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 25	0.14 37	0.06 14	0.05 3	0.12 81	0.12 53	0.09 27	0.07 43	0.07 41	0.04 1	0.04 1	0.09 37	0.09 50	0.06 119	0.05 176	0.05 33	0.03 1	0.04 19	0.05 126

GEAStereo	0.08 49	0.06 64	0.09 78	0.13 10	0.08 140	0.08 54	0.14 182	0.10 17	0.10 39	0.08 79	0.10 137	0.06 20	0.04 1	0.11 126	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.05 126

GSStereo	0.08 49	0.06 64	0.09 78	0.13 10	0.08 140	0.08 54	0.14 182	0.11 33	0.12 98	0.08 79	0.10 137	0.05 2	0.04 1	0.11 126	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.05 126

GS-Stereo							0.14 182	0.11 33	0.12 98	0.08 79	0.10 137	0.05 2	0.04 1	0.11 126	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.05 126

GASTEREO	0.08 49	0.05 17	0.09 78	0.19 373	0.08 140	0.08 54	0.12 81	0.14 91	0.11 66	0.10 148	0.09 110	0.07 78	0.04 1	0.12 212	0.08 14	0.06 119	0.05 176	0.05 33	0.04 41	0.04 19	0.05 126

MSCF	0.08 49	0.05 17	0.09 78	0.19 373	0.08 140	0.07 27	0.12 81	0.14 91	0.11 66	0.10 148	0.09 110	0.07 78	0.04 1	0.11 126	0.08 14	0.06 119	0.05 176	0.05 33	0.04 41	0.05 110	0.05 126

LG-Stereo_L1	0.07 3	0.05 17	0.11 167	0.14 37	0.06 14	0.07 27	0.12 81	0.09 10	0.08 13	0.05 2	0.04 1	0.05 2	0.04 1	0.08 16	0.08 14	0.05 32	0.04 23	0.05 33	0.03 1	0.04 19	0.04 33

MLG-Stereo_test2	0.07 3	0.04 1	0.10 118	0.15 79	0.06 14	0.07 27	0.11 53	0.09 10	0.04 2	0.06 11	0.05 7	0.06 20	0.04 1	0.08 16	0.09 50	0.06 119	0.04 23	0.05 33	0.03 1	0.05 110	0.05 126

SCV	0.08 49	0.09 334	0.08 25	0.15 79	0.08 140	0.10 140	0.12 81	0.11 33	0.12 98	0.07 43	0.07 41	0.06 20	0.04 1	0.10 74	0.08 14	0.05 32	0.05 176	0.06 122	0.04 41	0.06 211	0.04 33

FoundationStereo	0.06 1	0.04 1	0.08 25	0.13 10	0.05 1	0.09 94	0.13 125	0.06 1	0.09 27	0.05 2	0.05 7	0.06 20	0.04 1	0.07 3	0.07 1	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

AIO_rvc	0.07 3	0.06 64	0.08 25	0.15 79	0.06 14	0.08 54	0.14 182	0.09 10	0.08 13	0.07 43	0.08 86	0.07 78	0.04 1	0.10 74	0.08 14	0.05 32	0.04 23	0.05 33	0.04 41	0.04 19	0.03 1

GIP-stereo	0.08 49	0.06 64	0.11 167	0.15 79	0.07 76	0.09 94	0.13 125	0.15 119	0.11 66	0.07 43	0.08 86	0.05 2	0.04 1	0.10 74	0.07 1	0.05 32	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

IGEV-BASED-STEREO-	0.09 98	0.10 401	0.32 522	0.15 79	0.06 14	0.08 54	0.14 182	0.11 33	0.10 39	0.07 43	0.07 41	0.06 20	0.04 1	0.11 126	0.07 1	0.12 490	0.04 23	0.07 225	0.05 132	0.05 110	0.05 126

Selective-IGEV	0.07 3	0.06 64	0.09 78	0.17 231	0.06 14	0.08 54	0.12 81	0.13 73	0.08 13	0.08 79	0.07 41	0.06 20	0.04 1	0.10 74	0.09 50	0.05 32	0.04 23	0.05 33	0.04 41	0.04 19	0.03 1

BStereo	0.08 49	0.06 64	0.17 387	0.15 79	0.08 140	0.08 54	0.09 18	0.15 119	0.16 205	0.06 11	0.07 41	0.07 78	0.05 15	0.09 37	0.11 198	0.04 6	0.05 176	0.05 33	0.07 301	0.04 19	0.05 126

Wave_Phase_stereo	0.09 98	0.06 64	0.17 387	0.15 79	0.08 140	0.11 184	0.09 18	0.18 211	0.16 205	0.06 11	0.07 41	0.07 78	0.05 15	0.09 37	0.11 198	0.04 6	0.05 176	0.05 33	0.07 301	0.04 19	0.05 126

VIP-Stereo	0.07 3	0.07 141	0.08 25	0.15 79	0.06 14	0.11 184	0.10 30	0.11 33	0.11 66	0.06 11	0.07 41	0.06 20	0.05 15	0.10 74	0.08 14	0.05 32	0.04 23	0.05 33	0.04 41	0.03 1	0.03 1

gasm-f	0.08 49	0.05 17	0.08 25	0.13 10	0.08 140	0.08 54	0.14 182	0.10 17	0.10 39	0.08 79	0.10 137	0.06 20	0.05 15	0.10 74	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.06 211	0.05 126

252Zero-FE	0.08 49	0.04 1	0.10 118	0.13 10	0.07 76	0.13 268	0.11 53	0.13 73	0.14 157	0.07 43	0.05 7	0.06 20	0.05 15	0.09 37	0.10 126	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.06 223

IGEV	0.08 49	0.04 1	0.09 78	0.13 10	0.06 14	0.09 94	0.12 81	0.14 91	0.10 39	0.06 11	0.09 110	0.07 78	0.05 15	0.09 37	0.09 50	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

111111	0.07 3	0.05 17	0.10 118	0.17 231	0.06 14	0.05 3	0.10 30	0.11 33	0.10 39	0.06 11	0.06 12	0.07 78	0.05 15	0.08 16	0.09 50	0.06 119	0.04 23	0.05 33	0.04 41	0.07 285	0.06 223

LG-Stereo_L2	0.07 3	0.05 17	0.10 118	0.14 37	0.06 14	0.07 27	0.12 81	0.09 10	0.10 39	0.06 11	0.04 1	0.05 2	0.05 15	0.08 16	0.08 14	0.05 32	0.04 23	0.05 33	0.03 1	0.04 19	0.03 1

MLG-Stereo_test1	0.06 1	0.05 17	0.08 25	0.17 231	0.05 1	0.07 27	0.11 53	0.09 10	0.03 1	0.05 2	0.04 1	0.06 20	0.05 15	0.09 37	0.09 50	0.05 32	0.04 23	0.05 33	0.03 1	0.04 19	0.05 126

MLG-Stereo	0.07 3	0.05 17	0.09 78	0.17 231	0.05 1	0.07 27	0.11 53	0.08 4	0.05 3	0.05 2	0.04 1	0.06 20	0.05 15	0.10 74	0.09 50	0.05 32	0.04 23	0.05 33	0.03 1	0.04 19	0.05 126

LG-Stereo_Zeroshot	0.07 3	0.06 64	0.10 118	0.16 154	0.07 76	0.04 1	0.13 125	0.10 17	0.10 39	0.05 2	0.11 179	0.07 78	0.05 15	0.07 3	0.09 50	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

HART	0.08 49	0.07 141	0.09 78	0.18 313	0.07 76	0.10 140	0.16 316	0.13 73	0.11 66	0.09 115	0.10 137	0.08 120	0.05 15	0.10 74	0.08 14	0.05 32	0.04 23	0.06 122	0.04 41	0.05 110	0.04 33

GREAT-IGEV	0.07 3	0.06 64	0.09 78	0.13 10	0.07 76	0.07 27	0.14 182	0.10 17	0.09 27	0.06 11	0.08 86	0.06 20	0.05 15	0.10 74	0.07 1	0.05 32	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

SCV_C0	0.08 49	0.07 141	0.08 25	0.16 154	0.10 365	0.08 54	0.14 182	0.11 33	0.13 135	0.08 79	0.07 41	0.06 20	0.05 15	0.11 126	0.07 1	0.05 32	0.05 176	0.05 33	0.04 41	0.06 211	0.05 126

DEFOM-Stereo_RVC	0.08 49	0.07 141	0.09 78	0.22 487	0.06 14	0.08 54	0.12 81	0.10 17	0.10 39	0.07 43	0.07 41	0.06 20	0.05 15	0.11 126	0.09 50	0.06 119	0.04 23	0.05 33	0.03 1	0.06 211	0.04 33

StereoAnything_RVC	0.07 3	0.16 506	0.17 387	0.11 1	0.05 1	0.06 10	0.11 53	0.08 4	0.08 13	0.06 11	0.06 12	0.05 2	0.05 15	0.09 37	0.08 14	0.08 334	0.04 23	0.05 33	0.03 1	0.05 110	0.04 33

AIO_test	0.07 3	0.06 64	0.07 5	0.15 79	0.07 76	0.07 27	0.14 182	0.10 17	0.10 39	0.07 43	0.07 41	0.06 20	0.05 15	0.08 16	0.10 126	0.05 32	0.04 23	0.05 33	0.04 41	0.04 19	0.03 1

AIO-test2	0.10 163	0.08 263	0.10 118	0.23 508	0.09 253	0.11 184	0.11 53	0.23 321	0.24 354	0.08 79	0.09 110	0.08 120	0.05 15	0.10 74	0.08 14	0.06 119	0.05 176	0.08 311	0.09 418	0.05 110	0.05 126

DEFOM-Stereo	0.07 3	0.05 17	0.07 5	0.14 37	0.06 14	0.09 94	0.13 125	0.07 2	0.13 135	0.06 11	0.07 41	0.06 20	0.05 15	0.10 74	0.09 50	0.05 32	0.04 23	0.05 33	0.03 1	0.04 19	0.04 33

dual_stereo	0.07 3	0.05 17	0.08 25	0.15 79	0.05 1	0.05 3	0.13 125	0.12 53	0.08 13	0.07 43	0.06 12	0.05 2	0.05 15	0.07 3	0.09 50	0.06 119	0.04 23	0.05 33	0.03 1	0.04 19	0.04 33

Occ-G	0.08 49	0.05 17	0.07 5	0.14 37	0.07 76	0.09 94	0.14 182	0.14 91	0.15 177	0.07 43	0.12 196	0.07 78	0.05 15	0.09 37	0.10 126	0.06 119	0.05 176	0.05 33	0.04 41	0.05 110	0.06 223

U	0.08 49	0.07 141	0.10 118	0.19 373	0.10 365	0.10 140	0.13 125	0.12 53	0.17 233	0.07 43	0.07 41	0.06 20	0.05 15	0.07 3	0.09 50	0.06 119	0.04 23	0.06 122	0.04 41	0.06 211	0.05 126

AIO-Stereo	0.08 49	0.06 64	0.10 118	0.18 313	0.06 14	0.09 94	0.11 53	0.16 148	0.09 27	0.09 115	0.08 86	0.07 78	0.05 15	0.11 126	0.08 14	0.05 32	0.05 176	0.05 33	0.04 41	0.04 19	0.04 33

RSM++	0.08 49	0.06 64	0.09 78	0.17 231	0.07 76	0.09 94	0.12 81	0.11 33	0.11 66	0.08 79	0.06 12	0.07 78	0.05 15	0.10 74	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.03 1

RSM	0.08 49	0.06 64	0.09 78	0.17 231	0.07 76	0.08 54	0.12 81	0.12 53	0.10 39	0.08 79	0.07 41	0.06 20	0.05 15	0.11 126	0.09 50	0.04 6	0.04 23	0.05 33	0.04 41	0.04 19	0.04 33

IGEV++	0.08 49	0.06 64	0.09 78	0.18 313	0.07 76	0.10 140	0.13 125	0.10 17	0.10 39	0.08 79	0.08 86	0.06 20	0.05 15	0.13 267	0.09 50	0.05 32	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

MIM_Stereo	0.10 163	0.07 141	0.11 167	0.15 79	0.07 76	0.07 27	0.12 81	0.20 260	0.14 157	0.13 254	0.14 224	0.09 152	0.05 15	0.12 212	0.08 14	0.05 32	0.06 333	0.07 225	0.06 205	0.06 211	0.05 126

EGLCR-Stereo	0.08 49	0.05 17	0.08 25	0.14 37	0.07 76	0.11 184	0.12 81	0.11 33	0.16 205	0.06 11	0.05 7	0.07 78	0.05 15	0.10 74	0.11 198	0.06 119	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

CroCo-Stereo Lap2	0.09 98	0.09 334	0.08 25	0.22 487	0.09 253	0.09 94	0.18 394	0.16 148	0.12 98	0.09 115	0.10 137	0.05 2	0.05 15	0.08 16	0.08 14	0.06 119	0.06 333	0.07 225	0.05 132	0.06 211	0.05 126

iRaft-Stereo_20w	0.09 98	0.05 17	0.13 240	0.14 37	0.09 253	0.12 230	0.15 256	0.19 243	0.11 66	0.11 188	0.08 86	0.08 120	0.05 15	0.10 74	0.09 50	0.06 119	0.04 23	0.06 122	0.05 132	0.06 211	0.05 126

WQFJA1++	0.08 49	0.04 1	0.11 167	0.14 37	0.07 76	0.11 184	0.11 53	0.12 53	0.07 9	0.07 43	0.07 41	0.07 78	0.06 45	0.10 74	0.10 126	0.06 119	0.04 23	0.05 33	0.04 41	0.06 211	0.06 223

Select-FE	0.11 207	0.06 64	0.21 459	0.15 79	0.11 421	0.12 230	0.13 125	0.22 302	0.18 248	0.09 115	0.11 179	0.10 185	0.06 45	0.12 212	0.09 50	0.07 270	0.05 176	0.07 225	0.08 373	0.06 211	0.08 372

IGEV-FE	0.09 98	0.05 17	0.13 240	0.14 37	0.08 140	0.12 230	0.13 125	0.17 183	0.11 66	0.10 148	0.06 12	0.09 152	0.06 45	0.11 126	0.09 50	0.06 119	0.04 23	0.06 122	0.06 205	0.05 110	0.05 126

DDF-Stereo	0.08 49	0.05 17	0.10 118	0.15 79	0.10 365	0.05 3	0.13 125	0.09 10	0.14 157	0.06 11	0.06 12	0.07 78	0.06 45	0.09 37	0.10 126	0.06 119	0.04 23	0.06 122	0.04 41	0.08 351	0.05 126

Zero-FE251	0.08 49	0.05 17	0.10 118	0.13 10	0.06 14	0.12 230	0.12 81	0.11 33	0.10 39	0.07 43	0.08 86	0.06 20	0.06 45	0.10 74	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.04 33

MonStereo	0.07 3	0.06 64	0.06 1	0.15 79	0.05 1	0.08 54	0.10 30	0.15 119	0.15 177	0.05 2	0.06 12	0.05 2	0.06 45	0.07 3	0.09 50	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 64	0.06 1	0.15 79	0.05 1	0.08 54	0.10 30	0.15 119	0.15 177	0.05 2	0.06 12	0.05 2	0.06 45	0.07 3	0.10 126	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 78	0.13 10	0.06 14	0.06 10	0.08 7	0.12 53	0.07 9	0.06 11	0.06 12	0.05 2	0.06 45	0.09 37	0.09 50	0.06 119	0.04 23	0.04 1	0.03 1	0.05 110	0.05 126

Replicate-Monster	0.07 3	0.05 17	0.09 78	0.14 37	0.06 14	0.09 94	0.09 18	0.14 91	0.12 98	0.05 2	0.07 41	0.06 20	0.06 45	0.08 16	0.10 126	0.06 119	0.04 23	0.05 33	0.03 1	0.04 19	0.04 33

zero-FE	0.08 49	0.05 17	0.10 118	0.15 79	0.10 365	0.05 3	0.13 125	0.09 10	0.14 157	0.07 43	0.06 12	0.07 78	0.06 45	0.09 37	0.10 126	0.06 119	0.04 23	0.06 122	0.04 41	0.08 351	0.05 126

AdaDepth	0.07 3	0.06 64	0.07 5	0.18 313	0.06 14	0.11 184	0.11 53	0.10 17	0.08 13	0.06 11	0.05 7	0.07 78	0.06 45	0.09 37	0.10 126	0.04 6	0.05 176	0.05 33	0.04 41	0.04 19	0.04 33

S2M2_XL	0.08 49	0.06 64	0.12 206	0.12 5	0.08 140	0.09 94	0.09 18	0.07 2	0.07 9	0.08 79	0.07 41	0.07 78	0.06 45	0.09 37	0.09 50	0.08 334	0.06 333	0.07 225	0.06 205	0.08 351	0.06 223
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	0.08 263	0.08 25	0.16 154	0.07 76	0.06 10	0.10 30	0.16 148	0.11 66	0.06 11	0.06 12	0.05 2	0.06 45	0.10 74	0.10 126	0.03 1	0.03 1	0.04 1	0.03 1	0.04 19	0.03 1

asd	0.07 3	0.08 263	0.08 25	0.16 154	0.07 76	0.08 54	0.08 7	0.11 33	0.08 13	0.07 43	0.07 41	0.06 20	0.06 45	0.10 74	0.09 50	0.03 1	0.03 1	0.04 1	0.04 41	0.04 19	0.03 1

qwe	0.08 49	0.08 263	0.07 5	0.15 79	0.06 14	0.07 27	0.10 30	0.18 211	0.12 98	0.07 43	0.07 41	0.06 20	0.06 45	0.10 74	0.09 50	0.04 6	0.03 1	0.04 1	0.04 41	0.04 19	0.03 1

2.25w	0.07 3	0.07 141	0.08 25	0.15 79	0.06 14	0.08 54	0.09 18	0.10 17	0.15 177	0.08 79	0.10 137	0.07 78	0.06 45	0.09 37	0.10 126	0.05 32	0.04 23	0.04 1	0.04 41	0.03 1	0.04 33

4.25_new	0.07 3	0.08 263	0.09 78	0.15 79	0.06 14	0.08 54	0.08 7	0.14 91	0.08 13	0.07 43	0.07 41	0.06 20	0.06 45	0.12 212	0.10 126	0.04 6	0.03 1	0.04 1	0.03 1	0.04 19	0.03 1

4.5w_new	0.07 3	0.08 263	0.09 78	0.15 79	0.06 14	0.08 54	0.08 7	0.14 91	0.08 13	0.07 43	0.07 41	0.06 20	0.06 45	0.12 212	0.10 126	0.04 6	0.03 1	0.04 1	0.03 1	0.04 19	0.03 1

4.5_new	0.07 3	0.09 334	0.08 25	0.15 79	0.07 76	0.07 27	0.10 30	0.14 91	0.11 66	0.06 11	0.08 86	0.06 20	0.06 45	0.08 16	0.10 126	0.03 1	0.03 1	0.04 1	0.04 41	0.04 19	0.03 1

4.5w-stereo	0.07 3	0.09 334	0.08 25	0.15 79	0.07 76	0.07 27	0.10 30	0.14 91	0.11 66	0.06 11	0.08 86	0.06 20	0.06 45	0.08 16	0.10 126	0.03 1	0.03 1	0.04 1	0.04 41	0.04 19	0.03 1

4.25w-stereo	0.07 3	0.08 263	0.09 78	0.15 79	0.06 14	0.08 54	0.08 7	0.14 91	0.08 13	0.07 43	0.07 41	0.06 20	0.06 45	0.12 212	0.10 126	0.04 6	0.03 1	0.04 1	0.03 1	0.04 19	0.03 1

4w-stereo	0.07 3	0.08 263	0.08 25	0.16 154	0.07 76	0.07 27	0.08 7	0.11 33	0.09 27	0.07 43	0.07 41	0.05 2	0.06 45	0.09 37	0.10 126	0.03 1	0.03 1	0.04 1	0.04 41	0.04 19	0.03 1

2.5w	0.07 3	0.07 141	0.08 25	0.16 154	0.06 14	0.08 54	0.12 81	0.10 17	0.10 39	0.07 43	0.06 12	0.09 152	0.06 45	0.08 16	0.09 50	0.04 6	0.03 1	0.04 1	0.04 41	0.03 1	0.03 1

2.75w_new	0.07 3	0.07 141	0.07 5	0.13 10	0.06 14	0.08 54	0.08 7	0.18 211	0.13 135	0.08 79	0.08 86	0.06 20	0.06 45	0.09 37	0.11 198	0.04 6	0.04 23	0.04 1	0.03 1	0.03 1	0.04 33

3.25w_new	0.07 3	0.06 64	0.08 25	0.15 79	0.06 14	0.10 140	0.07 3	0.12 53	0.11 66	0.08 79	0.07 41	0.07 78	0.06 45	0.11 126	0.10 126	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.04 33

3.25w	0.07 3	0.06 64	0.08 25	0.15 79	0.06 14	0.10 140	0.07 3	0.12 53	0.11 66	0.08 79	0.07 41	0.07 78	0.06 45	0.11 126	0.10 126	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.04 33

3.75w	0.07 3	0.07 141	0.08 25	0.16 154	0.07 76	0.07 27	0.09 18	0.16 148	0.10 39	0.07 43	0.06 12	0.06 20	0.06 45	0.09 37	0.10 126	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3w_stereo	0.08 49	0.09 334	0.10 118	0.17 231	0.07 76	0.08 54	0.11 53	0.20 260	0.13 135	0.06 11	0.07 41	0.05 2	0.06 45	0.08 16	0.09 50	0.04 6	0.03 1	0.04 1	0.03 1	0.04 19	0.03 1

2w_stereo	0.08 49	0.08 263	0.09 78	0.16 154	0.06 14	0.09 94	0.10 30	0.20 260	0.15 177	0.08 79	0.07 41	0.06 20	0.06 45	0.06 1	0.10 126	0.04 6	0.03 1	0.04 1	0.04 41	0.03 1	0.03 1

1w_stereo	0.08 49	0.06 64	0.07 5	0.16 154	0.06 14	0.07 27	0.10 30	0.14 91	0.15 177	0.07 43	0.08 86	0.05 2	0.06 45	0.10 74	0.09 50	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.04 33

monsters	0.07 3	0.06 64	0.06 1	0.15 79	0.06 14	0.08 54	0.09 18	0.13 73	0.09 27	0.09 115	0.07 41	0.06 20	0.06 45	0.09 37	0.08 14	0.05 32	0.04 23	0.04 1	0.04 41	0.03 1	0.04 33

MLG-Stereo_test3	0.07 3	0.05 17	0.10 118	0.15 79	0.06 14	0.07 27	0.10 30	0.08 4	0.06 4	0.06 11	0.04 1	0.06 20	0.06 45	0.08 16	0.10 126	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.06 223

MM-Stereo_test3	0.10 163	0.07 141	0.07 5	0.18 313	0.07 76	0.12 230	0.19 438	0.24 345	0.19 274	0.06 11	0.10 137	0.08 120	0.06 45	0.11 126	0.09 50	0.06 119	0.06 333	0.07 225	0.05 132	0.05 110	0.04 33

MM-Stereo_test2	0.09 98	0.07 141	0.09 78	0.19 373	0.08 140	0.12 230	0.18 394	0.15 119	0.14 157	0.07 43	0.10 137	0.07 78	0.06 45	0.12 212	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.06 211	0.04 33

MM-Stereo_test1	0.10 163	0.07 141	0.09 78	0.18 313	0.07 76	0.12 230	0.18 394	0.21 278	0.20 296	0.09 115	0.11 179	0.08 120	0.06 45	0.10 74	0.10 126	0.06 119	0.05 176	0.07 225	0.06 205	0.05 110	0.04 33

HUF	0.08 49	0.05 17	0.08 25	0.14 37	0.06 14	0.09 94	0.13 125	0.13 73	0.13 135	0.07 43	0.07 41	0.09 152	0.06 45	0.10 74	0.09 50	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

castereo++	0.08 49	0.06 64	0.08 25	0.15 79	0.05 1	0.14 310	0.11 53	0.11 33	0.15 177	0.07 43	0.07 41	0.08 120	0.06 45	0.08 16	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.03 1

