0.10 80	0.09 56	0.05 33	0.04 23	0.05 35	0.04 40	0.04 21	0.03 1

Test_v1	0.07 3	0.04 1	0.06 1	0.13 10	0.06 15	0.09 96	0.10 31	0.15 125	0.12 101	0.06 14	0.05 7	0.04 1	0.05 16	0.08 17	0.10 133	0.07 275	0.04 23	0.05 35	0.04 40	0.04 21	0.04 34

Pro-Stereo	0.07 3	0.05 19	0.08 28	0.15 86	0.08 150	0.08 55	0.12 85	0.07 2	0.08 14	0.06 14	0.06 16	0.05 4	0.05 16	0.09 40	0.08 15	0.05 33	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

BStereo	0.08 54	0.06 73	0.17 398	0.15 86	0.08 150	0.08 55	0.09 18	0.15 125	0.16 209	0.06 14	0.07 47	0.07 84	0.05 16	0.09 40	0.11 207	0.04 6	0.05 182	0.05 35	0.07 310	0.04 21	0.05 136

Wave_Phase_stereo	0.09 104	0.06 73	0.17 398	0.15 86	0.08 150	0.11 188	0.09 18	0.18 220	0.16 209	0.06 14	0.07 47	0.07 84	0.05 16	0.09 40	0.11 207	0.04 6	0.05 182	0.05 35	0.07 310	0.04 21	0.05 136

VIP-Stereo	0.07 3	0.07 152	0.08 28	0.15 86	0.06 15	0.11 188	0.10 31	0.11 36	0.11 69	0.06 14	0.07 47	0.06 23	0.05 16	0.10 80	0.08 15	0.05 33	0.04 23	0.05 35	0.04 40	0.03 1	0.03 1

gasm-f	0.08 54	0.05 19	0.08 28	0.13 10	0.08 150	0.08 55	0.14 186	0.10 19	0.10 42	0.08 86	0.10 141	0.06 23	0.05 16	0.10 80	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.06 223	0.05 136

252Zero-FE	0.08 54	0.04 1	0.10 125	0.13 10	0.07 79	0.13 277	0.11 57	0.13 76	0.14 160	0.07 48	0.05 7	0.06 23	0.05 16	0.09 40	0.10 133	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.06 232

IGEV	0.08 54	0.04 1	0.09 83	0.13 10	0.06 15	0.09 96	0.12 85	0.14 93	0.10 42	0.06 14	0.09 115	0.07 84	0.05 16	0.09 40	0.09 56	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

111111	0.07 3	0.05 19	0.10 125	0.17 242	0.06 15	0.05 3	0.10 31	0.11 36	0.10 42	0.06 14	0.06 16	0.07 84	0.05 16	0.08 17	0.09 56	0.06 120	0.04 23	0.05 35	0.04 40	0.07 297	0.06 232

LG-Stereo_L2	0.07 3	0.05 19	0.10 125	0.14 42	0.06 15	0.07 27	0.12 85	0.09 12	0.10 42	0.06 14	0.04 1	0.05 4	0.05 16	0.08 17	0.08 15	0.05 33	0.04 23	0.05 35	0.03 1	0.04 21	0.03 1

MLG-Stereo_test1	0.06 1	0.05 19	0.08 28	0.17 242	0.05 1	0.07 27	0.11 57	0.09 12	0.03 1	0.05 2	0.04 1	0.06 23	0.05 16	0.09 40	0.09 56	0.05 33	0.04 23	0.05 35	0.03 1	0.04 21	0.05 136

MLG-Stereo	0.07 3	0.05 19	0.09 83	0.17 242	0.05 1	0.07 27	0.11 57	0.08 6	0.05 3	0.05 2	0.04 1	0.06 23	0.05 16	0.10 80	0.09 56	0.05 33	0.04 23	0.05 35	0.03 1	0.04 21	0.05 136

LG-Stereo_Zeroshot	0.07 3	0.06 73	0.10 125	0.16 165	0.07 79	0.04 1	0.13 129	0.10 19	0.10 42	0.05 2	0.11 186	0.07 84	0.05 16	0.07 3	0.09 56	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

HART	0.08 54	0.07 152	0.09 83	0.18 324	0.07 79	0.10 146	0.16 326	0.13 76	0.11 69	0.09 122	0.10 141	0.08 124	0.05 16	0.10 80	0.08 15	0.05 33	0.04 23	0.06 129	0.04 40	0.05 115	0.04 34

GREAT-IGEV	0.07 3	0.06 73	0.09 83	0.13 10	0.07 79	0.07 27	0.14 186	0.10 19	0.09 29	0.06 14	0.08 91	0.06 23	0.05 16	0.10 80	0.07 1	0.05 33	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
SCV_C0	0.08 54	0.07 152	0.08 28	0.16 165	0.10 377	0.08 55	0.14 186	0.11 36	0.13 139	0.08 86	0.07 47	0.06 23	0.05 16	0.11 133	0.07 1	0.05 33	0.05 182	0.05 35	0.04 40	0.06 223	0.05 136

DEFOM-Stereo_RVC	0.08 54	0.07 152	0.09 83	0.22 498	0.06 15	0.08 55	0.12 85	0.10 19	0.10 42	0.07 48	0.07 47	0.06 23	0.05 16	0.11 133	0.09 56	0.06 120	0.04 23	0.05 35	0.03 1	0.06 223	0.04 34

StereoAnything_RVC	0.07 3	0.16 516	0.17 398	0.11 1	0.05 1	0.06 10	0.11 57	0.08 6	0.08 14	0.06 14	0.06 16	0.05 4	0.05 16	0.09 40	0.08 15	0.08 345	0.04 23	0.05 35	0.03 1	0.05 115	0.04 34

AIO_test	0.07 3	0.06 73	0.07 7	0.15 86	0.07 79	0.07 27	0.14 186	0.10 19	0.10 42	0.07 48	0.07 47	0.06 23	0.05 16	0.08 17	0.10 133	0.05 33	0.04 23	0.05 35	0.04 40	0.04 21	0.03 1

AIO-test2	0.10 173	0.08 274	0.10 125	0.23 519	0.09 264	0.11 188	0.11 57	0.23 330	0.24 363	0.08 86	0.09 115	0.08 124	0.05 16	0.10 80	0.08 15	0.06 120	0.05 182	0.08 320	0.09 428	0.05 115	0.05 136

DEFOM-Stereo	0.07 3	0.05 19	0.07 7	0.14 42	0.06 15	0.09 96	0.13 129	0.07 2	0.13 139	0.06 14	0.07 47	0.06 23	0.05 16	0.10 80	0.09 56	0.05 33	0.04 23	0.05 35	0.03 1	0.04 21	0.04 34

dual_stereo	0.07 3	0.05 19	0.08 28	0.15 86	0.05 1	0.05 3	0.13 129	0.12 57	0.08 14	0.07 48	0.06 16	0.05 4	0.05 16	0.07 3	0.09 56	0.06 120	0.04 23	0.05 35	0.03 1	0.04 21	0.04 34

Occ-G	0.08 54	0.05 19	0.07 7	0.14 42	0.07 79	0.09 96	0.14 186	0.14 93	0.15 181	0.07 48	0.12 203	0.07 84	0.05 16	0.09 40	0.10 133	0.06 120	0.05 182	0.05 35	0.04 40	0.05 115	0.06 232

U	0.08 54	0.07 152	0.10 125	0.19 386	0.10 377	0.10 146	0.13 129	0.12 57	0.17 238	0.07 48	0.07 47	0.06 23	0.05 16	0.07 3	0.09 56	0.06 120	0.04 23	0.06 129	0.04 40	0.06 223	0.05 136

AIO-Stereo	0.08 54	0.06 73	0.10 125	0.18 324	0.06 15	0.09 96	0.11 57	0.16 155	0.09 29	0.09 122	0.08 91	0.07 84	0.05 16	0.11 133	0.08 15	0.05 33	0.05 182	0.05 35	0.04 40	0.04 21	0.04 34

RSM++	0.08 54	0.06 73	0.09 83	0.17 242	0.07 79	0.09 96	0.12 85	0.11 36	0.11 69	0.08 86	0.06 16	0.07 84	0.05 16	0.10 80	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.03 1

RSM	0.08 54	0.06 73	0.09 83	0.17 242	0.07 79	0.08 55	0.12 85	0.12 57	0.10 42	0.08 86	0.07 47	0.06 23	0.05 16	0.11 133	0.09 56	0.04 6	0.04 23	0.05 35	0.04 40	0.04 21	0.04 34

IGEV++	0.08 54	0.06 73	0.09 83	0.18 324	0.07 79	0.10 146	0.13 129	0.10 19	0.10 42	0.08 86	0.08 91	0.06 23	0.05 16	0.13 273	0.09 56	0.05 33	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

MIM_Stereo	0.10 173	0.07 152	0.11 176	0.15 86	0.07 79	0.07 27	0.12 85	0.20 269	0.14 160	0.13 263	0.14 233	0.09 159	0.05 16	0.12 216	0.08 15	0.05 33	0.06 343	0.07 233	0.06 213	0.06 223	0.05 136

EGLCR-Stereo	0.08 54	0.05 19	0.08 28	0.14 42	0.07 79	0.11 188	0.12 85	0.11 36	0.16 209	0.06 14	0.05 7	0.07 84	0.05 16	0.10 80	0.11 207	0.06 120	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

CroCo-Stereo Lap2	0.09 104	0.09 346	0.08 28	0.22 498	0.09 264	0.09 96	0.18 404	0.16 155	0.12 101	0.09 122	0.10 141	0.05 4	0.05 16	0.08 17	0.08 15	0.06 120	0.06 343	0.07 233	0.05 134	0.06 223	0.05 136

iRaft-Stereo_20w	0.09 104	0.05 19	0.13 252	0.14 42	0.09 264	0.12 238	0.15 266	0.19 252	0.11 69	0.11 197	0.08 91	0.08 124	0.05 16	0.10 80	0.09 56	0.06 120	0.04 23	0.06 129	0.05 134	0.06 223	0.05 136

gcap_with_dpt	0.09 104	0.06 73	0.10 125	0.16 165	0.08 150	0.12 238	0.14 186	0.16 155	0.16 209	0.09 122	0.13 220	0.10 191	0.06 48	0.12 216	0.11 207	0.06 120	0.05 182	0.05 35	0.04 40	0.05 115	0.04 34

BTL-Stereo	0.07 3	0.04 1	0.08 28	0.15 86	0.07 79	0.07 27	0.14 186	0.07 2	0.10 42	0.05 2	0.05 7	0.04 1	0.06 48	0.07 3	0.09 56	0.04 6	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

WQFJA1++	0.08 54	0.04 1	0.11 176	0.14 42	0.07 79	0.11 188	0.11 57	0.12 57	0.07 9	0.07 48	0.07 47	0.07 84	0.06 48	0.10 80	0.10 133	0.06 120	0.04 23	0.05 35	0.04 40	0.06 223	0.06 232

Select-FE	0.11 215	0.06 73	0.21 469	0.15 86	0.11 432	0.12 238	0.13 129	0.22 311	0.18 256	0.09 122	0.11 186	0.10 191	0.06 48	0.12 216	0.09 56	0.07 275	0.05 182	0.07 233	0.08 383	0.06 223	0.08 382

IGEV-FE	0.09 104	0.05 19	0.13 252	0.14 42	0.08 150	0.12 238	0.13 129	0.17 192	0.11 69	0.10 157	0.06 16	0.09 159	0.06 48	0.11 133	0.09 56	0.06 120	0.04 23	0.06 129	0.06 213	0.05 115	0.05 136

DDF-Stereo	0.08 54	0.05 19	0.10 125	0.15 86	0.10 377	0.05 3	0.13 129	0.09 12	0.14 160	0.06 14	0.06 16	0.07 84	0.06 48	0.09 40	0.10 133	0.06 120	0.04 23	0.06 129	0.04 40	0.08 362	0.05 136

Zero-FE251	0.08 54	0.05 19	0.10 125	0.13 10	0.06 15	0.12 238	0.12 85	0.11 36	0.10 42	0.07 48	0.08 91	0.06 23	0.06 48	0.10 80	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.04 34

MonStereo	0.07 3	0.06 73	0.06 1	0.15 86	0.05 1	0.08 55	0.10 31	0.15 125	0.15 181	0.05 2	0.06 16	0.05 4	0.06 48	0.07 3	0.09 56	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

Monster-pub-eth3d	0.07 3	0.06 73	0.06 1	0.15 86	0.05 1	0.08 55	0.10 31	0.15 125	0.15 181	0.05 2	0.06 16	0.05 4	0.06 48	0.07 3	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

Monster-pub-mixall	0.07 3	0.04 1	0.09 83	0.13 10	0.06 15	0.06 10	0.08 7	0.12 57	0.07 9	0.06 14	0.06 16	0.05 4	0.06 48	0.09 40	0.09 56	0.06 120	0.04 23	0.04 1	0.03 1	0.05 115	0.05 136

Replicate-Monster	0.07 3	0.05 19	0.09 83	0.14 42	0.06 15	0.09 96	0.09 18	0.14 93	0.12 101	0.05 2	0.07 47	0.06 23	0.06 48	0.08 17	0.10 133	0.06 120	0.04 23	0.05 35	0.03 1	0.04 21	0.04 34

zero-FE	0.08 54	0.05 19	0.10 125	0.15 86	0.10 377	0.05 3	0.13 129	0.09 12	0.14 160	0.07 48	0.06 16	0.07 84	0.06 48	0.09 40	0.10 133	0.06 120	0.04 23	0.06 129	0.04 40	0.08 362	0.05 136

AdaDepth	0.07 3	0.06 73	0.07 7	0.18 324	0.06 15	0.11 188	0.11 57	0.10 19	0.08 14	0.06 14	0.05 7	0.07 84	0.06 48	0.09 40	0.10 133	0.04 6	0.05 182	0.05 35	0.04 40	0.04 21	0.04 34

S2M2_XL	0.08 54	0.06 73	0.12 217	0.12 5	0.08 150	0.09 96	0.09 18	0.07 2	0.07 9	0.08 86	0.07 47	0.07 84	0.06 48	0.09 40	0.09 56	0.08 345	0.06 343	0.07 233	0.06 213	0.08 362	0.06 232
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
asda	0.07 3	0.08 274	0.08 28	0.16 165	0.07 79	0.06 10	0.10 31	0.16 155	0.11 69	0.06 14	0.06 16	0.05 4	0.06 48	0.10 80	0.10 133	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 1

asd	0.07 3	0.08 274	0.08 28	0.16 165	0.07 79	0.08 55	0.08 7	0.11 36	0.08 14	0.07 48	0.07 47	0.06 23	0.06 48	0.10 80	0.09 56	0.03 1	0.03 1	0.04 1	0.04 40	0.04 21	0.03 1

qwe	0.08 54	0.08 274	0.07 7	0.15 86	0.06 15	0.07 27	0.10 31	0.18 220	0.12 101	0.07 48	0.07 47	0.06 23	0.06 48	0.10 80	0.09 56	0.04 6	0.03 1	0.04 1	0.04 40	0.04 21	0.03 1

2.25w	0.07 3	0.07 152	0.08 28	0.15 86	0.06 15	0.08 55	0.09 18	0.10 19	0.15 181	0.08 86	0.10 141	0.07 84	0.06 48	0.09 40	0.10 133	0.05 33	0.04 23	0.04 1	0.04 40	0.03 1	0.04 34

4.25_new	0.07 3	0.08 274	0.09 83	0.15 86	0.06 15	0.08 55	0.08 7	0.14 93	0.08 14	0.07 48	0.07 47	0.06 23	0.06 48	0.12 216	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.04 21	0.03 1

4.5w_new	0.07 3	0.08 274	0.09 83	0.15 86	0.06 15	0.08 55	0.08 7	0.14 93	0.08 14	0.07 48	0.07 47	0.06 23	0.06 48	0.12 216	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.04 21	0.03 1

4.5_new	0.07 3	0.09 346	0.08 28	0.15 86	0.07 79	0.07 27	0.10 31	0.14 93	0.11 69	0.06 14	0.08 91	0.06 23	0.06 48	0.08 17	0.10 133	0.03 1	0.03 1	0.04 1	0.04 40	0.04 21	0.03 1

4.5w-stereo	0.07 3	0.09 346	0.08 28	0.15 86	0.07 79	0.07 27	0.10 31	0.14 93	0.11 69	0.06 14	0.08 91	0.06 23	0.06 48	0.08 17	0.10 133	0.03 1	0.03 1	0.04 1	0.04 40	0.04 21	0.03 1

4.25w-stereo	0.07 3	0.08 274	0.09 83	0.15 86	0.06 15	0.08 55	0.08 7	0.14 93	0.08 14	0.07 48	0.07 47	0.06 23	0.06 48	0.12 216	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.04 21	0.03 1

4w-stereo	0.07 3	0.08 274	0.08 28	0.16 165	0.07 79	0.07 27	0.08 7	0.11 36	0.09 29	0.07 48	0.07 47	0.05 4	0.06 48	0.09 40	0.10 133	0.03 1	0.03 1	0.04 1	0.04 40	0.04 21	0.03 1

2.5w	0.07 3	0.07 152	0.08 28	0.16 165	0.06 15	0.08 55	0.12 85	0.10 19	0.10 42	0.07 48	0.06 16	0.09 159	0.06 48	0.08 17	0.09 56	0.04 6	0.03 1	0.04 1	0.04 40	0.03 1	0.03 1

2.75w_new	0.07 3	0.07 152	0.07 7	0.13 10	0.06 15	0.08 55	0.08 7	0.18 220	0.13 139	0.08 86	0.08 91	0.06 23	0.06 48	0.09 40	0.11 207	0.04 6	0.04 23	0.04 1	0.03 1	0.03 1	0.04 34

3.25w_new	0.07 3	0.06 73	0.08 28	0.15 86	0.06 15	0.10 146	0.07 3	0.12 57	0.11 69	0.08 86	0.07 47	0.07 84	0.06 48	0.11 133	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.04 34

3.25w	0.07 3	0.06 73	0.08 28	0.15 86	0.06 15	0.10 146	0.07 3	0.12 57	0.11 69	0.08 86	0.07 47	0.07 84	0.06 48	0.11 133	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.04 34

3.75w	0.07 3	0.07 152	0.08 28	0.16 165	0.07 79	0.07 27	0.09 18	0.16 155	0.10 42	0.07 48	0.06 16	0.06 23	0.06 48	0.09 40	0.10 133	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3w_stereo	0.08 54	0.09 346	0.10 125	0.17 242	0.07 79	0.08 55	0.11 57	0.20 269	0.13 139	0.06 14	0.07 47	0.05 4	0.06 48	0.08 17	0.09 56	0.04 6	0.03 1	0.04 1	0.03 1	0.04 21	0.03 1

2w_stereo	0.08 54	0.08 274	0.09 83	0.16 165	0.06 15	0.09 96	0.10 31	0.20 269	0.15 181	0.08 86	0.07 47	0.06 23	0.06 48	0.06 1	0.10 133	0.04 6	0.03 1	0.04 1	0.04 40	0.03 1	0.03 1

1w_stereo	0.08 54	0.06 73	0.07 7	0.16 165	0.06 15	0.07 27	0.10 31	0.14 93	0.15 181	0.07 48	0.08 91	0.05 4	0.06 48	0.10 80	0.09 56	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.04 34

monsters	0.07 3	0.06 73	0.06 1	0.15 86	0.06 15	0.08 55	0.09 18	0.13 76	0.09 29	0.09 122	0.07 47	0.06 23	0.06 48	0.09 40	0.08 15	0.05 33	0.04 23	0.04 1	0.04 40	0.03 1	0.04 34

MLG-Stereo_test3	0.07 3	0.05 19	0.10 125	0.15 86	0.06 15	0.07 27	0.10 31	0.08 6	0.06 4	0.06 14	0.04 1	0.06 23	0.06 48	0.08 17	0.10 133	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.06 232

MM-Stereo_test3	0.10 173	0.07 152	0.07 7	0.18 324	0.07 79	0.12 238	0.19 448	0.24 354	0.19 282	0.06 14	0.10 141	0.08 124	0.06 48	0.11 133	0.09 56	0.06 120	0.06 343	0.07 233	0.05 134	0.05 115	0.04 34

MM-Stereo_test2	0.09 104	0.07 152	0.09 83	0.19 386	0.08 150	0.12 238	0.18 404	0.15 125	0.14 160	0.07 48	0.10 141	0.07 84	0.06 48	0.12 216	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.06 223	0.04 34

MM-Stereo_test1	0.10 173	0.07 152	0.09 83	0.18 324	0.07 79	0.12 238	0.18 404	0.21 287	0.20 304	0.09 122	0.11 186	0.08 124	0.06 48	0.10 80	0.10 133	0.06 120	0.05 182	0.07 233	0.06 213	0.05 115	0.04 34

HUF	0.08 54	0.05 19	0.08 28	0.14 42	0.06 15	0.09 96	0.13 129	0.13 76	0.13 139	0.07 48	0.07 47	0.09 159	0.06 48	0.10 80	0.09 56	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

castereo++	0.08 54	0.06 73	0.08 28	0.15 86	0.05 1	0.14 319	0.11 57	0.11 36	0.15 181	0.07 48	0.07 47	0.08 124	0.06 48	0.08 17	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.03 1

IGEV-RUCA	0.08 54	0.06 73	0.11 176	0.14 42	0.09 264	0.10 146	0.12 85	0.10 19	0.12 101	0.06 14	0.07 47	0.08 124	0.06 48	0.09 40	0.08 15	0.06 120	0.05 182	0.05 35	0.04 40	0.05 115	0.06 232

MonSter	0.07 3	0.06 73	0.06 1	0.15 86	0.05 1	0.08 55	0.10 31	0.15 125	0.15 181	0.05 2	0.06 16	0.05 4	0.06 48	0.07 3	0.09 56	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

fffft	0.09 104	0.06 73	0.12 217	0.16 165	0.07 79	0.09 96	0.16 326	0.12 57	0.11 69	0.09 122	0.07 47	0.09 159	0.06 48	0.11 133	0.12 276	0.05 33	0.04 23	0.06 129	0.05 134	0.04 21	0.05 136
1: 1. 1
tt45	0.09 104	0.06 73	0.11 176	0.15 86	0.07 79	0.12 238	0.15 266	0.13 76	0.12 101	0.09 122	0.06 16	0.08 124	0.06 48	0.13 273	0.10 133	0.06 120	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

mms	0.09 104	0.07 152	0.08 28	0.17 242	0.08 150	0.11 188	0.15 266	0.12 57	0.11 69	0.09 122	0.09 115	0.08 124	0.06 48	0.11 133	0.12 276	0.05 33	0.04 23	0.07 233	0.05 134	0.04 21	0.04 34

ours_stereo	0.09 104	0.07 152	0.09 83	0.17 242	0.08 150	0.11 188	0.16 326	0.11 36	0.12 101	0.08 86	0.10 141	0.08 124	0.06 48	0.12 216	0.12 276	0.05 33	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

WCG-NET	0.08 54	0.05 19	0.10 125	0.15 86	0.06 15	0.11 188	0.14 186	0.13 76	0.14 160	0.07 48	0.09 115	0.07 84	0.06 48	0.13 273	0.08 15	0.05 33	0.04 23	0.06 129	0.04 40	0.04 21	0.03 1

IGEV-Stereo++	0.07 3	0.06 73	0.08 28	0.18 324	0.06 15	0.05 3	0.10 31	0.11 36	0.11 69	0.06 14	0.07 47	0.07 84	0.06 48	0.09 40	0.09 56	0.05 33	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

RAStereo	0.10 173	0.09 346	0.08 28	0.20 444	0.08 150	0.13 277	0.18 404	0.16 155	0.17 238	0.10 157	0.12 203	0.05 4	0.06 48	0.09 40	0.08 15	0.07 275	0.05 182	0.07 233	0.05 134	0.05 115	0.04 34

Pointernet	0.09 104	0.05 19	0.10 125	0.16 165	0.08 150	0.13 277	0.10 31	0.15 125	0.18 256	0.09 122	0.07 47	0.06 23	0.06 48	0.11 133	0.10 133	0.08 345	0.04 23	0.05 35	0.03 1	0.06 223	0.05 136

IGEV-Stereo+	0.07 3	0.04 1	0.08 28	0.15 86	0.06 15	0.04 1	0.09 18	0.10 19	0.09 29	0.06 14	0.06 16	0.06 23	0.06 48	0.06 1	0.09 56	0.06 120	0.04 23	0.05 35	0.04 40	0.06 223	0.06 232

WCG-NET（raft）	0.08 54	0.05 19	0.10 125	0.15 86	0.06 15	0.11 188	0.13 129	0.15 125	0.12 101	0.08 86	0.07 47	0.06 23	0.06 48	0.13 273	0.08 15	0.05 33	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