IGEV-RUCA	0.08 49	0.06 64	0.11 167	0.14 37	0.09 253	0.10 140	0.12 81	0.10 17	0.12 98	0.06 11	0.07 41	0.08 120	0.06 45	0.09 37	0.08 14	0.06 119	0.05 176	0.05 33	0.04 41	0.05 110	0.06 223

MonSter	0.07 3	0.06 64	0.06 1	0.15 79	0.05 1	0.08 54	0.10 30	0.15 119	0.15 177	0.05 2	0.06 12	0.05 2	0.06 45	0.07 3	0.09 50	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

fffft	0.09 98	0.06 64	0.12 206	0.16 154	0.07 76	0.09 94	0.16 316	0.12 53	0.11 66	0.09 115	0.07 41	0.09 152	0.06 45	0.11 126	0.12 265	0.05 32	0.04 23	0.06 122	0.05 132	0.04 19	0.05 126
1: 1. 1
tt45	0.09 98	0.06 64	0.11 167	0.15 79	0.07 76	0.12 230	0.15 256	0.13 73	0.12 98	0.09 115	0.06 12	0.08 120	0.06 45	0.13 267	0.10 126	0.06 119	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

mms	0.09 98	0.07 141	0.08 25	0.17 231	0.08 140	0.11 184	0.15 256	0.12 53	0.11 66	0.09 115	0.09 110	0.08 120	0.06 45	0.11 126	0.12 265	0.05 32	0.04 23	0.07 225	0.05 132	0.04 19	0.04 33

ours_stereo	0.09 98	0.07 141	0.09 78	0.17 231	0.08 140	0.11 184	0.16 316	0.11 33	0.12 98	0.08 79	0.10 137	0.08 120	0.06 45	0.12 212	0.12 265	0.05 32	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

WCG-NET	0.08 49	0.05 17	0.10 118	0.15 79	0.06 14	0.11 184	0.14 182	0.13 73	0.14 157	0.07 43	0.09 110	0.07 78	0.06 45	0.13 267	0.08 14	0.05 32	0.04 23	0.06 122	0.04 41	0.04 19	0.03 1

IGEV-Stereo++	0.07 3	0.06 64	0.08 25	0.18 313	0.06 14	0.05 3	0.10 30	0.11 33	0.11 66	0.06 11	0.07 41	0.07 78	0.06 45	0.09 37	0.09 50	0.05 32	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

RAStereo	0.10 163	0.09 334	0.08 25	0.20 431	0.08 140	0.13 268	0.18 394	0.16 148	0.17 233	0.10 148	0.12 196	0.05 2	0.06 45	0.09 37	0.08 14	0.07 270	0.05 176	0.07 225	0.05 132	0.05 110	0.04 33

Pointernet	0.09 98	0.05 17	0.10 118	0.16 154	0.08 140	0.13 268	0.10 30	0.15 119	0.18 248	0.09 115	0.07 41	0.06 20	0.06 45	0.11 126	0.10 126	0.08 334	0.04 23	0.05 33	0.03 1	0.06 211	0.05 126

IGEV-Stereo+	0.07 3	0.04 1	0.08 25	0.15 79	0.06 14	0.04 1	0.09 18	0.10 17	0.09 27	0.06 11	0.06 12	0.06 20	0.06 45	0.06 1	0.09 50	0.06 119	0.04 23	0.05 33	0.04 41	0.06 211	0.06 223

WCG-NET（raft）	0.08 49	0.05 17	0.10 118	0.15 79	0.06 14	0.11 184	0.13 125	0.15 119	0.12 98	0.08 79	0.07 41	0.06 20	0.06 45	0.13 267	0.08 14	0.05 32	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

RAFT-Stereo-weight	0.09 98	0.06 64	0.11 167	0.16 154	0.07 76	0.09 94	0.14 182	0.19 243	0.16 205	0.11 188	0.10 137	0.08 120	0.06 45	0.10 74	0.11 198	0.06 119	0.04 23	0.06 122	0.04 41	0.04 19	0.04 33

test_for_model	0.09 98	0.12 445	0.14 285	0.23 508	0.11 421	0.08 54	0.13 125	0.12 53	0.13 135	0.10 148	0.07 41	0.07 78	0.06 45	0.11 126	0.10 126	0.06 119	0.05 176	0.05 33	0.04 41	0.08 351	0.05 126

MGS-Stereo	0.09 98	0.07 141	0.12 206	0.16 154	0.08 140	0.09 94	0.15 256	0.12 53	0.12 98	0.07 43	0.10 137	0.08 120	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.06 211	0.05 126

MoCha-V2	0.08 49	0.05 17	0.11 167	0.20 431	0.07 76	0.10 140	0.14 182	0.12 53	0.08 13	0.07 43	0.08 86	0.07 78	0.06 45	0.09 37	0.08 14	0.05 32	0.05 176	0.05 33	0.04 41	0.04 19	0.04 33

ACVNet-DCA	0.10 163	0.08 263	0.13 240	0.17 231	0.09 253	0.13 268	0.15 256	0.24 345	0.16 205	0.09 115	0.09 110	0.06 20	0.06 45	0.10 74	0.07 1	0.06 119	0.05 176	0.06 122	0.05 132	0.07 285	0.07 303

1test111	0.11 207	0.08 263	0.13 240	0.17 231	0.09 253	0.13 268	0.15 256	0.24 345	0.16 205	0.09 115	0.09 110	0.06 20	0.06 45	0.15 312	0.16 389	0.06 119	0.05 176	0.06 122	0.05 132	0.07 285	0.07 303

cc1	0.10 163	0.08 263	0.13 240	0.17 231	0.09 253	0.13 268	0.15 256	0.16 148	0.18 248	0.09 115	0.09 110	0.06 20	0.06 45	0.10 74	0.07 1	0.06 119	0.05 176	0.06 122	0.05 132	0.06 211	0.06 223

ff7	0.09 98	0.07 141	0.11 167	0.16 154	0.09 253	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

IGEVStereo-DCA	0.09 98	0.07 141	0.11 167	0.16 154	0.10 365	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.08 120	0.06 45	0.10 74	0.09 50	0.06 119	0.05 176	0.06 122	0.05 132	0.05 110	0.06 223

ffff	0.09 98	0.07 141	0.11 167	0.16 154	0.09 253	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

rrr	0.09 98	0.07 141	0.13 240	0.16 154	0.10 365	0.11 184	0.15 256	0.16 148	0.15 177	0.10 148	0.06 12	0.08 120	0.06 45	0.10 74	0.09 50	0.06 119	0.05 176	0.06 122	0.05 132	0.05 110	0.06 223

11t	0.09 98	0.07 141	0.11 167	0.16 154	0.09 253	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

tt1	0.10 163	0.08 263	0.13 240	0.17 231	0.09 253	0.13 268	0.15 256	0.15 119	0.19 274	0.09 115	0.08 86	0.06 20	0.06 45	0.10 74	0.08 14	0.06 119	0.05 176	0.06 122	0.05 132	0.06 211	0.06 223

MaDis-Stereo	0.09 98	0.09 334	0.08 25	0.17 231	0.09 253	0.14 310	0.11 53	0.16 148	0.16 205	0.09 115	0.11 179	0.06 20	0.06 45	0.09 37	0.13 300	0.07 270	0.06 333	0.08 311	0.05 132	0.05 110	0.04 33

IGEV_Zeroshot_test	0.09 98	0.05 17	0.13 240	0.14 37	0.08 140	0.12 230	0.13 125	0.17 183	0.11 66	0.10 148	0.06 12	0.09 152	0.06 45	0.11 126	0.09 50	0.06 119	0.04 23	0.06 122	0.06 205	0.05 110	0.05 126

MSKI-zero shot	0.09 98	0.05 17	0.09 78	0.16 154	0.07 76	0.10 140	0.13 125	0.15 119	0.14 157	0.09 115	0.09 110	0.09 152	0.06 45	0.12 212	0.11 198	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.05 126

UniTT-Stereo	0.09 98	0.07 141	0.08 25	0.18 313	0.08 140	0.13 268	0.11 53	0.12 53	0.11 66	0.10 148	0.12 196	0.05 2	0.06 45	0.09 37	0.10 126	0.07 270	0.06 333	0.05 33	0.05 132	0.06 211	0.05 126

testlalala	0.08 49	0.07 141	0.17 387	0.16 154	0.08 140	0.09 94	0.12 81	0.15 119	0.10 39	0.07 43	0.09 110	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.04 41	0.04 19	0.04 33

CAS	0.08 49	0.04 1	0.07 5	0.17 231	0.08 140	0.10 140	0.13 125	0.12 53	0.09 27	0.09 115	0.10 137	0.08 120	0.06 45	0.09 37	0.09 50	0.08 334	0.04 23	0.05 33	0.03 1	0.05 110	0.04 33

anonymousdsp	0.09 98	0.07 141	0.11 167	0.17 231	0.09 253	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

ProNet	0.09 98	0.07 141	0.11 167	0.17 231	0.08 140	0.11 184	0.15 256	0.15 119	0.12 98	0.10 148	0.06 12	0.07 78	0.06 45	0.11 126	0.09 50	0.05 32	0.05 176	0.06 122	0.05 132	0.04 19	0.06 223

MC-Stereo	0.09 98	0.07 141	0.09 78	0.17 231	0.06 14	0.10 140	0.14 182	0.12 53	0.11 66	0.09 115	0.12 196	0.09 152	0.06 45	0.11 126	0.10 126	0.06 119	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

ccc-4	0.09 98	0.07 141	0.11 167	0.16 154	0.09 253	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

IGEV-Stereo	0.09 98	0.07 141	0.11 167	0.17 231	0.09 253	0.11 184	0.15 256	0.16 148	0.12 98	0.10 148	0.06 12	0.06 20	0.06 45	0.11 126	0.09 50	0.05 32	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CroCo-Stereo	0.09 98	0.08 263	0.08 25	0.22 487	0.09 253	0.09 94	0.18 394	0.16 148	0.12 98	0.07 43	0.07 41	0.08 120	0.06 45	0.08 16	0.07 1	0.07 270	0.05 176	0.06 122	0.04 41	0.05 110	0.04 33
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 98	0.05 17	0.09 78	0.17 231	0.09 253	0.15 336	0.12 81	0.21 278	0.10 39	0.10 148	0.14 224	0.07 78	0.06 45	0.13 267	0.08 14	0.06 119	0.05 176	0.06 122	0.06 205	0.04 19	0.04 33

test_xeample3	0.09 98	0.07 141	0.12 206	0.16 154	0.09 253	0.11 184	0.15 256	0.16 148	0.14 157	0.10 148	0.07 41	0.08 120	0.06 45	0.10 74	0.09 50	0.06 119	0.04 23	0.06 122	0.05 132	0.05 110	0.06 223

HiDET	0.08 49	0.05 17	0.10 118	0.13 10	0.06 14	0.09 94	0.12 81	0.12 53	0.12 98	0.07 43	0.07 41	0.07 78	0.07 121	0.11 126	0.11 198	0.06 119	0.05 176	0.04 1	0.03 1	0.04 19	0.04 33

LCMNet	0.08 49	0.05 17	0.10 118	0.13 10	0.07 76	0.09 94	0.12 81	0.10 17	0.12 98	0.06 11	0.08 86	0.06 20	0.07 121	0.11 126	0.10 126	0.06 119	0.05 176	0.04 1	0.03 1	0.04 19	0.04 33

FE-Mocha	0.09 98	0.06 64	0.14 285	0.16 154	0.09 253	0.11 184	0.15 256	0.19 243	0.16 205	0.10 148	0.09 110	0.07 78	0.07 121	0.09 37	0.09 50	0.06 119	0.04 23	0.06 122	0.06 205	0.05 110	0.05 126

DLNR-FE	10.51 623	2.29 615	19.85 634	120.28 638	13.21 627	0.06 10	0.13 125	0.24 345	0.10 39	0.08 79	0.10 137	0.09 152	0.07 121	0.10 74	0.09 50	0.13 508	0.04 23	0.06 122	0.04 41	53.18 640	0.04 33

Wavelet-MonSter	0.07 3	0.05 17	0.07 5	0.16 154	0.06 14	0.07 27	0.11 53	0.10 17	0.08 13	0.06 11	0.07 41	0.07 78	0.07 121	0.09 37	0.09 50	0.04 6	0.04 23	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 3	0.07 141	0.07 5	0.15 79	0.07 76	0.09 94	0.06 1	0.14 91	0.11 66	0.08 79	0.07 41	0.06 20	0.07 121	0.10 74	0.09 50	0.04 6	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

monsterstereo	0.08 49	0.06 64	0.07 5	0.16 154	0.06 14	0.08 54	0.10 30	0.16 148	0.12 98	0.07 43	0.08 86	0.06 20	0.07 121	0.08 16	0.09 50	0.04 6	0.04 23	0.05 33	0.04 41	0.04 19	0.03 1

LG-G_1	0.07 3	0.04 1	0.11 167	0.15 79	0.06 14	0.09 94	0.08 7	0.08 4	0.06 4	0.06 11	0.06 12	0.07 78	0.07 121	0.11 126	0.08 14	0.07 270	0.04 23	0.05 33	0.04 41	0.05 110	0.06 223

LG-G	0.07 3	0.04 1	0.11 167	0.15 79	0.06 14	0.09 94	0.08 7	0.08 4	0.06 4	0.06 11	0.06 12	0.07 78	0.07 121	0.11 126	0.08 14	0.07 270	0.04 23	0.05 33	0.04 41	0.05 110	0.06 223

LGtest1	0.07 3	0.05 17	0.11 167	0.15 79	0.06 14	0.07 27	0.09 18	0.08 4	0.06 4	0.06 11	0.04 1	0.06 20	0.07 121	0.10 74	0.09 50	0.07 270	0.04 23	0.05 33	0.04 41	0.06 211	0.06 223

LG-Stereo	0.08 49	0.08 263	0.10 118	0.18 313	0.07 76	0.10 140	0.17 345	0.11 33	0.08 13	0.06 11	0.08 86	0.06 20	0.07 121	0.09 37	0.09 50	0.04 6	0.05 176	0.07 225	0.07 301	0.04 19	0.04 33

AIO-test1	0.10 163	0.07 141	0.11 167	0.24 521	0.07 76	0.09 94	0.13 125	0.22 302	0.15 177	0.11 188	0.12 196	0.09 152	0.07 121	0.11 126	0.09 50	0.06 119	0.05 176	0.09 396	0.10 457	0.04 19	0.07 303

SMoEStereo_RVC	0.08 49	0.06 64	0.12 206	0.16 154	0.07 76	0.09 94	0.13 125	0.11 33	0.14 157	0.09 115	0.07 41	0.07 78	0.07 121	0.12 212	0.10 126	0.05 32	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

tg	0.10 163	0.06 64	0.10 118	0.18 313	0.08 140	0.11 184	0.16 316	0.20 260	0.12 98	0.08 79	0.11 179	0.11 209	0.07 121	0.11 126	0.10 126	0.05 32	0.04 23	0.08 311	0.08 373	0.04 19	0.04 33

PAM_32	0.10 163	0.06 64	0.17 387	0.15 79	0.08 140	0.10 140	0.15 256	0.14 91	0.16 205	0.09 115	0.08 86	0.10 185	0.07 121	0.14 294	0.09 50	0.06 119	0.05 176	0.06 122	0.06 205	0.05 110	0.06 223

PAM	0.10 163	0.06 64	0.17 387	0.15 79	0.09 253	0.10 140	0.16 316	0.15 119	0.16 205	0.12 221	0.09 110	0.10 185	0.07 121	0.13 267	0.09 50	0.06 119	0.05 176	0.06 122	0.06 205	0.05 110	0.06 223

model_zeroshot	0.10 163	0.05 17	0.12 206	0.15 79	0.09 253	0.13 268	0.14 182	0.20 260	0.14 157	0.11 188	0.10 137	0.12 231	0.07 121	0.12 212	0.11 198	0.07 270	0.06 333	0.06 122	0.05 132	0.06 211	0.06 223

GCAP-BAT	0.09 98	0.07 141	0.14 285	0.15 79	0.08 140	0.10 140	0.12 81	0.15 119	0.11 66	0.11 188	0.10 137	0.09 152	0.07 121	0.12 212	0.10 126	0.06 119	0.05 176	0.06 122	0.04 41	0.04 19	0.04 33

AIO-Stereo-zeroshot1	0.11 207	0.05 17	0.14 285	0.16 154	0.21 560	0.09 94	0.17 345	0.21 278	0.16 205	0.11 188	0.15 237	0.10 185	0.07 121	0.10 74	0.08 14	0.06 119	0.05 176	0.07 225	0.07 301	0.07 285	0.09 417

AIO-Stereo-zeroshot	0.11 207	0.05 17	0.12 206	0.15 79	0.13 478	0.14 310	0.16 316	0.23 321	0.18 248	0.10 148	0.13 211	0.10 185	0.07 121	0.12 212	0.09 50	0.06 119	0.05 176	0.06 122	0.06 205	0.07 285	0.08 372

CAS++	0.11 207	0.07 141	0.11 167	0.14 37	0.10 365	0.13 268	0.14 182	0.24 345	0.14 157	0.11 188	0.09 110	0.11 209	0.07 121	0.14 294	0.09 50	0.11 465	0.09 468	0.09 396	0.07 301	0.07 285	0.08 372
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MyStereo07	0.10 163	0.07 141	0.10 118	0.17 231	0.09 253	0.14 310	0.17 345	0.15 119	0.15 177	0.09 115	0.06 12	0.06 20	0.07 121	0.12 212	0.09 50	0.06 119	0.05 176	0.08 311	0.07 301	0.06 211	0.06 223

MyStereo06	0.10 163	0.07 141	0.12 206	0.17 231	0.09 253	0.13 268	0.18 394	0.19 243	0.12 98	0.13 254	0.08 86	0.07 78	0.07 121	0.11 126	0.09 50	0.06 119	0.05 176	0.08 311	0.07 301	0.06 211	0.06 223

DLNR_Zeroshot_test	10.48 622	2.27 614	19.78 633	120.28 638	13.29 628	0.06 10	0.13 125	0.24 345	0.10 39	0.08 79	0.10 137	0.09 152	0.07 121	0.10 74	0.09 50	0.13 508	0.04 23	0.06 122	0.04 41	52.68 639	0.04 33

CASnet	0.09 98	0.09 334	0.09 78	0.19 373	0.06 14	0.07 27	0.11 53	0.18 211	0.14 157	0.11 188	0.10 137	0.09 152	0.07 121	0.10 74	0.10 126	0.06 119	0.04 23	0.10 443	0.08 373	0.06 211	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 98	0.06 64	0.13 240	0.17 231	0.08 140	0.11 184	0.16 316	0.15 119	0.10 39	0.08 79	0.10 137	0.08 120	0.07 121	0.10 74	0.09 50	0.06 119	0.04 23	0.06 122	0.05 132	0.05 110	0.04 33

HanStereo	0.09 98	0.06 64	0.13 240	0.17 231	0.08 140	0.11 184	0.16 316	0.15 119	0.10 39	0.08 79	0.10 137	0.08 120	0.07 121	0.10 74	0.09 50	0.06 119	0.04 23	0.06 122	0.05 132	0.05 110	0.04 33

LL-Strereo2	0.11 207	0.10 401	0.16 364	0.18 313	0.08 140	0.15 336	0.09 18	0.17 183	0.14 157	0.14 277	0.11 179	0.09 152	0.07 121	0.16 340	0.10 126	0.05 32	0.05 176	0.11 473	0.07 301	0.06 211	0.05 126

4D-IteraStereo	0.10 163	0.07 141	0.10 118	0.18 313	0.07 76	0.09 94	0.15 256	0.18 211	0.15 177	0.10 148	0.11 179	0.10 185	0.07 121	0.12 212	0.09 50	0.05 32	0.03 1	0.08 311	0.07 301	0.06 211	0.05 126

CES	0.08 49	0.04 1	0.08 25	0.14 37	0.07 76	0.09 94	0.14 182	0.11 33	0.09 27	0.08 79	0.09 110	0.11 209	0.07 121	0.12 212	0.08 14	0.06 119	0.04 23	0.05 33	0.03 1	0.05 110	0.05 126

RCA-Stereo	0.09 98	0.06 64	0.09 78	0.16 154	0.06 14	0.09 94	0.13 125	0.18 211	0.14 157	0.10 148	0.11 179	0.08 120	0.07 121	0.12 212	0.11 198	0.06 119	0.04 23	0.06 122	0.05 132	0.05 110	0.04 33

RAFT_CTSACE	0.12 282	0.09 334	0.10 118	0.22 487	0.08 140	0.12 230	0.24 512	0.18 211	0.17 233	0.21 426	0.27 428	0.13 255	0.07 121	0.13 267	0.09 50	0.05 32	0.06 333	0.08 311	0.07 301	0.04 19	0.04 33

IPLG	0.11 207	0.08 263	0.15 322	0.17 231	0.08 140	0.11 184	0.14 182	0.20 260	0.15 177	0.13 254	0.18 296	0.07 78	0.07 121	0.14 294	0.14 336	0.06 119	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

MIPNet	0.11 207	0.08 263	0.15 322	0.17 231	0.09 253	0.12 230	0.14 182	0.21 278	0.25 378	0.12 221	0.10 137	0.09 152	0.07 121	0.13 267	0.13 300	0.06 119	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

TRStereo	0.10 163	0.05 17	0.12 206	0.16 154	0.12 452	0.10 140	0.13 125	0.18 211	0.19 274	0.09 115	0.09 110	0.09 152	0.07 121	0.10 74	0.08 14	0.07 270	0.05 176	0.07 225	0.07 301	0.04 19	0.04 33

iRaftStereo_RVC	0.10 163	0.07 141	0.10 118	0.17 231	0.09 253	0.11 184	0.17 345	0.18 211	0.12 98	0.09 115	0.11 179	0.10 185	0.07 121	0.11 126	0.10 126	0.05 32	0.04 23	0.08 311	0.08 373	0.04 19	0.04 33

CREStereo++_RVC	0.08 49	0.04 1	0.07 5	0.13 10	0.07 76	0.09 94	0.12 81	0.14 91	0.14 157	0.10 148	0.14 224	0.08 120	0.07 121	0.10 74	0.11 198	0.06 119	0.04 23	0.05 33	0.05 132	0.04 19	0.04 33
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 98	0.04 1	0.08 25	0.13 10	0.06 14	0.11 184	0.13 125	0.15 119	0.19 274	0.11 188	0.15 237	0.10 185	0.07 121	0.12 212	0.09 50	0.07 270	0.05 176	0.05 33	0.04 41	0.06 211	0.05 126

sCroCo_RVC	0.12 282	0.09 334	0.24 483	0.24 521	0.11 421	0.19 424	0.14 182	0.17 183	0.15 177	0.10 148	0.13 211	0.12 231	0.07 121	0.14 294	0.11 198	0.08 334	0.08 436	0.08 311	0.08 373	0.05 110	0.07 303

EAI-Stereo	0.09 98	0.07 141	0.11 167	0.16 154	0.07 76	0.10 140	0.15 256	0.16 148	0.09 27	0.08 79	0.09 110	0.08 120	0.07 121	0.09 37	0.11 198	0.05 32	0.05 176	0.05 33	0.05 132	0.05 110	0.04 33

PMTNet	0.09 98	0.05 17	0.09 78	0.12 5	0.06 14	0.13 268	0.14 182	0.16 148	0.11 66	0.09 115	0.13 211	0.10 185	0.07 121	0.14 294	0.10 126	0.15 533	0.04 23	0.05 33	0.03 1	0.07 285	0.06 223

BridgeDepth_RVC	0.07 3	0.04 1	0.09 78	0.11 1	0.05 1	0.10 140	0.10 30	0.14 91	0.09 27	0.06 11	0.07 41	0.06 20	0.08 162	0.07 3	0.10 126	0.06 119	0.04 23	0.04 1	0.04 41	0.05 110	0.04 33
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
MonSter++	0.08 49	0.04 1	0.10 118	0.13 10	0.06 14	0.10 140	0.13 125	0.13 73	0.08 13	0.06 11	0.07 41	0.06 20	0.08 162	0.10 74	0.11 198	0.06 119	0.05 176	0.04 1	0.03 1	0.04 19	0.05 126