RAFT-Stereo-weight	0.09 104	0.06 73	0.11 176	0.16 165	0.07 79	0.09 96	0.14 186	0.19 252	0.16 209	0.11 197	0.10 141	0.08 124	0.06 48	0.10 80	0.11 207	0.06 120	0.04 23	0.06 129	0.04 40	0.04 21	0.04 34

GCAPDPT-zeroshot4090	0.09 104	0.05 19	0.11 176	0.13 10	0.07 79	0.11 188	0.14 186	0.14 93	0.17 238	0.07 48	0.10 141	0.08 124	0.06 48	0.13 273	0.08 15	0.07 275	0.05 182	0.05 35	0.05 134	0.05 115	0.04 34

MGS-Stereo	0.09 104	0.07 152	0.12 217	0.16 165	0.08 150	0.09 96	0.15 266	0.12 57	0.12 101	0.07 48	0.10 141	0.08 124	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.06 223	0.05 136

MoCha-V2	0.08 54	0.05 19	0.11 176	0.20 444	0.07 79	0.10 146	0.14 186	0.12 57	0.08 14	0.07 48	0.08 91	0.07 84	0.06 48	0.09 40	0.08 15	0.05 33	0.05 182	0.05 35	0.04 40	0.04 21	0.04 34

ACVNet-DCA	0.10 173	0.08 274	0.13 252	0.17 242	0.09 264	0.13 277	0.15 266	0.24 354	0.16 209	0.09 122	0.09 115	0.06 23	0.06 48	0.10 80	0.07 1	0.06 120	0.05 182	0.06 129	0.05 134	0.07 297	0.07 313

1test111	0.11 215	0.08 274	0.13 252	0.17 242	0.09 264	0.13 277	0.15 266	0.24 354	0.16 209	0.09 122	0.09 115	0.06 23	0.06 48	0.15 322	0.16 399	0.06 120	0.05 182	0.06 129	0.05 134	0.07 297	0.07 313

cc1	0.10 173	0.08 274	0.13 252	0.17 242	0.09 264	0.13 277	0.15 266	0.16 155	0.18 256	0.09 122	0.09 115	0.06 23	0.06 48	0.10 80	0.07 1	0.06 120	0.05 182	0.06 129	0.05 134	0.06 223	0.06 232

ff7	0.09 104	0.07 152	0.11 176	0.16 165	0.09 264	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.06 23	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

IGEVStereo-DCA	0.09 104	0.07 152	0.11 176	0.16 165	0.10 377	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.08 124	0.06 48	0.10 80	0.09 56	0.06 120	0.05 182	0.06 129	0.05 134	0.05 115	0.06 232

ffff	0.09 104	0.07 152	0.11 176	0.16 165	0.09 264	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.06 23	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

rrr	0.09 104	0.07 152	0.13 252	0.16 165	0.10 377	0.11 188	0.15 266	0.16 155	0.15 181	0.10 157	0.06 16	0.08 124	0.06 48	0.10 80	0.09 56	0.06 120	0.05 182	0.06 129	0.05 134	0.05 115	0.06 232

11t	0.09 104	0.07 152	0.11 176	0.16 165	0.09 264	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.06 23	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

tt1	0.10 173	0.08 274	0.13 252	0.17 242	0.09 264	0.13 277	0.15 266	0.15 125	0.19 282	0.09 122	0.08 91	0.06 23	0.06 48	0.10 80	0.08 15	0.06 120	0.05 182	0.06 129	0.05 134	0.06 223	0.06 232

MaDis-Stereo	0.09 104	0.09 346	0.08 28	0.17 242	0.09 264	0.14 319	0.11 57	0.16 155	0.16 209	0.09 122	0.11 186	0.06 23	0.06 48	0.09 40	0.13 311	0.07 275	0.06 343	0.08 320	0.05 134	0.05 115	0.04 34

IGEV_Zeroshot_test	0.09 104	0.05 19	0.13 252	0.14 42	0.08 150	0.12 238	0.13 129	0.17 192	0.11 69	0.10 157	0.06 16	0.09 159	0.06 48	0.11 133	0.09 56	0.06 120	0.04 23	0.06 129	0.06 213	0.05 115	0.05 136

MSKI-zero shot	0.09 104	0.05 19	0.09 83	0.16 165	0.07 79	0.10 146	0.13 129	0.15 125	0.14 160	0.09 122	0.09 115	0.09 159	0.06 48	0.12 216	0.11 207	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.05 136

UniTT-Stereo	0.09 104	0.07 152	0.08 28	0.18 324	0.08 150	0.13 277	0.11 57	0.12 57	0.11 69	0.10 157	0.12 203	0.05 4	0.06 48	0.09 40	0.10 133	0.07 275	0.06 343	0.05 35	0.05 134	0.06 223	0.05 136

testlalala	0.09 104	0.05 19	0.11 176	0.13 10	0.07 79	0.11 188	0.14 186	0.14 93	0.17 238	0.07 48	0.10 141	0.08 124	0.06 48	0.13 273	0.08 15	0.07 275	0.05 182	0.05 35	0.05 134	0.05 115	0.04 34

GCAPDPT-zeroshot	0.09 104	0.05 19	0.11 176	0.13 10	0.07 79	0.11 188	0.14 186	0.14 93	0.17 238	0.07 48	0.10 141	0.08 124	0.06 48	0.13 273	0.08 15	0.07 275	0.05 182	0.05 35	0.05 134	0.05 115	0.04 34

CAS	0.08 54	0.04 1	0.07 7	0.17 242	0.08 150	0.10 146	0.13 129	0.12 57	0.09 29	0.09 122	0.10 141	0.08 124	0.06 48	0.09 40	0.09 56	0.08 345	0.04 23	0.05 35	0.03 1	0.05 115	0.04 34

anonymousdsp	0.09 104	0.07 152	0.11 176	0.17 242	0.09 264	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.06 23	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

ProNet	0.09 104	0.07 152	0.11 176	0.17 242	0.08 150	0.11 188	0.15 266	0.15 125	0.12 101	0.10 157	0.06 16	0.07 84	0.06 48	0.11 133	0.09 56	0.05 33	0.05 182	0.06 129	0.05 134	0.04 21	0.06 232

MC-Stereo	0.09 104	0.07 152	0.09 83	0.17 242	0.06 15	0.10 146	0.14 186	0.12 57	0.11 69	0.09 122	0.12 203	0.09 159	0.06 48	0.11 133	0.10 133	0.06 120	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

ccc-4	0.09 104	0.07 152	0.11 176	0.16 165	0.09 264	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.06 23	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

IGEV-Stereo	0.09 104	0.07 152	0.11 176	0.17 242	0.09 264	0.11 188	0.15 266	0.16 155	0.12 101	0.10 157	0.06 16	0.06 23	0.06 48	0.11 133	0.09 56	0.05 33	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CroCo-Stereo	0.09 104	0.08 274	0.08 28	0.22 498	0.09 264	0.09 96	0.18 404	0.16 155	0.12 101	0.07 48	0.07 47	0.08 124	0.06 48	0.08 17	0.07 1	0.07 275	0.05 182	0.06 129	0.04 40	0.05 115	0.04 34
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
XX-Stereo	0.09 104	0.05 19	0.09 83	0.17 242	0.09 264	0.15 345	0.12 85	0.21 287	0.10 42	0.10 157	0.14 233	0.07 84	0.06 48	0.13 273	0.08 15	0.06 120	0.05 182	0.06 129	0.06 213	0.04 21	0.04 34

test_xeample3	0.09 104	0.07 152	0.12 217	0.16 165	0.09 264	0.11 188	0.15 266	0.16 155	0.14 160	0.10 157	0.07 47	0.08 124	0.06 48	0.10 80	0.09 56	0.06 120	0.04 23	0.06 129	0.05 134	0.05 115	0.06 232

DispViT+	0.08 54	0.08 274	0.13 252	0.15 86	0.07 79	0.08 55	0.09 18	0.14 93	0.09 29	0.09 122	0.06 16	0.06 23	0.07 127	0.10 80	0.12 276	0.06 120	0.05 182	0.05 35	0.04 40	0.05 115	0.05 136

HiDET	0.08 54	0.05 19	0.10 125	0.13 10	0.06 15	0.09 96	0.12 85	0.12 57	0.12 101	0.07 48	0.07 47	0.07 84	0.07 127	0.11 133	0.11 207	0.06 120	0.05 182	0.04 1	0.03 1	0.04 21	0.04 34

LCMNet	0.08 54	0.05 19	0.10 125	0.13 10	0.07 79	0.09 96	0.12 85	0.10 19	0.12 101	0.06 14	0.08 91	0.06 23	0.07 127	0.11 133	0.10 133	0.06 120	0.05 182	0.04 1	0.03 1	0.04 21	0.04 34

FE-Mocha	0.09 104	0.06 73	0.14 298	0.16 165	0.09 264	0.11 188	0.15 266	0.19 252	0.16 209	0.10 157	0.09 115	0.07 84	0.07 127	0.09 40	0.09 56	0.06 120	0.04 23	0.06 129	0.06 213	0.05 115	0.05 136

DLNR-FE	10.51 633	2.29 625	19.85 645	120.28 649	13.21 637	0.06 10	0.13 129	0.24 354	0.10 42	0.08 86	0.10 141	0.09 159	0.07 127	0.10 80	0.09 56	0.13 518	0.04 23	0.06 129	0.04 40	53.18 651	0.04 34

Wavelet-MonSter	0.07 3	0.05 19	0.07 7	0.16 165	0.06 15	0.07 27	0.11 57	0.10 19	0.08 14	0.06 14	0.07 47	0.07 84	0.07 127	0.09 40	0.09 56	0.04 6	0.04 23	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 3	0.07 152	0.07 7	0.15 86	0.07 79	0.09 96	0.06 1	0.14 93	0.11 69	0.08 86	0.07 47	0.06 23	0.07 127	0.10 80	0.09 56	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

monsterstereo	0.08 54	0.06 73	0.07 7	0.16 165	0.06 15	0.08 55	0.10 31	0.16 155	0.12 101	0.07 48	0.08 91	0.06 23	0.07 127	0.08 17	0.09 56	0.04 6	0.04 23	0.05 35	0.04 40	0.04 21	0.03 1

LG-G_1	0.07 3	0.04 1	0.11 176	0.15 86	0.06 15	0.09 96	0.08 7	0.08 6	0.06 4	0.06 14	0.06 16	0.07 84	0.07 127	0.11 133	0.08 15	0.07 275	0.04 23	0.05 35	0.04 40	0.05 115	0.06 232

LG-G	0.07 3	0.04 1	0.11 176	0.15 86	0.06 15	0.09 96	0.08 7	0.08 6	0.06 4	0.06 14	0.06 16	0.07 84	0.07 127	0.11 133	0.08 15	0.07 275	0.04 23	0.05 35	0.04 40	0.05 115	0.06 232

LGtest1	0.07 3	0.05 19	0.11 176	0.15 86	0.06 15	0.07 27	0.09 18	0.08 6	0.06 4	0.06 14	0.04 1	0.06 23	0.07 127	0.10 80	0.09 56	0.07 275	0.04 23	0.05 35	0.04 40	0.06 223	0.06 232

LG-Stereo	0.08 54	0.08 274	0.10 125	0.18 324	0.07 79	0.10 146	0.17 355	0.11 36	0.08 14	0.06 14	0.08 91	0.06 23	0.07 127	0.09 40	0.09 56	0.04 6	0.05 182	0.07 233	0.07 310	0.04 21	0.04 34

AIO-test1	0.10 173	0.07 152	0.11 176	0.24 531	0.07 79	0.09 96	0.13 129	0.22 311	0.15 181	0.11 197	0.12 203	0.09 159	0.07 127	0.11 133	0.09 56	0.06 120	0.05 182	0.09 406	0.10 467	0.04 21	0.07 313

SMoEStereo_RVC	0.08 54	0.06 73	0.12 217	0.16 165	0.07 79	0.09 96	0.13 129	0.11 36	0.14 160	0.09 122	0.07 47	0.07 84	0.07 127	0.12 216	0.10 133	0.05 33	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

tg	0.10 173	0.06 73	0.10 125	0.18 324	0.08 150	0.11 188	0.16 326	0.20 269	0.12 101	0.08 86	0.11 186	0.11 218	0.07 127	0.11 133	0.10 133	0.05 33	0.04 23	0.08 320	0.08 383	0.04 21	0.04 34

PAM_32	0.10 173	0.06 73	0.17 398	0.15 86	0.08 150	0.10 146	0.15 266	0.14 93	0.16 209	0.09 122	0.08 91	0.10 191	0.07 127	0.14 304	0.09 56	0.06 120	0.05 182	0.06 129	0.06 213	0.05 115	0.06 232

PAM	0.10 173	0.06 73	0.17 398	0.15 86	0.09 264	0.10 146	0.16 326	0.15 125	0.16 209	0.12 231	0.09 115	0.10 191	0.07 127	0.13 273	0.09 56	0.06 120	0.05 182	0.06 129	0.06 213	0.05 115	0.06 232

model_zeroshot	0.10 173	0.05 19	0.12 217	0.15 86	0.09 264	0.13 277	0.14 186	0.20 269	0.14 160	0.11 197	0.10 141	0.12 240	0.07 127	0.12 216	0.11 207	0.07 275	0.06 343	0.06 129	0.05 134	0.06 223	0.06 232

GCAP-BAT	0.09 104	0.07 152	0.14 298	0.15 86	0.08 150	0.10 146	0.12 85	0.15 125	0.11 69	0.11 197	0.10 141	0.09 159	0.07 127	0.12 216	0.10 133	0.06 120	0.05 182	0.06 129	0.04 40	0.04 21	0.04 34

AIO-Stereo-zeroshot1	0.11 215	0.05 19	0.14 298	0.16 165	0.21 570	0.09 96	0.17 355	0.21 287	0.16 209	0.11 197	0.15 246	0.10 191	0.07 127	0.10 80	0.08 15	0.06 120	0.05 182	0.07 233	0.07 310	0.07 297	0.09 427

AIO-Stereo-zeroshot	0.11 215	0.05 19	0.12 217	0.15 86	0.13 488	0.14 319	0.16 326	0.23 330	0.18 256	0.10 157	0.13 220	0.10 191	0.07 127	0.12 216	0.09 56	0.06 120	0.05 182	0.06 129	0.06 213	0.07 297	0.08 382

CAS++	0.11 215	0.07 152	0.11 176	0.14 42	0.10 377	0.13 277	0.14 186	0.24 354	0.14 160	0.11 197	0.09 115	0.11 218	0.07 127	0.14 304	0.09 56	0.11 475	0.09 478	0.09 406	0.07 310	0.07 297	0.08 382
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MyStereo07	0.10 173	0.07 152	0.10 125	0.17 242	0.09 264	0.14 319	0.17 355	0.15 125	0.15 181	0.09 122	0.06 16	0.06 23	0.07 127	0.12 216	0.09 56	0.06 120	0.05 182	0.08 320	0.07 310	0.06 223	0.06 232

MyStereo06	0.10 173	0.07 152	0.12 217	0.17 242	0.09 264	0.13 277	0.18 404	0.19 252	0.12 101	0.13 263	0.08 91	0.07 84	0.07 127	0.11 133	0.09 56	0.06 120	0.05 182	0.08 320	0.07 310	0.06 223	0.06 232

DLNR_Zeroshot_test	10.48 632	2.27 624	19.78 644	120.28 649	13.29 638	0.06 10	0.13 129	0.24 354	0.10 42	0.08 86	0.10 141	0.09 159	0.07 127	0.10 80	0.09 56	0.13 518	0.04 23	0.06 129	0.04 40	52.68 650	0.04 34

CASnet	0.09 104	0.09 346	0.09 83	0.19 386	0.06 15	0.07 27	0.11 57	0.18 220	0.14 160	0.11 197	0.10 141	0.09 159	0.07 127	0.10 80	0.10 133	0.06 120	0.04 23	0.10 453	0.08 383	0.06 223	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 104	0.06 73	0.13 252	0.17 242	0.08 150	0.11 188	0.16 326	0.15 125	0.10 42	0.08 86	0.10 141	0.08 124	0.07 127	0.10 80	0.09 56	0.06 120	0.04 23	0.06 129	0.05 134	0.05 115	0.04 34

HanStereo	0.09 104	0.06 73	0.13 252	0.17 242	0.08 150	0.11 188	0.16 326	0.15 125	0.10 42	0.08 86	0.10 141	0.08 124	0.07 127	0.10 80	0.09 56	0.06 120	0.04 23	0.06 129	0.05 134	0.05 115	0.04 34

LL-Strereo2	0.11 215	0.10 412	0.16 375	0.18 324	0.08 150	0.15 345	0.09 18	0.17 192	0.14 160	0.14 287	0.11 186	0.09 159	0.07 127	0.16 350	0.10 133	0.05 33	0.05 182	0.11 483	0.07 310	0.06 223	0.05 136

4D-IteraStereo	0.10 173	0.07 152	0.10 125	0.18 324	0.07 79	0.09 96	0.15 266	0.18 220	0.15 181	0.10 157	0.11 186	0.10 191	0.07 127	0.12 216	0.09 56	0.05 33	0.03 1	0.08 320	0.07 310	0.06 223	0.05 136

CES	0.08 54	0.04 1	0.08 28	0.14 42	0.07 79	0.09 96	0.14 186	0.11 36	0.09 29	0.08 86	0.09 115	0.11 218	0.07 127	0.12 216	0.08 15	0.06 120	0.04 23	0.05 35	0.03 1	0.05 115	0.05 136

RCA-Stereo	0.09 104	0.06 73	0.09 83	0.16 165	0.06 15	0.09 96	0.13 129	0.18 220	0.14 160	0.10 157	0.11 186	0.08 124	0.07 127	0.12 216	0.11 207	0.06 120	0.04 23	0.06 129	0.05 134	0.05 115	0.04 34

RAFT_CTSACE	0.12 292	0.09 346	0.10 125	0.22 498	0.08 150	0.12 238	0.24 522	0.18 220	0.17 238	0.21 436	0.27 438	0.13 265	0.07 127	0.13 273	0.09 56	0.05 33	0.06 343	0.08 320	0.07 310	0.04 21	0.04 34

IPLG	0.11 215	0.08 274	0.15 333	0.17 242	0.08 150	0.11 188	0.14 186	0.20 269	0.15 181	0.13 263	0.18 306	0.07 84	0.07 127	0.14 304	0.14 346	0.06 120	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

MIPNet	0.11 215	0.08 274	0.15 333	0.17 242	0.09 264	0.12 238	0.14 186	0.21 287	0.25 387	0.12 231	0.10 141	0.09 159	0.07 127	0.13 273	0.13 311	0.06 120	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

TRStereo	0.10 173	0.05 19	0.12 217	0.16 165	0.12 462	0.10 146	0.13 129	0.18 220	0.19 282	0.09 122	0.09 115	0.09 159	0.07 127	0.10 80	0.08 15	0.07 275	0.05 182	0.07 233	0.07 310	0.04 21	0.04 34

iRaftStereo_RVC	0.10 173	0.07 152	0.10 125	0.17 242	0.09 264	0.11 188	0.17 355	0.18 220	0.12 101	0.09 122	0.11 186	0.10 191	0.07 127	0.11 133	0.10 133	0.05 33	0.04 23	0.08 320	0.08 383	0.04 21	0.04 34

CREStereo++_RVC	0.08 54	0.04 1	0.07 7	0.13 10	0.07 79	0.09 96	0.12 85	0.14 93	0.14 160	0.10 157	0.14 233	0.08 124	0.07 127	0.10 80	0.11 207	0.06 120	0.04 23	0.05 35	0.05 134	0.04 21	0.04 34
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	0.09 104	0.04 1	0.08 28	0.13 10	0.06 15	0.11 188	0.13 129	0.15 125	0.19 282	0.11 197	0.15 246	0.10 191	0.07 127	0.12 216	0.09 56	0.07 275	0.05 182	0.05 35	0.04 40	0.06 223	0.05 136

sCroCo_RVC	0.12 292	0.09 346	0.24 493	0.24 531	0.11 432	0.19 434	0.14 186	0.17 192	0.15 181	0.10 157	0.13 220	0.12 240	0.07 127	0.14 304	0.11 207	0.08 345	0.08 446	0.08 320	0.08 383	0.05 115	0.07 313

EAI-Stereo	0.09 104	0.07 152	0.11 176	0.16 165	0.07 79	0.10 146	0.15 266	0.16 155	0.09 29	0.08 86	0.09 115	0.08 124	0.07 127	0.09 40	0.11 207	0.05 33	0.05 182	0.05 35	0.05 134	0.05 115	0.04 34

PMTNet	0.09 104	0.05 19	0.09 83	0.12 5	0.06 15	0.13 277	0.14 186	0.16 155	0.11 69	0.09 122	0.13 220	0.10 191	0.07 127	0.14 304	0.10 133	0.15 543	0.04 23	0.05 35	0.03 1	0.07 297	0.06 232

LACA2	0.07 3	0.05 19	0.06 1	0.15 86	0.06 15	0.09 96	0.10 31	0.11 36	0.11 69	0.05 2	0.05 7	0.06 23	0.08 169	0.09 40	0.07 1	0.07 275	0.04 23	0.04 1	0.04 40	0.04 21	0.04 34

LACA1	0.07 3	0.07 152	0.07 7	0.14 42	0.05 1	0.09 96	0.11 57	0.10 19	0.07 9	0.05 2	0.05 7	0.06 23	0.08 169	0.08 17	0.09 56	0.06 120	0.04 23	0.04 1	0.04 40	0.03 1	0.04 34

BridgeDepth_RVC	0.07 3	0.04 1	0.09 83	0.11 1	0.05 1	0.10 146	0.10 31	0.14 93	0.09 29	0.06 14	0.07 47	0.06 23	0.08 169	0.07 3	0.10 133	0.06 120	0.04 23	0.04 1	0.04 40	0.05 115	0.04 34
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
MonSter++	0.08 54	0.04 1	0.10 125	0.13 10	0.06 15	0.10 146	0.13 129	0.13 76	0.08 14	0.06 14	0.07 47	0.06 23	0.08 169	0.10 80	0.11 207	0.06 120	0.05 182	0.04 1	0.03 1	0.04 21	0.05 136

CSFM-Stereo	0.08 54	0.05 19	0.08 28	0.14 42	0.06 15	0.09 96	0.13 129	0.15 125	0.07 9	0.07 48	0.08 91	0.06 23	0.08 169	0.09 40	0.10 133	0.06 120	0.05 182	0.04 1	0.03 1	0.04 21	0.04 34

DA	0.09 104	0.07 152	0.07 7	0.19 386	0.08 150	0.10 146	0.13 129	0.13 76	0.12 101	0.08 86	0.10 141	0.10 191	0.08 169	0.09 40	0.10 133	0.05 33	0.04 23	0.06 129	0.04 40	0.05 115	0.04 34

GGEV	0.09 104	0.07 152	0.07 7	0.19 386	0.08 150	0.10 146	0.13 129	0.13 76	0.12 101	0.08 86	0.10 141	0.10 191	0.08 169	0.09 40	0.10 133	0.05 33	0.04 23	0.06 129	0.04 40	0.05 115	0.04 34

Reg-Stereo(zero)	0.09 104	0.05 19	0.08 28	0.16 165	0.06 15	0.12 238	0.11 57	0.15 125	0.11 69	0.12 231	0.09 115	0.10 191	0.08 169	0.11 133	0.09 56	0.06 120	0.05 182	0.05 35	0.04 40	0.04 21	0.05 136

castereo	0.09 104	0.06 73	0.11 176	0.15 86	0.06 15	0.11 188	0.14 186	0.14 93	0.18 256	0.08 86	0.10 141	0.11 218	0.08 169	0.09 40	0.10 133	0.05 33	0.04 23	0.05 35	0.04 40	0.04 21	0.04 34

999	0.09 104	0.06 73	0.13 252	0.15 86	0.08 150	0.10 146	0.14 186	0.15 125	0.12 101	0.10 157	0.08 91	0.08 124	0.08 169	0.16 350	0.10 133	0.06 120	0.04 23	0.06 129	0.05 134	0.04 21	0.06 232

UGAM-zero	0.10 173	0.05 19	0.15 333	0.15 86	0.08 150	0.10 146	0.13 129	0.20 269	0.15 181	0.11 197	0.15 246	0.07 84	0.08 169	0.09 40	0.10 133	0.06 120	0.05 182	0.06 129	0.05 134	0.05 115	0.06 232

gcap-zeroshot	0.09 104	0.06 73	0.10 125	0.16 165	0.07 79	0.14 319	0.13 129	0.11 36	0.12 101	0.13 263	0.12 203	0.09 159	0.08 169	0.09 40	0.09 56	0.06 120	0.05 182	0.06 129	0.05 134	0.04 21	0.04 34

trnet	0.08 54	0.05 19	0.07 7	0.12 5	0.05 1	0.12 238	0.10 31	0.13 76	0.10 42	0.08 86	0.13 220	0.09 159	0.08 169	0.11 133	0.10 133	0.08 345	0.05 182	0.05 35	0.03 1	0.06 223	0.05 136