CSFM-Stereo	0.08 49	0.05 17	0.08 25	0.14 37	0.06 14	0.09 94	0.13 125	0.15 119	0.07 9	0.07 43	0.08 86	0.06 20	0.08 162	0.09 37	0.10 126	0.06 119	0.05 176	0.04 1	0.03 1	0.04 19	0.04 33

DA	0.09 98	0.07 141	0.07 5	0.19 373	0.08 140	0.10 140	0.13 125	0.13 73	0.12 98	0.08 79	0.10 137	0.10 185	0.08 162	0.09 37	0.10 126	0.05 32	0.04 23	0.06 122	0.04 41	0.05 110	0.04 33

GGEV	0.09 98	0.07 141	0.07 5	0.19 373	0.08 140	0.10 140	0.13 125	0.13 73	0.12 98	0.08 79	0.10 137	0.10 185	0.08 162	0.09 37	0.10 126	0.05 32	0.04 23	0.06 122	0.04 41	0.05 110	0.04 33

Reg-Stereo(zero)	0.09 98	0.05 17	0.08 25	0.16 154	0.06 14	0.12 230	0.11 53	0.15 119	0.11 66	0.12 221	0.09 110	0.10 185	0.08 162	0.11 126	0.09 50	0.06 119	0.05 176	0.05 33	0.04 41	0.04 19	0.05 126

castereo	0.09 98	0.06 64	0.11 167	0.15 79	0.06 14	0.11 184	0.14 182	0.14 91	0.18 248	0.08 79	0.10 137	0.11 209	0.08 162	0.09 37	0.10 126	0.05 32	0.04 23	0.05 33	0.04 41	0.04 19	0.04 33

999	0.09 98	0.06 64	0.13 240	0.15 79	0.08 140	0.10 140	0.14 182	0.15 119	0.12 98	0.10 148	0.08 86	0.08 120	0.08 162	0.16 340	0.10 126	0.06 119	0.04 23	0.06 122	0.05 132	0.04 19	0.06 223

UGAM-zero	0.10 163	0.05 17	0.15 322	0.15 79	0.08 140	0.10 140	0.13 125	0.20 260	0.15 177	0.11 188	0.15 237	0.07 78	0.08 162	0.09 37	0.10 126	0.06 119	0.05 176	0.06 122	0.05 132	0.05 110	0.06 223

gcap-zeroshot	0.09 98	0.06 64	0.10 118	0.16 154	0.07 76	0.14 310	0.13 125	0.11 33	0.12 98	0.13 254	0.12 196	0.09 152	0.08 162	0.09 37	0.09 50	0.06 119	0.05 176	0.06 122	0.05 132	0.04 19	0.04 33

trnet	0.08 49	0.05 17	0.07 5	0.12 5	0.05 1	0.12 230	0.10 30	0.13 73	0.10 39	0.08 79	0.13 211	0.09 152	0.08 162	0.11 126	0.10 126	0.08 334	0.05 176	0.05 33	0.03 1	0.06 211	0.05 126

testlalala2	0.10 163	0.06 64	0.11 167	0.20 431	0.10 365	0.10 140	0.11 53	0.17 183	0.13 135	0.12 221	0.13 211	0.09 152	0.08 162	0.11 126	0.13 300	0.06 119	0.05 176	0.05 33	0.04 41	0.05 110	0.05 126

Former-RAFT_DAM_RVC	0.11 207	0.08 263	0.13 240	0.16 154	0.08 140	0.15 336	0.16 316	0.18 211	0.19 274	0.10 148	0.09 110	0.09 152	0.08 162	0.11 126	0.12 265	0.07 270	0.05 176	0.08 311	0.06 205	0.07 285	0.06 223

AE-Stereo	0.10 163	0.08 263	0.11 167	0.19 373	0.09 253	0.10 140	0.15 256	0.14 91	0.20 296	0.09 115	0.15 237	0.12 231	0.08 162	0.11 126	0.10 126	0.05 32	0.06 333	0.07 225	0.06 205	0.05 110	0.04 33

testlalala_base	0.10 163	0.09 334	0.14 285	0.21 466	0.08 140	0.10 140	0.14 182	0.13 73	0.11 66	0.08 79	0.15 237	0.07 78	0.08 162	0.11 126	0.12 265	0.08 334	0.05 176	0.05 33	0.03 1	0.07 285	0.05 126

AEACV	0.09 98	0.05 17	0.08 25	0.14 37	0.13 478	0.14 310	0.13 125	0.15 119	0.09 27	0.07 43	0.09 110	0.07 78	0.08 162	0.10 74	0.09 50	0.06 119	0.04 23	0.06 122	0.05 132	0.05 110	0.04 33

GLC_STEREO	0.11 207	0.07 141	0.11 167	0.18 313	0.07 76	0.08 54	0.13 125	0.16 148	0.24 354	0.12 221	0.13 211	0.12 231	0.08 162	0.18 396	0.12 265	0.06 119	0.08 436	0.08 311	0.06 205	0.05 110	0.05 126

test-3	0.09 98	0.06 64	0.10 118	0.18 313	0.07 76	0.07 27	0.14 182	0.12 53	0.16 205	0.10 148	0.08 86	0.08 120	0.08 162	0.11 126	0.10 126	0.05 32	0.04 23	0.07 225	0.05 132	0.04 19	0.04 33

test_1	0.09 98	0.06 64	0.10 118	0.18 313	0.07 76	0.07 27	0.14 182	0.12 53	0.16 205	0.10 148	0.08 86	0.08 120	0.08 162	0.11 126	0.10 126	0.05 32	0.04 23	0.07 225	0.05 132	0.04 19	0.04 33

AnonymousM	0.10 163	0.06 64	0.10 118	0.14 37	0.07 76	0.09 94	0.13 125	0.19 243	0.14 157	0.13 254	0.12 196	0.09 152	0.08 162	0.13 267	0.10 126	0.08 334	0.05 176	0.08 311	0.05 132	0.05 110	0.05 126

test-1	0.10 163	0.07 141	0.17 387	0.19 373	0.08 140	0.11 184	0.24 512	0.15 119	0.18 248	0.09 115	0.07 41	0.10 185	0.08 162	0.08 16	0.09 50	0.06 119	0.04 23	0.06 122	0.06 205	0.04 19	0.05 126

Prome-Stereo	0.11 207	0.07 141	0.11 167	0.18 313	0.09 253	0.12 230	0.14 182	0.23 321	0.13 135	0.13 254	0.16 254	0.13 255	0.08 162	0.12 212	0.10 126	0.05 32	0.05 176	0.07 225	0.06 205	0.06 211	0.10 446

raft+_RVC	0.11 207	0.07 141	0.09 78	0.16 154	0.07 76	0.10 140	0.11 53	0.24 345	0.20 296	0.12 221	0.15 237	0.12 231	0.08 162	0.12 212	0.13 300	0.07 270	0.04 23	0.07 225	0.06 205	0.05 110	0.05 126

XX-TBD	0.09 98	0.06 64	0.07 5	0.14 37	0.07 76	0.13 268	0.16 316	0.14 91	0.14 157	0.11 188	0.12 196	0.09 152	0.08 162	0.10 74	0.10 126	0.06 119	0.04 23	0.05 33	0.04 41	0.06 211	0.05 126

raftrobust	0.09 98	0.06 64	0.11 167	0.17 231	0.08 140	0.09 94	0.10 30	0.18 211	0.16 205	0.10 148	0.09 110	0.12 231	0.08 162	0.12 212	0.10 126	0.08 334	0.05 176	0.06 122	0.05 132	0.05 110	0.06 223

sAnonymous2	0.13 309	0.12 445	0.25 486	0.20 431	0.12 452	0.18 402	0.14 182	0.27 393	0.21 311	0.11 188	0.12 196	0.13 255	0.08 162	0.11 126	0.11 198	0.09 392	0.05 176	0.08 311	0.06 205	0.15 531	0.10 446

CroCo_RVC	0.13 309	0.12 445	0.25 486	0.20 431	0.12 452	0.18 402	0.14 182	0.27 393	0.21 311	0.11 188	0.12 196	0.13 255	0.08 162	0.11 126	0.11 198	0.09 392	0.05 176	0.08 311	0.06 205	0.15 531	0.10 446

CREStereo	0.09 98	0.05 17	0.08 25	0.11 1	0.06 14	0.14 310	0.14 182	0.14 91	0.10 39	0.09 115	0.13 211	0.09 152	0.08 162	0.12 212	0.10 126	0.08 334	0.04 23	0.05 33	0.03 1	0.06 211	0.06 223
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	0.10 163	0.06 64	0.11 167	0.17 231	0.08 140	0.11 184	0.14 182	0.24 345	0.11 66	0.12 221	0.19 310	0.11 209	0.08 162	0.10 74	0.11 198	0.07 270	0.05 176	0.06 122	0.05 132	0.05 110	0.05 126

RAFT-Stereo	0.10 163	0.06 64	0.11 167	0.17 231	0.08 140	0.11 184	0.14 182	0.24 345	0.11 66	0.12 221	0.19 310	0.11 209	0.08 162	0.10 74	0.11 198	0.07 270	0.05 176	0.06 122	0.05 132	0.05 110	0.05 126
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
NLSM3	0.09 98	0.07 141	0.08 25	0.20 431	0.08 140	0.11 184	0.16 316	0.18 211	0.17 233	0.06 11	0.08 86	0.08 120	0.09 192	0.09 37	0.11 198	0.04 6	0.04 23	0.06 122	0.07 301	0.03 1	0.04 33

NLCSM	0.11 207	0.09 334	0.09 78	0.23 508	0.11 421	0.12 230	0.19 438	0.19 243	0.19 274	0.12 221	0.11 179	0.07 78	0.09 192	0.11 126	0.10 126	0.08 334	0.08 436	0.07 225	0.07 301	0.06 211	0.05 126

BridgeDepth	0.07 3	0.07 141	0.08 25	0.18 313	0.06 14	0.07 27	0.11 53	0.10 17	0.06 4	0.04 1	0.07 41	0.10 185	0.09 192	0.08 16	0.08 14	0.04 6	0.03 1	0.04 1	0.04 41	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 98	0.08 263	0.11 167	0.13 10	0.10 365	0.08 54	0.06 1	0.10 17	0.10 39	0.10 148	0.10 137	0.09 152	0.09 192	0.11 126	0.11 198	0.13 508	0.07 404	0.08 311	0.09 418	0.10 449	0.08 372
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 49	0.05 17	0.10 118	0.14 37	0.06 14	0.12 230	0.12 81	0.11 33	0.12 98	0.07 43	0.09 110	0.09 152	0.09 192	0.08 16	0.08 14	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

fffy	0.09 98	0.08 263	0.10 118	0.16 154	0.07 76	0.13 268	0.17 345	0.13 73	0.12 98	0.08 79	0.09 110	0.08 120	0.09 192	0.13 267	0.11 198	0.05 32	0.05 176	0.07 225	0.05 132	0.04 19	0.05 126

rvit_stereo_0081_aga	0.12 282	0.09 334	0.15 322	0.18 313	0.10 365	0.14 310	0.14 182	0.14 91	0.19 274	0.10 148	0.18 296	0.16 319	0.09 192	0.12 212	0.10 126	0.10 433	0.06 333	0.08 311	0.07 301	0.07 285	0.06 223

rvit_stereo_0081	0.11 207	0.08 263	0.16 364	0.16 154	0.09 253	0.11 184	0.14 182	0.14 91	0.24 354	0.11 188	0.13 211	0.14 274	0.09 192	0.11 126	0.12 265	0.10 433	0.07 404	0.08 311	0.07 301	0.07 285	0.06 223

rvit_stereo_0082	0.11 207	0.08 263	0.16 364	0.16 154	0.09 253	0.11 184	0.14 182	0.14 91	0.24 354	0.11 188	0.13 211	0.14 274	0.09 192	0.11 126	0.12 265	0.10 433	0.07 404	0.08 311	0.07 301	0.07 285	0.06 223

rvit_stereo_0080	0.10 163	0.08 263	0.15 322	0.15 79	0.10 365	0.07 27	0.15 256	0.16 148	0.16 205	0.11 188	0.10 137	0.15 299	0.09 192	0.12 212	0.10 126	0.09 392	0.07 404	0.07 225	0.06 205	0.07 285	0.05 126

whm_eth	0.10 163	0.08 263	0.15 322	0.15 79	0.10 365	0.07 27	0.15 256	0.16 148	0.16 205	0.11 188	0.10 137	0.15 299	0.09 192	0.12 212	0.10 126	0.09 392	0.07 404	0.07 225	0.06 205	0.07 285	0.05 126

GCAP-Stereo	0.09 98	0.07 141	0.13 240	0.18 313	0.06 14	0.11 184	0.07 3	0.14 91	0.12 98	0.09 115	0.10 137	0.07 78	0.09 192	0.13 267	0.10 126	0.06 119	0.05 176	0.05 33	0.04 41	0.04 19	0.05 126

RAFT-Test	0.09 98	0.06 64	0.10 118	0.16 154	0.07 76	0.11 184	0.15 256	0.16 148	0.13 135	0.09 115	0.10 137	0.11 209	0.09 192	0.12 212	0.09 50	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.05 126

LoS_RVC	0.08 49	0.05 17	0.07 5	0.15 79	0.07 76	0.08 54	0.15 256	0.12 53	0.11 66	0.08 79	0.09 110	0.06 20	0.09 192	0.10 74	0.09 50	0.05 32	0.04 23	0.05 33	0.03 1	0.04 19	0.04 33

anonymousdsp2	0.11 207	0.07 141	0.11 167	0.16 154	0.09 253	0.13 268	0.14 182	0.19 243	0.23 343	0.13 254	0.14 224	0.12 231	0.09 192	0.14 294	0.11 198	0.05 32	0.05 176	0.05 33	0.04 41	0.06 211	0.06 223

LoS	0.09 98	0.05 17	0.11 167	0.13 10	0.07 76	0.14 310	0.11 53	0.15 119	0.15 177	0.09 115	0.09 110	0.12 231	0.09 192	0.15 312	0.10 126	0.07 270	0.05 176	0.05 33	0.03 1	0.05 110	0.05 126
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 207	0.06 64	0.12 206	0.14 37	0.07 76	0.15 336	0.13 125	0.20 260	0.14 157	0.11 188	0.17 273	0.13 255	0.09 192	0.14 294	0.11 198	0.09 392	0.05 176	0.06 122	0.05 132	0.07 285	0.07 303

test_4	0.11 207	0.10 401	0.08 25	0.19 373	0.09 253	0.08 54	0.21 476	0.15 119	0.18 248	0.12 221	0.18 296	0.12 231	0.09 192	0.08 16	0.11 198	0.04 6	0.04 23	0.08 311	0.08 373	0.04 19	0.04 33

iRaft-Stereo_5w	0.12 282	0.09 334	0.12 206	0.20 431	0.08 140	0.09 94	0.12 81	0.22 302	0.22 333	0.19 388	0.14 224	0.11 209	0.09 192	0.20 439	0.16 389	0.05 32	0.05 176	0.07 225	0.06 205	0.05 110	0.06 223

IPLGR	0.11 207	0.09 334	0.17 387	0.18 313	0.08 140	0.13 268	0.16 316	0.21 278	0.24 354	0.12 221	0.12 196	0.11 209	0.09 192	0.13 267	0.12 265	0.06 119	0.05 176	0.06 122	0.06 205	0.05 110	0.04 33

HHNet	0.11 207	0.06 64	0.16 364	0.15 79	0.14 496	0.07 27	0.13 125	0.20 260	0.18 248	0.15 301	0.25 397	0.11 209	0.09 192	0.13 267	0.10 126	0.06 119	0.04 23	0.08 311	0.06 205	0.05 110	0.09 417

RALAANet	0.11 207	0.08 263	0.10 118	0.17 231	0.09 253	0.14 310	0.10 30	0.20 260	0.16 205	0.14 277	0.13 211	0.16 319	0.09 192	0.12 212	0.12 265	0.06 119	0.05 176	0.08 311	0.07 301	0.06 211	0.04 33

RAFT-Stereo + iAFF	0.09 98	0.06 64	0.10 118	0.17 231	0.07 76	0.10 140	0.15 256	0.17 183	0.15 177	0.10 148	0.10 137	0.08 120	0.09 192	0.12 212	0.10 126	0.05 32	0.04 23	0.06 122	0.06 205	0.04 19	0.03 1

CFNet-RSSM	0.09 98	0.07 141	0.10 118	0.16 154	0.07 76	0.09 94	0.15 256	0.17 183	0.18 248	0.08 79	0.12 196	0.11 209	0.09 192	0.12 212	0.10 126	0.06 119	0.04 23	0.06 122	0.04 41	0.04 19	0.04 33

Gwc-CoAtRS	0.09 98	0.07 141	0.10 118	0.16 154	0.07 76	0.10 140	0.15 256	0.18 211	0.17 233	0.08 79	0.10 137	0.12 231	0.09 192	0.12 212	0.09 50	0.06 119	0.04 23	0.06 122	0.04 41	0.04 19	0.05 126

DStereoRT	0.17 428	0.07 141	0.12 206	0.19 373	0.09 253	0.13 268	0.12 81	0.28 417	0.23 343	0.12 221	0.20 320	0.11 209	0.10 217	0.15 312	0.14 336	0.06 119	0.05 176	1.02 608	0.09 418	0.05 110	0.04 33

WQFJA1	0.10 163	0.07 141	0.08 25	0.20 431	0.09 253	0.12 230	0.18 394	0.18 211	0.18 248	0.09 115	0.10 137	0.08 120	0.10 217	0.12 212	0.11 198	0.06 119	0.08 436	0.07 225	0.06 205	0.06 211	0.05 126

WQFJX1	0.10 163	0.07 141	0.08 25	0.22 487	0.09 253	0.12 230	0.17 345	0.18 211	0.18 248	0.10 148	0.10 137	0.07 78	0.10 217	0.11 126	0.10 126	0.07 270	0.08 436	0.07 225	0.06 205	0.05 110	0.05 126

WQFJX	0.10 163	0.07 141	0.09 78	0.21 466	0.09 253	0.12 230	0.16 316	0.19 243	0.18 248	0.12 221	0.10 137	0.08 120	0.10 217	0.12 212	0.10 126	0.07 270	0.07 404	0.06 122	0.05 132	0.06 211	0.05 126

NLMM1	0.11 207	0.09 334	0.07 5	0.22 487	0.10 365	0.12 230	0.20 459	0.19 243	0.20 296	0.12 221	0.11 179	0.08 120	0.10 217	0.11 126	0.11 198	0.08 334	0.08 436	0.07 225	0.06 205	0.05 110	0.04 33

NLMM	0.10 163	0.07 141	0.08 25	0.20 431	0.09 253	0.12 230	0.18 394	0.18 211	0.18 248	0.09 115	0.10 137	0.08 120	0.10 217	0.12 212	0.11 198	0.06 119	0.08 436	0.07 225	0.06 205	0.06 211	0.05 126

NLSM1	0.10 163	0.07 141	0.08 25	0.19 373	0.08 140	0.13 268	0.16 316	0.21 278	0.16 205	0.11 188	0.10 137	0.07 78	0.10 217	0.10 74	0.11 198	0.07 270	0.08 436	0.08 311	0.07 301	0.05 110	0.05 126

water-stereo	0.09 98	0.06 64	0.08 25	0.16 154	0.07 76	0.10 140	0.13 125	0.15 119	0.13 135	0.11 188	0.12 196	0.09 152	0.10 217	0.07 3	0.08 14	0.06 119	0.05 176	0.05 33	0.05 132	0.04 19	0.04 33

DilatedVolume-Stereo	0.09 98	0.05 17	0.08 25	0.15 79	0.06 14	0.11 184	0.12 81	0.14 91	0.16 205	0.11 188	0.11 179	0.09 152	0.10 217	0.11 126	0.11 198	0.06 119	0.05 176	0.05 33	0.04 41	0.03 1	0.03 1

HI	0.11 207	0.06 64	0.12 206	0.13 10	0.09 253	0.09 94	0.14 182	0.22 302	0.11 66	0.20 410	0.17 273	0.14 274	0.10 217	0.16 340	0.09 50	0.05 32	0.04 23	0.07 225	0.08 373	0.07 285	0.06 223

CoSv	0.11 207	0.06 64	0.12 206	0.13 10	0.09 253	0.09 94	0.14 182	0.22 302	0.11 66	0.20 410	0.17 273	0.14 274	0.10 217	0.16 340	0.09 50	0.05 32	0.04 23	0.07 225	0.08 373	0.07 285	0.06 223

rvit_stereo_0083	0.12 282	0.08 263	0.17 387	0.16 154	0.09 253	0.11 184	0.15 256	0.15 119	0.26 391	0.11 188	0.14 224	0.13 255	0.10 217	0.12 212	0.13 300	0.10 433	0.08 436	0.09 396	0.07 301	0.07 285	0.06 223

rvit_stereo_ft	0.12 282	0.07 141	0.13 240	0.19 373	0.10 365	0.12 230	0.17 345	0.16 148	0.16 205	0.13 254	0.13 211	0.15 299	0.10 217	0.14 294	0.13 300	0.10 433	0.06 333	0.08 311	0.07 301	0.07 285	0.06 223

MyStereo8	0.12 282	0.07 141	0.15 322	0.15 79	0.09 253	0.18 402	0.14 182	0.19 243	0.22 333	0.12 221	0.18 296	0.11 209	0.10 217	0.16 340	0.18 419	0.07 270	0.05 176	0.07 225	0.05 132	0.08 351	0.09 417

StereoVision	0.14 339	0.13 473	0.10 118	0.24 521	0.10 365	0.16 363	0.21 476	0.21 278	0.20 296	0.12 221	0.25 397	0.10 185	0.10 217	0.16 340	0.10 126	0.09 392	0.10 491	0.12 494	0.12 509	0.06 211	0.05 126

EKT-Stereo	0.11 207	0.07 141	0.14 285	0.16 154	0.10 365	0.13 268	0.14 182	0.19 243	0.21 311	0.11 188	0.08 86	0.13 255	0.10 217	0.11 126	0.12 265	0.08 334	0.06 333	0.07 225	0.06 205	0.08 351	0.07 303

Any-RAFT	0.10 163	0.05 17	0.10 118	0.15 79	0.07 76	0.13 268	0.14 182	0.21 278	0.15 177	0.11 188	0.12 196	0.13 255	0.10 217	0.13 267	0.10 126	0.07 270	0.04 23	0.05 33	0.04 41	0.06 211	0.05 126

DCRE	0.11 207	0.07 141	0.13 240	0.16 154	0.11 421	0.11 184	0.17 345	0.18 211	0.17 233	0.11 188	0.18 296	0.11 209	0.10 217	0.15 312	0.11 198	0.06 119	0.05 176	0.06 122	0.06 205	0.05 110	0.05 126

Selective-RAFT	0.11 207	0.11 426	0.12 206	0.21 466	0.08 140	0.16 363	0.13 125	0.21 278	0.23 343	0.10 148	0.10 137	0.11 209	0.10 217	0.15 312	0.11 198	0.05 32	0.05 176	0.06 122	0.05 132	0.06 211	0.05 126

DisPM	0.11 207	0.07 141	0.13 240	0.16 154	0.09 253	0.06 10	0.13 125	0.18 211	0.17 233	0.14 277	0.19 310	0.12 231	0.10 217	0.12 212	0.11 198	0.07 270	0.05 176	0.07 225	0.06 205	0.06 211	0.11 470

raft_robust	0.13 309	0.10 401	0.07 5	0.18 313	0.08 140	0.13 268	0.24 512	0.29 436	0.34 463	0.20 410	0.20 320	0.15 299	0.10 217	0.11 126	0.12 265	0.05 32	0.05 176	0.07 225	0.07 301	0.05 110	0.04 33

RAFT+CT+SA	0.13 309	0.11 426	0.09 78	0.19 373	0.09 253	0.15 336	0.28 548	0.22 302	0.22 333	0.15 301	0.26 410	0.10 185	0.10 217	0.11 126	0.12 265	0.05 32	0.04 23	0.07 225	0.08 373	0.07 285	0.06 223