Former-RAFT_DAM_RVC	0.11 215	0.08 274	0.13 252	0.16 165	0.08 150	0.15 345	0.16 326	0.18 220	0.19 282	0.10 157	0.09 115	0.09 159	0.08 169	0.11 133	0.12 276	0.07 275	0.05 182	0.08 320	0.06 213	0.07 297	0.06 232

AE-Stereo	0.10 173	0.08 274	0.11 176	0.19 386	0.09 264	0.10 146	0.15 266	0.14 93	0.20 304	0.09 122	0.15 246	0.12 240	0.08 169	0.11 133	0.10 133	0.05 33	0.06 343	0.07 233	0.06 213	0.05 115	0.04 34

AEACV	0.09 104	0.05 19	0.08 28	0.14 42	0.13 488	0.14 319	0.13 129	0.15 125	0.09 29	0.07 48	0.09 115	0.07 84	0.08 169	0.10 80	0.09 56	0.06 120	0.04 23	0.06 129	0.05 134	0.05 115	0.04 34

GLC_STEREO	0.11 215	0.07 152	0.11 176	0.18 324	0.07 79	0.08 55	0.13 129	0.16 155	0.24 363	0.12 231	0.13 220	0.12 240	0.08 169	0.18 406	0.12 276	0.06 120	0.08 446	0.08 320	0.06 213	0.05 115	0.05 136

test-3	0.09 104	0.06 73	0.10 125	0.18 324	0.07 79	0.07 27	0.14 186	0.12 57	0.16 209	0.10 157	0.08 91	0.08 124	0.08 169	0.11 133	0.10 133	0.05 33	0.04 23	0.07 233	0.05 134	0.04 21	0.04 34

test_1	0.09 104	0.06 73	0.10 125	0.18 324	0.07 79	0.07 27	0.14 186	0.12 57	0.16 209	0.10 157	0.08 91	0.08 124	0.08 169	0.11 133	0.10 133	0.05 33	0.04 23	0.07 233	0.05 134	0.04 21	0.04 34

AnonymousM	0.10 173	0.06 73	0.10 125	0.14 42	0.07 79	0.09 96	0.13 129	0.19 252	0.14 160	0.13 263	0.12 203	0.09 159	0.08 169	0.13 273	0.10 133	0.08 345	0.05 182	0.08 320	0.05 134	0.05 115	0.05 136

test-1	0.10 173	0.07 152	0.17 398	0.19 386	0.08 150	0.11 188	0.24 522	0.15 125	0.18 256	0.09 122	0.07 47	0.10 191	0.08 169	0.08 17	0.09 56	0.06 120	0.04 23	0.06 129	0.06 213	0.04 21	0.05 136

Prome-Stereo	0.11 215	0.07 152	0.11 176	0.18 324	0.09 264	0.12 238	0.14 186	0.23 330	0.13 139	0.13 263	0.16 262	0.13 265	0.08 169	0.12 216	0.10 133	0.05 33	0.05 182	0.07 233	0.06 213	0.06 223	0.10 456

raft+_RVC	0.11 215	0.07 152	0.09 83	0.16 165	0.07 79	0.10 146	0.11 57	0.24 354	0.20 304	0.12 231	0.15 246	0.12 240	0.08 169	0.12 216	0.13 311	0.07 275	0.04 23	0.07 233	0.06 213	0.05 115	0.05 136

XX-TBD	0.09 104	0.06 73	0.07 7	0.14 42	0.07 79	0.13 277	0.16 326	0.14 93	0.14 160	0.11 197	0.12 203	0.09 159	0.08 169	0.10 80	0.10 133	0.06 120	0.04 23	0.05 35	0.04 40	0.06 223	0.05 136

raftrobust	0.09 104	0.06 73	0.11 176	0.17 242	0.08 150	0.09 96	0.10 31	0.18 220	0.16 209	0.10 157	0.09 115	0.12 240	0.08 169	0.12 216	0.10 133	0.08 345	0.05 182	0.06 129	0.05 134	0.05 115	0.06 232

sAnonymous2	0.13 319	0.12 456	0.25 496	0.20 444	0.12 462	0.18 412	0.14 186	0.27 402	0.21 319	0.11 197	0.12 203	0.13 265	0.08 169	0.11 133	0.11 207	0.09 402	0.05 182	0.08 320	0.06 213	0.15 541	0.10 456

CroCo_RVC	0.13 319	0.12 456	0.25 496	0.20 444	0.12 462	0.18 412	0.14 186	0.27 402	0.21 319	0.11 197	0.12 203	0.13 265	0.08 169	0.11 133	0.11 207	0.09 402	0.05 182	0.08 320	0.06 213	0.15 541	0.10 456

CREStereo	0.09 104	0.05 19	0.08 28	0.11 1	0.06 15	0.14 319	0.14 186	0.14 93	0.10 42	0.09 122	0.13 220	0.09 159	0.08 169	0.12 216	0.10 133	0.08 345	0.04 23	0.05 35	0.03 1	0.06 223	0.06 232
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
R-Stereo Train	0.10 173	0.06 73	0.11 176	0.17 242	0.08 150	0.11 188	0.14 186	0.24 354	0.11 69	0.12 231	0.19 320	0.11 218	0.08 169	0.10 80	0.11 207	0.07 275	0.05 182	0.06 129	0.05 134	0.05 115	0.05 136

RAFT-Stereo	0.10 173	0.06 73	0.11 176	0.17 242	0.08 150	0.11 188	0.14 186	0.24 354	0.11 69	0.12 231	0.19 320	0.11 218	0.08 169	0.10 80	0.11 207	0.07 275	0.05 182	0.06 129	0.05 134	0.05 115	0.05 136
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
VMStereo-Base	0.09 104	0.05 19	0.10 125	0.13 10	0.07 79	0.11 188	0.10 31	0.16 155	0.13 139	0.10 157	0.16 262	0.10 191	0.09 199	0.11 133	0.10 133	0.07 275	0.05 182	0.05 35	0.04 40	0.05 115	0.06 232

Hybrid-DGEV-03	0.11 215	0.06 73	0.09 83	0.18 324	0.08 150	0.16 372	0.14 186	0.15 125	0.14 160	0.13 263	0.17 282	0.12 240	0.09 199	0.13 273	0.11 207	0.06 120	0.04 23	0.08 320	0.06 213	0.05 115	0.04 34

NLSM3	0.09 104	0.07 152	0.08 28	0.20 444	0.08 150	0.11 188	0.16 326	0.18 220	0.17 238	0.06 14	0.08 91	0.08 124	0.09 199	0.09 40	0.11 207	0.04 6	0.04 23	0.06 129	0.07 310	0.03 1	0.04 34

NLCSM	0.11 215	0.09 346	0.09 83	0.23 519	0.11 432	0.12 238	0.19 448	0.19 252	0.19 282	0.12 231	0.11 186	0.07 84	0.09 199	0.11 133	0.10 133	0.08 345	0.08 446	0.07 233	0.07 310	0.06 223	0.05 136

BridgeDepth	0.07 3	0.07 152	0.08 28	0.18 324	0.06 15	0.07 27	0.11 57	0.10 19	0.06 4	0.04 1	0.07 47	0.10 191	0.09 199	0.08 17	0.08 15	0.04 6	0.03 1	0.04 1	0.04 40	0.03 1	0.03 1
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
S2M2_L	0.09 104	0.08 274	0.11 176	0.13 10	0.10 377	0.08 55	0.06 1	0.10 19	0.10 42	0.10 157	0.10 141	0.09 159	0.09 199	0.11 133	0.11 207	0.13 518	0.07 414	0.08 320	0.09 428	0.10 459	0.08 382
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
SGD-Stereo	0.08 54	0.05 19	0.10 125	0.14 42	0.06 15	0.12 238	0.12 85	0.11 36	0.12 101	0.07 48	0.09 115	0.09 159	0.09 199	0.08 17	0.08 15	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

fffy	0.09 104	0.08 274	0.10 125	0.16 165	0.07 79	0.13 277	0.17 355	0.13 76	0.12 101	0.08 86	0.09 115	0.08 124	0.09 199	0.13 273	0.11 207	0.05 33	0.05 182	0.07 233	0.05 134	0.04 21	0.05 136

rvit_stereo_0081_aga	0.12 292	0.09 346	0.15 333	0.18 324	0.10 377	0.14 319	0.14 186	0.14 93	0.19 282	0.10 157	0.18 306	0.16 329	0.09 199	0.12 216	0.10 133	0.10 443	0.06 343	0.08 320	0.07 310	0.07 297	0.06 232

rvit_stereo_0081	0.11 215	0.08 274	0.16 375	0.16 165	0.09 264	0.11 188	0.14 186	0.14 93	0.24 363	0.11 197	0.13 220	0.14 284	0.09 199	0.11 133	0.12 276	0.10 443	0.07 414	0.08 320	0.07 310	0.07 297	0.06 232

rvit_stereo_0082	0.11 215	0.08 274	0.16 375	0.16 165	0.09 264	0.11 188	0.14 186	0.14 93	0.24 363	0.11 197	0.13 220	0.14 284	0.09 199	0.11 133	0.12 276	0.10 443	0.07 414	0.08 320	0.07 310	0.07 297	0.06 232

rvit_stereo_0080	0.10 173	0.08 274	0.15 333	0.15 86	0.10 377	0.07 27	0.15 266	0.16 155	0.16 209	0.11 197	0.10 141	0.15 309	0.09 199	0.12 216	0.10 133	0.09 402	0.07 414	0.07 233	0.06 213	0.07 297	0.05 136

whm_eth	0.10 173	0.08 274	0.15 333	0.15 86	0.10 377	0.07 27	0.15 266	0.16 155	0.16 209	0.11 197	0.10 141	0.15 309	0.09 199	0.12 216	0.10 133	0.09 402	0.07 414	0.07 233	0.06 213	0.07 297	0.05 136

GCAP-Stereo	0.09 104	0.07 152	0.13 252	0.18 324	0.06 15	0.11 188	0.07 3	0.14 93	0.12 101	0.09 122	0.10 141	0.07 84	0.09 199	0.13 273	0.10 133	0.06 120	0.05 182	0.05 35	0.04 40	0.04 21	0.05 136

RAFT-Test	0.09 104	0.06 73	0.10 125	0.16 165	0.07 79	0.11 188	0.15 266	0.16 155	0.13 139	0.09 122	0.10 141	0.11 218	0.09 199	0.12 216	0.09 56	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.05 136

LoS_RVC	0.08 54	0.05 19	0.07 7	0.15 86	0.07 79	0.08 55	0.15 266	0.12 57	0.11 69	0.08 86	0.09 115	0.06 23	0.09 199	0.10 80	0.09 56	0.05 33	0.04 23	0.05 35	0.03 1	0.04 21	0.04 34

anonymousdsp2	0.11 215	0.07 152	0.11 176	0.16 165	0.09 264	0.13 277	0.14 186	0.19 252	0.23 352	0.13 263	0.14 233	0.12 240	0.09 199	0.14 304	0.11 207	0.05 33	0.05 182	0.05 35	0.04 40	0.06 223	0.06 232

LoS	0.09 104	0.05 19	0.11 176	0.13 10	0.07 79	0.14 319	0.11 57	0.15 125	0.15 181	0.09 122	0.09 115	0.12 240	0.09 199	0.15 322	0.10 133	0.07 275	0.05 182	0.05 35	0.03 1	0.05 115	0.05 136
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 215	0.06 73	0.12 217	0.14 42	0.07 79	0.15 345	0.13 129	0.20 269	0.14 160	0.11 197	0.17 282	0.13 265	0.09 199	0.14 304	0.11 207	0.09 402	0.05 182	0.06 129	0.05 134	0.07 297	0.07 313

test_4	0.11 215	0.10 412	0.08 28	0.19 386	0.09 264	0.08 55	0.21 486	0.15 125	0.18 256	0.12 231	0.18 306	0.12 240	0.09 199	0.08 17	0.11 207	0.04 6	0.04 23	0.08 320	0.08 383	0.04 21	0.04 34

iRaft-Stereo_5w	0.12 292	0.09 346	0.12 217	0.20 444	0.08 150	0.09 96	0.12 85	0.22 311	0.22 342	0.19 398	0.14 233	0.11 218	0.09 199	0.20 449	0.16 399	0.05 33	0.05 182	0.07 233	0.06 213	0.05 115	0.06 232

IPLGR	0.11 215	0.09 346	0.17 398	0.18 324	0.08 150	0.13 277	0.16 326	0.21 287	0.24 363	0.12 231	0.12 203	0.11 218	0.09 199	0.13 273	0.12 276	0.06 120	0.05 182	0.06 129	0.06 213	0.05 115	0.04 34

HHNet	0.11 215	0.06 73	0.16 375	0.15 86	0.14 506	0.07 27	0.13 129	0.20 269	0.18 256	0.15 311	0.25 407	0.11 218	0.09 199	0.13 273	0.10 133	0.06 120	0.04 23	0.08 320	0.06 213	0.05 115	0.09 427

RALAANet	0.11 215	0.08 274	0.10 125	0.17 242	0.09 264	0.14 319	0.10 31	0.20 269	0.16 209	0.14 287	0.13 220	0.16 329	0.09 199	0.12 216	0.12 276	0.06 120	0.05 182	0.08 320	0.07 310	0.06 223	0.04 34

RAFT-Stereo + iAFF	0.09 104	0.06 73	0.10 125	0.17 242	0.07 79	0.10 146	0.15 266	0.17 192	0.15 181	0.10 157	0.10 141	0.08 124	0.09 199	0.12 216	0.10 133	0.05 33	0.04 23	0.06 129	0.06 213	0.04 21	0.03 1

CFNet-RSSM	0.09 104	0.07 152	0.10 125	0.16 165	0.07 79	0.09 96	0.15 266	0.17 192	0.18 256	0.08 86	0.12 203	0.11 218	0.09 199	0.12 216	0.10 133	0.06 120	0.04 23	0.06 129	0.04 40	0.04 21	0.04 34

Gwc-CoAtRS	0.09 104	0.07 152	0.10 125	0.16 165	0.07 79	0.10 146	0.15 266	0.18 220	0.17 238	0.08 86	0.10 141	0.12 240	0.09 199	0.12 216	0.09 56	0.06 120	0.04 23	0.06 129	0.04 40	0.04 21	0.05 136

DStereoRT	0.17 438	0.07 152	0.12 217	0.19 386	0.09 264	0.13 277	0.12 85	0.28 426	0.23 352	0.12 231	0.20 330	0.11 218	0.10 226	0.15 322	0.14 346	0.06 120	0.05 182	1.02 618	0.09 428	0.05 115	0.04 34

WQFJA1	0.10 173	0.07 152	0.08 28	0.20 444	0.09 264	0.12 238	0.18 404	0.18 220	0.18 256	0.09 122	0.10 141	0.08 124	0.10 226	0.12 216	0.11 207	0.06 120	0.08 446	0.07 233	0.06 213	0.06 223	0.05 136

WQFJX1	0.10 173	0.07 152	0.08 28	0.22 498	0.09 264	0.12 238	0.17 355	0.18 220	0.18 256	0.10 157	0.10 141	0.07 84	0.10 226	0.11 133	0.10 133	0.07 275	0.08 446	0.07 233	0.06 213	0.05 115	0.05 136

WQFJX	0.10 173	0.07 152	0.09 83	0.21 478	0.09 264	0.12 238	0.16 326	0.19 252	0.18 256	0.12 231	0.10 141	0.08 124	0.10 226	0.12 216	0.10 133	0.07 275	0.07 414	0.06 129	0.05 134	0.06 223	0.05 136

NLMM1	0.11 215	0.09 346	0.07 7	0.22 498	0.10 377	0.12 238	0.20 469	0.19 252	0.20 304	0.12 231	0.11 186	0.08 124	0.10 226	0.11 133	0.11 207	0.08 345	0.08 446	0.07 233	0.06 213	0.05 115	0.04 34

NLMM	0.10 173	0.07 152	0.08 28	0.20 444	0.09 264	0.12 238	0.18 404	0.18 220	0.18 256	0.09 122	0.10 141	0.08 124	0.10 226	0.12 216	0.11 207	0.06 120	0.08 446	0.07 233	0.06 213	0.06 223	0.05 136

NLSM1	0.10 173	0.07 152	0.08 28	0.19 386	0.08 150	0.13 277	0.16 326	0.21 287	0.16 209	0.11 197	0.10 141	0.07 84	0.10 226	0.10 80	0.11 207	0.07 275	0.08 446	0.08 320	0.07 310	0.05 115	0.05 136

water-stereo	0.09 104	0.06 73	0.08 28	0.16 165	0.07 79	0.10 146	0.13 129	0.15 125	0.13 139	0.11 197	0.12 203	0.09 159	0.10 226	0.07 3	0.08 15	0.06 120	0.05 182	0.05 35	0.05 134	0.04 21	0.04 34

DilatedVolume-Stereo	0.09 104	0.05 19	0.08 28	0.15 86	0.06 15	0.11 188	0.12 85	0.14 93	0.16 209	0.11 197	0.11 186	0.09 159	0.10 226	0.11 133	0.11 207	0.06 120	0.05 182	0.05 35	0.04 40	0.03 1	0.03 1

HI	0.11 215	0.06 73	0.12 217	0.13 10	0.09 264	0.09 96	0.14 186	0.22 311	0.11 69	0.20 420	0.17 282	0.14 284	0.10 226	0.16 350	0.09 56	0.05 33	0.04 23	0.07 233	0.08 383	0.07 297	0.06 232

CoSv	0.11 215	0.06 73	0.12 217	0.13 10	0.09 264	0.09 96	0.14 186	0.22 311	0.11 69	0.20 420	0.17 282	0.14 284	0.10 226	0.16 350	0.09 56	0.05 33	0.04 23	0.07 233	0.08 383	0.07 297	0.06 232

rvit_stereo_0083	0.12 292	0.08 274	0.17 398	0.16 165	0.09 264	0.11 188	0.15 266	0.15 125	0.26 400	0.11 197	0.14 233	0.13 265	0.10 226	0.12 216	0.13 311	0.10 443	0.08 446	0.09 406	0.07 310	0.07 297	0.06 232

rvit_stereo_ft	0.12 292	0.07 152	0.13 252	0.19 386	0.10 377	0.12 238	0.17 355	0.16 155	0.16 209	0.13 263	0.13 220	0.15 309	0.10 226	0.14 304	0.13 311	0.10 443	0.06 343	0.08 320	0.07 310	0.07 297	0.06 232

MyStereo8	0.12 292	0.07 152	0.15 333	0.15 86	0.09 264	0.18 412	0.14 186	0.19 252	0.22 342	0.12 231	0.18 306	0.11 218	0.10 226	0.16 350	0.18 429	0.07 275	0.05 182	0.07 233	0.05 134	0.08 362	0.09 427

StereoVision	0.14 349	0.13 483	0.10 125	0.24 531	0.10 377	0.16 372	0.21 486	0.21 287	0.20 304	0.12 231	0.25 407	0.10 191	0.10 226	0.16 350	0.10 133	0.09 402	0.10 501	0.12 504	0.12 519	0.06 223	0.05 136

EKT-Stereo	0.11 215	0.07 152	0.14 298	0.16 165	0.10 377	0.13 277	0.14 186	0.19 252	0.21 319	0.11 197	0.08 91	0.13 265	0.10 226	0.11 133	0.12 276	0.08 345	0.06 343	0.07 233	0.06 213	0.08 362	0.07 313

Any-RAFT	0.10 173	0.05 19	0.10 125	0.15 86	0.07 79	0.13 277	0.14 186	0.21 287	0.15 181	0.11 197	0.12 203	0.13 265	0.10 226	0.13 273	0.10 133	0.07 275	0.04 23	0.05 35	0.04 40	0.06 223	0.05 136

DCRE	0.11 215	0.07 152	0.13 252	0.16 165	0.11 432	0.11 188	0.17 355	0.18 220	0.17 238	0.11 197	0.18 306	0.11 218	0.10 226	0.15 322	0.11 207	0.06 120	0.05 182	0.06 129	0.06 213	0.05 115	0.05 136

Selective-RAFT	0.11 215	0.11 437	0.12 217	0.21 478	0.08 150	0.16 372	0.13 129	0.21 287	0.23 352	0.10 157	0.10 141	0.11 218	0.10 226	0.15 322	0.11 207	0.05 33	0.05 182	0.06 129	0.05 134	0.06 223	0.05 136

DisPM	0.11 215	0.07 152	0.13 252	0.16 165	0.09 264	0.06 10	0.13 129	0.18 220	0.17 238	0.14 287	0.19 320	0.12 240	0.10 226	0.12 216	0.11 207	0.07 275	0.05 182	0.07 233	0.06 213	0.06 223	0.11 480

raft_robust	0.13 319	0.10 412	0.07 7	0.18 324	0.08 150	0.13 277	0.24 522	0.29 445	0.34 473	0.20 420	0.20 330	0.15 309	0.10 226	0.11 133	0.12 276	0.05 33	0.05 182	0.07 233	0.07 310	0.05 115	0.04 34

RAFT+CT+SA	0.13 319	0.11 437	0.09 83	0.19 386	0.09 264	0.15 345	0.28 558	0.22 311	0.22 342	0.15 311	0.26 420	0.10 191	0.10 226	0.11 133	0.12 276	0.05 33	0.04 23	0.07 233	0.08 383	0.07 297	0.06 232

CIPLG	0.11 215	0.08 274	0.15 333	0.17 242	0.08 150	0.13 277	0.15 266	0.17 192	0.16 209	0.14 287	0.11 186	0.16 329	0.10 226	0.17 389	0.12 276	0.07 275	0.05 182	0.06 129	0.06 213	0.05 115	0.06 232

dd	0.15 389	0.17 526	0.17 398	0.19 386	0.09 264	0.15 345	0.18 404	0.22 311	0.26 400	0.23 466	0.20 330	0.21 395	0.10 226	0.21 467	0.17 416	0.10 443	0.06 343	0.08 320	0.06 213	0.08 362	0.07 313

IPLGR_C	0.11 215	0.08 274	0.15 333	0.17 242	0.08 150	0.12 238	0.15 266	0.17 192	0.15 181	0.14 287	0.11 186	0.16 329	0.10 226	0.16 350	0.12 276	0.07 275	0.05 182	0.06 129	0.06 213	0.05 115	0.06 232

ACRE	0.11 215	0.08 274	0.15 333	0.17 242	0.08 150	0.13 277	0.15 266	0.17 192	0.14 160	0.14 287	0.11 186	0.16 329	0.10 226	0.16 350	0.12 276	0.07 275	0.05 182	0.06 129	0.06 213	0.05 115	0.06 232

test_3	0.11 215	0.09 346	0.10 125	0.21 478	0.08 150	0.13 277	0.25 538	0.14 93	0.21 319	0.10 157	0.10 141	0.09 159	0.10 226	0.08 17	0.11 207	0.05 33	0.04 23	0.08 320	0.07 310	0.04 21	0.04 34

PFNet+	0.12 292	0.06 73	0.14 298	0.16 165	0.09 264	0.05 3	0.12 85	0.18 220	0.21 319	0.16 340	0.19 320	0.14 284	0.10 226	0.11 133	0.11 207	0.08 345	0.05 182	0.09 406	0.08 383	0.06 223	0.11 480

STrans-v2	0.10 173	0.07 152	0.13 252	0.18 324	0.08 150	0.10 146	0.14 186	0.22 311	0.11 69	0.11 197	0.15 246	0.12 240	0.10 226	0.11 133	0.12 276	0.05 33	0.04 23	0.06 129	0.06 213	0.05 115	0.05 136

KYRaft	0.12 292	0.07 152	0.10 125	0.19 386	0.09 264	0.08 55	0.15 266	0.23 330	0.12 101	0.13 263	0.16 262	0.20 386	0.10 226	0.12 216	0.11 207	0.06 120	0.04 23	0.08 320	0.08 383	0.06 223	0.15 545

Pruner-Stereo	0.11 215	0.07 152	0.12 217	0.17 242	0.09 264	0.06 10	0.12 85	0.18 220	0.17 238	0.14 287	0.19 320	0.13 265	0.10 226	0.11 133	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.06 223	0.08 382

RAFT-RH_RVC	0.12 292	0.06 73	0.14 298	0.16 165	0.09 264	0.12 238	0.12 85	0.17 192	0.12 101	0.13 263	0.40 530	0.11 218	0.10 226	0.13 273	0.12 276	0.05 33	0.04 23	0.08 320	0.05 134	0.05 115	0.06 232

RAFT-345	0.11 215	0.07 152	0.16 375	0.17 242	0.08 150	0.08 55	0.12 85	0.16 155	0.10 42	0.11 197	0.34 500	0.09 159	0.10 226	0.11 133	0.12 276	0.05 33	0.05 182	0.07 233	0.06 213	0.04 21	0.05 136

cross-raft	0.10 173	0.09 346	0.09 83	0.19 386	0.07 79	0.11 188	0.24 522	0.13 76	0.15 181	0.08 86	0.10 141	0.12 240	0.10 226	0.09 40	0.11 207	0.05 33	0.04 23	0.06 129	0.05 134	0.04 21	0.04 34