CIPLG	0.11 207	0.08 263	0.15 322	0.17 231	0.08 140	0.13 268	0.15 256	0.17 183	0.16 205	0.14 277	0.11 179	0.16 319	0.10 217	0.17 379	0.12 265	0.07 270	0.05 176	0.06 122	0.06 205	0.05 110	0.06 223

dd	0.15 379	0.17 516	0.17 387	0.19 373	0.09 253	0.15 336	0.18 394	0.22 302	0.26 391	0.23 456	0.20 320	0.21 385	0.10 217	0.21 457	0.17 406	0.10 433	0.06 333	0.08 311	0.06 205	0.08 351	0.07 303

IPLGR_C	0.11 207	0.08 263	0.15 322	0.17 231	0.08 140	0.12 230	0.15 256	0.17 183	0.15 177	0.14 277	0.11 179	0.16 319	0.10 217	0.16 340	0.12 265	0.07 270	0.05 176	0.06 122	0.06 205	0.05 110	0.06 223

ACRE	0.11 207	0.08 263	0.15 322	0.17 231	0.08 140	0.13 268	0.15 256	0.17 183	0.14 157	0.14 277	0.11 179	0.16 319	0.10 217	0.16 340	0.12 265	0.07 270	0.05 176	0.06 122	0.06 205	0.05 110	0.06 223

test_3	0.11 207	0.09 334	0.10 118	0.21 466	0.08 140	0.13 268	0.25 528	0.14 91	0.21 311	0.10 148	0.10 137	0.09 152	0.10 217	0.08 16	0.11 198	0.05 32	0.04 23	0.08 311	0.07 301	0.04 19	0.04 33

PFNet+	0.12 282	0.06 64	0.14 285	0.16 154	0.09 253	0.05 3	0.12 81	0.18 211	0.21 311	0.16 330	0.19 310	0.14 274	0.10 217	0.11 126	0.11 198	0.08 334	0.05 176	0.09 396	0.08 373	0.06 211	0.11 470

STrans-v2	0.10 163	0.07 141	0.13 240	0.18 313	0.08 140	0.10 140	0.14 182	0.22 302	0.11 66	0.11 188	0.15 237	0.12 231	0.10 217	0.11 126	0.12 265	0.05 32	0.04 23	0.06 122	0.06 205	0.05 110	0.05 126

KYRaft	0.12 282	0.07 141	0.10 118	0.19 373	0.09 253	0.08 54	0.15 256	0.23 321	0.12 98	0.13 254	0.16 254	0.20 376	0.10 217	0.12 212	0.11 198	0.06 119	0.04 23	0.08 311	0.08 373	0.06 211	0.15 535

Pruner-Stereo	0.11 207	0.07 141	0.12 206	0.17 231	0.09 253	0.06 10	0.12 81	0.18 211	0.17 233	0.14 277	0.19 310	0.13 255	0.10 217	0.11 126	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.06 211	0.08 372

RAFT-RH_RVC	0.12 282	0.06 64	0.14 285	0.16 154	0.09 253	0.12 230	0.12 81	0.17 183	0.12 98	0.13 254	0.40 520	0.11 209	0.10 217	0.13 267	0.12 265	0.05 32	0.04 23	0.08 311	0.05 132	0.05 110	0.06 223

RAFT-345	0.11 207	0.07 141	0.16 364	0.17 231	0.08 140	0.08 54	0.12 81	0.16 148	0.10 39	0.11 188	0.34 490	0.09 152	0.10 217	0.11 126	0.12 265	0.05 32	0.05 176	0.07 225	0.06 205	0.04 19	0.05 126

cross-raft	0.10 163	0.09 334	0.09 78	0.19 373	0.07 76	0.11 184	0.24 512	0.13 73	0.15 177	0.08 79	0.10 137	0.12 231	0.10 217	0.09 37	0.11 198	0.05 32	0.04 23	0.06 122	0.05 132	0.04 19	0.04 33

RALCasStereoNet	0.11 207	0.07 141	0.09 78	0.16 154	0.08 140	0.13 268	0.14 182	0.17 183	0.11 66	0.12 221	0.17 273	0.14 274	0.10 217	0.12 212	0.11 198	0.07 270	0.06 333	0.06 122	0.05 132	0.08 351	0.07 303

AFF-stereo	0.09 98	0.07 141	0.10 118	0.17 231	0.07 76	0.10 140	0.15 256	0.18 211	0.10 39	0.10 148	0.11 179	0.09 152	0.10 217	0.12 212	0.10 126	0.05 32	0.04 23	0.07 225	0.07 301	0.04 19	0.04 33

RAFT + AFF	0.13 309	0.08 263	0.21 459	0.20 431	0.10 365	0.14 310	0.23 502	0.27 393	0.21 311	0.12 221	0.10 137	0.12 231	0.10 217	0.16 340	0.12 265	0.08 334	0.07 404	0.09 396	0.09 418	0.06 211	0.09 417

MultiAttention	0.30 548	0.08 263	0.15 322	0.19 373	0.13 478	1.56 613	1.33 615	0.36 519	0.36 482	0.20 410	0.21 338	0.24 429	0.11 254	0.39 561	0.18 419	0.06 119	0.05 176	0.08 311	0.08 373	0.11 471	0.09 417

depthmonostereo	0.09 98	0.06 64	0.09 78	0.15 79	0.06 14	0.11 184	0.13 125	0.14 91	0.15 177	0.10 148	0.10 137	0.09 152	0.11 254	0.08 16	0.09 50	0.06 119	0.05 176	0.06 122	0.04 41	0.04 19	0.03 1

xyz-stereo-finetune	0.11 207	0.08 263	0.13 240	0.14 37	0.06 14	0.10 140	0.19 438	0.18 211	0.19 274	0.12 221	0.14 224	0.15 299	0.11 254	0.13 267	0.12 265	0.05 32	0.04 23	0.07 225	0.05 132	0.04 19	0.05 126

H2IRNET	0.10 163	0.09 334	0.10 118	0.18 313	0.09 253	0.12 230	0.15 256	0.14 91	0.21 311	0.10 148	0.10 137	0.10 185	0.11 254	0.10 74	0.10 126	0.06 119	0.04 23	0.08 311	0.08 373	0.06 211	0.05 126

MyStereo05	0.13 309	0.07 141	0.10 118	0.17 231	0.09 253	0.13 268	0.18 394	0.28 417	0.35 477	0.17 341	0.14 224	0.15 299	0.11 254	0.15 312	0.13 300	0.06 119	0.05 176	0.08 311	0.07 301	0.06 211	0.06 223

MyStereo04	0.13 309	0.07 141	0.10 118	0.17 231	0.09 253	0.14 310	0.17 345	0.29 436	0.38 494	0.17 341	0.14 224	0.16 319	0.11 254	0.15 312	0.13 300	0.06 119	0.05 176	0.08 311	0.07 301	0.06 211	0.06 223

GMStereo_Zeroshot	0.16 406	0.13 473	0.25 486	0.20 431	0.10 365	0.17 386	0.13 125	0.30 447	0.25 378	0.23 456	0.32 474	0.25 442	0.11 254	0.19 421	0.14 336	0.09 392	0.06 333	0.11 473	0.06 205	0.12 488	0.08 372

MIF-Stereo (partial)	0.11 207	0.06 64	0.10 118	0.19 373	0.10 365	0.10 140	0.12 81	0.17 183	0.19 274	0.14 277	0.16 254	0.10 185	0.11 254	0.12 212	0.12 265	0.08 334	0.05 176	0.08 311	0.07 301	0.06 211	0.07 303

riskmin	0.11 207	0.06 64	0.13 240	0.14 37	0.08 140	0.14 310	0.14 182	0.18 211	0.15 177	0.12 221	0.15 237	0.17 336	0.11 254	0.14 294	0.12 265	0.09 392	0.05 176	0.07 225	0.05 132	0.08 351	0.08 372

TestStereo1	0.13 309	0.08 263	0.08 25	0.20 431	0.08 140	0.18 402	0.29 559	0.23 321	0.17 233	0.17 341	0.20 320	0.16 319	0.11 254	0.12 212	0.13 300	0.06 119	0.06 333	0.08 311	0.06 205	0.05 110	0.05 126

fff	0.10 163	0.06 64	0.12 206	0.15 79	0.07 76	0.09 94	0.17 345	0.16 148	0.21 311	0.13 254	0.17 273	0.10 185	0.11 254	0.12 212	0.13 300	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.05 126

SA-5K	0.13 309	0.08 263	0.08 25	0.20 431	0.08 140	0.18 402	0.29 559	0.23 321	0.17 233	0.17 341	0.20 320	0.16 319	0.11 254	0.12 212	0.13 300	0.06 119	0.06 333	0.08 311	0.06 205	0.05 110	0.05 126

Sa-1000	0.12 282	0.08 263	0.09 78	0.18 313	0.08 140	0.15 336	0.22 490	0.22 302	0.19 274	0.15 301	0.20 320	0.17 336	0.11 254	0.10 74	0.10 126	0.06 119	0.05 176	0.09 396	0.09 418	0.05 110	0.05 126

SA	0.13 309	0.09 334	0.09 78	0.18 313	0.08 140	0.12 230	0.24 512	0.23 321	0.19 274	0.17 341	0.27 428	0.15 299	0.11 254	0.11 126	0.11 198	0.05 32	0.05 176	0.09 396	0.08 373	0.05 110	0.05 126

CrosDoStereo	0.12 282	0.07 141	0.12 206	0.14 37	0.09 253	0.12 230	0.15 256	0.17 183	0.22 333	0.19 388	0.24 371	0.15 299	0.11 254	0.11 126	0.12 265	0.06 119	0.05 176	0.07 225	0.07 301	0.05 110	0.05 126

LCNet	0.11 207	0.07 141	0.09 78	0.19 373	0.09 253	0.08 54	0.14 182	0.21 278	0.15 177	0.12 221	0.15 237	0.16 319	0.11 254	0.12 212	0.11 198	0.05 32	0.04 23	0.08 311	0.07 301	0.06 211	0.14 521

TransformOpticalFlow	0.10 163	0.08 263	0.13 240	0.18 313	0.07 76	0.09 94	0.15 256	0.19 243	0.16 205	0.12 221	0.16 254	0.11 209	0.11 254	0.11 126	0.11 198	0.05 32	0.04 23	0.06 122	0.06 205	0.05 110	0.05 126

PSM-softLoss	0.12 282	0.07 141	0.15 322	0.17 231	0.09 253	0.08 54	0.12 81	0.24 345	0.17 233	0.15 301	0.19 310	0.13 255	0.11 254	0.11 126	0.11 198	0.07 270	0.05 176	0.08 311	0.07 301	0.07 285	0.12 491

KMStereo	0.12 282	0.07 141	0.15 322	0.17 231	0.09 253	0.08 54	0.12 81	0.24 345	0.17 233	0.15 301	0.19 310	0.13 255	0.11 254	0.11 126	0.11 198	0.07 270	0.05 176	0.08 311	0.07 301	0.07 285	0.12 491

PSM-AAD	0.11 207	0.07 141	0.10 118	0.20 431	0.09 253	0.10 140	0.14 182	0.21 278	0.13 135	0.12 221	0.14 224	0.18 350	0.11 254	0.11 126	0.10 126	0.05 32	0.05 176	0.09 396	0.08 373	0.06 211	0.14 521

ASMatch	0.11 207	0.06 64	0.13 240	0.17 231	0.10 365	0.08 54	0.14 182	0.18 211	0.16 205	0.12 221	0.16 254	0.16 319	0.11 254	0.13 267	0.11 198	0.05 32	0.04 23	0.06 122	0.06 205	0.04 19	0.09 417

DeepStereo_LL	0.12 282	0.07 141	0.12 206	0.14 37	0.09 253	0.12 230	0.15 256	0.17 183	0.22 333	0.19 388	0.24 371	0.15 299	0.11 254	0.11 126	0.12 265	0.06 119	0.05 176	0.07 225	0.07 301	0.05 110	0.05 126

GrayStereo	0.11 207	0.06 64	0.11 167	0.19 373	0.09 253	0.09 94	0.16 316	0.18 211	0.17 233	0.14 277	0.17 273	0.17 336	0.11 254	0.12 212	0.11 198	0.05 32	0.05 176	0.07 225	0.06 205	0.06 211	0.10 446

GMM-Stereo	0.11 207	0.07 141	0.10 118	0.18 313	0.09 253	0.08 54	0.14 182	0.24 345	0.16 205	0.11 188	0.15 237	0.13 255	0.11 254	0.11 126	0.11 198	0.05 32	0.04 23	0.08 311	0.07 301	0.06 211	0.09 417

rafts_anoy	0.11 207	0.06 64	0.10 118	0.17 231	0.08 140	0.10 140	0.14 182	0.18 211	0.14 157	0.13 254	0.13 211	0.12 231	0.11 254	0.11 126	0.13 300	0.07 270	0.05 176	0.09 396	0.11 487	0.07 285	0.06 223

Anonymous3	0.16 406	0.14 488	0.34 528	0.26 538	0.14 496	0.27 520	0.18 394	0.28 417	0.28 420	0.15 301	0.17 273	0.14 274	0.11 254	0.16 340	0.12 265	0.08 334	0.08 436	0.08 311	0.08 373	0.08 351	0.11 470

s12784h	0.10 163	0.06 64	0.08 25	0.15 79	0.05 1	0.16 363	0.18 394	0.16 148	0.15 177	0.10 148	0.11 179	0.11 209	0.11 254	0.11 126	0.12 265	0.05 32	0.04 23	0.06 122	0.04 41	0.04 19	0.04 33

DCANet	0.10 163	0.06 64	0.12 206	0.16 154	0.06 14	0.09 94	0.17 345	0.16 148	0.20 296	0.13 254	0.18 296	0.10 185	0.11 254	0.11 126	0.12 265	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.05 126

csc	0.10 163	0.06 64	0.12 206	0.15 79	0.07 76	0.09 94	0.17 345	0.16 148	0.21 311	0.13 254	0.17 273	0.10 185	0.11 254	0.12 212	0.13 300	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.05 126

cscssc	0.10 163	0.06 64	0.12 206	0.15 79	0.07 76	0.09 94	0.17 345	0.16 148	0.21 311	0.13 254	0.17 273	0.10 185	0.11 254	0.12 212	0.13 300	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.05 126

GMStereo	0.13 309	0.15 495	0.14 285	0.18 313	0.09 253	0.16 363	0.16 316	0.20 260	0.25 378	0.17 341	0.17 273	0.11 209	0.11 254	0.16 340	0.13 300	0.07 270	0.06 333	0.06 122	0.06 205	0.07 285	0.06 223
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HITNet	0.11 207	0.06 64	0.12 206	0.14 37	0.06 14	0.12 230	0.10 30	0.18 211	0.18 248	0.13 254	0.17 273	0.15 299	0.11 254	0.15 312	0.14 336	0.06 119	0.04 23	0.04 1	0.04 41	0.06 211	0.05 126
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	0.11 207	0.08 263	0.14 285	0.15 79	0.09 253	0.08 54	0.14 182	0.20 260	0.11 66	0.10 148	0.09 110	0.12 231	0.12 286	0.13 267	0.11 198	0.09 392	0.06 333	0.09 396	0.09 418	0.06 211	0.09 417

DFGA-Net	0.13 309	0.11 426	0.19 444	0.18 313	0.10 365	0.13 268	0.13 125	0.23 321	0.25 378	0.16 330	0.16 254	0.13 255	0.12 286	0.17 379	0.15 370	0.07 270	0.05 176	0.08 311	0.07 301	0.05 110	0.05 126

GCST	0.37 563	0.42 582	0.27 497	1.03 606	0.39 582	0.18 402	0.08 7	0.21 278	0.18 248	0.28 506	0.25 397	0.15 299	0.12 286	0.16 340	0.14 336	0.64 602	0.43 591	0.75 598	0.65 601	0.64 595	0.46 594

CoDeX	0.12 282	0.07 141	0.13 240	0.17 231	0.08 140	0.12 230	0.16 316	0.23 321	0.27 404	0.13 254	0.17 273	0.15 299	0.12 286	0.14 294	0.11 198	0.07 270	0.05 176	0.07 225	0.06 205	0.06 211	0.05 126

plain	0.11 207	0.09 334	0.10 118	0.19 373	0.09 253	0.11 184	0.14 182	0.14 91	0.13 135	0.13 254	0.15 237	0.09 152	0.12 286	0.13 267	0.12 265	0.07 270	0.05 176	0.09 396	0.06 205	0.06 211	0.06 223

SDNR	0.20 465	0.09 334	0.19 444	0.16 154	0.12 452	0.79 595	0.13 125	0.26 379	0.33 452	0.19 388	0.25 397	0.19 359	0.12 286	0.19 421	0.15 370	0.16 550	0.18 558	0.14 521	0.11 487	0.08 351	0.12 491

ADStereo(finetuned)	0.10 163	0.06 64	0.13 240	0.16 154	0.06 14	0.09 94	0.17 345	0.16 148	0.20 296	0.13 254	0.18 296	0.10 185	0.12 286	0.12 212	0.12 265	0.06 119	0.04 23	0.05 33	0.04 41	0.05 110	0.05 126

GMOStereo	0.11 207	0.09 334	0.08 25	0.19 373	0.08 140	0.12 230	0.28 548	0.13 73	0.18 248	0.11 188	0.17 273	0.14 274	0.12 286	0.07 3	0.07 1	0.05 32	0.05 176	0.09 396	0.07 301	0.04 19	0.04 33

error version	0.11 207	0.09 334	0.08 25	0.19 373	0.08 140	0.12 230	0.28 548	0.13 73	0.18 248	0.11 188	0.17 273	0.14 274	0.12 286	0.07 3	0.07 1	0.05 32	0.05 176	0.09 396	0.07 301	0.04 19	0.04 33

test-v	0.11 207	0.09 334	0.08 25	0.19 373	0.08 140	0.12 230	0.28 548	0.13 73	0.18 248	0.11 188	0.17 273	0.14 274	0.12 286	0.07 3	0.07 1	0.05 32	0.05 176	0.09 396	0.07 301	0.04 19	0.04 33

Patchmatch Stereo++	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.11 53	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303
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	0.11 207	0.07 141	0.14 285	0.18 313	0.08 140	0.09 94	0.12 81	0.21 278	0.21 311	0.13 254	0.14 224	0.11 209	0.12 286	0.11 126	0.13 300	0.06 119	0.05 176	0.07 225	0.06 205	0.05 110	0.04 33

NF-Stereo	0.11 207	0.07 141	0.13 240	0.17 231	0.09 253	0.10 140	0.13 125	0.23 321	0.19 274	0.12 221	0.17 273	0.12 231	0.12 286	0.11 126	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.07 285	0.12 491

OCTAStereo	0.11 207	0.07 141	0.14 285	0.17 231	0.09 253	0.10 140	0.13 125	0.23 321	0.19 274	0.12 221	0.17 273	0.12 231	0.12 286	0.11 126	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.07 285	0.11 470

PSM-adaLoss	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.12 81	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

ROB_FTStereo_v2	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.12 81	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

ROB_FTStereo	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.11 53	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

HUI-Stereo	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.11 53	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

SST-Stereo	0.11 207	0.07 141	0.16 364	0.18 313	0.09 253	0.06 10	0.12 81	0.18 211	0.10 39	0.15 301	0.18 296	0.13 255	0.12 286	0.10 74	0.11 198	0.06 119	0.04 23	0.09 396	0.06 205	0.07 285	0.06 223

RAFT_R40	0.11 207	0.07 141	0.15 322	0.18 313	0.09 253	0.06 10	0.13 125	0.17 183	0.15 177	0.14 277	0.18 296	0.15 299	0.12 286	0.10 74	0.11 198	0.06 119	0.04 23	0.09 396	0.06 205	0.06 211	0.05 126

PFNet	0.12 282	0.06 64	0.17 387	0.18 313	0.08 140	0.09 94	0.15 256	0.26 379	0.20 296	0.16 330	0.16 254	0.14 274	0.12 286	0.13 267	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.05 110	0.05 126

RE-Stereo	0.11 207	0.07 141	0.13 240	0.17 231	0.09 253	0.10 140	0.13 125	0.23 321	0.19 274	0.12 221	0.17 273	0.12 231	0.12 286	0.11 126	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.07 285	0.11 470

TVStereo	0.11 207	0.07 141	0.13 240	0.17 231	0.09 253	0.10 140	0.13 125	0.23 321	0.19 274	0.12 221	0.17 273	0.12 231	0.12 286	0.11 126	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.07 285	0.11 470

DeepStereo_RVC	0.11 207	0.08 263	0.17 387	0.18 313	0.08 140	0.08 54	0.11 53	0.17 183	0.12 98	0.13 254	0.15 237	0.12 231	0.12 286	0.12 212	0.11 198	0.06 119	0.04 23	0.07 225	0.06 205	0.07 285	0.08 372

iGMRVC	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.12 81	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

IRAFT_RVC	0.12 282	0.08 263	0.17 387	0.19 373	0.08 140	0.07 27	0.14 182	0.25 366	0.23 343	0.14 277	0.15 237	0.15 299	0.12 286	0.12 212	0.11 198	0.06 119	0.04 23	0.09 396	0.06 205	0.06 211	0.06 223

iRAFT	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.11 53	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

test-2	0.11 207	0.09 334	0.08 25	0.19 373	0.08 140	0.12 230	0.28 548	0.13 73	0.18 248	0.11 188	0.17 273	0.14 274	0.12 286	0.07 3	0.07 1	0.05 32	0.05 176	0.09 396	0.07 301	0.04 19	0.04 33

RAFT-IKP	0.11 207	0.09 334	0.17 387	0.19 373	0.08 140	0.06 10	0.11 53	0.17 183	0.13 135	0.15 301	0.16 254	0.14 274	0.12 286	0.11 126	0.11 198	0.06 119	0.05 176	0.08 311	0.06 205	0.08 351	0.07 303

111	0.11 207	0.06 64	0.12 206	0.15 79	0.07 76	0.10 140	0.14 182	0.21 278	0.24 354	0.11 188	0.12 196	0.14 274	0.12 286	0.13 267	0.10 126	0.06 119	0.04 23	0.06 122	0.04 41	0.06 211	0.05 126

ARAFT	0.12 282	0.08 263	0.18 421	0.19 373	0.09 253	0.15 336	0.17 345	0.20 260	0.13 135	0.12 221	0.13 211	0.14 274	0.12 286	0.15 312	0.13 300	0.06 119	0.05 176	0.10 443	0.09 418	0.06 211	0.04 33

DIP-Stereo	0.11 207	0.08 263	0.15 322	0.17 231	0.09 253	0.13 268	0.09 18	0.16 148	0.16 205	0.12 221	0.16 254	0.14 274	0.12 286	0.16 340	0.14 336	0.06 119	0.05 176	0.06 122	0.05 132	0.05 110	0.07 303
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
xyz-stereo-finetune2	0.11 207	0.07 141	0.13 240	0.13 10	0.07 76	0.11 184	0.19 438	0.17 183	0.12 98	0.15 301	0.15 237	0.17 336	0.13 318	0.13 267	0.11 198	0.05 32	0.04 23	0.07 225	0.05 132	0.04 19	0.06 223

G2L-Stereo	0.14 339	0.07 141	0.13 240	0.17 231	0.09 253	0.13 268	0.12 81	0.27 393	0.22 333	0.17 341	0.27 428	0.21 385	0.13 318	0.18 396	0.18 419	0.09 392	0.08 436	0.08 311	0.07 301	0.07 285	0.07 303

DDVS	0.16 406	0.10 401	0.22 469	0.16 154	0.12 452	0.15 336	0.14 182	0.25 366	0.19 274	0.18 373	0.30 460	0.27 459	0.13 318	0.20 439	0.16 389	0.09 392	0.06 333	0.09 396	0.07 301	0.11 471	0.11 470

rvit_0105_6	0.14 339	0.09 334	0.18 421	0.17 231	0.10 365	0.10 140	0.17 345	0.19 243	0.26 391	0.12 221	0.18 296	0.17 336	0.13 318	0.18 396	0.13 300	0.15 533	0.11 504	0.12 494	0.10 457	0.09 415	0.06 223

rvit_0105_5	0.14 339	0.10 401	0.14 285	0.17 231	0.09 253	0.14 310	0.23 502	0.24 345	0.27 404	0.14 277	0.15 237	0.18 350	0.13 318	0.17 379	0.14 336	0.14 529	0.11 504	0.10 443	0.11 487	0.08 351	0.07 303