RALCasStereoNet	0.11 215	0.07 152	0.09 83	0.16 165	0.08 150	0.13 277	0.14 186	0.17 192	0.11 69	0.12 231	0.17 282	0.14 284	0.10 226	0.12 216	0.11 207	0.07 275	0.06 343	0.06 129	0.05 134	0.08 362	0.07 313

AFF-stereo	0.09 104	0.07 152	0.10 125	0.17 242	0.07 79	0.10 146	0.15 266	0.18 220	0.10 42	0.10 157	0.11 186	0.09 159	0.10 226	0.12 216	0.10 133	0.05 33	0.04 23	0.07 233	0.07 310	0.04 21	0.04 34

RAFT + AFF	0.13 319	0.08 274	0.21 469	0.20 444	0.10 377	0.14 319	0.23 512	0.27 402	0.21 319	0.12 231	0.10 141	0.12 240	0.10 226	0.16 350	0.12 276	0.08 345	0.07 414	0.09 406	0.09 428	0.06 223	0.09 427

MultiAttention	0.30 558	0.08 274	0.15 333	0.19 386	0.13 488	1.56 623	1.33 625	0.36 529	0.36 492	0.20 420	0.21 348	0.24 439	0.11 263	0.39 571	0.18 429	0.06 120	0.05 182	0.08 320	0.08 383	0.11 481	0.09 427

depthmonostereo	0.09 104	0.06 73	0.09 83	0.15 86	0.06 15	0.11 188	0.13 129	0.14 93	0.15 181	0.10 157	0.10 141	0.09 159	0.11 263	0.08 17	0.09 56	0.06 120	0.05 182	0.06 129	0.04 40	0.04 21	0.03 1

xyz-stereo-finetune	0.11 215	0.08 274	0.13 252	0.14 42	0.06 15	0.10 146	0.19 448	0.18 220	0.19 282	0.12 231	0.14 233	0.15 309	0.11 263	0.13 273	0.12 276	0.05 33	0.04 23	0.07 233	0.05 134	0.04 21	0.05 136

H2IRNET	0.10 173	0.09 346	0.10 125	0.18 324	0.09 264	0.12 238	0.15 266	0.14 93	0.21 319	0.10 157	0.10 141	0.10 191	0.11 263	0.10 80	0.10 133	0.06 120	0.04 23	0.08 320	0.08 383	0.06 223	0.05 136

MyStereo05	0.13 319	0.07 152	0.10 125	0.17 242	0.09 264	0.13 277	0.18 404	0.28 426	0.35 487	0.17 351	0.14 233	0.15 309	0.11 263	0.15 322	0.13 311	0.06 120	0.05 182	0.08 320	0.07 310	0.06 223	0.06 232

MyStereo04	0.13 319	0.07 152	0.10 125	0.17 242	0.09 264	0.14 319	0.17 355	0.29 445	0.38 504	0.17 351	0.14 233	0.16 329	0.11 263	0.15 322	0.13 311	0.06 120	0.05 182	0.08 320	0.07 310	0.06 223	0.06 232

GMStereo_Zeroshot	0.16 416	0.13 483	0.25 496	0.20 444	0.10 377	0.17 396	0.13 129	0.30 457	0.25 387	0.23 466	0.32 484	0.25 452	0.11 263	0.19 431	0.14 346	0.09 402	0.06 343	0.11 483	0.06 213	0.12 498	0.08 382

MIF-Stereo (partial)	0.11 215	0.06 73	0.10 125	0.19 386	0.10 377	0.10 146	0.12 85	0.17 192	0.19 282	0.14 287	0.16 262	0.10 191	0.11 263	0.12 216	0.12 276	0.08 345	0.05 182	0.08 320	0.07 310	0.06 223	0.07 313

riskmin	0.11 215	0.06 73	0.13 252	0.14 42	0.08 150	0.14 319	0.14 186	0.18 220	0.15 181	0.12 231	0.15 246	0.17 346	0.11 263	0.14 304	0.12 276	0.09 402	0.05 182	0.07 233	0.05 134	0.08 362	0.08 382

TestStereo1	0.13 319	0.08 274	0.08 28	0.20 444	0.08 150	0.18 412	0.29 569	0.23 330	0.17 238	0.17 351	0.20 330	0.16 329	0.11 263	0.12 216	0.13 311	0.06 120	0.06 343	0.08 320	0.06 213	0.05 115	0.05 136

fff	0.10 173	0.06 73	0.12 217	0.15 86	0.07 79	0.09 96	0.17 355	0.16 155	0.21 319	0.13 263	0.17 282	0.10 191	0.11 263	0.12 216	0.13 311	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.05 136

SA-5K	0.13 319	0.08 274	0.08 28	0.20 444	0.08 150	0.18 412	0.29 569	0.23 330	0.17 238	0.17 351	0.20 330	0.16 329	0.11 263	0.12 216	0.13 311	0.06 120	0.06 343	0.08 320	0.06 213	0.05 115	0.05 136

Sa-1000	0.12 292	0.08 274	0.09 83	0.18 324	0.08 150	0.15 345	0.22 500	0.22 311	0.19 282	0.15 311	0.20 330	0.17 346	0.11 263	0.10 80	0.10 133	0.06 120	0.05 182	0.09 406	0.09 428	0.05 115	0.05 136

SA	0.13 319	0.09 346	0.09 83	0.18 324	0.08 150	0.12 238	0.24 522	0.23 330	0.19 282	0.17 351	0.27 438	0.15 309	0.11 263	0.11 133	0.11 207	0.05 33	0.05 182	0.09 406	0.08 383	0.05 115	0.05 136

CrosDoStereo	0.12 292	0.07 152	0.12 217	0.14 42	0.09 264	0.12 238	0.15 266	0.17 192	0.22 342	0.19 398	0.24 381	0.15 309	0.11 263	0.11 133	0.12 276	0.06 120	0.05 182	0.07 233	0.07 310	0.05 115	0.05 136

LCNet	0.11 215	0.07 152	0.09 83	0.19 386	0.09 264	0.08 55	0.14 186	0.21 287	0.15 181	0.12 231	0.15 246	0.16 329	0.11 263	0.12 216	0.11 207	0.05 33	0.04 23	0.08 320	0.07 310	0.06 223	0.14 531

TransformOpticalFlow	0.10 173	0.08 274	0.13 252	0.18 324	0.07 79	0.09 96	0.15 266	0.19 252	0.16 209	0.12 231	0.16 262	0.11 218	0.11 263	0.11 133	0.11 207	0.05 33	0.04 23	0.06 129	0.06 213	0.05 115	0.05 136

PSM-softLoss	0.12 292	0.07 152	0.15 333	0.17 242	0.09 264	0.08 55	0.12 85	0.24 354	0.17 238	0.15 311	0.19 320	0.13 265	0.11 263	0.11 133	0.11 207	0.07 275	0.05 182	0.08 320	0.07 310	0.07 297	0.12 501

KMStereo	0.12 292	0.07 152	0.15 333	0.17 242	0.09 264	0.08 55	0.12 85	0.24 354	0.17 238	0.15 311	0.19 320	0.13 265	0.11 263	0.11 133	0.11 207	0.07 275	0.05 182	0.08 320	0.07 310	0.07 297	0.12 501

PSM-AAD	0.11 215	0.07 152	0.10 125	0.20 444	0.09 264	0.10 146	0.14 186	0.21 287	0.13 139	0.12 231	0.14 233	0.18 360	0.11 263	0.11 133	0.10 133	0.05 33	0.05 182	0.09 406	0.08 383	0.06 223	0.14 531

ASMatch	0.11 215	0.06 73	0.13 252	0.17 242	0.10 377	0.08 55	0.14 186	0.18 220	0.16 209	0.12 231	0.16 262	0.16 329	0.11 263	0.13 273	0.11 207	0.05 33	0.04 23	0.06 129	0.06 213	0.04 21	0.09 427

DeepStereo_LL	0.12 292	0.07 152	0.12 217	0.14 42	0.09 264	0.12 238	0.15 266	0.17 192	0.22 342	0.19 398	0.24 381	0.15 309	0.11 263	0.11 133	0.12 276	0.06 120	0.05 182	0.07 233	0.07 310	0.05 115	0.05 136

GrayStereo	0.11 215	0.06 73	0.11 176	0.19 386	0.09 264	0.09 96	0.16 326	0.18 220	0.17 238	0.14 287	0.17 282	0.17 346	0.11 263	0.12 216	0.11 207	0.05 33	0.05 182	0.07 233	0.06 213	0.06 223	0.10 456

GMM-Stereo	0.11 215	0.07 152	0.10 125	0.18 324	0.09 264	0.08 55	0.14 186	0.24 354	0.16 209	0.11 197	0.15 246	0.13 265	0.11 263	0.11 133	0.11 207	0.05 33	0.04 23	0.08 320	0.07 310	0.06 223	0.09 427

rafts_anoy	0.11 215	0.06 73	0.10 125	0.17 242	0.08 150	0.10 146	0.14 186	0.18 220	0.14 160	0.13 263	0.13 220	0.12 240	0.11 263	0.11 133	0.13 311	0.07 275	0.05 182	0.09 406	0.11 497	0.07 297	0.06 232

Anonymous3	0.16 416	0.14 498	0.34 538	0.26 548	0.14 506	0.27 530	0.18 404	0.28 426	0.28 429	0.15 311	0.17 282	0.14 284	0.11 263	0.16 350	0.12 276	0.08 345	0.08 446	0.08 320	0.08 383	0.08 362	0.11 480

s12784h	0.10 173	0.06 73	0.08 28	0.15 86	0.05 1	0.16 372	0.18 404	0.16 155	0.15 181	0.10 157	0.11 186	0.11 218	0.11 263	0.11 133	0.12 276	0.05 33	0.04 23	0.06 129	0.04 40	0.04 21	0.04 34

DCANet	0.10 173	0.06 73	0.12 217	0.16 165	0.06 15	0.09 96	0.17 355	0.16 155	0.20 304	0.13 263	0.18 306	0.10 191	0.11 263	0.11 133	0.12 276	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.05 136

csc	0.10 173	0.06 73	0.12 217	0.15 86	0.07 79	0.09 96	0.17 355	0.16 155	0.21 319	0.13 263	0.17 282	0.10 191	0.11 263	0.12 216	0.13 311	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.05 136

cscssc	0.10 173	0.06 73	0.12 217	0.15 86	0.07 79	0.09 96	0.17 355	0.16 155	0.21 319	0.13 263	0.17 282	0.10 191	0.11 263	0.12 216	0.13 311	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.05 136

GMStereo	0.13 319	0.15 505	0.14 298	0.18 324	0.09 264	0.16 372	0.16 326	0.20 269	0.25 387	0.17 351	0.17 282	0.11 218	0.11 263	0.16 350	0.13 311	0.07 275	0.06 343	0.06 129	0.06 213	0.07 297	0.06 232
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HITNet	0.11 215	0.06 73	0.12 217	0.14 42	0.06 15	0.12 238	0.10 31	0.18 220	0.18 256	0.13 263	0.17 282	0.15 309	0.11 263	0.15 322	0.14 346	0.06 120	0.04 23	0.04 1	0.04 40	0.06 223	0.05 136
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
FlowAnything_test	0.11 215	0.08 274	0.14 298	0.15 86	0.09 264	0.08 55	0.14 186	0.20 269	0.11 69	0.10 157	0.09 115	0.12 240	0.12 295	0.13 273	0.11 207	0.09 402	0.06 343	0.09 406	0.09 428	0.06 223	0.09 427

DFGA-Net	0.13 319	0.11 437	0.19 454	0.18 324	0.10 377	0.13 277	0.13 129	0.23 330	0.25 387	0.16 340	0.16 262	0.13 265	0.12 295	0.17 389	0.15 380	0.07 275	0.05 182	0.08 320	0.07 310	0.05 115	0.05 136

GCST	0.37 573	0.42 592	0.27 507	1.03 616	0.39 592	0.18 412	0.08 7	0.21 287	0.18 256	0.28 516	0.25 407	0.15 309	0.12 295	0.16 350	0.14 346	0.64 612	0.43 601	0.75 608	0.65 611	0.64 605	0.46 604

CoDeX	0.12 292	0.07 152	0.13 252	0.17 242	0.08 150	0.12 238	0.16 326	0.23 330	0.27 413	0.13 263	0.17 282	0.15 309	0.12 295	0.14 304	0.11 207	0.07 275	0.05 182	0.07 233	0.06 213	0.06 223	0.05 136

plain	0.11 215	0.09 346	0.10 125	0.19 386	0.09 264	0.11 188	0.14 186	0.14 93	0.13 139	0.13 263	0.15 246	0.09 159	0.12 295	0.13 273	0.12 276	0.07 275	0.05 182	0.09 406	0.06 213	0.06 223	0.06 232

SDNR	0.20 475	0.09 346	0.19 454	0.16 165	0.12 462	0.79 605	0.13 129	0.26 388	0.33 462	0.19 398	0.25 407	0.19 369	0.12 295	0.19 431	0.15 380	0.16 560	0.18 568	0.14 531	0.11 497	0.08 362	0.12 501

ADStereo(finetuned)	0.10 173	0.06 73	0.13 252	0.16 165	0.06 15	0.09 96	0.17 355	0.16 155	0.20 304	0.13 263	0.18 306	0.10 191	0.12 295	0.12 216	0.12 276	0.06 120	0.04 23	0.05 35	0.04 40	0.05 115	0.05 136

GMOStereo	0.11 215	0.09 346	0.08 28	0.19 386	0.08 150	0.12 238	0.28 558	0.13 76	0.18 256	0.11 197	0.17 282	0.14 284	0.12 295	0.07 3	0.07 1	0.05 33	0.05 182	0.09 406	0.07 310	0.04 21	0.04 34

error version	0.11 215	0.09 346	0.08 28	0.19 386	0.08 150	0.12 238	0.28 558	0.13 76	0.18 256	0.11 197	0.17 282	0.14 284	0.12 295	0.07 3	0.07 1	0.05 33	0.05 182	0.09 406	0.07 310	0.04 21	0.04 34

test-v	0.11 215	0.09 346	0.08 28	0.19 386	0.08 150	0.12 238	0.28 558	0.13 76	0.18 256	0.11 197	0.17 282	0.14 284	0.12 295	0.07 3	0.07 1	0.05 33	0.05 182	0.09 406	0.07 310	0.04 21	0.04 34

Patchmatch Stereo++	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.11 57	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313
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
OMP-Stereo	0.11 215	0.07 152	0.14 298	0.18 324	0.08 150	0.09 96	0.12 85	0.21 287	0.21 319	0.13 263	0.14 233	0.11 218	0.12 295	0.11 133	0.13 311	0.06 120	0.05 182	0.07 233	0.06 213	0.05 115	0.04 34

NF-Stereo	0.11 215	0.07 152	0.13 252	0.17 242	0.09 264	0.10 146	0.13 129	0.23 330	0.19 282	0.12 231	0.17 282	0.12 240	0.12 295	0.11 133	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.07 297	0.12 501

OCTAStereo	0.11 215	0.07 152	0.14 298	0.17 242	0.09 264	0.10 146	0.13 129	0.23 330	0.19 282	0.12 231	0.17 282	0.12 240	0.12 295	0.11 133	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.07 297	0.11 480

PSM-adaLoss	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.12 85	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

ROB_FTStereo_v2	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.12 85	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

ROB_FTStereo	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.11 57	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

HUI-Stereo	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.11 57	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

SST-Stereo	0.11 215	0.07 152	0.16 375	0.18 324	0.09 264	0.06 10	0.12 85	0.18 220	0.10 42	0.15 311	0.18 306	0.13 265	0.12 295	0.10 80	0.11 207	0.06 120	0.04 23	0.09 406	0.06 213	0.07 297	0.06 232

RAFT_R40	0.11 215	0.07 152	0.15 333	0.18 324	0.09 264	0.06 10	0.13 129	0.17 192	0.15 181	0.14 287	0.18 306	0.15 309	0.12 295	0.10 80	0.11 207	0.06 120	0.04 23	0.09 406	0.06 213	0.06 223	0.05 136

PFNet	0.12 292	0.06 73	0.17 398	0.18 324	0.08 150	0.09 96	0.15 266	0.26 388	0.20 304	0.16 340	0.16 262	0.14 284	0.12 295	0.13 273	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.05 115	0.05 136

RE-Stereo	0.11 215	0.07 152	0.13 252	0.17 242	0.09 264	0.10 146	0.13 129	0.23 330	0.19 282	0.12 231	0.17 282	0.12 240	0.12 295	0.11 133	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.07 297	0.11 480

TVStereo	0.11 215	0.07 152	0.13 252	0.17 242	0.09 264	0.10 146	0.13 129	0.23 330	0.19 282	0.12 231	0.17 282	0.12 240	0.12 295	0.11 133	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.07 297	0.11 480

DeepStereo_RVC	0.11 215	0.08 274	0.17 398	0.18 324	0.08 150	0.08 55	0.11 57	0.17 192	0.12 101	0.13 263	0.15 246	0.12 240	0.12 295	0.12 216	0.11 207	0.06 120	0.04 23	0.07 233	0.06 213	0.07 297	0.08 382

iGMRVC	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.12 85	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

IRAFT_RVC	0.12 292	0.08 274	0.17 398	0.19 386	0.08 150	0.07 27	0.14 186	0.25 375	0.23 352	0.14 287	0.15 246	0.15 309	0.12 295	0.12 216	0.11 207	0.06 120	0.04 23	0.09 406	0.06 213	0.06 223	0.06 232

iRAFT	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.11 57	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

test-2	0.11 215	0.09 346	0.08 28	0.19 386	0.08 150	0.12 238	0.28 558	0.13 76	0.18 256	0.11 197	0.17 282	0.14 284	0.12 295	0.07 3	0.07 1	0.05 33	0.05 182	0.09 406	0.07 310	0.04 21	0.04 34

RAFT-IKP	0.11 215	0.09 346	0.17 398	0.19 386	0.08 150	0.06 10	0.11 57	0.17 192	0.13 139	0.15 311	0.16 262	0.14 284	0.12 295	0.11 133	0.11 207	0.06 120	0.05 182	0.08 320	0.06 213	0.08 362	0.07 313

111	0.11 215	0.06 73	0.12 217	0.15 86	0.07 79	0.10 146	0.14 186	0.21 287	0.24 363	0.11 197	0.12 203	0.14 284	0.12 295	0.13 273	0.10 133	0.06 120	0.04 23	0.06 129	0.04 40	0.06 223	0.05 136

ARAFT	0.12 292	0.08 274	0.18 431	0.19 386	0.09 264	0.15 345	0.17 355	0.20 269	0.13 139	0.12 231	0.13 220	0.14 284	0.12 295	0.15 322	0.13 311	0.06 120	0.05 182	0.10 453	0.09 428	0.06 223	0.04 34

DIP-Stereo	0.11 215	0.08 274	0.15 333	0.17 242	0.09 264	0.13 277	0.09 18	0.16 155	0.16 209	0.12 231	0.16 262	0.14 284	0.12 295	0.16 350	0.14 346	0.06 120	0.05 182	0.06 129	0.05 134	0.05 115	0.07 313
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
Hybrid-DGEV-2	0.11 215	0.06 73	0.12 217	0.18 324	0.09 264	0.09 96	0.13 129	0.29 445	0.30 442	0.11 197	0.12 203	0.10 191	0.13 327	0.12 216	0.10 133	0.06 120	0.05 182	0.07 233	0.07 310	0.05 115	0.05 136

xyz-stereo-finetune2	0.11 215	0.07 152	0.13 252	0.13 10	0.07 79	0.11 188	0.19 448	0.17 192	0.12 101	0.15 311	0.15 246	0.17 346	0.13 327	0.13 273	0.11 207	0.05 33	0.04 23	0.07 233	0.05 134	0.04 21	0.06 232

G2L-Stereo	0.14 349	0.07 152	0.13 252	0.17 242	0.09 264	0.13 277	0.12 85	0.27 402	0.22 342	0.17 351	0.27 438	0.21 395	0.13 327	0.18 406	0.18 429	0.09 402	0.08 446	0.08 320	0.07 310	0.07 297	0.07 313

DDVS	0.16 416	0.10 412	0.22 479	0.16 165	0.12 462	0.15 345	0.14 186	0.25 375	0.19 282	0.18 383	0.30 470	0.27 469	0.13 327	0.20 449	0.16 399	0.09 402	0.06 343	0.09 406	0.07 310	0.11 481	0.11 480

rvit_0105_6	0.14 349	0.09 346	0.18 431	0.17 242	0.10 377	0.10 146	0.17 355	0.19 252	0.26 400	0.12 231	0.18 306	0.17 346	0.13 327	0.18 406	0.13 311	0.15 543	0.11 514	0.12 504	0.10 467	0.09 425	0.06 232

rvit_0105_5	0.14 349	0.10 412	0.14 298	0.17 242	0.09 264	0.14 319	0.23 512	0.24 354	0.27 413	0.14 287	0.15 246	0.18 360	0.13 327	0.17 389	0.14 346	0.14 539	0.11 514	0.10 453	0.11 497	0.08 362	0.07 313

UGAM	0.13 319	0.10 412	0.09 83	0.22 498	0.08 150	0.13 277	0.20 469	0.18 220	0.24 363	0.22 451	0.16 262	0.13 265	0.13 327	0.19 431	0.13 311	0.07 275	0.05 182	0.13 518	0.11 497	0.07 297	0.05 136

ffm	0.12 292	0.09 346	0.15 333	0.16 165	0.09 264	0.17 396	0.17 355	0.15 125	0.19 282	0.15 311	0.26 420	0.19 369	0.13 327	0.10 80	0.08 15	0.06 120	0.05 182	0.09 406	0.08 383	0.06 223	0.06 232

ff1	0.13 319	0.09 346	0.15 333	0.16 165	0.09 264	0.17 396	0.17 355	0.15 125	0.19 282	0.15 311	0.26 420	0.19 369	0.13 327	0.15 322	0.22 480	0.06 120	0.05 182	0.09 406	0.08 383	0.06 223	0.06 232

mmx	0.15 389	0.09 346	0.15 333	0.16 165	0.09 264	0.17 396	0.17 355	0.27 402	0.26 400	0.15 311	0.26 420	0.19 369	0.13 327	0.15 322	0.22 480	0.08 345	0.06 343	0.09 406	0.08 383	0.08 362	0.08 382

xxx	0.15 389	0.09 346	0.15 333	0.16 165	0.09 264	0.17 396	0.17 355	0.27 402	0.26 400	0.15 311	0.26 420	0.19 369	0.13 327	0.15 322	0.22 480	0.08 345	0.06 343	0.09 406	0.08 383	0.08 362	0.08 382

PCWNet_CMD	0.14 349	0.08 274	0.15 333	0.17 242	0.09 264	0.14 319	0.14 186	0.29 445	0.36 492	0.14 287	0.20 330	0.21 395	0.13 327	0.17 389	0.14 346	0.07 275	0.05 182	0.07 233	0.07 310	0.07 297	0.07 313

UDGNet	0.14 349	0.13 483	0.17 398	0.18 324	0.10 377	0.12 238	0.16 326	0.21 287	0.27 413	0.20 420	0.20 330	0.17 346	0.13 327	0.16 350	0.14 346	0.10 443	0.06 343	0.09 406	0.07 310	0.07 297	0.07 313

dad	0.18 454	0.20 549	0.21 469	0.17 242	0.11 432	0.20 453	0.19 448	0.21 287	0.28 429	0.30 532	0.24 381	0.30 497	0.13 327	0.19 431	0.17 416	0.18 566	0.09 478	0.11 483	0.09 428	0.11 481	0.07 313

GANet-ADL	0.13 319	0.07 152	0.15 333	0.17 242	0.10 377	0.19 434	0.15 266	0.30 457	0.21 319	0.13 263	0.18 306	0.19 369	0.13 327	0.16 350	0.14 346	0.08 345	0.06 343	0.06 129	0.05 134	0.07 297	0.08 382

IIG-Stereo	0.11 215	0.06 73	0.13 252	0.17 242	0.08 150	0.11 188	0.12 85	0.22 311	0.18 256	0.14 287	0.17 282	0.12 240	0.13 327	0.12 216	0.13 311	0.06 120	0.05 182	0.07 233	0.06 213	0.06 223	0.05 136

NRIStereo	0.11 215	0.08 274	0.15 333	0.18 324	0.08 150	0.10 146	0.13 129	0.17 192	0.15 181	0.12 231	0.15 246	0.13 265	0.13 327	0.13 273	0.10 133	0.06 120	0.04 23	0.07 233	0.06 213	0.06 223	0.07 313

FTStereo	0.12 292	0.07 152	0.14 298	0.18 324	0.09 264	0.07 27	0.15 266	0.22 311	0.18 256	0.12 231	0.24 381	0.11 218	0.13 327	0.13 273	0.14 346	0.05 33	0.05 182	0.07 233	0.07 310	0.06 223	0.10 456

THIR-Stereo	0.12 292	0.07 152	0.11 176	0.15 86	0.08 150	0.14 319	0.16 326	0.18 220	0.25 387	0.17 351	0.24 381	0.13 265	0.13 327	0.12 216	0.14 346	0.06 120	0.05 182	0.07 233	0.07 310	0.05 115	0.05 136

CRE-IMP	0.11 215	0.09 346	0.16 375	0.19 386	0.09 264	0.10 146	0.12 85	0.18 220	0.10 42	0.14 287	0.14 233	0.14 284	0.13 327	0.12 216	0.12 276	0.07 275	0.04 23	0.08 320	0.06 213	0.08 362	0.08 382

RAFT	0.13 319	0.09 346	0.11 176	0.18 324	0.08 150	0.15 345	0.23 512	0.21 287	0.20 304	0.21 436	0.21 348	0.18 360	0.13 327	0.17 389	0.10 133	0.06 120	0.07 414	0.10 453	0.09 428	0.06 223	0.05 136

GEStereo_RVC	0.17 438	0.12 456	0.16 375	0.22 498	0.11 432	0.19 434	0.18 404	0.32 478	0.49 548	0.20 420	0.25 407	0.17 346	0.13 327	0.21 467	0.16 399	0.10 443	0.06 343	0.08 320	0.07 310	0.09 425	0.08 382

TestStereo	0.14 349	0.15 505	0.11 176	0.23 519	0.08 150	0.15 345	0.21 486	0.20 269	0.23 352	0.14 287	0.25 407	0.16 329	0.13 327	0.16 350	0.14 346	0.06 120	0.06 343	0.08 320	0.06 213	0.09 425	0.05 136

CFNet_pseudo	0.14 349	0.08 274	0.16 375	0.16 165	0.09 264	0.13 277	0.14 186	0.27 402	0.34 473	0.15 311	0.21 348	0.22 413	0.13 327	0.18 406	0.14 346	0.07 275	0.05 182	0.08 320	0.06 213	0.07 297	0.07 313

SFCPSM	0.13 319	0.07 152	0.15 333	0.17 242	0.09 264	0.15 345	0.16 326	0.28 426	0.27 413	0.14 287	0.18 306	0.12 240	0.13 327	0.14 304	0.11 207	0.08 345	0.05 182	0.07 233	0.07 310	0.07 297	0.06 232

FENet	0.13 319	0.08 274	0.13 252	0.16 165	0.08 150	0.15 345	0.16 326	0.23 330	0.23 352	0.17 351	0.24 381	0.16 329	0.13 327	0.14 304	0.15 380	0.08 345	0.05 182	0.08 320	0.08 383	0.08 362	0.08 382

MSMDNet	0.14 349	0.08 274	0.15 333	0.17 242	0.09 264	0.14 319	0.14 186	0.29 445	0.36 492	0.14 287	0.20 330	0.21 395	0.13 327	0.18 406	0.14 346	0.07 275	0.05 182	0.07 233	0.07 310	0.07 297	0.07 313

ccs_rob	0.14 349	0.09 346	0.16 375	0.16 165	0.09 264	0.13 277	0.14 186	0.27 402	0.34 473	0.15 311	0.21 348	0.22 413	0.13 327	0.18 406	0.14 346	0.07 275	0.05 182	0.08 320	0.07 310	0.07 297	0.07 313

AdaStereo	0.15 389	0.11 437	0.16 375	0.19 386	0.09 264	0.21 464	0.11 57	0.33 492	0.28 429	0.21 436	0.23 369	0.21 395	0.13 327	0.19 431	0.15 380	0.13 518	0.05 182	0.10 453	0.07 310	0.09 425	0.07 313
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.15 389	0.08 274	0.16 375	0.16 165	0.08 150	0.16 372	0.13 129	0.26 388	0.36 492	0.21 436	0.29 464	0.24 439	0.13 327	0.14 304	0.14 346	0.06 120	0.06 343	0.06 129	0.04 40	0.09 425	0.08 382

MLCV	0.13 319	0.08 274	0.17 398	0.18 324	0.06 15	0.16 372	0.17 355	0.19 252	0.22 342	0.19 398	0.25 407	0.17 346	0.13 327	0.15 322	0.14 346	0.05 33	0.04 23	0.05 35	0.04 40	0.05 115	0.04 34

iResNet	0.13 319	0.10 412	0.18 431	0.19 386	0.08 150	0.14 319	0.18 404	0.21 287	0.27 413	0.16 340	0.24 381	0.15 309	0.13 327	0.14 304	0.15 380	0.06 120	0.04 23	0.06 129	0.05 134	0.06 223	0.05 136

DN-CSS_ROB	0.13 319	0.13 483	0.17 398	0.18 324	0.10 377	0.16 372	0.08 7	0.22 311	0.19 282	0.17 351	0.23 369	0.13 265	0.13 327	0.13 273	0.14 346	0.05 33	0.05 182	0.10 453	0.10 467	0.08 362	0.06 232

G2L-ROB	0.13 319	0.07 152	0.13 252	0.13 10	0.08 150	0.14 319	0.17 355	0.25 375	0.19 282	0.20 420	0.19 320	0.20 386	0.14 360	0.18 406	0.16 399	0.08 345	0.05 182	0.06 129	0.05 134	0.08 362	0.09 427

rvit_0105_4	0.15 389	0.09 346	0.17 398	0.17 242	0.10 377	0.12 238	0.20 469	0.23 330	0.27 413	0.14 287	0.20 330	0.17 346	0.14 360	0.17 389	0.13 311	0.15 543	0.11 514	0.11 483	0.10 467	0.09 425	0.06 232

rvit_0105_3	0.16 416	0.10 412	0.15 333	0.20 444	0.12 462	0.15 345	0.26 547	0.25 375	0.30 442	0.15 311	0.17 282	0.21 395	0.14 360	0.18 406	0.14 346	0.14 539	0.11 514	0.12 504	0.14 536	0.07 297	0.07 313

CFNet_ucs	0.15 389	0.09 346	0.17 398	0.16 165	0.11 432	0.14 319	0.14 186	0.30 457	0.34 473	0.16 340	0.24 381	0.23 430	0.14 360	0.18 406	0.15 380	0.09 402	0.06 343	0.08 320	0.07 310	0.09 425	0.09 427

LL-Strereo	0.13 319	0.10 412	0.12 217	0.20 444	0.10 377	0.11 188	0.18 404	0.33 492	0.25 387	0.16 340	0.16 262	0.14 284	0.14 360	0.19 431	0.11 207	0.06 120	0.05 182	0.09 406	0.08 383	0.04 21	0.05 136

anonymousa	0.13 319	0.07 152	0.14 298	0.18 324	0.09 264	0.13 277	0.17 355	0.20 269	0.29 436	0.15 311	0.24 381	0.16 329	0.14 360	0.14 304	0.14 346	0.07 275	0.05 182	0.07 233	0.09 428	0.05 115	0.07 313

DCANet-4	0.11 215	0.07 152	0.13 252	0.16 165	0.06 15	0.09 96	0.17 355	0.18 220	0.20 304	0.13 263	0.17 282	0.09 159	0.14 360	0.12 216	0.13 311	0.06 120	0.04 23	0.05 35	0.04 40	0.04 21	0.05 136

BUS	0.15 389	0.09 346	0.14 298	0.22 498	0.10 377	0.20 453	0.14 186	0.34 507	0.20 304	0.17 351	0.23 369	0.16 329	0.14 360	0.16 350	0.14 346	0.08 345	0.06 343	0.10 453	0.09 428	0.07 297	0.07 313

NINENet	0.16 416	0.10 412	0.16 375	0.17 242	0.11 432	0.20 453	0.14 186	0.41 559	0.37 498	0.18 383	0.21 348	0.16 329	0.14 360	0.16 350	0.14 346	0.08 345	0.08 446	0.10 453	0.07 310	0.10 459	0.09 427

GwcNet-ADL	0.13 319	0.08 274	0.14 298	0.20 444	0.09 264	0.12 238	0.20 469	0.30 457	0.25 387	0.14 287	0.14 233	0.18 360	0.14 360	0.13 273	0.15 380	0.07 275	0.05 182	0.06 129	0.05 134	0.07 297	0.06 232

AAGNet	0.12 292	0.08 274	0.17 398	0.19 386	0.09 264	0.08 55	0.13 129	0.19 252	0.13 139	0.16 340	0.21 348	0.13 265	0.14 360	0.11 133	0.14 346	0.06 120	0.04 23	0.09 406	0.06 213	0.06 223	0.05 136

DEmStereo	0.12 292	0.06 73	0.14 298	0.14 42	0.10 377	0.16 372	0.15 266	0.16 155	0.24 363	0.17 351	0.23 369	0.12 240	0.14 360	0.12 216	0.14 346	0.05 33	0.04 23	0.07 233	0.06 213	0.05 115	0.05 136

GES	0.14 349	0.08 274	0.16 375	0.15 86	0.10 377	0.13 277	0.13 129	0.28 426	0.26 400	0.17 351	0.24 381	0.19 369	0.14 360	0.16 350	0.14 346	0.08 345	0.08 446	0.07 233	0.06 213	0.08 362	0.09 427

HCRNet	0.16 416	0.23 561	0.12 217	0.35 581	0.11 432	0.15 345	0.17 355	0.26 388	0.22 342	0.19 398	0.24 381	0.21 395	0.14 360	0.15 322	0.13 311	0.11 475	0.07 414	0.11 483	0.10 467	0.09 425	0.07 313

xxxx	0.15 389	0.07 152	0.14 298	0.14 42	0.08 150	0.24 500	0.18 404	0.32 478	0.20 304	0.14 287	0.28 449	0.22 413	0.14 360	0.15 322	0.29 547	0.09 402	0.05 182	0.07 233	0.07 310	0.08 362	0.08 382

PSMNet-RSSM	0.14 349	0.07 152	0.14 298	0.15 86	0.08 150	0.13 277	0.16 326	0.25 375	0.24 363	0.17 351	0.28 449	0.23 430	0.14 360	0.16 350	0.14 346	0.11 475	0.06 343	0.09 406	0.12 519	0.08 362	0.07 313

CFNet-ft	0.14 349	0.07 152	0.15 333	0.12 5	0.09 264	0.17 396	0.18 404	0.22 311	0.24 363	0.17 351	0.26 420	0.24 439	0.14 360	0.16 350	0.15 380	0.11 475	0.06 343	0.08 320	0.09 428	0.09 425	0.08 382

BEATNet_4x	0.12 292	0.09 346	0.15 333	0.18 324	0.07 79	0.15 345	0.07 3	0.23 330	0.19 282	0.16 340	0.19 320	0.19 369	0.14 360	0.17 389	0.15 380	0.07 275	0.05 182	0.05 35	0.05 134	0.06 223	0.07 313

HSM-Net_RVC	0.14 349	0.08 274	0.12 217	0.15 86	0.08 150	0.16 372	0.15 266	0.27 402	0.29 436	0.20 420	0.21 348	0.29 487	0.14 360	0.18 406	0.13 311	0.06 120	0.06 343	0.06 129	0.06 213	0.07 297	0.06 232
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 349	0.07 152	0.15 333	0.12 5	0.09 264	0.17 396	0.18 404	0.22 311	0.24 363	0.17 351	0.26 420	0.24 439	0.14 360	0.16 350	0.15 380	0.11 475	0.06 343	0.08 320	0.09 428	0.09 425	0.08 382

DCVSM-stereo	0.15 389	0.09 346	0.16 375	0.16 165	0.10 377	0.15 345	0.09 18	0.20 269	0.24 363	0.20 420	0.24 381	0.26 462	0.15 380	0.19 431	0.14 346	0.09 402	0.07 414	0.09 406	0.08 383	0.10 459	0.12 501

ACV-stereo	0.15 389	0.10 412	0.29 519	0.18 324	0.12 462	0.15 345	0.13 129	0.23 330	0.21 319	0.19 398	0.23 369	0.22 413	0.15 380	0.23 493	0.17 416	0.08 345	0.07 414	0.07 233	0.07 310	0.08 362	0.07 313

ITSA-stereo	0.16 416	0.11 437	0.14 298	0.19 386	0.08 150	0.13 277	0.14 186	0.30 457	0.49 548	0.17 351	0.18 306	0.22 413	0.15 380	0.17 389	0.16 399	0.10 443	0.06 343	0.08 320	0.08 383	0.08 362	0.09 427

rvit_stereo_0075_2	0.17 438	0.12 456	0.25 496	0.23 519	0.16 538	0.13 277	0.10 31	0.30 457	0.27 413	0.20 420	0.28 449	0.22 413	0.15 380	0.18 406	0.13 311	0.16 560	0.10 501	0.17 553	0.10 467	0.10 459	0.10 456

test_sample6	0.14 349	0.09 346	0.14 298	0.17 242	0.08 150	0.17 396	0.19 448	0.26 388	0.18 256	0.18 383	0.28 449	0.19 369	0.15 380	0.15 322	0.13 311	0.08 345	0.05 182	0.08 320	0.07 310	0.08 362	0.08 382

test_sample5	0.14 349	0.08 274	0.14 298	0.16 165	0.08 150	0.18 412	0.18 404	0.25 375	0.17 238	0.17 351	0.28 449	0.18 360	0.15 380	0.16 350	0.13 311	0.08 345	0.06 343	0.08 320	0.07 310	0.09 425	0.08 382

test_sample4	0.14 349	0.08 274	0.15 333	0.15 86	0.08 150	0.19 434	0.18 404	0.26 388	0.18 256	0.17 351	0.26 420	0.18 360	0.15 380	0.17 389	0.13 311	0.08 345	0.06 343	0.08 320	0.06 213	0.09 425	0.08 382

test_sample3	0.14 349	0.08 274	0.15 333	0.14 42	0.09 264	0.20 453	0.17 355	0.27 402	0.18 256	0.17 351	0.22 364	0.19 369	0.15 380	0.17 389	0.14 346	0.09 402	0.06 343	0.07 233	0.06 213	0.09 425	0.08 382

test_sample2	0.13 319	0.07 152	0.12 217	0.14 42	0.08 150	0.16 372	0.18 404	0.21 287	0.16 209	0.14 287	0.21 348	0.20 386	0.15 380	0.15 322	0.13 311	0.08 345	0.06 343	0.07 233	0.06 213	0.08 362	0.08 382

SMFormer	0.14 349	0.07 152	0.18 431	0.14 42	0.08 150	0.17 396	0.17 355	0.27 402	0.27 413	0.19 398	0.20 330	0.19 369	0.15 380	0.15 322	0.17 416	0.08 345	0.05 182	0.07 233	0.06 213	0.08 362	0.07 313

tta	0.14 349	0.07 152	0.18 431	0.14 42	0.08 150	0.17 396	0.17 355	0.27 402	0.27 413	0.19 398	0.20 330	0.19 369	0.15 380	0.15 322	0.17 416	0.08 345	0.05 182	0.07 233	0.06 213	0.06 223	0.06 232

qqq1	0.14 349	0.07 152	0.18 431	0.14 42	0.08 150	0.17 396	0.17 355	0.27 402	0.27 413	0.19 398	0.20 330	0.19 369	0.15 380	0.15 322	0.12 276	0.08 345	0.05 182	0.05 35	0.05 134	0.06 223	0.06 232

fff1	0.14 349	0.07 152	0.18 431	0.14 42	0.08 150	0.17 396	0.17 355	0.27 402	0.27 413	0.19 398	0.20 330	0.19 369	0.15 380	0.15 322	0.12 276	0.08 345	0.05 182	0.05 35	0.05 134	0.06 223	0.06 232

DualNet	0.14 349	0.08 274	0.14 298	0.16 165	0.08 150	0.18 412	0.18 404	0.25 375	0.17 238	0.18 383	0.28 449	0.18 360	0.15 380	0.16 350	0.13 311	0.08 345	0.06 343	0.08 320	0.07 310	0.09 425	0.08 382

1111x	0.16 416	0.09 346	0.13 252	0.18 324	0.08 150	0.18 412	0.25 538	0.32 478	0.25 387	0.17 351	0.24 381	0.27 469	0.15 380	0.14 304	0.24 503	0.07 275	0.07 414	0.08 320	0.09 428	0.07 297	0.07 313

CASS	0.14 349	0.12 456	0.12 217	0.23 519	0.09 264	0.15 345	0.17 355	0.19 252	0.20 304	0.17 351	0.18 306	0.15 309	0.15 380	0.15 322	0.14 346	0.09 402	0.06 343	0.10 453	0.08 383	0.09 425	0.07 313
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 454	0.09 346	0.30 525	0.15 86	0.11 432	0.23 492	0.20 469	0.27 402	0.40 513	0.26 496	0.43 552	0.25 452	0.15 380	0.21 467	0.20 454	0.07 275	0.05 182	0.06 129	0.05 134	0.10 459	0.09 427

test_5	0.14 349	0.12 456	0.08 28	0.20 444	0.10 377	0.14 319	0.28 558	0.21 287	0.24 363	0.19 398	0.28 449	0.11 218	0.15 380	0.12 216	0.13 311	0.06 120	0.05 182	0.07 233	0.08 383	0.08 362	0.07 313

FADNet-RVC-Resample	0.17 438	0.12 456	0.32 532	0.22 498	0.12 462	0.19 434	0.14 186	0.25 375	0.24 363	0.24 478	0.27 438	0.20 386	0.15 380	0.17 389	0.16 399	0.07 275	0.08 446	0.12 504	0.10 467	0.09 425	0.11 480

UCFNet_RVC	0.15 389	0.08 274	0.13 252	0.11 1	0.10 377	0.20 453	0.10 31	0.24 354	0.23 352	0.17 351	0.21 348	0.24 439	0.15 380	0.18 406	0.15 380	0.12 500	0.07 414	0.11 483	0.13 530	0.11 481	0.10 456

PWCDC_ROB	0.21 489	0.13 483	0.23 487	0.25 539	0.12 462	0.20 453	0.15 266	0.34 507	0.55 566	0.29 526	0.49 563	0.21 395	0.15 380	0.28 524	0.20 454	0.11 475	0.09 478	0.10 453	0.08 383	0.11 481	0.09 427

G2L-Stereo_test	0.14 349	0.07 152	0.11 176	0.13 10	0.08 150	0.12 238	0.17 355	0.31 473	0.28 429	0.21 436	0.23 369	0.20 386	0.16 401	0.17 389	0.19 444	0.07 275	0.05 182	0.05 35	0.05 134	0.07 297	0.07 313

FACV-RUCA	0.13 319	0.11 437	0.13 252	0.19 386	0.12 462	0.15 345	0.16 326	0.22 311	0.21 319	0.16 340	0.16 262	0.15 309	0.16 401	0.14 304	0.13 311	0.07 275	0.05 182	0.08 320	0.06 213	0.10 459	0.08 382

test_sample1	0.13 319	0.07 152	0.14 298	0.14 42	0.08 150	0.19 434	0.17 355	0.20 269	0.15 181	0.14 287	0.22 364	0.18 360	0.16 401	0.17 389	0.15 380	0.07 275	0.06 343	0.06 129	0.06 213	0.08 362	0.08 382

xx1	0.11 215	0.08 274	0.13 252	0.17 242	0.09 264	0.13 277	0.15 266	0.16 155	0.18 256	0.09 122	0.09 115	0.16 329	0.16 401	0.10 80	0.07 1	0.06 120	0.05 182	0.08 320	0.08 383	0.07 297	0.07 313

mmm	0.14 349	0.08 274	0.18 431	0.17 242	0.09 264	0.17 396	0.18 404	0.21 287	0.16 209	0.16 340	0.23 369	0.21 395	0.16 401	0.16 350	0.17 416	0.08 345	0.05 182	0.08 320	0.08 383	0.08 362	0.07 313

11t1	0.12 292	0.07 152	0.14 298	0.14 42	0.08 150	0.17 396	0.15 266	0.19 252	0.15 181	0.15 311	0.15 246	0.17 346	0.16 401	0.15 322	0.13 311	0.08 345	0.05 182	0.06 129	0.05 134	0.08 362	0.07 313

CBFPSM	0.15 389	0.07 152	0.27 507	0.17 242	0.09 264	0.13 277	0.15 266	0.22 311	0.23 352	0.20 420	0.27 438	0.23 430	0.16 401	0.16 350	0.19 444	0.06 120	0.06 343	0.06 129	0.07 310	0.07 297	0.07 313

iinet-f	0.17 438	0.07 152	0.46 561	0.14 42	0.10 377	0.21 464	0.14 186	0.27 402	0.23 352	0.22 451	0.25 407	0.21 395	0.16 401	0.18 406	0.22 480	0.09 402	0.07 414	0.07 233	0.06 213	0.09 425	0.10 456

GASNet	0.22 497	0.24 564	0.34 538	0.26 548	0.17 550	0.27 530	0.16 326	0.45 576	0.42 522	0.27 503	0.24 381	0.30 497	0.16 401	0.27 515	0.18 429	0.12 500	0.09 478	0.12 504	0.11 497	0.16 553	0.08 382

gwcnet-sp	0.14 349	0.07 152	0.13 252	0.18 324	0.09 264	0.16 372	0.18 404	0.24 354	0.24 363	0.19 398	0.24 381	0.15 309	0.16 401	0.16 350	0.15 380	0.08 345	0.07 414	0.07 233	0.08 383	0.08 362	0.07 313

scenet	0.14 349	0.07 152	0.13 252	0.18 324	0.09 264	0.16 372	0.18 404	0.24 354	0.24 363	0.19 398	0.24 381	0.15 309	0.16 401	0.16 350	0.15 380	0.08 345	0.07 414	0.07 233	0.08 383	0.08 362	0.07 313

ssnet	0.14 349	0.07 152	0.13 252	0.18 324	0.09 264	0.16 372	0.18 404	0.24 354	0.24 363	0.19 398	0.24 381	0.15 309	0.16 401	0.16 350	0.15 380	0.08 345	0.07 414	0.07 233	0.08 383	0.08 362	0.07 313

qqq	0.13 319	0.09 346	0.15 333	0.16 165	0.08 150	0.13 277	0.15 266	0.24 354	0.16 209	0.15 311	0.19 320	0.16 329	0.16 401	0.15 322	0.16 399	0.07 275	0.06 343	0.08 320	0.08 383	0.07 297	0.07 313

BSDual-CNN	0.15 389	0.09 346	0.14 298	0.22 498	0.10 377	0.15 345	0.15 266	0.34 507	0.20 304	0.17 351	0.23 369	0.25 452	0.16 401	0.16 350	0.14 346	0.08 345	0.06 343	0.10 453	0.09 428	0.07 297	0.07 313

psmg	0.14 349	0.09 346	0.14 298	0.17 242	0.10 377	0.15 345	0.17 355	0.29 445	0.20 304	0.17 351	0.21 348	0.25 452	0.16 401	0.16 350	0.14 346	0.08 345	0.07 414	0.08 320	0.08 383	0.07 297	0.07 313

CSP-Net	0.16 416	0.09 346	0.14 298	0.17 242	0.09 264	0.19 434	0.18 404	0.25 375	0.33 462	0.26 496	0.31 475	0.25 452	0.16 401	0.21 467	0.19 444	0.09 402	0.06 343	0.07 233	0.07 310	0.08 362	0.08 382

DAS	0.15 389	0.08 274	0.18 431	0.19 386	0.10 377	0.19 434	0.17 355	0.28 426	0.30 442	0.18 383	0.26 420	0.21 395	0.16 401	0.16 350	0.13 311	0.08 345	0.06 343	0.06 129	0.06 213	0.07 297	0.07 313

SepStereo	0.15 389	0.08 274	0.18 431	0.19 386	0.10 377	0.19 434	0.17 355	0.28 426	0.30 442	0.18 383	0.26 420	0.21 395	0.16 401	0.26 513	0.13 311	0.08 345	0.06 343	0.06 129	0.06 213	0.07 297	0.07 313

DRaft	0.12 292	0.06 73	0.12 217	0.14 42	0.09 264	0.14 319	0.17 355	0.21 287	0.30 442	0.18 383	0.27 438	0.10 191	0.16 401	0.11 133	0.12 276	0.05 33	0.04 23	0.07 233	0.07 310	0.05 115	0.05 136

ADLNet	0.16 416	0.08 274	0.15 333	0.16 165	0.10 377	0.16 372	0.17 355	0.33 492	0.27 413	0.23 466	0.27 438	0.24 439	0.16 401	0.18 406	0.21 467	0.10 443	0.06 343	0.10 453	0.10 467	0.08 362	0.09 427

222	0.16 416	0.07 152	0.15 333	0.14 42	0.08 150	0.25 509	0.18 404	0.30 457	0.21 319	0.18 383	0.29 464	0.17 346	0.16 401	0.16 350	0.44 590	0.10 443	0.05 182	0.07 233	0.06 213	0.08 362	0.08 382