UGAM	0.13 309	0.10 401	0.09 78	0.22 487	0.08 140	0.13 268	0.20 459	0.18 211	0.24 354	0.22 441	0.16 254	0.13 255	0.13 318	0.19 421	0.13 300	0.07 270	0.05 176	0.13 508	0.11 487	0.07 285	0.05 126

ffm	0.12 282	0.09 334	0.15 322	0.16 154	0.09 253	0.17 386	0.17 345	0.15 119	0.19 274	0.15 301	0.26 410	0.19 359	0.13 318	0.10 74	0.08 14	0.06 119	0.05 176	0.09 396	0.08 373	0.06 211	0.06 223

ff1	0.13 309	0.09 334	0.15 322	0.16 154	0.09 253	0.17 386	0.17 345	0.15 119	0.19 274	0.15 301	0.26 410	0.19 359	0.13 318	0.15 312	0.22 470	0.06 119	0.05 176	0.09 396	0.08 373	0.06 211	0.06 223

mmx	0.15 379	0.09 334	0.15 322	0.16 154	0.09 253	0.17 386	0.17 345	0.27 393	0.26 391	0.15 301	0.26 410	0.19 359	0.13 318	0.15 312	0.22 470	0.08 334	0.06 333	0.09 396	0.08 373	0.08 351	0.08 372

xxx	0.15 379	0.09 334	0.15 322	0.16 154	0.09 253	0.17 386	0.17 345	0.27 393	0.26 391	0.15 301	0.26 410	0.19 359	0.13 318	0.15 312	0.22 470	0.08 334	0.06 333	0.09 396	0.08 373	0.08 351	0.08 372

PCWNet_CMD	0.14 339	0.08 263	0.15 322	0.17 231	0.09 253	0.14 310	0.14 182	0.29 436	0.36 482	0.14 277	0.20 320	0.21 385	0.13 318	0.17 379	0.14 336	0.07 270	0.05 176	0.07 225	0.07 301	0.07 285	0.07 303

UDGNet	0.14 339	0.13 473	0.17 387	0.18 313	0.10 365	0.12 230	0.16 316	0.21 278	0.27 404	0.20 410	0.20 320	0.17 336	0.13 318	0.16 340	0.14 336	0.10 433	0.06 333	0.09 396	0.07 301	0.07 285	0.07 303

dad	0.18 444	0.20 539	0.21 459	0.17 231	0.11 421	0.20 443	0.19 438	0.21 278	0.28 420	0.30 522	0.24 371	0.30 487	0.13 318	0.19 421	0.17 406	0.18 556	0.09 468	0.11 473	0.09 418	0.11 471	0.07 303

GANet-ADL	0.13 309	0.07 141	0.15 322	0.17 231	0.10 365	0.19 424	0.15 256	0.30 447	0.21 311	0.13 254	0.18 296	0.19 359	0.13 318	0.16 340	0.14 336	0.08 334	0.06 333	0.06 122	0.05 132	0.07 285	0.08 372

IIG-Stereo	0.11 207	0.06 64	0.13 240	0.17 231	0.08 140	0.11 184	0.12 81	0.22 302	0.18 248	0.14 277	0.17 273	0.12 231	0.13 318	0.12 212	0.13 300	0.06 119	0.05 176	0.07 225	0.06 205	0.06 211	0.05 126

NRIStereo	0.11 207	0.08 263	0.15 322	0.18 313	0.08 140	0.10 140	0.13 125	0.17 183	0.15 177	0.12 221	0.15 237	0.13 255	0.13 318	0.13 267	0.10 126	0.06 119	0.04 23	0.07 225	0.06 205	0.06 211	0.07 303

FTStereo	0.12 282	0.07 141	0.14 285	0.18 313	0.09 253	0.07 27	0.15 256	0.22 302	0.18 248	0.12 221	0.24 371	0.11 209	0.13 318	0.13 267	0.14 336	0.05 32	0.05 176	0.07 225	0.07 301	0.06 211	0.10 446

THIR-Stereo	0.12 282	0.07 141	0.11 167	0.15 79	0.08 140	0.14 310	0.16 316	0.18 211	0.25 378	0.17 341	0.24 371	0.13 255	0.13 318	0.12 212	0.14 336	0.06 119	0.05 176	0.07 225	0.07 301	0.05 110	0.05 126

CRE-IMP	0.11 207	0.09 334	0.16 364	0.19 373	0.09 253	0.10 140	0.12 81	0.18 211	0.10 39	0.14 277	0.14 224	0.14 274	0.13 318	0.12 212	0.12 265	0.07 270	0.04 23	0.08 311	0.06 205	0.08 351	0.08 372

RAFT	0.13 309	0.09 334	0.11 167	0.18 313	0.08 140	0.15 336	0.23 502	0.21 278	0.20 296	0.21 426	0.21 338	0.18 350	0.13 318	0.17 379	0.10 126	0.06 119	0.07 404	0.10 443	0.09 418	0.06 211	0.05 126

GEStereo_RVC	0.17 428	0.12 445	0.16 364	0.22 487	0.11 421	0.19 424	0.18 394	0.32 468	0.49 538	0.20 410	0.25 397	0.17 336	0.13 318	0.21 457	0.16 389	0.10 433	0.06 333	0.08 311	0.07 301	0.09 415	0.08 372

TestStereo	0.14 339	0.15 495	0.11 167	0.23 508	0.08 140	0.15 336	0.21 476	0.20 260	0.23 343	0.14 277	0.25 397	0.16 319	0.13 318	0.16 340	0.14 336	0.06 119	0.06 333	0.08 311	0.06 205	0.09 415	0.05 126

CFNet_pseudo	0.14 339	0.08 263	0.16 364	0.16 154	0.09 253	0.13 268	0.14 182	0.27 393	0.34 463	0.15 301	0.21 338	0.22 403	0.13 318	0.18 396	0.14 336	0.07 270	0.05 176	0.08 311	0.06 205	0.07 285	0.07 303

SFCPSM	0.13 309	0.07 141	0.15 322	0.17 231	0.09 253	0.15 336	0.16 316	0.28 417	0.27 404	0.14 277	0.18 296	0.12 231	0.13 318	0.14 294	0.11 198	0.08 334	0.05 176	0.07 225	0.07 301	0.07 285	0.06 223

FENet	0.13 309	0.08 263	0.13 240	0.16 154	0.08 140	0.15 336	0.16 316	0.23 321	0.23 343	0.17 341	0.24 371	0.16 319	0.13 318	0.14 294	0.15 370	0.08 334	0.05 176	0.08 311	0.08 373	0.08 351	0.08 372

MSMDNet	0.14 339	0.08 263	0.15 322	0.17 231	0.09 253	0.14 310	0.14 182	0.29 436	0.36 482	0.14 277	0.20 320	0.21 385	0.13 318	0.18 396	0.14 336	0.07 270	0.05 176	0.07 225	0.07 301	0.07 285	0.07 303

ccs_rob	0.14 339	0.09 334	0.16 364	0.16 154	0.09 253	0.13 268	0.14 182	0.27 393	0.34 463	0.15 301	0.21 338	0.22 403	0.13 318	0.18 396	0.14 336	0.07 270	0.05 176	0.08 311	0.07 301	0.07 285	0.07 303

AdaStereo	0.15 379	0.11 426	0.16 364	0.19 373	0.09 253	0.21 454	0.11 53	0.33 482	0.28 420	0.21 426	0.23 359	0.21 385	0.13 318	0.19 421	0.15 370	0.13 508	0.05 176	0.10 443	0.07 301	0.09 415	0.07 303
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	0.15 379	0.08 263	0.16 364	0.16 154	0.08 140	0.16 363	0.13 125	0.26 379	0.36 482	0.21 426	0.29 454	0.24 429	0.13 318	0.14 294	0.14 336	0.06 119	0.06 333	0.06 122	0.04 41	0.09 415	0.08 372

MLCV	0.13 309	0.08 263	0.17 387	0.18 313	0.06 14	0.16 363	0.17 345	0.19 243	0.22 333	0.19 388	0.25 397	0.17 336	0.13 318	0.15 312	0.14 336	0.05 32	0.04 23	0.05 33	0.04 41	0.05 110	0.04 33

iResNet	0.13 309	0.10 401	0.18 421	0.19 373	0.08 140	0.14 310	0.18 394	0.21 278	0.27 404	0.16 330	0.24 371	0.15 299	0.13 318	0.14 294	0.15 370	0.06 119	0.04 23	0.06 122	0.05 132	0.06 211	0.05 126

DN-CSS_ROB	0.13 309	0.13 473	0.17 387	0.18 313	0.10 365	0.16 363	0.08 7	0.22 302	0.19 274	0.17 341	0.23 359	0.13 255	0.13 318	0.13 267	0.14 336	0.05 32	0.05 176	0.10 443	0.10 457	0.08 351	0.06 223

G2L-ROB	0.13 309	0.07 141	0.13 240	0.13 10	0.08 140	0.14 310	0.17 345	0.25 366	0.19 274	0.20 410	0.19 310	0.20 376	0.14 350	0.18 396	0.16 389	0.08 334	0.05 176	0.06 122	0.05 132	0.08 351	0.09 417

rvit_0105_4	0.15 379	0.09 334	0.17 387	0.17 231	0.10 365	0.12 230	0.20 459	0.23 321	0.27 404	0.14 277	0.20 320	0.17 336	0.14 350	0.17 379	0.13 300	0.15 533	0.11 504	0.11 473	0.10 457	0.09 415	0.06 223

rvit_0105_3	0.16 406	0.10 401	0.15 322	0.20 431	0.12 452	0.15 336	0.26 537	0.25 366	0.30 433	0.15 301	0.17 273	0.21 385	0.14 350	0.18 396	0.14 336	0.14 529	0.11 504	0.12 494	0.14 526	0.07 285	0.07 303

CFNet_ucs	0.15 379	0.09 334	0.17 387	0.16 154	0.11 421	0.14 310	0.14 182	0.30 447	0.34 463	0.16 330	0.24 371	0.23 420	0.14 350	0.18 396	0.15 370	0.09 392	0.06 333	0.08 311	0.07 301	0.09 415	0.09 417

LL-Strereo	0.13 309	0.10 401	0.12 206	0.20 431	0.10 365	0.11 184	0.18 394	0.33 482	0.25 378	0.16 330	0.16 254	0.14 274	0.14 350	0.19 421	0.11 198	0.06 119	0.05 176	0.09 396	0.08 373	0.04 19	0.05 126

anonymousa	0.13 309	0.07 141	0.14 285	0.18 313	0.09 253	0.13 268	0.17 345	0.20 260	0.29 427	0.15 301	0.24 371	0.16 319	0.14 350	0.14 294	0.14 336	0.07 270	0.05 176	0.07 225	0.09 418	0.05 110	0.07 303

DCANet-4	0.11 207	0.07 141	0.13 240	0.16 154	0.06 14	0.09 94	0.17 345	0.18 211	0.20 296	0.13 254	0.17 273	0.09 152	0.14 350	0.12 212	0.13 300	0.06 119	0.04 23	0.05 33	0.04 41	0.04 19	0.05 126

BUS	0.15 379	0.09 334	0.14 285	0.22 487	0.10 365	0.20 443	0.14 182	0.34 497	0.20 296	0.17 341	0.23 359	0.16 319	0.14 350	0.16 340	0.14 336	0.08 334	0.06 333	0.10 443	0.09 418	0.07 285	0.07 303

NINENet	0.16 406	0.10 401	0.16 364	0.17 231	0.11 421	0.20 443	0.14 182	0.41 549	0.37 488	0.18 373	0.21 338	0.16 319	0.14 350	0.16 340	0.14 336	0.08 334	0.08 436	0.10 443	0.07 301	0.10 449	0.09 417

GwcNet-ADL	0.13 309	0.08 263	0.14 285	0.20 431	0.09 253	0.12 230	0.20 459	0.30 447	0.25 378	0.14 277	0.14 224	0.18 350	0.14 350	0.13 267	0.15 370	0.07 270	0.05 176	0.06 122	0.05 132	0.07 285	0.06 223

AAGNet	0.12 282	0.08 263	0.17 387	0.19 373	0.09 253	0.08 54	0.13 125	0.19 243	0.13 135	0.16 330	0.21 338	0.13 255	0.14 350	0.11 126	0.14 336	0.06 119	0.04 23	0.09 396	0.06 205	0.06 211	0.05 126

DEmStereo	0.12 282	0.06 64	0.14 285	0.14 37	0.10 365	0.16 363	0.15 256	0.16 148	0.24 354	0.17 341	0.23 359	0.12 231	0.14 350	0.12 212	0.14 336	0.05 32	0.04 23	0.07 225	0.06 205	0.05 110	0.05 126

GES	0.14 339	0.08 263	0.16 364	0.15 79	0.10 365	0.13 268	0.13 125	0.28 417	0.26 391	0.17 341	0.24 371	0.19 359	0.14 350	0.16 340	0.14 336	0.08 334	0.08 436	0.07 225	0.06 205	0.08 351	0.09 417

HCRNet	0.16 406	0.23 551	0.12 206	0.35 571	0.11 421	0.15 336	0.17 345	0.26 379	0.22 333	0.19 388	0.24 371	0.21 385	0.14 350	0.15 312	0.13 300	0.11 465	0.07 404	0.11 473	0.10 457	0.09 415	0.07 303

xxxx	0.15 379	0.07 141	0.14 285	0.14 37	0.08 140	0.24 490	0.18 394	0.32 468	0.20 296	0.14 277	0.28 439	0.22 403	0.14 350	0.15 312	0.29 537	0.09 392	0.05 176	0.07 225	0.07 301	0.08 351	0.08 372

PSMNet-RSSM	0.14 339	0.07 141	0.14 285	0.15 79	0.08 140	0.13 268	0.16 316	0.25 366	0.24 354	0.17 341	0.28 439	0.23 420	0.14 350	0.16 340	0.14 336	0.11 465	0.06 333	0.09 396	0.12 509	0.08 351	0.07 303

CFNet-ft	0.14 339	0.07 141	0.15 322	0.12 5	0.09 253	0.17 386	0.18 394	0.22 302	0.24 354	0.17 341	0.26 410	0.24 429	0.14 350	0.16 340	0.15 370	0.11 465	0.06 333	0.08 311	0.09 418	0.09 415	0.08 372

BEATNet_4x	0.12 282	0.09 334	0.15 322	0.18 313	0.07 76	0.15 336	0.07 3	0.23 321	0.19 274	0.16 330	0.19 310	0.19 359	0.14 350	0.17 379	0.15 370	0.07 270	0.05 176	0.05 33	0.05 132	0.06 211	0.07 303

HSM-Net_RVC	0.14 339	0.08 263	0.12 206	0.15 79	0.08 140	0.16 363	0.15 256	0.27 393	0.29 427	0.20 410	0.21 338	0.29 477	0.14 350	0.18 396	0.13 300	0.06 119	0.06 333	0.06 122	0.06 205	0.07 285	0.06 223
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 339	0.07 141	0.15 322	0.12 5	0.09 253	0.17 386	0.18 394	0.22 302	0.24 354	0.17 341	0.26 410	0.24 429	0.14 350	0.16 340	0.15 370	0.11 465	0.06 333	0.08 311	0.09 418	0.09 415	0.08 372

DCVSM-stereo	0.15 379	0.09 334	0.16 364	0.16 154	0.10 365	0.15 336	0.09 18	0.20 260	0.24 354	0.20 410	0.24 371	0.26 452	0.15 370	0.19 421	0.14 336	0.09 392	0.07 404	0.09 396	0.08 373	0.10 449	0.12 491

ACV-stereo	0.15 379	0.10 401	0.29 509	0.18 313	0.12 452	0.15 336	0.13 125	0.23 321	0.21 311	0.19 388	0.23 359	0.22 403	0.15 370	0.23 483	0.17 406	0.08 334	0.07 404	0.07 225	0.07 301	0.08 351	0.07 303

ITSA-stereo	0.16 406	0.11 426	0.14 285	0.19 373	0.08 140	0.13 268	0.14 182	0.30 447	0.49 538	0.17 341	0.18 296	0.22 403	0.15 370	0.17 379	0.16 389	0.10 433	0.06 333	0.08 311	0.08 373	0.08 351	0.09 417

rvit_stereo_0075_2	0.17 428	0.12 445	0.25 486	0.23 508	0.16 528	0.13 268	0.10 30	0.30 447	0.27 404	0.20 410	0.28 439	0.22 403	0.15 370	0.18 396	0.13 300	0.16 550	0.10 491	0.17 543	0.10 457	0.10 449	0.10 446

test_sample6	0.14 339	0.09 334	0.14 285	0.17 231	0.08 140	0.17 386	0.19 438	0.26 379	0.18 248	0.18 373	0.28 439	0.19 359	0.15 370	0.15 312	0.13 300	0.08 334	0.05 176	0.08 311	0.07 301	0.08 351	0.08 372

test_sample5	0.14 339	0.08 263	0.14 285	0.16 154	0.08 140	0.18 402	0.18 394	0.25 366	0.17 233	0.17 341	0.28 439	0.18 350	0.15 370	0.16 340	0.13 300	0.08 334	0.06 333	0.08 311	0.07 301	0.09 415	0.08 372

test_sample4	0.14 339	0.08 263	0.15 322	0.15 79	0.08 140	0.19 424	0.18 394	0.26 379	0.18 248	0.17 341	0.26 410	0.18 350	0.15 370	0.17 379	0.13 300	0.08 334	0.06 333	0.08 311	0.06 205	0.09 415	0.08 372

test_sample3	0.14 339	0.08 263	0.15 322	0.14 37	0.09 253	0.20 443	0.17 345	0.27 393	0.18 248	0.17 341	0.22 354	0.19 359	0.15 370	0.17 379	0.14 336	0.09 392	0.06 333	0.07 225	0.06 205	0.09 415	0.08 372

test_sample2	0.13 309	0.07 141	0.12 206	0.14 37	0.08 140	0.16 363	0.18 394	0.21 278	0.16 205	0.14 277	0.21 338	0.20 376	0.15 370	0.15 312	0.13 300	0.08 334	0.06 333	0.07 225	0.06 205	0.08 351	0.08 372

SMFormer	0.14 339	0.07 141	0.18 421	0.14 37	0.08 140	0.17 386	0.17 345	0.27 393	0.27 404	0.19 388	0.20 320	0.19 359	0.15 370	0.15 312	0.17 406	0.08 334	0.05 176	0.07 225	0.06 205	0.08 351	0.07 303

tta	0.14 339	0.07 141	0.18 421	0.14 37	0.08 140	0.17 386	0.17 345	0.27 393	0.27 404	0.19 388	0.20 320	0.19 359	0.15 370	0.15 312	0.17 406	0.08 334	0.05 176	0.07 225	0.06 205	0.06 211	0.06 223

qqq1	0.14 339	0.07 141	0.18 421	0.14 37	0.08 140	0.17 386	0.17 345	0.27 393	0.27 404	0.19 388	0.20 320	0.19 359	0.15 370	0.15 312	0.12 265	0.08 334	0.05 176	0.05 33	0.05 132	0.06 211	0.06 223

fff1	0.14 339	0.07 141	0.18 421	0.14 37	0.08 140	0.17 386	0.17 345	0.27 393	0.27 404	0.19 388	0.20 320	0.19 359	0.15 370	0.15 312	0.12 265	0.08 334	0.05 176	0.05 33	0.05 132	0.06 211	0.06 223

DualNet	0.14 339	0.08 263	0.14 285	0.16 154	0.08 140	0.18 402	0.18 394	0.25 366	0.17 233	0.18 373	0.28 439	0.18 350	0.15 370	0.16 340	0.13 300	0.08 334	0.06 333	0.08 311	0.07 301	0.09 415	0.08 372

1111x	0.16 406	0.09 334	0.13 240	0.18 313	0.08 140	0.18 402	0.25 528	0.32 468	0.25 378	0.17 341	0.24 371	0.27 459	0.15 370	0.14 294	0.24 493	0.07 270	0.07 404	0.08 311	0.09 418	0.07 285	0.07 303

CASS	0.14 339	0.12 445	0.12 206	0.23 508	0.09 253	0.15 336	0.17 345	0.19 243	0.20 296	0.17 341	0.18 296	0.15 299	0.15 370	0.15 312	0.14 336	0.09 392	0.06 333	0.10 443	0.08 373	0.09 415	0.07 303
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 444	0.09 334	0.30 515	0.15 79	0.11 421	0.23 482	0.20 459	0.27 393	0.40 503	0.26 486	0.43 542	0.25 442	0.15 370	0.21 457	0.20 444	0.07 270	0.05 176	0.06 122	0.05 132	0.10 449	0.09 417

test_5	0.14 339	0.12 445	0.08 25	0.20 431	0.10 365	0.14 310	0.28 548	0.21 278	0.24 354	0.19 388	0.28 439	0.11 209	0.15 370	0.12 212	0.13 300	0.06 119	0.05 176	0.07 225	0.08 373	0.08 351	0.07 303

FADNet-RVC-Resample	0.17 428	0.12 445	0.32 522	0.22 487	0.12 452	0.19 424	0.14 182	0.25 366	0.24 354	0.24 468	0.27 428	0.20 376	0.15 370	0.17 379	0.16 389	0.07 270	0.08 436	0.12 494	0.10 457	0.09 415	0.11 470

UCFNet_RVC	0.15 379	0.08 263	0.13 240	0.11 1	0.10 365	0.20 443	0.10 30	0.24 345	0.23 343	0.17 341	0.21 338	0.24 429	0.15 370	0.18 396	0.15 370	0.12 490	0.07 404	0.11 473	0.13 520	0.11 471	0.10 446

PWCDC_ROB	0.21 479	0.13 473	0.23 477	0.25 529	0.12 452	0.20 443	0.15 256	0.34 497	0.55 556	0.29 516	0.49 553	0.21 385	0.15 370	0.28 514	0.20 444	0.11 465	0.09 468	0.10 443	0.08 373	0.11 471	0.09 417

G2L-Stereo_test	0.14 339	0.07 141	0.11 167	0.13 10	0.08 140	0.12 230	0.17 345	0.31 463	0.28 420	0.21 426	0.23 359	0.20 376	0.16 391	0.17 379	0.19 434	0.07 270	0.05 176	0.05 33	0.05 132	0.07 285	0.07 303

FACV-RUCA	0.13 309	0.11 426	0.13 240	0.19 373	0.12 452	0.15 336	0.16 316	0.22 302	0.21 311	0.16 330	0.16 254	0.15 299	0.16 391	0.14 294	0.13 300	0.07 270	0.05 176	0.08 311	0.06 205	0.10 449	0.08 372

test_sample1	0.13 309	0.07 141	0.14 285	0.14 37	0.08 140	0.19 424	0.17 345	0.20 260	0.15 177	0.14 277	0.22 354	0.18 350	0.16 391	0.17 379	0.15 370	0.07 270	0.06 333	0.06 122	0.06 205	0.08 351	0.08 372

xx1	0.11 207	0.08 263	0.13 240	0.17 231	0.09 253	0.13 268	0.15 256	0.16 148	0.18 248	0.09 115	0.09 110	0.16 319	0.16 391	0.10 74	0.07 1	0.06 119	0.05 176	0.08 311	0.08 373	0.07 285	0.07 303

mmm	0.14 339	0.08 263	0.18 421	0.17 231	0.09 253	0.17 386	0.18 394	0.21 278	0.16 205	0.16 330	0.23 359	0.21 385	0.16 391	0.16 340	0.17 406	0.08 334	0.05 176	0.08 311	0.08 373	0.08 351	0.07 303

11t1	0.12 282	0.07 141	0.14 285	0.14 37	0.08 140	0.17 386	0.15 256	0.19 243	0.15 177	0.15 301	0.15 237	0.17 336	0.16 391	0.15 312	0.13 300	0.08 334	0.05 176	0.06 122	0.05 132	0.08 351	0.07 303