GANet-RSSM	0.14 349	0.07 152	0.13 252	0.13 10	0.08 150	0.14 319	0.18 404	0.23 330	0.21 319	0.17 351	0.25 407	0.24 439	0.16 401	0.16 350	0.16 399	0.10 443	0.06 343	0.07 233	0.08 383	0.08 362	0.07 313

DSFCA	0.16 416	0.09 346	0.14 298	0.16 165	0.10 377	0.21 464	0.19 448	0.28 426	0.31 451	0.23 466	0.25 407	0.22 413	0.16 401	0.20 449	0.20 454	0.10 443	0.07 414	0.09 406	0.09 428	0.08 362	0.08 382

iResNet_ROB	0.14 349	0.07 152	0.13 252	0.15 86	0.07 79	0.19 434	0.14 186	0.26 388	0.32 457	0.23 466	0.26 420	0.23 430	0.16 401	0.15 322	0.14 346	0.07 275	0.05 182	0.05 35	0.04 40	0.08 362	0.08 382

z-ln-s-r	0.18 454	0.10 412	0.41 554	0.19 386	0.08 150	0.18 412	0.18 404	0.23 330	0.34 473	0.19 398	0.41 541	0.22 413	0.17 425	0.20 449	0.25 511	0.07 275	0.05 182	0.07 233	0.07 310	0.07 297	0.06 232

xyz-stereo	0.14 349	0.07 152	0.22 479	0.15 86	0.05 1	0.22 478	0.15 266	0.17 192	0.31 451	0.15 311	0.28 449	0.26 462	0.17 425	0.13 273	0.12 276	0.05 33	0.05 182	0.06 129	0.05 134	0.04 21	0.04 34

coex_refinement	0.14 349	0.07 152	0.12 217	0.17 242	0.10 377	0.16 372	0.15 266	0.27 402	0.29 436	0.18 383	0.21 348	0.22 413	0.17 425	0.16 350	0.19 444	0.08 345	0.05 182	0.06 129	0.06 213	0.09 425	0.08 382

DispNO	0.15 389	0.09 346	0.18 431	0.19 386	0.12 462	0.11 188	0.21 486	0.23 330	0.29 436	0.18 383	0.23 369	0.19 369	0.17 425	0.16 350	0.16 399	0.07 275	0.05 182	0.08 320	0.08 383	0.07 297	0.06 232

AASNet	0.16 416	0.08 274	0.13 252	0.19 386	0.09 264	0.19 434	0.15 266	0.38 545	0.37 498	0.20 420	0.24 381	0.20 386	0.17 425	0.17 389	0.21 467	0.10 443	0.08 446	0.08 320	0.07 310	0.09 425	0.09 427

PSMNet-ADL	0.15 389	0.12 456	0.13 252	0.22 498	0.09 264	0.13 277	0.20 469	0.26 388	0.23 352	0.18 383	0.20 330	0.23 430	0.17 425	0.18 406	0.18 429	0.09 402	0.08 446	0.08 320	0.11 497	0.08 362	0.07 313

LMCR-Stereo	0.15 389	0.08 274	0.14 298	0.21 478	0.09 264	0.18 412	0.19 448	0.28 426	0.19 282	0.24 478	0.24 381	0.23 430	0.17 425	0.20 449	0.17 416	0.07 275	0.06 343	0.08 320	0.06 213	0.10 459	0.09 427

test_xeample	0.15 389	0.07 152	0.14 298	0.15 86	0.08 150	0.22 478	0.20 469	0.29 445	0.21 319	0.16 340	0.29 464	0.19 369	0.17 425	0.16 350	0.28 538	0.09 402	0.05 182	0.07 233	0.07 310	0.07 297	0.07 313

ACVNet	0.15 389	0.09 346	0.15 333	0.13 10	0.12 462	0.14 319	0.20 469	0.22 311	0.34 473	0.17 351	0.26 420	0.21 395	0.17 425	0.18 406	0.21 467	0.07 275	0.06 343	0.06 129	0.06 213	0.08 362	0.06 232

acv_ft	0.15 389	0.09 346	0.16 375	0.19 386	0.10 377	0.16 372	0.17 355	0.25 375	0.34 473	0.19 398	0.26 420	0.21 395	0.17 425	0.18 406	0.19 444	0.07 275	0.06 343	0.06 129	0.06 213	0.08 362	0.06 232

cf-r	0.14 349	0.07 152	0.13 252	0.16 165	0.08 150	0.14 319	0.19 448	0.21 287	0.25 387	0.17 351	0.26 420	0.22 413	0.17 425	0.14 304	0.15 380	0.10 443	0.05 182	0.06 129	0.08 383	0.06 223	0.06 232

GwcNet-RSSM	0.14 349	0.07 152	0.12 217	0.16 165	0.08 150	0.15 345	0.20 469	0.22 311	0.28 429	0.18 383	0.28 449	0.23 430	0.17 425	0.15 322	0.16 399	0.10 443	0.06 343	0.07 233	0.09 428	0.07 297	0.07 313

NLCA_NET_v2_RVC	0.17 438	0.10 412	0.23 487	0.20 444	0.10 377	0.15 345	0.18 404	0.31 473	0.25 387	0.21 436	0.31 475	0.25 452	0.17 425	0.21 467	0.20 454	0.09 402	0.06 343	0.08 320	0.09 428	0.07 297	0.08 382
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
HSM	0.15 389	0.09 346	0.15 333	0.16 165	0.09 264	0.16 372	0.14 186	0.28 426	0.25 387	0.20 420	0.24 381	0.37 541	0.17 425	0.20 449	0.15 380	0.07 275	0.05 182	0.07 233	0.06 213	0.07 297	0.06 232

YMNet	0.20 475	0.12 456	0.20 459	0.21 478	0.14 506	0.27 530	0.23 512	0.32 478	0.34 473	0.28 516	0.35 504	0.30 497	0.18 439	0.18 406	0.22 480	0.11 475	0.13 543	0.10 453	0.10 467	0.09 425	0.09 427

YMNet_1	0.20 475	0.12 456	0.20 459	0.21 478	0.14 506	0.27 530	0.23 512	0.32 478	0.34 473	0.28 516	0.35 504	0.30 497	0.18 439	0.18 406	0.22 480	0.11 475	0.13 543	0.10 453	0.10 467	0.09 425	0.09 427

ISRNet	0.18 454	0.08 274	0.20 459	0.19 386	0.13 488	0.15 345	0.12 85	0.30 457	0.33 462	0.21 436	0.26 420	0.27 469	0.18 439	0.17 389	0.20 454	0.20 574	0.08 446	0.14 531	0.14 536	0.14 529	0.17 563

rvit_105_1	0.19 466	0.12 456	0.25 496	0.21 478	0.16 538	0.22 478	0.28 558	0.32 478	0.42 522	0.20 420	0.21 348	0.22 413	0.18 439	0.19 431	0.18 429	0.12 500	0.12 530	0.13 518	0.15 552	0.08 362	0.07 313

x	0.13 319	0.08 274	0.15 333	0.14 42	0.08 150	0.19 434	0.14 186	0.22 311	0.21 319	0.15 311	0.20 330	0.20 386	0.18 439	0.18 406	0.18 429	0.07 275	0.05 182	0.06 129	0.06 213	0.07 297	0.07 313

CRFU-Net	0.16 416	0.08 274	0.15 333	0.17 242	0.09 264	0.20 453	0.14 186	0.27 402	0.21 319	0.28 516	0.28 449	0.29 487	0.18 439	0.19 431	0.18 429	0.09 402	0.09 478	0.07 233	0.07 310	0.08 362	0.09 427

hknet	0.15 389	0.11 437	0.14 298	0.22 498	0.11 432	0.15 345	0.15 266	0.34 507	0.26 400	0.17 351	0.23 369	0.22 413	0.18 439	0.17 389	0.13 311	0.07 275	0.06 343	0.10 453	0.09 428	0.07 297	0.07 313

AACVNet	0.16 416	0.08 274	0.15 333	0.15 86	0.10 377	0.18 412	0.15 266	0.24 354	0.25 387	0.27 503	0.27 438	0.28 479	0.18 439	0.19 431	0.17 416	0.09 402	0.07 414	0.09 406	0.07 310	0.10 459	0.09 427

ICVP	0.16 416	0.09 346	0.12 217	0.22 498	0.09 264	0.18 412	0.21 486	0.26 388	0.24 363	0.18 383	0.30 470	0.27 469	0.18 439	0.18 406	0.15 380	0.10 443	0.07 414	0.08 320	0.07 310	0.07 297	0.08 382
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 416	0.09 346	0.15 333	0.18 324	0.10 377	0.22 478	0.17 355	0.24 354	0.22 342	0.19 398	0.24 381	0.29 487	0.18 439	0.19 431	0.22 480	0.09 402	0.08 446	0.08 320	0.09 428	0.07 297	0.06 232

HGLStereo	0.17 438	0.09 346	0.19 454	0.17 242	0.12 462	0.18 412	0.18 404	0.31 473	0.33 462	0.22 451	0.33 490	0.24 439	0.18 439	0.20 449	0.21 467	0.10 443	0.09 478	0.07 233	0.07 310	0.09 425	0.10 456

DMCA	0.14 349	0.09 346	0.17 398	0.19 386	0.09 264	0.15 345	0.17 355	0.23 330	0.28 429	0.14 287	0.20 330	0.17 346	0.18 439	0.15 322	0.17 416	0.10 443	0.06 343	0.08 320	0.06 213	0.09 425	0.10 456

FADNet_RVC	0.17 438	0.14 498	0.41 554	0.20 444	0.11 432	0.13 277	0.13 129	0.27 402	0.22 342	0.21 436	0.23 369	0.20 386	0.18 439	0.15 322	0.17 416	0.08 345	0.08 446	0.12 504	0.09 428	0.11 481	0.10 456

STTStereo	0.18 454	0.13 483	0.28 510	0.20 444	0.11 432	0.16 372	0.21 486	0.29 445	0.23 352	0.22 451	0.30 470	0.29 487	0.18 439	0.20 449	0.20 454	0.12 500	0.11 514	0.11 483	0.14 536	0.09 425	0.08 382

TDLM	0.18 454	0.12 456	0.14 298	0.24 531	0.10 377	0.18 412	0.18 404	0.37 538	0.30 442	0.22 451	0.28 449	0.28 479	0.18 439	0.23 493	0.19 444	0.11 475	0.07 414	0.10 453	0.10 467	0.08 362	0.08 382

CFNet	0.15 389	0.11 437	0.17 398	0.17 242	0.08 150	0.19 434	0.10 31	0.29 445	0.26 400	0.19 398	0.24 381	0.24 439	0.18 439	0.18 406	0.15 380	0.08 345	0.06 343	0.09 406	0.10 467	0.08 362	0.07 313

CVANet_RVC	0.18 454	0.11 437	0.14 298	0.21 478	0.11 432	0.19 434	0.18 404	0.34 507	0.34 473	0.22 451	0.31 475	0.28 479	0.18 439	0.24 504	0.18 429	0.12 500	0.08 446	0.12 504	0.12 519	0.09 425	0.08 382

StereoDRNet-Refined	0.17 438	0.12 456	0.16 375	0.20 444	0.10 377	0.18 412	0.18 404	0.27 402	0.24 363	0.26 496	0.41 541	0.23 430	0.18 439	0.21 467	0.21 467	0.09 402	0.05 182	0.09 406	0.10 467	0.07 297	0.07 313
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 438	0.10 412	0.18 431	0.17 242	0.11 432	0.21 464	0.22 500	0.34 507	0.25 387	0.23 466	0.23 369	0.27 469	0.19 457	0.22 485	0.21 467	0.11 475	0.10 501	0.09 406	0.09 428	0.08 362	0.08 382

Wz-Net-LNSev	0.22 497	0.16 516	0.41 554	0.22 498	0.13 488	0.25 509	0.24 522	0.33 492	0.44 533	0.30 532	0.42 549	0.32 519	0.19 457	0.23 493	0.27 530	0.10 443	0.09 478	0.08 320	0.08 383	0.12 498	0.11 480

Wz-Net-MNSev	0.23 510	0.13 483	0.33 535	0.20 444	0.15 524	0.36 565	0.25 538	0.34 507	0.45 537	0.29 526	0.41 541	0.39 552	0.19 457	0.25 509	0.27 530	0.09 402	0.07 414	0.09 406	0.09 428	0.12 498	0.10 456

ADLNet2	0.16 416	0.09 346	0.14 298	0.17 242	0.09 264	0.20 453	0.16 326	0.32 478	0.39 509	0.17 351	0.20 330	0.20 386	0.19 457	0.21 467	0.23 491	0.08 345	0.07 414	0.07 233	0.07 310	0.09 425	0.07 313

pcwnet_v2	0.19 466	0.11 437	0.26 505	0.18 324	0.14 506	0.18 412	0.15 266	0.37 538	0.46 544	0.19 398	0.24 381	0.21 395	0.19 457	0.21 467	0.20 454	0.13 518	0.10 501	0.10 453	0.10 467	0.11 481	0.13 515

delet	0.17 438	0.09 346	0.18 431	0.19 386	0.11 432	0.21 464	0.22 500	0.30 457	0.38 504	0.17 351	0.27 438	0.19 369	0.19 457	0.19 431	0.21 467	0.08 345	0.08 446	0.09 406	0.11 497	0.06 223	0.07 313

UNet	0.17 438	0.09 346	0.18 431	0.19 386	0.12 462	0.28 540	0.19 448	0.33 492	0.30 442	0.21 436	0.25 407	0.23 430	0.19 457	0.20 449	0.19 444	0.07 275	0.06 343	0.08 320	0.07 310	0.08 362	0.07 313

RASNet	0.15 389	0.07 152	0.15 333	0.16 165	0.08 150	0.19 434	0.14 186	0.30 457	0.21 319	0.17 351	0.25 407	0.21 395	0.19 457	0.20 449	0.20 454	0.07 275	0.06 343	0.06 129	0.08 383	0.06 223	0.06 232

NVstereo2D	0.19 466	0.11 437	0.16 375	0.17 242	0.16 538	0.28 540	0.23 512	0.44 574	0.42 522	0.15 311	0.28 449	0.25 452	0.19 457	0.23 493	0.18 429	0.09 402	0.06 343	0.10 453	0.08 383	0.15 541	0.10 456

DeepPruner_ROB	0.16 416	0.11 437	0.16 375	0.17 242	0.10 377	0.17 396	0.15 266	0.32 478	0.21 319	0.19 398	0.21 348	0.22 413	0.19 457	0.21 467	0.16 399	0.13 518	0.09 478	0.09 406	0.10 467	0.11 481	0.11 480

StereoDRNet	0.19 466	0.11 437	0.18 431	0.22 498	0.11 432	0.22 478	0.22 500	0.37 538	0.34 473	0.24 478	0.28 449	0.30 497	0.19 457	0.20 449	0.21 467	0.10 443	0.08 446	0.11 483	0.09 428	0.09 425	0.07 313

pmcnn	0.15 389	0.07 152	0.20 459	0.15 86	0.07 79	0.21 464	0.16 326	0.25 375	0.26 400	0.21 436	0.33 490	0.29 487	0.19 457	0.18 406	0.17 416	0.07 275	0.05 182	0.05 35	0.04 40	0.07 297	0.06 232

TCMNet	0.19 466	0.12 456	0.20 459	0.21 478	0.18 560	0.21 464	0.24 522	0.28 426	0.36 492	0.23 466	0.26 420	0.25 452	0.20 469	0.20 449	0.23 491	0.13 518	0.11 514	0.11 483	0.12 519	0.13 513	0.12 501

DualNet (step1)	0.17 438	0.12 456	0.21 469	0.13 10	0.14 506	0.18 412	0.14 186	0.28 426	0.24 363	0.21 436	0.21 348	0.24 439	0.20 469	0.16 350	0.16 399	0.15 543	0.06 343	0.14 531	0.14 536	0.15 541	0.13 515

test_sample9	0.18 454	0.12 456	0.21 469	0.13 10	0.14 506	0.18 412	0.14 186	0.28 426	0.24 363	0.21 436	0.21 348	0.24 439	0.20 469	0.19 431	0.18 429	0.15 543	0.30 593	0.14 531	0.14 536	0.15 541	0.13 515

test_sample7	0.16 416	0.10 412	0.16 375	0.14 42	0.12 462	0.16 372	0.17 355	0.28 426	0.24 363	0.21 436	0.21 348	0.24 439	0.20 469	0.16 350	0.16 399	0.12 500	0.06 343	0.10 453	0.09 428	0.11 481	0.10 456

IER	0.14 349	0.08 274	0.13 252	0.17 242	0.09 264	0.14 319	0.16 326	0.26 388	0.27 413	0.18 383	0.26 420	0.17 346	0.20 469	0.17 389	0.14 346	0.08 345	0.05 182	0.07 233	0.06 213	0.08 362	0.07 313

MMNet	0.17 438	0.10 412	0.17 398	0.20 444	0.11 432	0.27 530	0.20 469	0.26 388	0.42 522	0.22 451	0.30 470	0.22 413	0.20 469	0.18 406	0.20 454	0.06 120	0.06 343	0.07 233	0.07 310	0.08 362	0.07 313

UPFNet	0.16 416	0.08 274	0.12 217	0.20 444	0.12 462	0.20 453	0.23 512	0.28 426	0.26 400	0.18 383	0.24 381	0.22 413	0.20 469	0.19 431	0.22 480	0.09 402	0.07 414	0.08 320	0.09 428	0.08 362	0.06 232

SGM-Forest	0.20 475	0.14 498	0.18 431	0.20 444	0.13 488	0.21 464	0.22 500	0.33 492	0.31 451	0.24 478	0.29 464	0.28 479	0.20 469	0.23 493	0.18 429	0.15 543	0.16 562	0.15 542	0.14 536	0.13 513	0.12 501
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 454	0.11 437	0.20 459	0.19 386	0.12 462	0.26 521	0.21 486	0.26 388	0.35 487	0.22 451	0.34 500	0.27 469	0.21 477	0.21 467	0.23 491	0.09 402	0.09 478	0.08 320	0.10 467	0.08 362	0.07 313

DGSMNet	0.25 528	0.19 544	0.34 538	0.21 478	0.24 578	0.24 500	0.21 486	0.36 529	0.42 522	0.25 491	0.32 484	0.38 547	0.21 477	0.29 531	0.24 503	0.13 518	0.11 514	0.14 531	0.16 556	0.23 573	0.23 580

GwcNet	0.20 475	0.14 498	0.20 459	0.18 324	0.12 462	0.25 509	0.20 469	0.36 529	0.45 537	0.20 420	0.33 490	0.33 525	0.21 477	0.22 485	0.25 511	0.11 475	0.09 478	0.09 406	0.09 428	0.09 425	0.10 456

FADNet-RVC	0.21 489	0.20 549	0.40 552	0.21 478	0.16 538	0.21 464	0.15 266	0.27 402	0.27 413	0.26 496	0.32 484	0.26 462	0.21 477	0.22 485	0.19 444	0.12 500	0.13 543	0.12 504	0.14 536	0.13 513	0.18 567

FADNet	0.21 489	0.23 561	0.37 547	0.18 324	0.17 550	0.25 509	0.13 129	0.32 478	0.32 457	0.23 466	0.25 407	0.27 469	0.21 477	0.19 431	0.16 399	0.13 518	0.15 557	0.12 504	0.15 552	0.17 560	0.18 567

MaskLacGwcNet_RVC	0.22 497	0.21 554	0.25 496	0.26 548	0.11 432	0.24 500	0.14 186	0.39 551	0.24 363	0.32 546	0.36 509	0.30 497	0.21 477	0.19 431	0.22 480	0.17 565	0.14 553	0.21 567	0.16 556	0.13 513	0.12 501

MDST_ROB	0.22 497	0.10 412	0.18 431	0.18 324	0.11 432	0.40 575	0.19 448	0.44 574	0.42 522	0.40 565	0.40 530	0.29 487	0.21 477	0.27 515	0.19 444	0.11 475	0.10 501	0.14 531	0.11 497	0.10 459	0.08 382

SQANet	0.24 521	0.24 564	0.31 528	0.31 575	0.19 564	0.27 530	0.13 129	0.30 457	0.33 462	0.25 491	0.37 512	0.31 512	0.22 484	0.27 515	0.23 491	0.15 543	0.10 501	0.21 567	0.16 556	0.22 570	0.16 554

SuperB	0.20 475	0.10 412	0.57 575	0.16 165	0.09 264	0.19 434	0.18 404	0.25 375	0.51 556	0.27 503	0.39 527	0.17 346	0.22 484	0.22 485	0.21 467	0.08 345	0.06 343	0.06 129	0.06 213	0.12 498	0.11 480

RTSC	0.23 510	0.13 483	0.30 525	0.21 478	0.13 488	0.29 544	0.17 355	0.36 529	0.68 590	0.27 503	0.34 500	0.30 497	0.22 484	0.32 543	0.31 559	0.10 443	0.08 446	0.09 406	0.10 467	0.13 513	0.14 531

ADCP+	0.20 475	0.10 412	0.35 544	0.21 478	0.12 462	0.22 478	0.27 552	0.31 473	0.35 487	0.26 496	0.37 512	0.22 413	0.22 484	0.27 515	0.28 538	0.09 402	0.06 343	0.08 320	0.08 383	0.10 459	0.10 456

AANet_RVC	0.16 416	0.10 412	0.11 176	0.18 324	0.09 264	0.19 434	0.18 404	0.27 402	0.32 457	0.22 451	0.35 504	0.21 395	0.22 484	0.22 485	0.17 416	0.06 120	0.05 182	0.06 129	0.06 213	0.07 297	0.06 232

DRN-Test	0.20 475	0.11 437	0.21 469	0.22 498	0.10 377	0.22 478	0.22 500	0.40 554	0.38 504	0.24 478	0.33 490	0.26 462	0.22 484	0.22 485	0.25 511	0.11 475	0.07 414	0.11 483	0.10 467	0.09 425	0.08 382

w-ln-seven-2	0.20 475	0.14 498	0.39 549	0.23 519	0.12 462	0.21 464	0.21 486	0.29 445	0.38 504	0.25 491	0.38 519	0.28 479	0.23 490	0.21 467	0.25 511	0.08 345	0.08 446	0.09 406	0.09 428	0.10 459	0.09 427

w-ln-seven	0.24 521	0.15 505	0.58 578	0.20 444	0.14 506	0.26 521	0.22 500	0.36 529	0.62 581	0.30 532	0.40 530	0.30 497	0.23 490	0.22 485	0.28 538	0.09 402	0.09 478	0.11 483	0.10 467	0.11 481	0.10 456

SACVNet	0.19 466	0.12 456	0.15 333	0.17 242	0.13 488	0.22 478	0.18 404	0.31 473	0.31 451	0.24 478	0.31 475	0.30 497	0.23 490	0.23 493	0.17 416	0.11 475	0.08 446	0.10 453	0.10 467	0.12 498	0.14 531

FINET	0.22 497	0.18 540	0.28 510	0.19 386	0.16 538	0.24 500	0.24 522	0.33 492	0.49 548	0.26 496	0.33 490	0.22 413	0.23 490	0.23 493	0.18 429	0.18 566	0.16 562	0.11 483	0.10 467	0.15 541	0.14 531

hitnet-ft	0.18 454	0.10 412	0.17 398	0.14 42	0.09 264	0.27 530	0.20 469	0.25 375	0.26 400	0.24 478	0.32 484	0.32 519	0.23 490	0.24 504	0.21 467	0.12 500	0.07 414	0.10 453	0.08 383	0.12 498	0.11 480

ADCRef	0.20 475	0.12 456	0.43 559	0.20 444	0.12 462	0.23 492	0.18 404	0.32 478	0.37 498	0.26 496	0.33 490	0.18 360	0.23 490	0.25 509	0.26 524	0.07 275	0.06 343	0.09 406	0.09 428	0.08 362	0.09 427

NaN_ROB	0.23 510	0.20 549	0.25 496	0.25 539	0.13 488	0.31 549	0.27 552	0.34 507	0.41 520	0.31 539	0.31 475	0.32 519	0.23 490	0.31 538	0.22 480	0.11 475	0.17 566	0.10 453	0.11 497	0.08 362	0.09 427

PSMNet_ROB	0.22 497	0.12 456	0.15 333	0.27 556	0.15 524	0.25 509	0.36 588	0.43 570	0.37 498	0.27 503	0.33 490	0.32 519	0.23 490	0.21 467	0.27 530	0.12 500	0.08 446	0.13 518	0.11 497	0.10 459	0.09 427

CBMV	0.20 475	0.15 505	0.18 431	0.18 324	0.10 377	0.20 453	0.11 57	0.30 457	0.31 451	0.29 526	0.31 475	0.31 512	0.23 490	0.28 524	0.19 444	0.13 518	0.15 557	0.17 553	0.16 556	0.10 459	0.10 456
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.25 528	0.15 505	0.47 564	0.19 386	0.13 488	0.28 540	0.25 538	0.35 522	0.64 585	0.27 503	0.57 577	0.29 487	0.24 499	0.32 543	0.27 530	0.08 345	0.08 446	0.08 320	0.08 383	0.10 459	0.10 456

PSMNet-RUCA	0.28 551	0.33 584	0.42 557	0.36 583	0.32 590	0.18 412	0.20 469	0.42 564	0.30 442	0.33 550	0.41 541	0.40 558	0.24 499	0.31 538	0.20 454	0.19 569	0.11 514	0.25 574	0.15 552	0.22 570	0.16 554

ToySt	0.17 438	0.11 437	0.19 454	0.17 242	0.11 432	0.16 372	0.26 547	0.24 354	0.33 462	0.19 398	0.24 381	0.26 462	0.24 499	0.19 431	0.21 467	0.07 275	0.08 446	0.09 406	0.10 467	0.09 425	0.08 382

RYNet	0.23 510	0.12 456	0.22 479	0.19 386	0.17 550	0.47 581	0.26 547	0.39 551	0.49 548	0.24 478	0.29 464	0.34 530	0.24 499	0.20 449	0.31 559	0.10 443	0.06 343	0.09 406	0.09 428	0.14 529	0.15 545

PS-NSSS	0.20 475	0.21 554	0.23 487	0.20 444	0.10 377	0.19 434	0.17 355	0.36 529	0.26 400	0.27 503	0.34 500	0.27 469	0.24 499	0.20 449	0.20 454	0.15 543	0.12 530	0.17 553	0.14 536	0.10 459	0.09 427

CBMV_ROB	0.19 466	0.13 483	0.18 431	0.16 165	0.11 432	0.16 372	0.12 85	0.27 402	0.29 436	0.27 503	0.31 475	0.27 469	0.24 499	0.24 504	0.16 399	0.15 543	0.18 568	0.22 571	0.20 569	0.10 459	0.12 501

NOSS_ROB	0.19 466	0.13 483	0.18 431	0.16 165	0.12 462	0.16 372	0.12 85	0.30 457	0.33 462	0.20 420	0.22 364	0.27 469	0.24 499	0.21 467	0.16 399	0.16 560	0.18 568	0.23 572	0.21 571	0.13 513	0.13 515

DispFullNet	0.27 548	0.22 558	0.66 586	0.28 563	0.17 550	0.27 530	0.17 355	0.34 507	0.57 570	0.27 503	0.37 512	0.43 565	0.24 499	0.39 571	0.25 511	0.12 500	0.06 343	0.19 564	0.11 497	0.23 573	0.16 554

zh-mn7	0.26 540	0.15 505	0.59 580	0.19 386	0.14 506	0.24 500	0.22 500	0.35 522	0.63 584	0.35 552	0.67 586	0.31 512	0.25 507	0.31 538	0.26 524	0.09 402	0.08 446	0.09 406	0.09 428	0.09 425	0.11 480

HBP-ISP	0.18 454	0.13 483	0.17 398	0.15 86	0.11 432	0.08 55	0.13 129	0.28 426	0.30 442	0.22 451	0.33 490	0.21 395	0.25 507	0.23 493	0.18 429	0.15 543	0.17 566	0.21 567	0.17 563	0.10 459	0.09 427

WZ-Net	0.29 555	0.17 526	0.82 604	0.23 519	0.16 538	0.35 561	0.29 569	0.40 554	0.59 575	0.24 478	0.57 577	0.37 541	0.25 507	0.34 550	0.37 576	0.09 402	0.08 446	0.09 406	0.10 467	0.14 529	0.16 554

Syn2CoEx	0.22 497	0.16 516	0.29 519	0.29 570	0.15 524	0.26 521	0.21 486	0.34 507	0.32 457	0.29 526	0.36 509	0.28 479	0.25 507	0.20 449	0.25 511	0.16 560	0.12 530	0.14 531	0.11 497	0.09 425	0.08 382

psm_up	0.19 466	0.10 412	0.18 431	0.21 478	0.11 432	0.17 396	0.19 448	0.38 545	0.34 473	0.22 451	0.28 449	0.29 487	0.25 507	0.20 449	0.22 480	0.09 402	0.10 501	0.11 483	0.11 497	0.08 362	0.08 382

RP	0.22 497	0.13 483	0.22 479	0.23 519	0.12 462	0.21 464	0.20 469	0.26 388	0.45 537	0.22 451	0.38 519	0.37 541	0.25 507	0.28 524	0.25 511	0.11 475	0.12 530	0.13 518	0.12 519	0.13 513	0.14 531

DLCB_ROB	0.18 454	0.10 412	0.16 375	0.23 519	0.11 432	0.24 500	0.18 404	0.30 457	0.28 429	0.27 503	0.29 464	0.28 479	0.25 507	0.20 449	0.20 454	0.08 345	0.08 446	0.09 406	0.09 428	0.07 297	0.07 313

PWC_ROB	0.21 489	0.16 516	0.27 507	0.18 324	0.11 432	0.22 478	0.13 129	0.33 492	0.49 548	0.30 532	0.40 530	0.32 519	0.25 507	0.31 538	0.23 491	0.10 443	0.07 414	0.11 483	0.08 383	0.11 481	0.10 456

FSD					0.23 574	0.25 509	0.25 538	0.27 402	0.26 400	0.25 491	0.26 420	0.26 462	0.26 515	0.27 515	0.24 503	0.21 577	0.20 574	0.27 578	0.26 581	0.25 581

test_sample8	0.20 475	0.12 456	0.21 469	0.13 10	0.14 506	0.18 412	0.14 186	0.32 478	0.21 319	0.28 516	0.22 364	0.36 538	0.26 515	0.19 431	0.18 429	0.15 543	0.30 593	0.14 531	0.14 536	0.15 541	0.13 515

Wz-Net-SNSev	0.26 540	0.17 526	0.46 561	0.25 539	0.14 506	0.26 521	0.24 522	0.38 545	0.57 570	0.30 532	0.56 573	0.39 552	0.26 515	0.24 504	0.32 564	0.10 443	0.09 478	0.10 453	0.11 497	0.11 481	0.11 480

DDUNet	0.23 510	0.18 540	0.22 479	0.22 498	0.15 524	0.25 509	0.24 522	0.30 457	0.31 451	0.31 539	0.37 512	0.34 530	0.26 515	0.25 509	0.21 467	0.18 566	0.13 543	0.17 553	0.11 497	0.16 553	0.17 563

PA-Net	0.24 521	0.18 540	0.34 538	0.28 563	0.22 573	0.22 478	0.39 593	0.29 445	0.39 509	0.22 451	0.33 490	0.25 452	0.26 515	0.21 467	0.25 511	0.10 443	0.23 587	0.15 542	0.22 574	0.09 425	0.13 515
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.20 475	0.09 346	0.22 479	0.17 242	0.10 377	0.25 509	0.18 404	0.28 426	0.45 537	0.23 466	0.32 484	0.34 530	0.26 515	0.29 531	0.29 547	0.08 345	0.06 343	0.07 233	0.07 310	0.09 425	0.10 456

LALA_ROB	0.25 528	0.16 516	0.23 487	0.27 556	0.17 550	0.27 530	0.27 552	0.42 564	0.38 504	0.33 550	0.39 527	0.51 580	0.26 515	0.29 531	0.28 538	0.16 560	0.09 478	0.13 518	0.12 519	0.13 513	0.13 515

ACVNet-4b	0.39 575	0.53 595	0.56 573	0.45 591	0.24 578	0.46 580	0.18 404	0.50 583	0.64 585	0.42 571	0.45 556	0.60 588	0.27 522	0.34 550	0.24 503	0.33 593	0.14 553	0.48 596	0.42 598	0.31 591	0.27 588

Anonymous_2	0.22 497	0.17 526	0.28 510	0.15 86	0.16 538	0.33 553	0.22 500	0.23 330	0.18 256	0.23 466	0.24 381	0.26 462	0.27 522	0.27 515	0.24 503	0.22 581	0.26 589	0.17 553	0.17 563	0.16 553	0.18 567

DMCA-RVC	0.17 438	0.10 412	0.16 375	0.24 531	0.11 432	0.19 434	0.18 404	0.26 388	0.24 363	0.21 436	0.27 438	0.25 452	0.27 522	0.18 406	0.21 467	0.12 500	0.08 446	0.13 518	0.10 467	0.10 459	0.08 382

AF-Net	0.23 510	0.17 526	0.17 398	0.27 556	0.13 488	0.26 521	0.24 522	0.33 492	0.51 556	0.25 491	0.33 490	0.39 552	0.27 522	0.28 524	0.26 524	0.11 475	0.10 501	0.16 550	0.12 519	0.11 481	0.11 480

stereogan	0.22 497	0.11 437	0.21 469	0.20 444	0.12 462	0.32 551	0.19 448	0.36 529	0.45 537	0.23 466	0.39 527	0.35 536	0.27 522	0.33 547	0.23 491	0.10 443	0.12 530	0.10 453	0.10 467	0.14 529	0.14 531

FBW_ROB	0.25 528	0.17 526	0.23 487	0.27 556	0.14 506	0.26 521	0.22 500	0.42 564	0.43 531	0.42 571	0.41 541	0.43 565	0.27 522	0.32 543	0.24 503	0.09 402	0.15 557	0.15 542	0.12 519	0.12 498	0.10 456

SANet	0.25 528	0.14 498	0.29 519	0.21 478	0.11 432	0.29 544	0.25 538	0.40 554	0.65 588	0.36 555	0.40 530	0.42 563	0.27 522	0.27 515	0.25 511	0.12 500	0.09 478	0.10 453	0.09 428	0.13 513	0.12 501

XPNet_ROB	0.22 497	0.12 456	0.20 459	0.22 498	0.13 488	0.22 478	0.19 448	0.35 522	0.40 513	0.30 532	0.40 530	0.38 547	0.27 522	0.26 513	0.29 547	0.15 543	0.10 501	0.10 453	0.10 467	0.13 513	0.12 501

ETE_ROB	0.23 510	0.17 526	0.23 487	0.25 539	0.14 506	0.26 521	0.29 569	0.32 478	0.37 498	0.28 516	0.37 512	0.45 569	0.27 522	0.28 524	0.27 530	0.11 475	0.09 478	0.12 504	0.10 467	0.14 529	0.13 515

DStereoO	0.25 528	0.18 540	0.19 454	0.20 444	0.15 524	0.22 478	0.19 448	0.33 492	0.42 522	0.30 532	0.22 364	0.33 525	0.28 531	0.42 582	0.28 538	0.47 601	0.12 530	0.31 589	0.11 497	0.17 560	0.12 501

MSAF-DinoV2	0.23 510	0.11 437	0.25 496	0.17 242	0.10 377	0.28 540	0.17 355	0.38 545	0.56 568	0.21 436	0.27 438	0.47 576	0.28 531	0.36 559	0.40 582	0.09 402	0.06 343	0.07 233	0.09 428	0.12 498	0.11 480

aanetorigin	0.22 497	0.17 526	0.57 575	0.18 324	0.10 377	0.16 372	0.19 448	0.20 269	0.33 462	0.49 582	0.48 562	0.30 497	0.28 531	0.21 467	0.24 503	0.08 345	0.07 414	0.08 320	0.07 310	0.10 459	0.09 427

RGC	0.25 528	0.20 549	0.29 519	0.28 563	0.16 538	0.22 478	0.23 512	0.33 492	0.44 533	0.27 503	0.40 530	0.38 547	0.28 531	0.37 564	0.23 491	0.11 475	0.13 543	0.17 553	0.17 563	0.15 541	0.16 554

DeepPrunerF	0.24 521	0.17 526	0.45 560	0.26 548	0.16 538	0.23 492	0.29 569	0.37 538	0.51 556	0.27 503	0.31 475	0.24 439	0.28 531	0.22 485	0.23 491	0.15 543	0.11 514	0.20 566	0.18 567	0.12 498	0.14 531

UDG	0.21 489	0.17 526	0.20 459	0.23 519	0.15 524	0.31 549	0.20 469	0.33 492	0.35 487	0.24 478	0.28 449	0.31 512	0.29 536	0.21 467	0.23 491	0.15 543	0.12 530	0.13 518	0.09 428	0.14 529	0.15 545

APVNet	0.23 510	0.12 456	0.20 459	0.18 324	0.14 506	0.32 551	0.31 577	0.40 554	0.33 462	0.27 503	0.40 530	0.30 497	0.29 536	0.27 515	0.25 511	0.11 475	0.12 530	0.11 483	0.14 536	0.12 498	0.13 515

S-Stereo	0.21 489	0.12 456	0.25 496	0.21 478	0.13 488	0.21 464	0.19 448	0.33 492	0.45 537	0.23 466	0.36 509	0.28 479	0.29 536	0.20 449	0.23 491	0.09 402	0.12 530	0.10 453	0.10 467	0.13 513	0.14 531

G-Net	0.25 528	0.17 526	0.38 548	0.23 519	0.16 538	0.51 584	0.23 512	0.29 445	0.35 487	0.36 555	0.38 519	0.31 512	0.29 536	0.28 524	0.27 530	0.11 475	0.09 478	0.12 504	0.10 467	0.16 553	0.14 531

NCC-stereo	0.25 528	0.15 505	0.31 528	0.26 548	0.17 550	0.21 464	0.31 577	0.41 559	0.40 513	0.24 478	0.38 519	0.33 525	0.29 536	0.37 564	0.28 538	0.13 518	0.11 514	0.15 542	0.22 574	0.13 513	0.13 515

Nwc_Net	0.23 510	0.17 526	0.22 479	0.25 539	0.15 524	0.25 509	0.27 552	0.38 545	0.39 509	0.22 451	0.41 541	0.30 497	0.29 536	0.28 524	0.25 511	0.11 475	0.10 501	0.17 553	0.20 569	0.10 459	0.11 480

Abc-Net	0.25 528	0.15 505	0.31 528	0.26 548	0.17 550	0.21 464	0.31 577	0.41 559	0.40 513	0.24 478	0.38 519	0.33 525	0.29 536	0.37 564	0.28 538	0.13 518	0.11 514	0.15 542	0.22 574	0.13 513	0.13 515
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 540	0.15 505	0.31 528	0.24 531	0.18 560	0.23 492	0.15 266	0.39 551	0.72 595	0.32 546	0.42 549	0.36 538	0.29 536	0.33 547	0.30 554	0.13 518	0.11 514	0.14 531	0.13 530	0.16 553	0.20 575

ADCPNet	0.26 540	0.17 526	0.62 583	0.21 478	0.15 524	0.36 565	0.25 538	0.33 492	0.37 498	0.31 539	0.41 541	0.36 538	0.29 536	0.29 531	0.34 570	0.12 500	0.10 501	0.11 483	0.12 519	0.14 529	0.13 515

GANet	0.22 497	0.13 483	0.21 469	0.25 539	0.14 506	0.23 492	0.22 500	0.42 564	0.27 413	0.31 539	0.43 552	0.37 541	0.29 536	0.23 493	0.23 491	0.10 443	0.12 530	0.10 453	0.09 428	0.10 459	0.08 382

NCCL2	0.24 521	0.15 505	0.18 431	0.34 579	0.18 560	0.24 500	0.24 522	0.34 507	0.29 436	0.31 539	0.38 519	0.38 547	0.29 536	0.23 493	0.25 511	0.15 543	0.12 530	0.18 562	0.21 571	0.13 513	0.13 515

ccnet	0.30 558	0.28 573	0.24 493	0.20 444	0.28 585	0.41 577	0.22 500	0.46 579	0.33 462	0.37 559	0.46 559	0.37 541	0.30 547	0.40 575	0.43 587	0.23 586	0.14 553	0.21 567	0.17 563	0.23 573	0.19 572

MFN_U_SF_DS_RVC	0.30 558	0.24 564	0.30 525	0.36 583	0.16 538	0.36 565	0.31 577	0.34 507	0.43 531	0.41 569	0.46 559	0.38 547	0.30 547	0.35 555	0.29 547	0.19 569	0.20 574	0.26 575	0.29 588	0.18 564	0.19 572

XQC	0.29 555	0.23 561	0.53 569	0.29 570	0.19 564	0.36 565	0.28 558	0.37 538	0.58 573	0.31 539	0.31 475	0.37 541	0.30 547	0.39 571	0.39 580	0.13 518	0.09 478	0.15 542	0.12 519	0.18 564	0.18 567

DPSNet	0.28 551	0.16 516	0.33 535	0.18 324	0.13 488	0.55 587	0.42 596	0.52 588	0.68 590	0.29 526	0.38 519	0.39 552	0.30 547	0.32 543	0.23 491	0.11 475	0.10 501	0.11 483	0.08 383	0.20 569	0.16 554

PDISCO_ROB	0.28 551	0.16 516	0.28 510	0.28 563	0.20 567	0.33 553	0.27 552	0.45 576	0.58 573	0.28 516	0.41 541	0.45 569	0.30 547	0.34 550	0.35 571	0.12 500	0.09 478	0.17 553	0.16 556	0.17 560	0.13 515

ADCL	0.25 528	0.12 456	0.49 567	0.22 498	0.12 462	0.36 565	0.29 569	0.30 457	0.57 570	0.24 478	0.47 561	0.30 497	0.31 552	0.30 537	0.30 554	0.09 402	0.07 414	0.09 406	0.09 428	0.10 459	0.10 456

CC-Net-ROB	0.28 551	0.31 582	0.36 546	0.30 573	0.15 524	0.25 509	0.19 448	0.45 576	0.34 473	0.39 562	0.37 512	0.39 552	0.31 552	0.27 515	0.27 530	0.24 588	0.18 568	0.30 588	0.23 578	0.19 567	0.15 545

zh-sn7	0.26 540	0.17 526	0.55 572	0.24 531	0.14 506	0.25 509	0.25 538	0.34 507	0.49 548	0.29 526	0.55 571	0.29 487	0.32 554	0.37 564	0.33 567	0.10 443	0.10 501	0.11 483	0.11 497	0.12 498	0.12 501

DANet	0.21 489	0.16 516	0.29 519	0.25 539	0.13 488	0.23 492	0.19 448	0.28 426	0.27 413	0.28 516	0.32 484	0.35 536	0.32 554	0.31 538	0.24 503	0.11 475	0.09 478	0.11 483	0.10 467	0.13 513	0.11 480
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANetREF_RVC	0.31 564	0.34 585	0.29 519	0.35 581	0.16 538	0.33 553	0.42 596	0.48 581	0.52 562	0.35 552	0.35 504	0.34 530	0.32 554	0.40 575	0.33 567	0.27 590	0.20 574	0.29 586	0.15 552	0.19 567	0.18 567
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
FAT-Stereo	0.21 489	0.13 483	0.22 479	0.21 478	0.12 462	0.18 412	0.18 404	0.35 522	0.40 513	0.28 516	0.37 512	0.33 525	0.33 557	0.21 467	0.20 454	0.09 402	0.11 514	0.10 453	0.09 428	0.11 481	0.14 531

DStereoSA	0.26 540	0.19 544	0.39 549	0.27 556	0.17 550	0.23 492	0.21 486	0.50 583	0.60 576	0.22 451	0.30 470	0.29 487	0.34 558	0.40 575	0.29 547	0.12 500	0.11 514	0.16 550	0.14 536	0.15 541	0.12 501

otaku	0.39 575	0.38 588	0.53 569	0.44 590	0.28 585	0.57 589	0.24 522	0.42 564	0.62 581	0.40 565	0.50 565	0.46 573	0.34 558	0.40 575	0.33 567	0.30 591	0.30 593	0.39 593	0.33 593	0.30 588	0.29 589

AnyNet_C32	0.26 540	0.16 516	0.39 549	0.20 444	0.17 550	0.26 521	0.31 577	0.32 478	0.45 537	0.31 539	0.50 565	0.30 497	0.34 558	0.41 581	0.36 572	0.12 500	0.12 530	0.12 504	0.14 536	0.14 529	0.15 545

CSAN	0.30 558	0.24 564	0.28 510	0.34 579	0.19 564	0.34 557	0.42 596	0.38 545	0.51 556	0.38 561	0.40 530	0.44 568	0.34 558	0.29 531	0.31 559	0.19 569	0.16 562	0.19 564	0.19 568	0.14 529	0.15 545

edge stereo	0.23 510	0.14 498	0.21 469	0.21 478	0.13 488	0.24 500	0.16 326	0.32 478	0.42 522	0.32 546	0.40 530	0.39 552	0.35 562	0.25 509	0.25 511	0.13 518	0.11 514	0.14 531	0.11 497	0.12 498	0.14 531

PASM	0.33 566	0.25 569	0.51 568	0.28 563	0.27 584	0.30 547	0.31 577	0.35 522	0.51 556	0.36 555	0.40 530	0.47 576	0.35 562	0.34 550	0.36 572	0.23 586	0.26 589	0.26 575	0.28 587	0.23 573	0.21 576

WCMA_ROB	0.24 521	0.11 437	0.24 493	0.17 242	0.14 506	0.34 557	0.16 326	0.33 492	0.33 462	0.39 562	0.54 570	0.40 558	0.35 562	0.35 555	0.26 524	0.12 500	0.12 530	0.12 504	0.11 497	0.14 529	0.14 531

DStereoFS	0.27 548	0.22 558	0.32 532	0.23 519	0.15 524	0.23 492	0.21 486	0.52 588	0.49 548	0.28 516	0.45 556	0.34 530	0.36 565	0.53 592	0.29 547	0.13 518	0.11 514	0.15 542	0.13 530	0.17 560	0.17 563

SGM_RVC	0.24 521	0.12 456	0.16 375	0.15 86	0.09 264	0.34 557	0.19 448	0.35 522	0.32 457	0.44 576	0.38 519	0.53 584	0.36 565	0.36 559	0.26 524	0.13 518	0.13 543	0.13 518	0.13 530	0.11 481	0.11 480
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.30 558	0.19 544	0.48 566	0.21 478	0.18 560	0.29 544	0.24 522	0.42 564	0.64 585	0.40 565	0.50 565	0.40 558	0.37 567	0.40 575	0.43 587	0.13 518	0.13 543	0.13 518	0.14 536	0.16 553	0.16 554

LSM	0.34 572	0.21 554	0.62 583	0.27 556	0.62 609	0.35 561	0.26 547	0.43 570	0.49 548	0.45 578	0.60 584	0.42 563	0.37 567	0.35 555	0.26 524	0.13 518	0.21 584	0.14 531	0.16 556	0.18 564	0.34 595

psmorigin	0.25 528	0.16 516	0.35 544	0.17 242	0.13 488	0.24 500	0.14 186	0.34 507	0.34 473	0.41 569	0.55 571	0.41 561	0.38 569	0.35 555	0.28 538	0.11 475	0.15 557	0.11 483	0.11 497	0.12 498	0.17 563

Wz-Net-TNSev	0.29 555	0.20 549	0.69 594	0.19 386	0.15 524	0.38 571	0.27 552	0.36 529	0.56 568	0.35 552	0.42 549	0.45 569	0.39 570	0.33 547	0.31 559	0.13 518	0.13 543	0.10 453	0.12 519	0.15 541	0.15 545

MFN_U_SF_RVC	0.33 566	0.22 558	0.58 578	0.31 575	0.15 524	0.36 565	0.17 355	0.54 592	0.46 544	0.47 581	0.56 573	0.58 587	0.39 570	0.36 559	0.38 579	0.15 543	0.15 557	0.18 562	0.21 571	0.16 553	0.16 554

SAMSARA	0.41 578	0.28 573	0.34 538	0.55 597	0.39 592	0.85 608	1.25 624	0.49 582	0.52 562	0.36 555	0.35 504	0.56 586	0.39 570	0.39 571	0.41 584	0.15 543	0.20 574	0.15 542	0.14 536	0.23 573	0.21 576

AnyNet_C01	0.37 573	0.26 570	1.41 615	0.22 498	0.17 550	0.51 584	0.28 558	0.36 529	0.40 513	0.39 562	0.75 596	0.46 573	0.39 570	0.46 585	0.50 597	0.13 518	0.13 543	0.13 518	0.14 536	0.14 529	0.16 554

EDNetEfficient	0.30 558	0.24 564	1.18 612	0.18 324	0.10 377	0.20 453	0.20 469	0.21 287	0.61 578	0.74 600	0.56 573	0.30 497	0.40 574	0.23 493	0.32 564	0.09 402	0.07 414	0.08 320	0.07 310	0.11 481	0.10 456

FC-DCNN v2	0.33 566	0.28 573	0.28 510	0.26 548	0.23 574	0.39 573	0.29 569	0.41 559	0.44 533	0.46 579	0.57 577	0.51 580	0.41 575	0.38 569	0.30 554	0.21 577	0.20 574	0.27 578	0.26 581	0.25 581	0.24 581

FC-DCNN	0.33 566	0.28 573	0.28 510	0.26 548	0.23 574	0.38 571	0.29 569	0.40 554	0.44 533	0.46 579	0.56 573	0.51 580	0.41 575	0.38 569	0.31 559	0.21 577	0.20 574	0.27 578	0.26 581	0.25 581	0.24 581