CBFPSM	0.15 379	0.07 141	0.27 497	0.17 231	0.09 253	0.13 268	0.15 256	0.22 302	0.23 343	0.20 410	0.27 428	0.23 420	0.16 391	0.16 340	0.19 434	0.06 119	0.06 333	0.06 122	0.07 301	0.07 285	0.07 303

iinet-f	0.17 428	0.07 141	0.46 551	0.14 37	0.10 365	0.21 454	0.14 182	0.27 393	0.23 343	0.22 441	0.25 397	0.21 385	0.16 391	0.18 396	0.22 470	0.09 392	0.07 404	0.07 225	0.06 205	0.09 415	0.10 446

GASNet	0.22 487	0.24 554	0.34 528	0.26 538	0.17 540	0.27 520	0.16 316	0.45 566	0.42 512	0.27 493	0.24 371	0.30 487	0.16 391	0.27 505	0.18 419	0.12 490	0.09 468	0.12 494	0.11 487	0.16 543	0.08 372

gwcnet-sp	0.14 339	0.07 141	0.13 240	0.18 313	0.09 253	0.16 363	0.18 394	0.24 345	0.24 354	0.19 388	0.24 371	0.15 299	0.16 391	0.16 340	0.15 370	0.08 334	0.07 404	0.07 225	0.08 373	0.08 351	0.07 303

scenet	0.14 339	0.07 141	0.13 240	0.18 313	0.09 253	0.16 363	0.18 394	0.24 345	0.24 354	0.19 388	0.24 371	0.15 299	0.16 391	0.16 340	0.15 370	0.08 334	0.07 404	0.07 225	0.08 373	0.08 351	0.07 303

ssnet	0.14 339	0.07 141	0.13 240	0.18 313	0.09 253	0.16 363	0.18 394	0.24 345	0.24 354	0.19 388	0.24 371	0.15 299	0.16 391	0.16 340	0.15 370	0.08 334	0.07 404	0.07 225	0.08 373	0.08 351	0.07 303

qqq	0.13 309	0.09 334	0.15 322	0.16 154	0.08 140	0.13 268	0.15 256	0.24 345	0.16 205	0.15 301	0.19 310	0.16 319	0.16 391	0.15 312	0.16 389	0.07 270	0.06 333	0.08 311	0.08 373	0.07 285	0.07 303

BSDual-CNN	0.15 379	0.09 334	0.14 285	0.22 487	0.10 365	0.15 336	0.15 256	0.34 497	0.20 296	0.17 341	0.23 359	0.25 442	0.16 391	0.16 340	0.14 336	0.08 334	0.06 333	0.10 443	0.09 418	0.07 285	0.07 303

psmg	0.14 339	0.09 334	0.14 285	0.17 231	0.10 365	0.15 336	0.17 345	0.29 436	0.20 296	0.17 341	0.21 338	0.25 442	0.16 391	0.16 340	0.14 336	0.08 334	0.07 404	0.08 311	0.08 373	0.07 285	0.07 303

CSP-Net	0.16 406	0.09 334	0.14 285	0.17 231	0.09 253	0.19 424	0.18 394	0.25 366	0.33 452	0.26 486	0.31 465	0.25 442	0.16 391	0.21 457	0.19 434	0.09 392	0.06 333	0.07 225	0.07 301	0.08 351	0.08 372

DAS	0.15 379	0.08 263	0.18 421	0.19 373	0.10 365	0.19 424	0.17 345	0.28 417	0.30 433	0.18 373	0.26 410	0.21 385	0.16 391	0.16 340	0.13 300	0.08 334	0.06 333	0.06 122	0.06 205	0.07 285	0.07 303

SepStereo	0.15 379	0.08 263	0.18 421	0.19 373	0.10 365	0.19 424	0.17 345	0.28 417	0.30 433	0.18 373	0.26 410	0.21 385	0.16 391	0.26 503	0.13 300	0.08 334	0.06 333	0.06 122	0.06 205	0.07 285	0.07 303

DRaft	0.12 282	0.06 64	0.12 206	0.14 37	0.09 253	0.14 310	0.17 345	0.21 278	0.30 433	0.18 373	0.27 428	0.10 185	0.16 391	0.11 126	0.12 265	0.05 32	0.04 23	0.07 225	0.07 301	0.05 110	0.05 126

ADLNet	0.16 406	0.08 263	0.15 322	0.16 154	0.10 365	0.16 363	0.17 345	0.33 482	0.27 404	0.23 456	0.27 428	0.24 429	0.16 391	0.18 396	0.21 457	0.10 433	0.06 333	0.10 443	0.10 457	0.08 351	0.09 417

222	0.16 406	0.07 141	0.15 322	0.14 37	0.08 140	0.25 499	0.18 394	0.30 447	0.21 311	0.18 373	0.29 454	0.17 336	0.16 391	0.16 340	0.44 580	0.10 433	0.05 176	0.07 225	0.06 205	0.08 351	0.08 372

GANet-RSSM	0.14 339	0.07 141	0.13 240	0.13 10	0.08 140	0.14 310	0.18 394	0.23 321	0.21 311	0.17 341	0.25 397	0.24 429	0.16 391	0.16 340	0.16 389	0.10 433	0.06 333	0.07 225	0.08 373	0.08 351	0.07 303

DSFCA	0.16 406	0.09 334	0.14 285	0.16 154	0.10 365	0.21 454	0.19 438	0.28 417	0.31 441	0.23 456	0.25 397	0.22 403	0.16 391	0.20 439	0.20 444	0.10 433	0.07 404	0.09 396	0.09 418	0.08 351	0.08 372

iResNet_ROB	0.14 339	0.07 141	0.13 240	0.15 79	0.07 76	0.19 424	0.14 182	0.26 379	0.32 447	0.23 456	0.26 410	0.23 420	0.16 391	0.15 312	0.14 336	0.07 270	0.05 176	0.05 33	0.04 41	0.08 351	0.08 372

z-ln-s-r	0.18 444	0.10 401	0.41 544	0.19 373	0.08 140	0.18 402	0.18 394	0.23 321	0.34 463	0.19 388	0.41 531	0.22 403	0.17 415	0.20 439	0.25 501	0.07 270	0.05 176	0.07 225	0.07 301	0.07 285	0.06 223

xyz-stereo	0.14 339	0.07 141	0.22 469	0.15 79	0.05 1	0.22 468	0.15 256	0.17 183	0.31 441	0.15 301	0.28 439	0.26 452	0.17 415	0.13 267	0.12 265	0.05 32	0.05 176	0.06 122	0.05 132	0.04 19	0.04 33

coex_refinement	0.14 339	0.07 141	0.12 206	0.17 231	0.10 365	0.16 363	0.15 256	0.27 393	0.29 427	0.18 373	0.21 338	0.22 403	0.17 415	0.16 340	0.19 434	0.08 334	0.05 176	0.06 122	0.06 205	0.09 415	0.08 372

DispNO	0.15 379	0.09 334	0.18 421	0.19 373	0.12 452	0.11 184	0.21 476	0.23 321	0.29 427	0.18 373	0.23 359	0.19 359	0.17 415	0.16 340	0.16 389	0.07 270	0.05 176	0.08 311	0.08 373	0.07 285	0.06 223

AASNet	0.16 406	0.08 263	0.13 240	0.19 373	0.09 253	0.19 424	0.15 256	0.38 535	0.37 488	0.20 410	0.24 371	0.20 376	0.17 415	0.17 379	0.21 457	0.10 433	0.08 436	0.08 311	0.07 301	0.09 415	0.09 417

PSMNet-ADL	0.15 379	0.12 445	0.13 240	0.22 487	0.09 253	0.13 268	0.20 459	0.26 379	0.23 343	0.18 373	0.20 320	0.23 420	0.17 415	0.18 396	0.18 419	0.09 392	0.08 436	0.08 311	0.11 487	0.08 351	0.07 303

LMCR-Stereo	0.15 379	0.08 263	0.14 285	0.21 466	0.09 253	0.18 402	0.19 438	0.28 417	0.19 274	0.24 468	0.24 371	0.23 420	0.17 415	0.20 439	0.17 406	0.07 270	0.06 333	0.08 311	0.06 205	0.10 449	0.09 417

test_xeample	0.15 379	0.07 141	0.14 285	0.15 79	0.08 140	0.22 468	0.20 459	0.29 436	0.21 311	0.16 330	0.29 454	0.19 359	0.17 415	0.16 340	0.28 528	0.09 392	0.05 176	0.07 225	0.07 301	0.07 285	0.07 303

ACVNet	0.15 379	0.09 334	0.15 322	0.13 10	0.12 452	0.14 310	0.20 459	0.22 302	0.34 463	0.17 341	0.26 410	0.21 385	0.17 415	0.18 396	0.21 457	0.07 270	0.06 333	0.06 122	0.06 205	0.08 351	0.06 223

acv_ft	0.15 379	0.09 334	0.16 364	0.19 373	0.10 365	0.16 363	0.17 345	0.25 366	0.34 463	0.19 388	0.26 410	0.21 385	0.17 415	0.18 396	0.19 434	0.07 270	0.06 333	0.06 122	0.06 205	0.08 351	0.06 223

cf-r	0.14 339	0.07 141	0.13 240	0.16 154	0.08 140	0.14 310	0.19 438	0.21 278	0.25 378	0.17 341	0.26 410	0.22 403	0.17 415	0.14 294	0.15 370	0.10 433	0.05 176	0.06 122	0.08 373	0.06 211	0.06 223

GwcNet-RSSM	0.14 339	0.07 141	0.12 206	0.16 154	0.08 140	0.15 336	0.20 459	0.22 302	0.28 420	0.18 373	0.28 439	0.23 420	0.17 415	0.15 312	0.16 389	0.10 433	0.06 333	0.07 225	0.09 418	0.07 285	0.07 303

NLCA_NET_v2_RVC	0.17 428	0.10 401	0.23 477	0.20 431	0.10 365	0.15 336	0.18 394	0.31 463	0.25 378	0.21 426	0.31 465	0.25 442	0.17 415	0.21 457	0.20 444	0.09 392	0.06 333	0.08 311	0.09 418	0.07 285	0.08 372
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	0.15 379	0.09 334	0.15 322	0.16 154	0.09 253	0.16 363	0.14 182	0.28 417	0.25 378	0.20 410	0.24 371	0.37 531	0.17 415	0.20 439	0.15 370	0.07 270	0.05 176	0.07 225	0.06 205	0.07 285	0.06 223

YMNet	0.20 465	0.12 445	0.20 449	0.21 466	0.14 496	0.27 520	0.23 502	0.32 468	0.34 463	0.28 506	0.35 494	0.30 487	0.18 429	0.18 396	0.22 470	0.11 465	0.13 533	0.10 443	0.10 457	0.09 415	0.09 417

YMNet_1	0.20 465	0.12 445	0.20 449	0.21 466	0.14 496	0.27 520	0.23 502	0.32 468	0.34 463	0.28 506	0.35 494	0.30 487	0.18 429	0.18 396	0.22 470	0.11 465	0.13 533	0.10 443	0.10 457	0.09 415	0.09 417

ISRNet	0.18 444	0.08 263	0.20 449	0.19 373	0.13 478	0.15 336	0.12 81	0.30 447	0.33 452	0.21 426	0.26 410	0.27 459	0.18 429	0.17 379	0.20 444	0.20 564	0.08 436	0.14 521	0.14 526	0.14 519	0.17 553

rvit_105_1	0.19 456	0.12 445	0.25 486	0.21 466	0.16 528	0.22 468	0.28 548	0.32 468	0.42 512	0.20 410	0.21 338	0.22 403	0.18 429	0.19 421	0.18 419	0.12 490	0.12 520	0.13 508	0.15 542	0.08 351	0.07 303

x	0.13 309	0.08 263	0.15 322	0.14 37	0.08 140	0.19 424	0.14 182	0.22 302	0.21 311	0.15 301	0.20 320	0.20 376	0.18 429	0.18 396	0.18 419	0.07 270	0.05 176	0.06 122	0.06 205	0.07 285	0.07 303

CRFU-Net	0.16 406	0.08 263	0.15 322	0.17 231	0.09 253	0.20 443	0.14 182	0.27 393	0.21 311	0.28 506	0.28 439	0.29 477	0.18 429	0.19 421	0.18 419	0.09 392	0.09 468	0.07 225	0.07 301	0.08 351	0.09 417

hknet	0.15 379	0.11 426	0.14 285	0.22 487	0.11 421	0.15 336	0.15 256	0.34 497	0.26 391	0.17 341	0.23 359	0.22 403	0.18 429	0.17 379	0.13 300	0.07 270	0.06 333	0.10 443	0.09 418	0.07 285	0.07 303

AACVNet	0.16 406	0.08 263	0.15 322	0.15 79	0.10 365	0.18 402	0.15 256	0.24 345	0.25 378	0.27 493	0.27 428	0.28 469	0.18 429	0.19 421	0.17 406	0.09 392	0.07 404	0.09 396	0.07 301	0.10 449	0.09 417

ICVP	0.16 406	0.09 334	0.12 206	0.22 487	0.09 253	0.18 402	0.21 476	0.26 379	0.24 354	0.18 373	0.30 460	0.27 459	0.18 429	0.18 396	0.15 370	0.10 433	0.07 404	0.08 311	0.07 301	0.07 285	0.08 372
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 406	0.09 334	0.15 322	0.18 313	0.10 365	0.22 468	0.17 345	0.24 345	0.22 333	0.19 388	0.24 371	0.29 477	0.18 429	0.19 421	0.22 470	0.09 392	0.08 436	0.08 311	0.09 418	0.07 285	0.06 223

HGLStereo	0.17 428	0.09 334	0.19 444	0.17 231	0.12 452	0.18 402	0.18 394	0.31 463	0.33 452	0.22 441	0.33 480	0.24 429	0.18 429	0.20 439	0.21 457	0.10 433	0.09 468	0.07 225	0.07 301	0.09 415	0.10 446

DMCA	0.14 339	0.09 334	0.17 387	0.19 373	0.09 253	0.15 336	0.17 345	0.23 321	0.28 420	0.14 277	0.20 320	0.17 336	0.18 429	0.15 312	0.17 406	0.10 433	0.06 333	0.08 311	0.06 205	0.09 415	0.10 446

FADNet_RVC	0.17 428	0.14 488	0.41 544	0.20 431	0.11 421	0.13 268	0.13 125	0.27 393	0.22 333	0.21 426	0.23 359	0.20 376	0.18 429	0.15 312	0.17 406	0.08 334	0.08 436	0.12 494	0.09 418	0.11 471	0.10 446

STTStereo	0.18 444	0.13 473	0.28 500	0.20 431	0.11 421	0.16 363	0.21 476	0.29 436	0.23 343	0.22 441	0.30 460	0.29 477	0.18 429	0.20 439	0.20 444	0.12 490	0.11 504	0.11 473	0.14 526	0.09 415	0.08 372

TDLM	0.18 444	0.12 445	0.14 285	0.24 521	0.10 365	0.18 402	0.18 394	0.37 528	0.30 433	0.22 441	0.28 439	0.28 469	0.18 429	0.23 483	0.19 434	0.11 465	0.07 404	0.10 443	0.10 457	0.08 351	0.08 372

CFNet	0.15 379	0.11 426	0.17 387	0.17 231	0.08 140	0.19 424	0.10 30	0.29 436	0.26 391	0.19 388	0.24 371	0.24 429	0.18 429	0.18 396	0.15 370	0.08 334	0.06 333	0.09 396	0.10 457	0.08 351	0.07 303

CVANet_RVC	0.18 444	0.11 426	0.14 285	0.21 466	0.11 421	0.19 424	0.18 394	0.34 497	0.34 463	0.22 441	0.31 465	0.28 469	0.18 429	0.24 494	0.18 419	0.12 490	0.08 436	0.12 494	0.12 509	0.09 415	0.08 372

StereoDRNet-Refined	0.17 428	0.12 445	0.16 364	0.20 431	0.10 365	0.18 402	0.18 394	0.27 393	0.24 354	0.26 486	0.41 531	0.23 420	0.18 429	0.21 457	0.21 457	0.09 392	0.05 176	0.09 396	0.10 457	0.07 285	0.07 303
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 428	0.10 401	0.18 421	0.17 231	0.11 421	0.21 454	0.22 490	0.34 497	0.25 378	0.23 456	0.23 359	0.27 459	0.19 447	0.22 475	0.21 457	0.11 465	0.10 491	0.09 396	0.09 418	0.08 351	0.08 372

Wz-Net-LNSev	0.22 487	0.16 506	0.41 544	0.22 487	0.13 478	0.25 499	0.24 512	0.33 482	0.44 523	0.30 522	0.42 539	0.32 509	0.19 447	0.23 483	0.27 520	0.10 433	0.09 468	0.08 311	0.08 373	0.12 488	0.11 470

Wz-Net-MNSev	0.23 500	0.13 473	0.33 525	0.20 431	0.15 514	0.36 555	0.25 528	0.34 497	0.45 527	0.29 516	0.41 531	0.39 542	0.19 447	0.25 499	0.27 520	0.09 392	0.07 404	0.09 396	0.09 418	0.12 488	0.10 446

ADLNet2	0.16 406	0.09 334	0.14 285	0.17 231	0.09 253	0.20 443	0.16 316	0.32 468	0.39 499	0.17 341	0.20 320	0.20 376	0.19 447	0.21 457	0.23 481	0.08 334	0.07 404	0.07 225	0.07 301	0.09 415	0.07 303

pcwnet_v2	0.19 456	0.11 426	0.26 495	0.18 313	0.14 496	0.18 402	0.15 256	0.37 528	0.46 534	0.19 388	0.24 371	0.21 385	0.19 447	0.21 457	0.20 444	0.13 508	0.10 491	0.10 443	0.10 457	0.11 471	0.13 505

delet	0.17 428	0.09 334	0.18 421	0.19 373	0.11 421	0.21 454	0.22 490	0.30 447	0.38 494	0.17 341	0.27 428	0.19 359	0.19 447	0.19 421	0.21 457	0.08 334	0.08 436	0.09 396	0.11 487	0.06 211	0.07 303

UNet	0.17 428	0.09 334	0.18 421	0.19 373	0.12 452	0.28 530	0.19 438	0.33 482	0.30 433	0.21 426	0.25 397	0.23 420	0.19 447	0.20 439	0.19 434	0.07 270	0.06 333	0.08 311	0.07 301	0.08 351	0.07 303

RASNet	0.15 379	0.07 141	0.15 322	0.16 154	0.08 140	0.19 424	0.14 182	0.30 447	0.21 311	0.17 341	0.25 397	0.21 385	0.19 447	0.20 439	0.20 444	0.07 270	0.06 333	0.06 122	0.08 373	0.06 211	0.06 223

NVstereo2D	0.19 456	0.11 426	0.16 364	0.17 231	0.16 528	0.28 530	0.23 502	0.44 564	0.42 512	0.15 301	0.28 439	0.25 442	0.19 447	0.23 483	0.18 419	0.09 392	0.06 333	0.10 443	0.08 373	0.15 531	0.10 446

DeepPruner_ROB	0.16 406	0.11 426	0.16 364	0.17 231	0.10 365	0.17 386	0.15 256	0.32 468	0.21 311	0.19 388	0.21 338	0.22 403	0.19 447	0.21 457	0.16 389	0.13 508	0.09 468	0.09 396	0.10 457	0.11 471	0.11 470

StereoDRNet	0.19 456	0.11 426	0.18 421	0.22 487	0.11 421	0.22 468	0.22 490	0.37 528	0.34 463	0.24 468	0.28 439	0.30 487	0.19 447	0.20 439	0.21 457	0.10 433	0.08 436	0.11 473	0.09 418	0.09 415	0.07 303

pmcnn	0.15 379	0.07 141	0.20 449	0.15 79	0.07 76	0.21 454	0.16 316	0.25 366	0.26 391	0.21 426	0.33 480	0.29 477	0.19 447	0.18 396	0.17 406	0.07 270	0.05 176	0.05 33	0.04 41	0.07 285	0.06 223

TCMNet	0.19 456	0.12 445	0.20 449	0.21 466	0.18 550	0.21 454	0.24 512	0.28 417	0.36 482	0.23 456	0.26 410	0.25 442	0.20 459	0.20 439	0.23 481	0.13 508	0.11 504	0.11 473	0.12 509	0.13 503	0.12 491

DualNet (step1)	0.17 428	0.12 445	0.21 459	0.13 10	0.14 496	0.18 402	0.14 182	0.28 417	0.24 354	0.21 426	0.21 338	0.24 429	0.20 459	0.16 340	0.16 389	0.15 533	0.06 333	0.14 521	0.14 526	0.15 531	0.13 505

test_sample9	0.18 444	0.12 445	0.21 459	0.13 10	0.14 496	0.18 402	0.14 182	0.28 417	0.24 354	0.21 426	0.21 338	0.24 429	0.20 459	0.19 421	0.18 419	0.15 533	0.30 583	0.14 521	0.14 526	0.15 531	0.13 505

test_sample7	0.16 406	0.10 401	0.16 364	0.14 37	0.12 452	0.16 363	0.17 345	0.28 417	0.24 354	0.21 426	0.21 338	0.24 429	0.20 459	0.16 340	0.16 389	0.12 490	0.06 333	0.10 443	0.09 418	0.11 471	0.10 446

IER	0.14 339	0.08 263	0.13 240	0.17 231	0.09 253	0.14 310	0.16 316	0.26 379	0.27 404	0.18 373	0.26 410	0.17 336	0.20 459	0.17 379	0.14 336	0.08 334	0.05 176	0.07 225	0.06 205	0.08 351	0.07 303

MMNet	0.17 428	0.10 401	0.17 387	0.20 431	0.11 421	0.27 520	0.20 459	0.26 379	0.42 512	0.22 441	0.30 460	0.22 403	0.20 459	0.18 396	0.20 444	0.06 119	0.06 333	0.07 225	0.07 301	0.08 351	0.07 303

UPFNet	0.16 406	0.08 263	0.12 206	0.20 431	0.12 452	0.20 443	0.23 502	0.28 417	0.26 391	0.18 373	0.24 371	0.22 403	0.20 459	0.19 421	0.22 470	0.09 392	0.07 404	0.08 311	0.09 418	0.08 351	0.06 223

SGM-Forest	0.20 465	0.14 488	0.18 421	0.20 431	0.13 478	0.21 454	0.22 490	0.33 482	0.31 441	0.24 468	0.29 454	0.28 469	0.20 459	0.23 483	0.18 419	0.15 533	0.16 552	0.15 532	0.14 526	0.13 503	0.12 491
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	0.18 444	0.11 426	0.20 449	0.19 373	0.12 452	0.26 511	0.21 476	0.26 379	0.35 477	0.22 441	0.34 490	0.27 459	0.21 467	0.21 457	0.23 481	0.09 392	0.09 468	0.08 311	0.10 457	0.08 351	0.07 303

DGSMNet	0.25 518	0.19 534	0.34 528	0.21 466	0.24 568	0.24 490	0.21 476	0.36 519	0.42 512	0.25 481	0.32 474	0.38 537	0.21 467	0.29 521	0.24 493	0.13 508	0.11 504	0.14 521	0.16 546	0.23 563	0.23 570

GwcNet	0.20 465	0.14 488	0.20 449	0.18 313	0.12 452	0.25 499	0.20 459	0.36 519	0.45 527	0.20 410	0.33 480	0.33 515	0.21 467	0.22 475	0.25 501	0.11 465	0.09 468	0.09 396	0.09 418	0.09 415	0.10 446

FADNet-RVC	0.21 479	0.20 539	0.40 542	0.21 466	0.16 528	0.21 454	0.15 256	0.27 393	0.27 404	0.26 486	0.32 474	0.26 452	0.21 467	0.22 475	0.19 434	0.12 490	0.13 533	0.12 494	0.14 526	0.13 503	0.18 557

FADNet	0.21 479	0.23 551	0.37 537	0.18 313	0.17 540	0.25 499	0.13 125	0.32 468	0.32 447	0.23 456	0.25 397	0.27 459	0.21 467	0.19 421	0.16 389	0.13 508	0.15 547	0.12 494	0.15 542	0.17 550	0.18 557

MaskLacGwcNet_RVC	0.22 487	0.21 544	0.25 486	0.26 538	0.11 421	0.24 490	0.14 182	0.39 541	0.24 354	0.32 536	0.36 499	0.30 487	0.21 467	0.19 421	0.22 470	0.17 555	0.14 543	0.21 557	0.16 546	0.13 503	0.12 491

MDST_ROB	0.22 487	0.10 401	0.18 421	0.18 313	0.11 421	0.40 565	0.19 438	0.44 564	0.42 512	0.40 555	0.40 520	0.29 477	0.21 467	0.27 505	0.19 434	0.11 465	0.10 491	0.14 521	0.11 487	0.10 449	0.08 372

SQANet	0.24 511	0.24 554	0.31 518	0.31 565	0.19 554	0.27 520	0.13 125	0.30 447	0.33 452	0.25 481	0.37 502	0.31 502	0.22 474	0.27 505	0.23 481	0.15 533	0.10 491	0.21 557	0.16 546	0.22 560	0.16 544

SuperB	0.20 465	0.10 401	0.57 565	0.16 154	0.09 253	0.19 424	0.18 394	0.25 366	0.51 546	0.27 493	0.39 517	0.17 336	0.22 474	0.22 475	0.21 457	0.08 334	0.06 333	0.06 122	0.06 205	0.12 488	0.11 470

RTSC	0.23 500	0.13 473	0.30 515	0.21 466	0.13 478	0.29 534	0.17 345	0.36 519	0.68 580	0.27 493	0.34 490	0.30 487	0.22 474	0.32 533	0.31 549	0.10 433	0.08 436	0.09 396	0.10 457	0.13 503	0.14 521

ADCP+	0.20 465	0.10 401	0.35 534	0.21 466	0.12 452	0.22 468	0.27 542	0.31 463	0.35 477	0.26 486	0.37 502	0.22 403	0.22 474	0.27 505	0.28 528	0.09 392	0.06 333	0.08 311	0.08 373	0.10 449	0.10 446

AANet_RVC	0.16 406	0.10 401	0.11 167	0.18 313	0.09 253	0.19 424	0.18 394	0.27 393	0.32 447	0.22 441	0.35 494	0.21 385	0.22 474	0.22 475	0.17 406	0.06 119	0.05 176	0.06 122	0.06 205	0.07 285	0.06 223

DRN-Test	0.20 465	0.11 426	0.21 459	0.22 487	0.10 365	0.22 468	0.22 490	0.40 544	0.38 494	0.24 468	0.33 480	0.26 452	0.22 474	0.22 475	0.25 501	0.11 465	0.07 404	0.11 473	0.10 457	0.09 415	0.08 372

w-ln-seven-2	0.20 465	0.14 488	0.39 539	0.23 508	0.12 452	0.21 454	0.21 476	0.29 436	0.38 494	0.25 481	0.38 509	0.28 469	0.23 480	0.21 457	0.25 501	0.08 334	0.08 436	0.09 396	0.09 418	0.10 449	0.09 417

w-ln-seven	0.24 511	0.15 495	0.58 568	0.20 431	0.14 496	0.26 511	0.22 490	0.36 519	0.62 571	0.30 522	0.40 520	0.30 487	0.23 480	0.22 475	0.28 528	0.09 392	0.09 468	0.11 473	0.10 457	0.11 471	0.10 446

SACVNet	0.19 456	0.12 445	0.15 322	0.17 231	0.13 478	0.22 468	0.18 394	0.31 463	0.31 441	0.24 468	0.31 465	0.30 487	0.23 480	0.23 483	0.17 406	0.11 465	0.08 436	0.10 443	0.10 457	0.12 488	0.14 521

FINET	0.22 487	0.18 530	0.28 500	0.19 373	0.16 528	0.24 490	0.24 512	0.33 482	0.49 538	0.26 486	0.33 480	0.22 403	0.23 480	0.23 483	0.18 419	0.18 556	0.16 552	0.11 473	0.10 457	0.15 531	0.14 521

hitnet-ft	0.18 444	0.10 401	0.17 387	0.14 37	0.09 253	0.27 520	0.20 459	0.25 366	0.26 391	0.24 468	0.32 474	0.32 509	0.23 480	0.24 494	0.21 457	0.12 490	0.07 404	0.10 443	0.08 373	0.12 488	0.11 470

ADCRef	0.20 465	0.12 445	0.43 549	0.20 431	0.12 452	0.23 482	0.18 394	0.32 468	0.37 488	0.26 486	0.33 480	0.18 350	0.23 480	0.25 499	0.26 514	0.07 270	0.06 333	0.09 396	0.09 418	0.08 351	0.09 417

NaN_ROB	0.23 500	0.20 539	0.25 486	0.25 529	0.13 478	0.31 539	0.27 542	0.34 497	0.41 510	0.31 529	0.31 465	0.32 509	0.23 480	0.31 528	0.22 470	0.11 465	0.17 556	0.10 443	0.11 487	0.08 351	0.09 417

PSMNet_ROB	0.22 487	0.12 445	0.15 322	0.27 546	0.15 514	0.25 499	0.36 578	0.43 560	0.37 488	0.27 493	0.33 480	0.32 509	0.23 480	0.21 457	0.27 520	0.12 490	0.08 436	0.13 508	0.11 487	0.10 449	0.09 417

CBMV	0.20 465	0.15 495	0.18 421	0.18 313	0.10 365	0.20 443	0.11 53	0.30 447	0.31 441	0.29 516	0.31 465	0.31 502	0.23 480	0.28 514	0.19 434	0.13 508	0.15 547	0.17 543	0.16 546	0.10 449	0.10 446
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.25 518	0.15 495	0.47 554	0.19 373	0.13 478	0.28 530	0.25 528	0.35 512	0.64 575	0.27 493	0.57 567	0.29 477	0.24 489	0.32 533	0.27 520	0.08 334	0.08 436	0.08 311	0.08 373	0.10 449	0.10 446

PSMNet-RUCA	0.28 541	0.33 574	0.42 547	0.36 573	0.32 580	0.18 402	0.20 459	0.42 554	0.30 433	0.33 540	0.41 531	0.40 548	0.24 489	0.31 528	0.20 444	0.19 559	0.11 504	0.25 564	0.15 542	0.22 560	0.16 544

ToySt	0.17 428	0.11 426	0.19 444	0.17 231	0.11 421	0.16 363	0.26 537	0.24 345	0.33 452	0.19 388	0.24 371	0.26 452	0.24 489	0.19 421	0.21 457	0.07 270	0.08 436	0.09 396	0.10 457	0.09 415	0.08 372

RYNet	0.23 500	0.12 445	0.22 469	0.19 373	0.17 540	0.47 571	0.26 537	0.39 541	0.49 538	0.24 468	0.29 454	0.34 520	0.24 489	0.20 439	0.31 549	0.10 433	0.06 333	0.09 396	0.09 418	0.14 519	0.15 535

PS-NSSS	0.20 465	0.21 544	0.23 477	0.20 431	0.10 365	0.19 424	0.17 345	0.36 519	0.26 391	0.27 493	0.34 490	0.27 459	0.24 489	0.20 439	0.20 444	0.15 533	0.12 520	0.17 543	0.14 526	0.10 449	0.09 417

CBMV_ROB	0.19 456	0.13 473	0.18 421	0.16 154	0.11 421	0.16 363	0.12 81	0.27 393	0.29 427	0.27 493	0.31 465	0.27 459	0.24 489	0.24 494	0.16 389	0.15 533	0.18 558	0.22 561	0.20 559	0.10 449	0.12 491

NOSS_ROB	0.19 456	0.13 473	0.18 421	0.16 154	0.12 452	0.16 363	0.12 81	0.30 447	0.33 452	0.20 410	0.22 354	0.27 459	0.24 489	0.21 457	0.16 389	0.16 550	0.18 558	0.23 562	0.21 561	0.13 503	0.13 505

DispFullNet	0.27 538	0.22 548	0.66 576	0.28 553	0.17 540	0.27 520	0.17 345	0.34 497	0.57 560	0.27 493	0.37 502	0.43 555	0.24 489	0.39 561	0.25 501	0.12 490	0.06 333	0.19 554	0.11 487	0.23 563	0.16 544

zh-mn7	0.26 530	0.15 495	0.59 570	0.19 373	0.14 496	0.24 490	0.22 490	0.35 512	0.63 574	0.35 542	0.67 576	0.31 502	0.25 497	0.31 528	0.26 514	0.09 392	0.08 436	0.09 396	0.09 418	0.09 415	0.11 470

HBP-ISP	0.18 444	0.13 473	0.17 387	0.15 79	0.11 421	0.08 54	0.13 125	0.28 417	0.30 433	0.22 441	0.33 480	0.21 385	0.25 497	0.23 483	0.18 419	0.15 533	0.17 556	0.21 557	0.17 553	0.10 449	0.09 417

WZ-Net	0.29 545	0.17 516	0.82 594	0.23 508	0.16 528	0.35 551	0.29 559	0.40 544	0.59 565	0.24 468	0.57 567	0.37 531	0.25 497	0.34 540	0.37 566	0.09 392	0.08 436	0.09 396	0.10 457	0.14 519	0.16 544

Syn2CoEx	0.22 487	0.16 506	0.29 509	0.29 560	0.15 514	0.26 511	0.21 476	0.34 497	0.32 447	0.29 516	0.36 499	0.28 469	0.25 497	0.20 439	0.25 501	0.16 550	0.12 520	0.14 521	0.11 487	0.09 415	0.08 372

psm_up	0.19 456	0.10 401	0.18 421	0.21 466	0.11 421	0.17 386	0.19 438	0.38 535	0.34 463	0.22 441	0.28 439	0.29 477	0.25 497	0.20 439	0.22 470	0.09 392	0.10 491	0.11 473	0.11 487	0.08 351	0.08 372

RP	0.22 487	0.13 473	0.22 469	0.23 508	0.12 452	0.21 454	0.20 459	0.26 379	0.45 527	0.22 441	0.38 509	0.37 531	0.25 497	0.28 514	0.25 501	0.11 465	0.12 520	0.13 508	0.12 509	0.13 503	0.14 521

DLCB_ROB	0.18 444	0.10 401	0.16 364	0.23 508	0.11 421	0.24 490	0.18 394	0.30 447	0.28 420	0.27 493	0.29 454	0.28 469	0.25 497	0.20 439	0.20 444	0.08 334	0.08 436	0.09 396	0.09 418	0.07 285	0.07 303

PWC_ROB	0.21 479	0.16 506	0.27 497	0.18 313	0.11 421	0.22 468	0.13 125	0.33 482	0.49 538	0.30 522	0.40 520	0.32 509	0.25 497	0.31 528	0.23 481	0.10 433	0.07 404	0.11 473	0.08 373	0.11 471	0.10 446

FSD					0.23 564	0.25 499	0.25 528	0.27 393	0.26 391	0.25 481	0.26 410	0.26 452	0.26 505	0.27 505	0.24 493	0.21 567	0.20 564	0.27 568	0.26 571	0.25 571

test_sample8	0.20 465	0.12 445	0.21 459	0.13 10	0.14 496	0.18 402	0.14 182	0.32 468	0.21 311	0.28 506	0.22 354	0.36 528	0.26 505	0.19 421	0.18 419	0.15 533	0.30 583	0.14 521	0.14 526	0.15 531	0.13 505

Wz-Net-SNSev	0.26 530	0.17 516	0.46 551	0.25 529	0.14 496	0.26 511	0.24 512	0.38 535	0.57 560	0.30 522	0.56 563	0.39 542	0.26 505	0.24 494	0.32 554	0.10 433	0.09 468	0.10 443	0.11 487	0.11 471	0.11 470

DDUNet	0.23 500	0.18 530	0.22 469	0.22 487	0.15 514	0.25 499	0.24 512	0.30 447	0.31 441	0.31 529	0.37 502	0.34 520	0.26 505	0.25 499	0.21 457	0.18 556	0.13 533	0.17 543	0.11 487	0.16 543	0.17 553

PA-Net	0.24 511	0.18 530	0.34 528	0.28 553	0.22 563	0.22 468	0.39 583	0.29 436	0.39 499	0.22 441	0.33 480	0.25 442	0.26 505	0.21 457	0.25 501	0.10 433	0.23 577	0.15 532	0.22 564	0.09 415	0.13 505
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.20 465	0.09 334	0.22 469	0.17 231	0.10 365	0.25 499	0.18 394	0.28 417	0.45 527	0.23 456	0.32 474	0.34 520	0.26 505	0.29 521	0.29 537	0.08 334	0.06 333	0.07 225	0.07 301	0.09 415	0.10 446

LALA_ROB	0.25 518	0.16 506	0.23 477	0.27 546	0.17 540	0.27 520	0.27 542	0.42 554	0.38 494	0.33 540	0.39 517	0.51 570	0.26 505	0.29 521	0.28 528	0.16 550	0.09 468	0.13 508	0.12 509	0.13 503	0.13 505

ACVNet-4b	0.39 565	0.53 585	0.56 563	0.45 581	0.24 568	0.46 570	0.18 394	0.50 573	0.64 575	0.42 561	0.45 546	0.60 578	0.27 512	0.34 540	0.24 493	0.33 583	0.14 543	0.48 586	0.42 588	0.31 581	0.27 578

Anonymous_2	0.22 487	0.17 516	0.28 500	0.15 79	0.16 528	0.33 543	0.22 490	0.23 321	0.18 248	0.23 456	0.24 371	0.26 452	0.27 512	0.27 505	0.24 493	0.22 571	0.26 579	0.17 543	0.17 553	0.16 543	0.18 557

DMCA-RVC	0.17 428	0.10 401	0.16 364	0.24 521	0.11 421	0.19 424	0.18 394	0.26 379	0.24 354	0.21 426	0.27 428	0.25 442	0.27 512	0.18 396	0.21 457	0.12 490	0.08 436	0.13 508	0.10 457	0.10 449	0.08 372

AF-Net	0.23 500	0.17 516	0.17 387	0.27 546	0.13 478	0.26 511	0.24 512	0.33 482	0.51 546	0.25 481	0.33 480	0.39 542	0.27 512	0.28 514	0.26 514	0.11 465	0.10 491	0.16 540	0.12 509	0.11 471	0.11 470

stereogan	0.22 487	0.11 426	0.21 459	0.20 431	0.12 452	0.32 541	0.19 438	0.36 519	0.45 527	0.23 456	0.39 517	0.35 526	0.27 512	0.33 537	0.23 481	0.10 433	0.12 520	0.10 443	0.10 457	0.14 519	0.14 521

FBW_ROB	0.25 518	0.17 516	0.23 477	0.27 546	0.14 496	0.26 511	0.22 490	0.42 554	0.43 521	0.42 561	0.41 531	0.43 555	0.27 512	0.32 533	0.24 493	0.09 392	0.15 547	0.15 532	0.12 509	0.12 488	0.10 446

SANet	0.25 518	0.14 488	0.29 509	0.21 466	0.11 421	0.29 534	0.25 528	0.40 544	0.65 578	0.36 545	0.40 520	0.42 553	0.27 512	0.27 505	0.25 501	0.12 490	0.09 468	0.10 443	0.09 418	0.13 503	0.12 491

XPNet_ROB	0.22 487	0.12 445	0.20 449	0.22 487	0.13 478	0.22 468	0.19 438	0.35 512	0.40 503	0.30 522	0.40 520	0.38 537	0.27 512	0.26 503	0.29 537	0.15 533	0.10 491	0.10 443	0.10 457	0.13 503	0.12 491

ETE_ROB	0.23 500	0.17 516	0.23 477	0.25 529	0.14 496	0.26 511	0.29 559	0.32 468	0.37 488	0.28 506	0.37 502	0.45 559	0.27 512	0.28 514	0.27 520	0.11 465	0.09 468	0.12 494	0.10 457	0.14 519	0.13 505

DStereoO	0.25 518	0.18 530	0.19 444	0.20 431	0.15 514	0.22 468	0.19 438	0.33 482	0.42 512	0.30 522	0.22 354	0.33 515	0.28 521	0.42 572	0.28 528	0.47 591	0.12 520	0.31 579	0.11 487	0.17 550	0.12 491

MSAF-DinoV2	0.23 500	0.11 426	0.25 486	0.17 231	0.10 365	0.28 530	0.17 345	0.38 535	0.56 558	0.21 426	0.27 428	0.47 566	0.28 521	0.36 549	0.40 572	0.09 392	0.06 333	0.07 225	0.09 418	0.12 488	0.11 470

aanetorigin	0.22 487	0.17 516	0.57 565	0.18 313	0.10 365	0.16 363	0.19 438	0.20 260	0.33 452	0.49 572	0.48 552	0.30 487	0.28 521	0.21 457	0.24 493	0.08 334	0.07 404	0.08 311	0.07 301	0.10 449	0.09 417

RGC	0.25 518	0.20 539	0.29 509	0.28 553	0.16 528	0.22 468	0.23 502	0.33 482	0.44 523	0.27 493	0.40 520	0.38 537	0.28 521	0.37 554	0.23 481	0.11 465	0.13 533	0.17 543	0.17 553	0.15 531	0.16 544

DeepPrunerF	0.24 511	0.17 516	0.45 550	0.26 538	0.16 528	0.23 482	0.29 559	0.37 528	0.51 546	0.27 493	0.31 465	0.24 429	0.28 521	0.22 475	0.23 481	0.15 533	0.11 504	0.20 556	0.18 557	0.12 488	0.14 521

UDG	0.21 479	0.17 516	0.20 449	0.23 508	0.15 514	0.31 539	0.20 459	0.33 482	0.35 477	0.24 468	0.28 439	0.31 502	0.29 526	0.21 457	0.23 481	0.15 533	0.12 520	0.13 508	0.09 418	0.14 519	0.15 535

APVNet	0.23 500	0.12 445	0.20 449	0.18 313	0.14 496	0.32 541	0.31 567	0.40 544	0.33 452	0.27 493	0.40 520	0.30 487	0.29 526	0.27 505	0.25 501	0.11 465	0.12 520	0.11 473	0.14 526	0.12 488	0.13 505

S-Stereo	0.21 479	0.12 445	0.25 486	0.21 466	0.13 478	0.21 454	0.19 438	0.33 482	0.45 527	0.23 456	0.36 499	0.28 469	0.29 526	0.20 439	0.23 481	0.09 392	0.12 520	0.10 443	0.10 457	0.13 503	0.14 521

G-Net	0.25 518	0.17 516	0.38 538	0.23 508	0.16 528	0.51 574	0.23 502	0.29 436	0.35 477	0.36 545	0.38 509	0.31 502	0.29 526	0.28 514	0.27 520	0.11 465	0.09 468	0.12 494	0.10 457	0.16 543	0.14 521

NCC-stereo	0.25 518	0.15 495	0.31 518	0.26 538	0.17 540	0.21 454	0.31 567	0.41 549	0.40 503	0.24 468	0.38 509	0.33 515	0.29 526	0.37 554	0.28 528	0.13 508	0.11 504	0.15 532	0.22 564	0.13 503	0.13 505

Nwc_Net	0.23 500	0.17 516	0.22 469	0.25 529	0.15 514	0.25 499	0.27 542	0.38 535	0.39 499	0.22 441	0.41 531	0.30 487	0.29 526	0.28 514	0.25 501	0.11 465	0.10 491	0.17 543	0.20 559	0.10 449	0.11 470

Abc-Net	0.25 518	0.15 495	0.31 518	0.26 538	0.17 540	0.21 454	0.31 567	0.41 549	0.40 503	0.24 468	0.38 509	0.33 515	0.29 526	0.37 554	0.28 528	0.13 508	0.11 504	0.15 532	0.22 564	0.13 503	0.13 505
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 530	0.15 495	0.31 518	0.24 521	0.18 550	0.23 482	0.15 256	0.39 541	0.72 585	0.32 536	0.42 539	0.36 528	0.29 526	0.33 537	0.30 544	0.13 508	0.11 504	0.14 521	0.13 520	0.16 543	0.20 565

ADCPNet	0.26 530	0.17 516	0.62 573	0.21 466	0.15 514	0.36 555	0.25 528	0.33 482	0.37 488	0.31 529	0.41 531	0.36 528	0.29 526	0.29 521	0.34 560	0.12 490	0.10 491	0.11 473	0.12 509	0.14 519	0.13 505

GANet	0.22 487	0.13 473	0.21 459	0.25 529	0.14 496	0.23 482	0.22 490	0.42 554	0.27 404	0.31 529	0.43 542	0.37 531	0.29 526	0.23 483	0.23 481	0.10 433	0.12 520	0.10 443	0.09 418	0.10 449	0.08 372

NCCL2	0.24 511	0.15 495	0.18 421	0.34 569	0.18 550	0.24 490	0.24 512	0.34 497	0.29 427	0.31 529	0.38 509	0.38 537	0.29 526	0.23 483	0.25 501	0.15 533	0.12 520	0.18 552	0.21 561	0.13 503	0.13 505

ccnet	0.30 548	0.28 563	0.24 483	0.20 431	0.28 575	0.41 567	0.22 490	0.46 569	0.33 452	0.37 549	0.46 549	0.37 531	0.30 537	0.40 565	0.43 577	0.23 576	0.14 543	0.21 557	0.17 553	0.23 563	0.19 562

MFN_U_SF_DS_RVC	0.30 548	0.24 554	0.30 515	0.36 573	0.16 528	0.36 555	0.31 567	0.34 497	0.43 521	0.41 559	0.46 549	0.38 537	0.30 537	0.35 545	0.29 537	0.19 559	0.20 564	0.26 565	0.29 578	0.18 554	0.19 562

XQC	0.29 545	0.23 551	0.53 559	0.29 560	0.19 554	0.36 555	0.28 548	0.37 528	0.58 563	0.31 529	0.31 465	0.37 531	0.30 537	0.39 561	0.39 570	0.13 508	0.09 468	0.15 532	0.12 509	0.18 554	0.18 557

DPSNet	0.28 541	0.16 506	0.33 525	0.18 313	0.13 478	0.55 577	0.42 586	0.52 578	0.68 580	0.29 516	0.38 509	0.39 542	0.30 537	0.32 533	0.23 481	0.11 465	0.10 491	0.11 473	0.08 373	0.20 559	0.16 544

PDISCO_ROB	0.28 541	0.16 506	0.28 500	0.28 553	0.20 557	0.33 543	0.27 542	0.45 566	0.58 563	0.28 506	0.41 531	0.45 559	0.30 537	0.34 540	0.35 561	0.12 490	0.09 468	0.17 543	0.16 546	0.17 550	0.13 505

ADCL	0.25 518	0.12 445	0.49 557	0.22 487	0.12 452	0.36 555	0.29 559	0.30 447	0.57 560	0.24 468	0.47 551	0.30 487	0.31 542	0.30 527	0.30 544	0.09 392	0.07 404	0.09 396	0.09 418	0.10 449	0.10 446

CC-Net-ROB	0.28 541	0.31 572	0.36 536	0.30 563	0.15 514	0.25 499	0.19 438	0.45 566	0.34 463	0.39 552	0.37 502	0.39 542	0.31 542	0.27 505	0.27 520	0.24 578	0.18 558	0.30 578	0.23 568	0.19 557	0.15 535

zh-sn7	0.26 530	0.17 516	0.55 562	0.24 521	0.14 496	0.25 499	0.25 528	0.34 497	0.49 538	0.29 516	0.55 561	0.29 477	0.32 544	0.37 554	0.33 557	0.10 433	0.10 491	0.11 473	0.11 487	0.12 488	0.12 491

DANet	0.21 479	0.16 506	0.29 509	0.25 529	0.13 478	0.23 482	0.19 438	0.28 417	0.27 404	0.28 506	0.32 474	0.35 526	0.32 544	0.31 528	0.24 493	0.11 465	0.09 468	0.11 473	0.10 457	0.13 503	0.11 470
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	0.31 554	0.34 575	0.29 509	0.35 571	0.16 528	0.33 543	0.42 586	0.48 571	0.52 552	0.35 542	0.35 494	0.34 520	0.32 544	0.40 565	0.33 557	0.27 580	0.20 564	0.29 576	0.15 542	0.19 557	0.18 557
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	0.21 479	0.13 473	0.22 469	0.21 466	0.12 452	0.18 402	0.18 394	0.35 512	0.40 503	0.28 506	0.37 502	0.33 515	0.33 547	0.21 457	0.20 444	0.09 392	0.11 504	0.10 443	0.09 418	0.11 471	0.14 521