MSMD_ROB	0.31 564	0.26 570	0.26 505	0.24 531	0.21 570	0.34 557	0.25 538	0.34 507	0.39 509	0.40 565	0.69 590	0.45 569	0.41 575	0.34 550	0.28 538	0.20 574	0.20 574	0.26 575	0.25 580	0.23 573	0.22 579

MeshStereo	0.27 548	0.13 483	0.18 431	0.15 86	0.11 432	0.33 553	0.24 522	0.41 559	0.36 492	0.53 585	0.58 581	0.67 594	0.41 575	0.36 559	0.27 530	0.14 539	0.13 543	0.13 518	0.11 497	0.11 481	0.11 480
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
Ntro	0.41 578	0.40 590	0.54 571	0.46 594	0.30 589	0.64 593	0.24 522	0.47 580	0.68 590	0.42 571	0.49 563	0.47 576	0.42 579	0.40 575	0.32 564	0.32 592	0.28 591	0.37 592	0.31 591	0.33 593	0.29 589

FCDSN-DC	0.33 566	0.28 573	0.28 510	0.30 573	0.24 578	0.39 573	0.28 558	0.43 570	0.42 522	0.44 576	0.53 569	0.51 580	0.42 579	0.37 564	0.30 554	0.21 577	0.20 574	0.27 578	0.26 581	0.25 581	0.25 583
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ADCMid	0.26 540	0.15 505	0.42 557	0.20 444	0.14 506	0.25 509	0.26 547	0.35 522	0.40 513	0.37 559	0.45 556	0.34 530	0.42 579	0.36 559	0.36 572	0.10 443	0.09 478	0.11 483	0.11 497	0.13 513	0.13 515

RTS	0.46 585	0.19 544	3.33 621	0.25 539	0.15 524	0.72 600	0.21 486	0.37 538	0.78 602	0.42 571	0.44 554	0.31 512	0.43 582	0.55 595	0.37 576	0.10 443	0.09 478	0.13 518	0.13 530	0.15 541	0.15 545

RTSA	0.46 585	0.19 544	3.33 621	0.25 539	0.15 524	0.72 600	0.21 486	0.37 538	0.78 602	0.42 571	0.44 554	0.31 512	0.43 582	0.55 595	0.37 576	0.10 443	0.09 478	0.13 518	0.13 530	0.15 541	0.15 545

SGM-ForestM	0.33 566	0.12 456	0.17 398	0.16 165	0.11 432	0.42 578	0.20 469	0.43 570	0.53 565	0.53 585	0.57 577	1.41 617	0.44 584	0.42 582	0.29 547	0.14 539	0.16 562	0.16 550	0.16 556	0.12 498	0.13 515

RainbowNet	0.54 592	0.61 599	0.71 599	0.57 598	0.43 596	0.66 595	0.37 589	0.60 600	0.87 606	0.51 583	0.67 586	0.63 590	0.47 585	0.50 587	0.44 590	0.47 601	0.48 607	0.53 600	0.41 597	0.53 600	0.41 601

coex-ft	3.24 621	0.35 586	57.83 649	0.18 324	0.13 488	0.27 530	0.23 512	0.28 426	0.72 595	1.89 626	0.70 591	0.43 565	0.47 585	0.29 531	0.43 587	0.09 402	0.09 478	0.12 504	0.09 428	0.14 529	0.14 531

LE_ROB	0.50 590	0.07 152	0.14 298	0.15 86	0.08 150	0.26 521	0.17 355	0.23 330	1.71 624	4.68 628	0.67 586	0.46 573	0.47 585	0.21 467	0.30 554	0.07 275	0.06 343	0.06 129	0.06 213	0.08 362	0.06 232

ACVNet_1	0.45 584	0.51 594	0.61 581	0.45 591	0.28 585	0.50 582	0.28 558	0.58 599	0.71 594	0.63 591	0.59 583	0.74 599	0.50 588	0.50 587	0.36 572	0.26 589	0.25 588	0.39 593	0.29 588	0.32 592	0.25 583

Consistency-Raft	0.44 582	0.40 590	0.46 561	0.37 585	0.43 596	0.42 578	0.41 594	0.57 594	0.55 566	0.32 546	0.73 594	0.32 519	0.50 588	0.42 582	0.49 596	0.39 595	0.36 598	0.45 595	0.52 607	0.42 596	0.30 591

EDNetEfficientorigin	7.92 628	0.32 583	152.98 650	0.20 444	0.10 377	0.22 478	0.17 355	0.23 330	0.60 576	0.73 598	0.67 586	0.41 561	0.51 590	0.24 504	0.41 584	0.08 345	0.07 414	0.09 406	0.07 310	0.12 498	0.11 480

TCMNet-wrong-test	3.69 622	5.54 634	3.91 625	12.22 634	11.75 636	4.77 626	3.86 628	1.08 620	0.74 599	1.13 618	2.21 627	6.16 631	0.53 591	3.43 628	2.33 626	0.90 621	0.20 574	1.85 628	1.69 627	5.71 632	3.79 632

anonymity	0.53 591	0.58 596	0.66 586	0.41 587	0.61 608	0.54 586	0.41 594	0.57 594	0.41 520	0.56 589	0.50 565	0.50 579	0.55 592	0.59 600	0.50 597	0.58 608	0.50 611	0.51 598	0.51 605	0.52 598	0.58 606

MSC_U_SF_DS_RVC	0.44 582	0.39 589	0.56 573	0.40 586	0.20 567	0.66 595	0.33 586	0.54 592	0.72 595	0.71 596	0.72 593	0.62 589	0.55 592	0.52 590	0.47 594	0.20 574	0.19 573	0.29 586	0.30 590	0.24 579	0.19 572

ELAS_RVC	0.42 580	0.29 580	0.33 535	0.28 563	0.24 578	0.56 588	0.38 591	0.50 583	0.61 578	0.74 600	0.76 597	0.67 594	0.56 594	0.55 595	0.42 586	0.22 581	0.21 584	0.27 578	0.26 581	0.27 587	0.26 586
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 580	0.29 580	0.34 538	0.28 563	0.24 578	0.63 592	0.37 589	0.52 588	0.52 562	0.72 597	0.82 601	0.68 596	0.56 594	0.52 590	0.45 593	0.22 581	0.21 584	0.27 578	0.26 581	0.26 585	0.26 586
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM+DAISY	0.57 594	0.58 596	0.67 590	0.41 587	0.55 602	0.68 597	0.51 602	0.57 594	0.46 544	0.67 592	0.70 591	0.69 597	0.57 596	0.64 602	0.58 602	0.59 609	0.49 608	0.50 597	0.50 604	0.52 598	0.59 609

SPS-STEREO	0.58 595	0.59 598	0.66 586	0.45 591	0.55 602	0.65 594	0.44 599	0.63 601	0.51 556	0.69 594	0.65 585	0.66 593	0.58 597	0.62 601	0.62 605	0.62 611	0.47 606	0.51 598	0.49 602	0.55 601	0.58 606
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MonStereo1	0.49 589	0.27 572	0.61 581	0.29 570	0.20 567	0.40 575	0.19 448	0.51 587	0.66 589	0.53 585	0.91 605	1.02 604	0.59 598	0.51 589	0.58 602	0.53 605	0.32 596	0.55 602	0.40 596	0.36 594	0.38 598

PVD	0.40 577	0.21 554	0.40 552	0.32 578	0.23 574	0.30 547	0.45 600	0.53 591	0.97 609	0.55 588	0.80 600	0.54 585	0.60 599	0.53 592	0.40 582	0.19 569	0.14 553	0.17 553	0.14 536	0.24 579	0.32 593

PWCK	0.72 600	0.95 614	0.99 610	0.77 603	0.32 590	0.79 605	0.38 591	0.92 608	0.90 607	0.96 611	0.76 597	0.97 603	0.62 600	0.87 612	0.68 608	0.73 615	0.46 602	0.76 610	0.49 602	0.71 612	0.44 603

MANE	0.47 587	0.28 573	0.28 510	0.27 556	0.24 578	0.50 582	0.32 585	0.57 594	0.62 581	0.74 600	1.20 619	1.21 610	0.64 601	0.54 594	0.39 580	0.22 581	0.20 574	0.27 578	0.31 591	0.26 585	0.25 583

BEATNet-Init1	0.54 592	0.28 573	0.68 593	0.31 575	0.21 570	0.85 608	0.31 577	0.57 594	0.69 593	0.89 607	1.00 609	2.17 624	0.66 602	0.58 599	0.44 590	0.19 569	0.18 568	0.23 572	0.22 574	0.22 570	0.21 576

MADNet+	0.76 603	0.72 605	3.76 624	0.67 600	0.41 594	0.99 614	0.97 622	0.72 603	0.75 600	0.52 584	0.58 581	0.64 592	0.68 603	0.89 615	1.04 621	0.35 594	0.36 598	0.28 585	0.23 578	0.38 595	0.33 594

MFMNet_re	0.65 596	0.66 603	0.66 586	0.51 595	0.69 613	0.70 598	0.58 606	0.65 602	0.75 600	0.61 590	0.73 594	0.63 590	0.68 603	0.65 603	0.60 604	0.66 613	0.58 620	0.63 603	0.59 608	0.68 609	0.69 616

NVStereoNet_ROB	0.47 587	0.37 587	0.47 564	0.42 589	0.29 588	0.35 561	0.35 587	0.50 583	0.61 578	0.73 598	0.94 606	0.70 598	0.68 603	0.48 586	0.62 605	0.22 581	0.33 597	0.34 591	0.34 595	0.30 588	0.31 592
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet_2	0.67 599	0.68 604	0.70 597	0.64 599	0.41 594	0.75 603	0.50 601	0.98 614	1.38 619	0.90 608	1.09 613	1.04 605	0.74 606	0.55 595	0.48 595	0.43 597	0.40 600	0.53 600	0.45 599	0.48 597	0.36 597

TorneroNet-64	0.76 603	0.73 606	0.77 602	0.78 605	0.58 607	0.94 613	0.58 606	0.85 607	1.26 614	0.67 592	0.88 603	1.41 617	0.76 607	0.87 612	0.68 608	0.49 603	0.46 602	0.73 607	0.59 608	0.68 609	0.54 605

IMH-64-1	0.66 597	0.62 600	0.69 594	0.72 601	0.51 599	0.60 590	0.51 602	0.92 608	0.84 604	0.75 603	1.02 610	0.81 600	0.78 608	0.80 606	0.50 597	0.43 597	0.46 602	0.72 605	0.48 600	0.55 601	0.40 599

IMH-64	0.66 597	0.62 600	0.69 594	0.72 601	0.51 599	0.60 590	0.51 602	0.92 608	0.84 604	0.75 603	1.02 610	0.81 600	0.78 608	0.80 606	0.50 597	0.43 597	0.46 602	0.72 605	0.48 600	0.55 601	0.40 599

JetBlue	0.73 602	0.46 593	1.21 613	0.52 596	0.47 598	2.16 624	0.67 612	0.78 604	0.72 595	0.70 595	0.79 599	1.21 610	0.84 610	1.06 621	1.04 621	0.40 596	0.28 591	0.33 590	0.33 593	0.30 588	0.34 595

LVE	0.84 608	0.87 612	0.86 607	0.81 606	0.56 604	1.09 619	0.66 611	1.07 618	1.45 621	0.97 612	1.23 621	1.11 608	0.86 611	0.84 609	0.72 612	0.49 603	0.56 617	0.76 610	0.60 610	0.66 607	0.60 612

TorneroNet	0.83 607	0.75 607	0.83 606	0.85 608	0.63 610	1.03 617	0.65 610	0.96 612	1.14 612	0.80 605	1.10 615	1.36 615	0.88 612	0.95 617	0.82 616	0.57 606	0.49 608	0.79 613	0.66 613	0.74 615	0.64 615

IMH	0.72 600	0.65 602	0.70 597	0.77 603	0.54 601	0.71 599	0.56 605	0.99 616	1.08 610	0.82 606	1.09 613	0.89 602	0.88 612	0.88 614	0.53 601	0.44 600	0.50 611	0.75 608	0.51 605	0.58 604	0.42 602

WAO-7	0.80 605	0.78 608	0.57 575	0.85 608	0.67 612	0.76 604	0.69 615	1.07 618	1.30 616	0.90 608	1.20 619	1.05 606	0.93 614	0.71 604	0.68 608	0.60 610	0.62 621	0.67 604	0.68 614	0.64 605	0.59 609

JetRed	1.66 619	1.51 622	3.09 620	0.93 612	1.21 622	5.28 627	1.61 627	1.29 626	1.42 620	1.84 625	1.77 626	1.59 623	0.95 615	1.43 624	2.51 628	0.91 622	1.61 626	0.93 617	0.91 622	1.36 623	1.03 623

KSHMR	1.10 616	1.19 618	0.90 609	1.26 621	1.00 621	0.99 614	0.96 621	1.13 623	1.35 617	1.16 620	1.28 622	1.40 616	0.97 616	1.03 620	0.93 618	1.03 623	1.08 625	1.20 622	1.03 624	1.03 620	0.98 622

Dean	0.88 609	0.88 613	0.81 603	0.82 607	0.57 605	0.91 610	0.62 609	1.17 624	1.71 624	1.15 619	1.16 617	1.31 614	1.00 617	0.82 608	0.83 617	0.57 606	0.56 617	0.78 612	0.65 611	0.67 608	0.58 606

WAO-6	0.82 606	0.81 609	0.63 585	0.87 610	0.63 610	0.79 605	0.60 608	0.98 614	1.52 623	0.91 610	0.97 608	1.08 607	1.04 618	0.72 605	0.70 611	0.72 614	0.49 608	0.91 616	0.71 615	0.70 611	0.59 609

ktn	1.02 615	1.23 619	0.82 604	1.24 620	0.86 619	1.00 616	0.86 618	0.96 612	1.37 618	1.05 614	1.12 616	1.16 609	1.06 619	0.95 617	0.62 605	1.28 625	0.71 623	1.39 625	0.83 619	1.06 621	0.77 619

WAO-8	0.92 610	0.83 610	0.67 590	0.94 613	0.70 614	0.92 611	0.68 613	1.08 620	1.80 626	1.06 616	1.42 623	1.29 612	1.08 620	0.86 610	0.80 614	0.74 616	0.54 614	0.86 614	0.75 616	0.71 612	0.63 613

Venus	0.92 610	0.83 610	0.67 590	0.94 613	0.70 614	0.92 611	0.68 613	1.08 620	1.80 626	1.06 616	1.42 623	1.29 612	1.08 620	0.86 610	0.80 614	0.74 616	0.54 614	0.86 614	0.75 616	0.71 612	0.63 613

DPSimNet_ROB	1.14 617	1.25 620	0.87 608	1.15 619	0.90 620	1.15 620	1.18 623	1.20 625	1.26 614	1.45 623	1.05 612	1.44 620	1.13 622	0.92 616	1.70 624	1.47 626	0.52 613	1.22 623	1.04 625	0.92 618	1.03 623

notaker	0.98 613	1.13 617	1.02 611	1.14 618	0.81 617	0.73 602	0.69 615	0.94 611	1.15 613	1.19 621	1.19 618	1.41 617	1.17 623	1.10 623	0.74 613	0.82 619	0.64 622	1.18 621	0.79 618	1.02 619	0.82 620

UNDER WATER-64	0.97 612	0.96 615	1.48 617	0.88 611	0.57 605	1.24 622	0.90 620	0.78 604	0.96 608	1.05 614	0.85 602	1.56 622	1.26 624	0.97 619	0.99 619	0.88 620	0.57 619	1.04 620	0.88 620	0.81 616	0.75 617

UNDER WATER	0.99 614	1.00 616	1.47 616	1.00 615	0.71 616	1.18 621	0.86 618	0.81 606	1.09 611	1.02 613	0.90 604	1.53 621	1.26 624	1.06 621	1.02 620	0.79 618	0.54 614	1.02 618	0.88 620	0.83 617	0.75 617

HanzoNet	1.31 618	1.29 621	1.22 614	1.13 617	0.85 618	1.05 618	0.84 617	1.06 617	1.47 622	1.66 624	1.63 625	2.48 626	1.78 626	1.63 625	1.69 623	1.27 624	0.80 624	1.32 624	1.02 623	1.07 622	0.90 621

MADNet++	1.97 620	1.75 623	1.66 618	1.83 622	1.69 624	2.38 625	1.45 626	2.36 627	2.11 628	2.58 627	2.37 628	2.25 625	2.21 627	2.28 626	2.36 627	1.87 627	1.67 627	1.53 626	1.34 626	1.87 624	1.78 626

tt	4.65 623	0.07 152	3.54 623	2.01 623	1.55 623	10.25 631	16.66 632	8.90 636	5.03 629	1.33 622	0.96 607	4.71 627	4.74 628	3.33 627	5.86 630	6.06 635	10.30 639	1.87 629	2.09 629	2.61 626	1.19 625

LRCNet_RVC	10.76 634	13.97 639	7.97 633	19.07 638	2.04 625	0.35 561	0.31 577	5.29 628	0.48 547	13.02 638	17.65 639	8.69 633	5.73 629	4.78 629	2.22 625	23.53 647	2.69 632	27.60 650	25.75 650	17.60 644	16.54 647

PML	8.57 631	9.39 638	6.24 626	5.34 627	6.36 629	13.21 633	20.99 633	5.35 629	6.68 630	17.75 640	26.46 651	7.58 632	6.08 630	7.89 633	5.76 629	5.33 634	1.83 628	5.95 638	1.93 628	8.75 635	2.53 628

USTest	6.16 624	2.65 626	2.79 619	6.48 630	7.21 630	14.33 634	21.38 634	6.98 635	9.55 634	5.35 631	6.12 629	5.71 630	7.69 631	6.31 632	6.75 631	1.97 628	3.38 633	1.63 627	2.14 630	2.49 625	2.35 627

xxxxx1	7.75 625	5.06 631	7.26 627	3.15 624	3.91 626	16.37 635	22.88 637	5.87 632	8.68 631	7.99 632	8.55 630	9.13 634	8.46 632	10.05 634	10.47 632	2.43 629	2.48 629	3.56 632	12.26 636	3.48 627	3.02 629

tt_ll	7.75 625	5.06 631	7.26 627	3.15 624	3.91 626	16.37 635	22.88 637	5.87 632	8.68 631	7.99 632	8.55 630	9.13 634	8.46 632	10.05 634	10.47 632	2.43 629	2.48 629	3.56 632	12.26 636	3.48 627	3.02 629

ff	7.75 625	5.06 631	7.26 627	3.15 624	3.91 626	16.37 635	22.88 637	5.87 632	8.68 631	7.99 632	8.55 630	9.13 634	8.46 632	10.05 634	10.47 632	2.43 629	2.48 629	3.56 632	12.26 636	3.48 627	3.02 629

DPSMNet_ROB	8.06 629	4.50 627	8.69 634	5.36 629	10.74 633	8.32 629	22.71 635	5.47 630	13.38 636	5.13 629	9.98 633	5.10 628	10.47 635	5.53 630	12.77 636	3.80 633	8.00 634	3.49 630	6.95 633	3.75 631	7.09 634

DGTPSM_ROB	8.06 629	4.50 627	8.69 634	5.34 627	10.73 632	8.32 629	22.71 635	5.47 630	13.38 636	5.13 629	9.98 633	5.10 628	10.47 635	5.53 630	12.77 636	3.79 632	8.00 634	3.49 630	6.95 633	3.74 630	7.09 634

Anonymous_1	10.87 635	7.82 635	7.41 630	10.29 631	10.08 631	18.64 639	26.11 640	11.02 639	13.45 638	9.43 635	10.10 635	9.73 637	11.31 637	10.69 637	12.47 635	6.42 636	8.38 636	5.70 635	10.22 635	11.41 636	6.65 633

DPSM_ROB	11.10 636	8.47 636	7.95 631	10.84 632	11.58 634	19.10 640	26.50 643	12.02 640	14.09 639	10.38 636	10.91 636	10.39 638	11.92 638	11.67 638	13.39 638	6.99 637	8.79 637	5.82 636	6.92 631	6.97 633	7.31 636

DPSM	11.10 636	8.47 636	7.95 631	10.84 632	11.58 634	19.10 640	26.50 643	12.02 640	14.09 639	10.38 636	10.91 636	10.39 638	11.92 638	11.67 638	13.39 638	6.99 637	8.79 637	5.82 636	6.92 631	6.97 633	7.31 636

HaxPig	15.73 638	18.55 647	19.19 643	16.92 637	15.89 639	7.80 628	7.57 629	13.37 642	10.80 635	15.40 639	14.87 638	15.95 640	14.81 640	15.67 640	15.97 642	18.96 646	16.72 640	19.47 646	18.10 648	19.45 647	19.06 648

MEDIAN_ROB	20.38 641	24.05 648	23.36 646	21.18 639	21.62 642	10.51 632	8.17 630	17.68 643	15.46 643	20.04 643	19.65 640	20.30 641	20.16 641	21.17 641	21.03 643	23.81 648	21.77 648	24.98 649	23.75 649	25.01 648	23.94 649

RSGM-EC	20.15 639	4.62 629	0.75 600	16.73 635	16.97 640	21.10 642	26.46 641	10.37 637	14.13 641	18.18 641	21.56 642	22.31 649	22.50 642	21.80 642	15.71 640	62.36 650	33.86 650	20.06 647	18.04 646	19.30 645	16.22 645

acva	20.15 639	4.62 629	0.75 600	16.73 635	16.97 640	21.10 642	26.46 641	10.37 637	14.13 641	18.18 641	21.56 642	22.31 649	22.50 642	21.80 642	15.71 640	62.36 650	33.86 650	20.06 647	18.04 646	19.30 645	16.22 645

FlowAnything	22.34 645	17.13 643	15.98 639	22.00 644	23.23 643	38.39 650	53.32 646	24.19 648	28.48 649	21.00 650	21.93 648	20.83 642	23.97 644	23.44 649	26.83 645	14.04 639	17.80 647	11.63 639	14.08 645	14.00 637	14.65 638

Selective-RAFT-Error	22.39 647	17.14 644	16.01 640	22.00 644	23.34 648	38.37 648	53.36 647	24.24 650	28.53 650	20.80 648	21.94 649	20.94 643	24.02 645	23.48 650	27.33 651	14.07 643	17.70 645	11.70 640	13.93 639	14.05 640	14.83 644

CasAABBNet	22.33 642	17.11 640	15.84 638	21.94 641	23.28 644	38.30 644	53.40 648	24.05 647	28.44 648	20.66 645	21.86 646	21.03 647	24.04 646	23.35 646	27.03 647	14.06 640	17.69 642	11.70 640	13.94 640	14.04 639	14.76 641

Hybrid-DGEV	22.38 646	17.26 646	16.15 641	21.92 640	23.29 645	38.36 647	53.40 648	24.38 651	28.67 651	20.64 644	21.89 647	21.01 644	24.05 647	23.35 646	27.12 650	14.08 644	17.70 645	11.71 644	13.99 644	14.01 638	14.70 640

RAFT-FEzeroshot	22.33 642	17.12 641	15.83 636	21.95 642	23.32 646	38.31 645	53.41 650	23.99 645	28.43 646	20.66 645	21.84 644	21.02 645	24.05 647	23.33 644	27.09 648	14.06 640	17.69 642	11.70 640	13.95 641	14.05 640	14.76 641

RAFT-FE	22.33 642	17.12 641	15.83 636	21.95 642	23.32 646	38.31 645	53.41 650	23.99 645	28.43 646	20.66 645	21.84 644	21.02 645	24.05 647	23.33 644	27.09 648	14.06 640	17.69 642	11.70 640	13.95 641	14.05 640	14.76 641

LSM0	22.80 648	17.22 645	19.17 642	22.12 646	28.90 650	38.38 649	53.27 645	24.21 649	28.36 645	20.84 649	21.11 641	21.63 648	24.25 650	23.42 648	26.98 646	14.08 644	17.39 641	11.72 645	13.98 643	14.22 643	14.66 639

AVERAGE_ROB	24.89 649	29.12 649	27.98 647	24.83 647	24.59 649	17.82 638	11.61 631	21.45 644	19.91 644	25.04 651	24.38 650	25.06 651	25.31 651	24.69 651	22.86 644	29.74 649	27.09 649	28.97 651	27.94 651	30.07 649	29.35 650

test_example2	97.69 650	92.93 650	45.57 648	96.02 648	109.84 651	88.44 651	93.70 652	25.54 652	94.63 652	130.46 653	126.87 652	58.93 652	75.48 652	87.99 652	77.94 652	150.16 652	221.11 652	76.29 652	98.21 652	108.42 652	95.33 651

ccccc		285.89 651		366.70 651	366.78 652	118.88 652		113.97 653		125.77 652		120.54 653		252.62 653		382.79 653	352.84 653	254.30 653	222.62 653	426.61 653

Low-res two-view benchmark