DStereoSA	0.26 530	0.19 534	0.39 539	0.27 546	0.17 540	0.23 482	0.21 476	0.50 573	0.60 566	0.22 441	0.30 460	0.29 477	0.34 548	0.40 565	0.29 537	0.12 490	0.11 504	0.16 540	0.14 526	0.15 531	0.12 491

otaku	0.39 565	0.38 578	0.53 559	0.44 580	0.28 575	0.57 579	0.24 512	0.42 554	0.62 571	0.40 555	0.50 555	0.46 563	0.34 548	0.40 565	0.33 557	0.30 581	0.30 583	0.39 583	0.33 583	0.30 578	0.29 579

AnyNet_C32	0.26 530	0.16 506	0.39 539	0.20 431	0.17 540	0.26 511	0.31 567	0.32 468	0.45 527	0.31 529	0.50 555	0.30 487	0.34 548	0.41 571	0.36 562	0.12 490	0.12 520	0.12 494	0.14 526	0.14 519	0.15 535

CSAN	0.30 548	0.24 554	0.28 500	0.34 569	0.19 554	0.34 547	0.42 586	0.38 535	0.51 546	0.38 551	0.40 520	0.44 558	0.34 548	0.29 521	0.31 549	0.19 559	0.16 552	0.19 554	0.19 558	0.14 519	0.15 535

edge stereo	0.23 500	0.14 488	0.21 459	0.21 466	0.13 478	0.24 490	0.16 316	0.32 468	0.42 512	0.32 536	0.40 520	0.39 542	0.35 552	0.25 499	0.25 501	0.13 508	0.11 504	0.14 521	0.11 487	0.12 488	0.14 521

PASM	0.33 556	0.25 559	0.51 558	0.28 553	0.27 574	0.30 537	0.31 567	0.35 512	0.51 546	0.36 545	0.40 520	0.47 566	0.35 552	0.34 540	0.36 562	0.23 576	0.26 579	0.26 565	0.28 577	0.23 563	0.21 566

WCMA_ROB	0.24 511	0.11 426	0.24 483	0.17 231	0.14 496	0.34 547	0.16 316	0.33 482	0.33 452	0.39 552	0.54 560	0.40 548	0.35 552	0.35 545	0.26 514	0.12 490	0.12 520	0.12 494	0.11 487	0.14 519	0.14 521

DStereoFS	0.27 538	0.22 548	0.32 522	0.23 508	0.15 514	0.23 482	0.21 476	0.52 578	0.49 538	0.28 506	0.45 546	0.34 520	0.36 555	0.53 582	0.29 537	0.13 508	0.11 504	0.15 532	0.13 520	0.17 550	0.17 553

SGM_RVC	0.24 511	0.12 445	0.16 364	0.15 79	0.09 253	0.34 547	0.19 438	0.35 512	0.32 447	0.44 566	0.38 509	0.53 574	0.36 555	0.36 549	0.26 514	0.13 508	0.13 533	0.13 508	0.13 520	0.11 471	0.11 470
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.30 548	0.19 534	0.48 556	0.21 466	0.18 550	0.29 534	0.24 512	0.42 554	0.64 575	0.40 555	0.50 555	0.40 548	0.37 557	0.40 565	0.43 577	0.13 508	0.13 533	0.13 508	0.14 526	0.16 543	0.16 544

LSM	0.34 562	0.21 544	0.62 573	0.27 546	0.62 599	0.35 551	0.26 537	0.43 560	0.49 538	0.45 568	0.60 574	0.42 553	0.37 557	0.35 545	0.26 514	0.13 508	0.21 574	0.14 521	0.16 546	0.18 554	0.34 585

psmorigin	0.25 518	0.16 506	0.35 534	0.17 231	0.13 478	0.24 490	0.14 182	0.34 497	0.34 463	0.41 559	0.55 561	0.41 551	0.38 559	0.35 545	0.28 528	0.11 465	0.15 547	0.11 473	0.11 487	0.12 488	0.17 553

Wz-Net-TNSev	0.29 545	0.20 539	0.69 584	0.19 373	0.15 514	0.38 561	0.27 542	0.36 519	0.56 558	0.35 542	0.42 539	0.45 559	0.39 560	0.33 537	0.31 549	0.13 508	0.13 533	0.10 443	0.12 509	0.15 531	0.15 535

MFN_U_SF_RVC	0.33 556	0.22 548	0.58 568	0.31 565	0.15 514	0.36 555	0.17 345	0.54 582	0.46 534	0.47 571	0.56 563	0.58 577	0.39 560	0.36 549	0.38 569	0.15 533	0.15 547	0.18 552	0.21 561	0.16 543	0.16 544

SAMSARA	0.41 568	0.28 563	0.34 528	0.55 587	0.39 582	0.85 598	1.25 614	0.49 572	0.52 552	0.36 545	0.35 494	0.56 576	0.39 560	0.39 561	0.41 574	0.15 533	0.20 564	0.15 532	0.14 526	0.23 563	0.21 566

AnyNet_C01	0.37 563	0.26 560	1.41 605	0.22 487	0.17 540	0.51 574	0.28 548	0.36 519	0.40 503	0.39 552	0.75 586	0.46 563	0.39 560	0.46 575	0.50 587	0.13 508	0.13 533	0.13 508	0.14 526	0.14 519	0.16 544

EDNetEfficient	0.30 548	0.24 554	1.18 602	0.18 313	0.10 365	0.20 443	0.20 459	0.21 278	0.61 568	0.74 590	0.56 563	0.30 487	0.40 564	0.23 483	0.32 554	0.09 392	0.07 404	0.08 311	0.07 301	0.11 471	0.10 446

FC-DCNN v2	0.33 556	0.28 563	0.28 500	0.26 538	0.23 564	0.39 563	0.29 559	0.41 549	0.44 523	0.46 569	0.57 567	0.51 570	0.41 565	0.38 559	0.30 544	0.21 567	0.20 564	0.27 568	0.26 571	0.25 571	0.24 571

FC-DCNN	0.33 556	0.28 563	0.28 500	0.26 538	0.23 564	0.38 561	0.29 559	0.40 544	0.44 523	0.46 569	0.56 563	0.51 570	0.41 565	0.38 559	0.31 549	0.21 567	0.20 564	0.27 568	0.26 571	0.25 571	0.24 571

MSMD_ROB	0.31 554	0.26 560	0.26 495	0.24 521	0.21 560	0.34 547	0.25 528	0.34 497	0.39 499	0.40 555	0.69 580	0.45 559	0.41 565	0.34 540	0.28 528	0.20 564	0.20 564	0.26 565	0.25 570	0.23 563	0.22 569

MeshStereo	0.27 538	0.13 473	0.18 421	0.15 79	0.11 421	0.33 543	0.24 512	0.41 549	0.36 482	0.53 575	0.58 571	0.67 584	0.41 565	0.36 549	0.27 520	0.14 529	0.13 533	0.13 508	0.11 487	0.11 471	0.11 470
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	0.41 568	0.40 580	0.54 561	0.46 584	0.30 579	0.64 583	0.24 512	0.47 570	0.68 580	0.42 561	0.49 553	0.47 566	0.42 569	0.40 565	0.32 554	0.32 582	0.28 581	0.37 582	0.31 581	0.33 583	0.29 579

FCDSN-DC	0.33 556	0.28 563	0.28 500	0.30 563	0.24 568	0.39 563	0.28 548	0.43 560	0.42 512	0.44 566	0.53 559	0.51 570	0.42 569	0.37 554	0.30 544	0.21 567	0.20 564	0.27 568	0.26 571	0.25 571	0.25 573
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ADCMid	0.26 530	0.15 495	0.42 547	0.20 431	0.14 496	0.25 499	0.26 537	0.35 512	0.40 503	0.37 549	0.45 546	0.34 520	0.42 569	0.36 549	0.36 562	0.10 433	0.09 468	0.11 473	0.11 487	0.13 503	0.13 505

RTS	0.46 575	0.19 534	3.33 611	0.25 529	0.15 514	0.72 590	0.21 476	0.37 528	0.78 592	0.42 561	0.44 544	0.31 502	0.43 572	0.55 585	0.37 566	0.10 433	0.09 468	0.13 508	0.13 520	0.15 531	0.15 535

RTSA	0.46 575	0.19 534	3.33 611	0.25 529	0.15 514	0.72 590	0.21 476	0.37 528	0.78 592	0.42 561	0.44 544	0.31 502	0.43 572	0.55 585	0.37 566	0.10 433	0.09 468	0.13 508	0.13 520	0.15 531	0.15 535

SGM-ForestM	0.33 556	0.12 445	0.17 387	0.16 154	0.11 421	0.42 568	0.20 459	0.43 560	0.53 555	0.53 575	0.57 567	1.41 607	0.44 574	0.42 572	0.29 537	0.14 529	0.16 552	0.16 540	0.16 546	0.12 488	0.13 505

RainbowNet	0.54 582	0.61 589	0.71 589	0.57 588	0.43 586	0.66 585	0.37 579	0.60 590	0.87 596	0.51 573	0.67 576	0.63 580	0.47 575	0.50 577	0.44 580	0.47 591	0.48 597	0.53 590	0.41 587	0.53 590	0.41 591

coex-ft	3.24 611	0.35 576	57.83 638	0.18 313	0.13 478	0.27 520	0.23 502	0.28 417	0.72 585	1.89 616	0.70 581	0.43 555	0.47 575	0.29 521	0.43 577	0.09 392	0.09 468	0.12 494	0.09 418	0.14 519	0.14 521

LE_ROB	0.50 580	0.07 141	0.14 285	0.15 79	0.08 140	0.26 511	0.17 345	0.23 321	1.71 614	4.68 618	0.67 576	0.46 563	0.47 575	0.21 457	0.30 544	0.07 270	0.06 333	0.06 122	0.06 205	0.08 351	0.06 223

ACVNet_1	0.45 574	0.51 584	0.61 571	0.45 581	0.28 575	0.50 572	0.28 548	0.58 589	0.71 584	0.63 581	0.59 573	0.74 589	0.50 578	0.50 577	0.36 562	0.26 579	0.25 578	0.39 583	0.29 578	0.32 582	0.25 573

Consistency-Raft	0.44 572	0.40 580	0.46 551	0.37 575	0.43 586	0.42 568	0.41 584	0.57 584	0.55 556	0.32 536	0.73 584	0.32 509	0.50 578	0.42 572	0.49 586	0.39 585	0.36 588	0.45 585	0.52 597	0.42 586	0.30 581

EDNetEfficientorigin	7.92 618	0.32 573	152.98 639	0.20 431	0.10 365	0.22 468	0.17 345	0.23 321	0.60 566	0.73 588	0.67 576	0.41 551	0.51 580	0.24 494	0.41 574	0.08 334	0.07 404	0.09 396	0.07 301	0.12 488	0.11 470

TCMNet-wrong-test	3.69 612	5.54 624	3.91 615	12.22 624	11.75 626	4.77 616	3.86 618	1.08 610	0.74 589	1.13 608	2.21 617	6.16 621	0.53 581	3.43 618	2.33 616	0.90 611	0.20 564	1.85 618	1.69 617	5.71 622	3.79 622

anonymity	0.53 581	0.58 586	0.66 576	0.41 577	0.61 598	0.54 576	0.41 584	0.57 584	0.41 510	0.56 579	0.50 555	0.50 569	0.55 582	0.59 590	0.50 587	0.58 598	0.50 601	0.51 588	0.51 595	0.52 588	0.58 596

MSC_U_SF_DS_RVC	0.44 572	0.39 579	0.56 563	0.40 576	0.20 557	0.66 585	0.33 576	0.54 582	0.72 585	0.71 586	0.72 583	0.62 579	0.55 582	0.52 580	0.47 584	0.20 564	0.19 563	0.29 576	0.30 580	0.24 569	0.19 562

ELAS_RVC	0.42 570	0.29 570	0.33 525	0.28 553	0.24 568	0.56 578	0.38 581	0.50 573	0.61 568	0.74 590	0.76 587	0.67 584	0.56 584	0.55 585	0.42 576	0.22 571	0.21 574	0.27 568	0.26 571	0.27 577	0.26 576
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 570	0.29 570	0.34 528	0.28 553	0.24 568	0.63 582	0.37 579	0.52 578	0.52 552	0.72 587	0.82 591	0.68 586	0.56 584	0.52 580	0.45 583	0.22 571	0.21 574	0.27 568	0.26 571	0.26 575	0.26 576
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM+DAISY	0.57 584	0.58 586	0.67 580	0.41 577	0.55 592	0.68 587	0.51 592	0.57 584	0.46 534	0.67 582	0.70 581	0.69 587	0.57 586	0.64 592	0.58 592	0.59 599	0.49 598	0.50 587	0.50 594	0.52 588	0.59 599

SPS-STEREO	0.58 585	0.59 588	0.66 576	0.45 581	0.55 592	0.65 584	0.44 589	0.63 591	0.51 546	0.69 584	0.65 575	0.66 583	0.58 587	0.62 591	0.62 595	0.62 601	0.47 596	0.51 588	0.49 592	0.55 591	0.58 596
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MonStereo1	0.49 579	0.27 562	0.61 571	0.29 560	0.20 557	0.40 565	0.19 438	0.51 577	0.66 579	0.53 575	0.91 595	1.02 594	0.59 588	0.51 579	0.58 592	0.53 595	0.32 586	0.55 592	0.40 586	0.36 584	0.38 588

PVD	0.40 567	0.21 544	0.40 542	0.32 568	0.23 564	0.30 537	0.45 590	0.53 581	0.97 599	0.55 578	0.80 590	0.54 575	0.60 589	0.53 582	0.40 572	0.19 559	0.14 543	0.17 543	0.14 526	0.24 569	0.32 583

PWCK	0.72 590	0.95 604	0.99 600	0.77 593	0.32 580	0.79 595	0.38 581	0.92 598	0.90 597	0.96 601	0.76 587	0.97 593	0.62 590	0.87 602	0.68 598	0.73 605	0.46 592	0.76 600	0.49 592	0.71 602	0.44 593

MANE	0.47 577	0.28 563	0.28 500	0.27 546	0.24 568	0.50 572	0.32 575	0.57 584	0.62 571	0.74 590	1.20 609	1.21 600	0.64 591	0.54 584	0.39 570	0.22 571	0.20 564	0.27 568	0.31 581	0.26 575	0.25 573

BEATNet-Init1	0.54 582	0.28 563	0.68 583	0.31 565	0.21 560	0.85 598	0.31 567	0.57 584	0.69 583	0.89 597	1.00 599	2.17 614	0.66 592	0.58 589	0.44 580	0.19 559	0.18 558	0.23 562	0.22 564	0.22 560	0.21 566

MADNet+	0.76 593	0.72 595	3.76 614	0.67 590	0.41 584	0.99 604	0.97 612	0.72 593	0.75 590	0.52 574	0.58 571	0.64 582	0.68 593	0.89 605	1.04 611	0.35 584	0.36 588	0.28 575	0.23 568	0.38 585	0.33 584

MFMNet_re	0.65 586	0.66 593	0.66 576	0.51 585	0.69 603	0.70 588	0.58 596	0.65 592	0.75 590	0.61 580	0.73 584	0.63 580	0.68 593	0.65 593	0.60 594	0.66 603	0.58 610	0.63 593	0.59 598	0.68 599	0.69 606

NVStereoNet_ROB	0.47 577	0.37 577	0.47 554	0.42 579	0.29 578	0.35 551	0.35 577	0.50 573	0.61 568	0.73 588	0.94 596	0.70 588	0.68 593	0.48 576	0.62 595	0.22 571	0.33 587	0.34 581	0.34 585	0.30 578	0.31 582
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	0.67 589	0.68 594	0.70 587	0.64 589	0.41 584	0.75 593	0.50 591	0.98 604	1.38 609	0.90 598	1.09 603	1.04 595	0.74 596	0.55 585	0.48 585	0.43 587	0.40 590	0.53 590	0.45 589	0.48 587	0.36 587

TorneroNet-64	0.76 593	0.73 596	0.77 592	0.78 595	0.58 597	0.94 603	0.58 596	0.85 597	1.26 604	0.67 582	0.88 593	1.41 607	0.76 597	0.87 602	0.68 598	0.49 593	0.46 592	0.73 597	0.59 598	0.68 599	0.54 595

IMH-64-1	0.66 587	0.62 590	0.69 584	0.72 591	0.51 589	0.60 580	0.51 592	0.92 598	0.84 594	0.75 593	1.02 600	0.81 590	0.78 598	0.80 596	0.50 587	0.43 587	0.46 592	0.72 595	0.48 590	0.55 591	0.40 589

IMH-64	0.66 587	0.62 590	0.69 584	0.72 591	0.51 589	0.60 580	0.51 592	0.92 598	0.84 594	0.75 593	1.02 600	0.81 590	0.78 598	0.80 596	0.50 587	0.43 587	0.46 592	0.72 595	0.48 590	0.55 591	0.40 589

JetBlue	0.73 592	0.46 583	1.21 603	0.52 586	0.47 588	2.16 614	0.67 602	0.78 594	0.72 585	0.70 585	0.79 589	1.21 600	0.84 600	1.06 611	1.04 611	0.40 586	0.28 581	0.33 580	0.33 583	0.30 578	0.34 585

LVE	0.84 598	0.87 602	0.86 597	0.81 596	0.56 594	1.09 609	0.66 601	1.07 608	1.45 611	0.97 602	1.23 611	1.11 598	0.86 601	0.84 599	0.72 602	0.49 593	0.56 607	0.76 600	0.60 600	0.66 597	0.60 602

TorneroNet	0.83 597	0.75 597	0.83 596	0.85 598	0.63 600	1.03 607	0.65 600	0.96 602	1.14 602	0.80 595	1.10 605	1.36 605	0.88 602	0.95 607	0.82 606	0.57 596	0.49 598	0.79 603	0.66 603	0.74 605	0.64 605

IMH	0.72 590	0.65 592	0.70 587	0.77 593	0.54 591	0.71 589	0.56 595	0.99 606	1.08 600	0.82 596	1.09 603	0.89 592	0.88 602	0.88 604	0.53 591	0.44 590	0.50 601	0.75 598	0.51 595	0.58 594	0.42 592

WAO-7	0.80 595	0.78 598	0.57 565	0.85 598	0.67 602	0.76 594	0.69 605	1.07 608	1.30 606	0.90 598	1.20 609	1.05 596	0.93 604	0.71 594	0.68 598	0.60 600	0.62 611	0.67 594	0.68 604	0.64 595	0.59 599

JetRed	1.66 609	1.51 612	3.09 610	0.93 602	1.21 612	5.28 617	1.61 617	1.29 616	1.42 610	1.84 615	1.77 616	1.59 613	0.95 605	1.43 614	2.51 618	0.91 612	1.61 616	0.93 607	0.91 612	1.36 613	1.03 613

KSHMR	1.10 606	1.19 608	0.90 599	1.26 611	1.00 611	0.99 604	0.96 611	1.13 613	1.35 607	1.16 610	1.28 612	1.40 606	0.97 606	1.03 610	0.93 608	1.03 613	1.08 615	1.20 612	1.03 614	1.03 610	0.98 612

Dean	0.88 599	0.88 603	0.81 593	0.82 597	0.57 595	0.91 600	0.62 599	1.17 614	1.71 614	1.15 609	1.16 607	1.31 604	1.00 607	0.82 598	0.83 607	0.57 596	0.56 607	0.78 602	0.65 601	0.67 598	0.58 596

WAO-6	0.82 596	0.81 599	0.63 575	0.87 600	0.63 600	0.79 595	0.60 598	0.98 604	1.52 613	0.91 600	0.97 598	1.08 597	1.04 608	0.72 595	0.70 601	0.72 604	0.49 598	0.91 606	0.71 605	0.70 601	0.59 599

ktn	1.02 605	1.23 609	0.82 594	1.24 610	0.86 609	1.00 606	0.86 608	0.96 602	1.37 608	1.05 604	1.12 606	1.16 599	1.06 609	0.95 607	0.62 595	1.28 615	0.71 613	1.39 615	0.83 609	1.06 611	0.77 609

WAO-8	0.92 600	0.83 600	0.67 580	0.94 603	0.70 604	0.92 601	0.68 603	1.08 610	1.80 616	1.06 606	1.42 613	1.29 602	1.08 610	0.86 600	0.80 604	0.74 606	0.54 604	0.86 604	0.75 606	0.71 602	0.63 603

Venus	0.92 600	0.83 600	0.67 580	0.94 603	0.70 604	0.92 601	0.68 603	1.08 610	1.80 616	1.06 606	1.42 613	1.29 602	1.08 610	0.86 600	0.80 604	0.74 606	0.54 604	0.86 604	0.75 606	0.71 602	0.63 603

DPSimNet_ROB	1.14 607	1.25 610	0.87 598	1.15 609	0.90 610	1.15 610	1.18 613	1.20 615	1.26 604	1.45 613	1.05 602	1.44 610	1.13 612	0.92 606	1.70 614	1.47 616	0.52 603	1.22 613	1.04 615	0.92 608	1.03 613

notaker	0.98 603	1.13 607	1.02 601	1.14 608	0.81 607	0.73 592	0.69 605	0.94 601	1.15 603	1.19 611	1.19 608	1.41 607	1.17 613	1.10 613	0.74 603	0.82 609	0.64 612	1.18 611	0.79 608	1.02 609	0.82 610

UNDER WATER-64	0.97 602	0.96 605	1.48 607	0.88 601	0.57 595	1.24 612	0.90 610	0.78 594	0.96 598	1.05 604	0.85 592	1.56 612	1.26 614	0.97 609	0.99 609	0.88 610	0.57 609	1.04 610	0.88 610	0.81 606	0.75 607

UNDER WATER	0.99 604	1.00 606	1.47 606	1.00 605	0.71 606	1.18 611	0.86 608	0.81 596	1.09 601	1.02 603	0.90 594	1.53 611	1.26 614	1.06 611	1.02 610	0.79 608	0.54 604	1.02 608	0.88 610	0.83 607	0.75 607

HanzoNet	1.31 608	1.29 611	1.22 604	1.13 607	0.85 608	1.05 608	0.84 607	1.06 607	1.47 612	1.66 614	1.63 615	2.48 616	1.78 616	1.63 615	1.69 613	1.27 614	0.80 614	1.32 614	1.02 613	1.07 612	0.90 611

MADNet++	1.97 610	1.75 613	1.66 608	1.83 612	1.69 614	2.38 615	1.45 616	2.36 617	2.11 618	2.58 617	2.37 618	2.25 615	2.21 617	2.28 616	2.36 617	1.87 617	1.67 617	1.53 616	1.34 616	1.87 614	1.78 616

tt	4.65 613	0.07 141	3.54 613	2.01 613	1.55 613	10.25 621	16.66 622	8.90 626	5.03 619	1.33 612	0.96 597	4.71 617	4.74 618	3.33 617	5.86 620	6.06 625	10.30 629	1.87 619	2.09 619	2.61 616	1.19 615

LRCNet_RVC	10.76 624	13.97 629	7.97 623	19.07 628	2.04 615	0.35 551	0.31 567	5.29 618	0.48 537	13.02 628	17.65 629	8.69 623	5.73 619	4.78 619	2.22 615	23.53 636	2.69 622	27.60 639	25.75 639	17.60 633	16.54 636

PML	8.57 621	9.39 628	6.24 616	5.34 617	6.36 619	13.21 623	20.99 623	5.35 619	6.68 620	17.75 630	26.46 640	7.58 622	6.08 620	7.89 623	5.76 619	5.33 624	1.83 618	5.95 628	1.93 618	8.75 625	2.53 618

USTest	6.16 614	2.65 616	2.79 609	6.48 620	7.21 620	14.33 624	21.38 624	6.98 625	9.55 624	5.35 621	6.12 619	5.71 620	7.69 621	6.31 622	6.75 621	1.97 618	3.38 623	1.63 617	2.14 620	2.49 615	2.35 617

xxxxx1	7.75 615	5.06 621	7.26 617	3.15 614	3.91 616	16.37 625	22.88 627	5.87 622	8.68 621	7.99 622	8.55 620	9.13 624	8.46 622	10.05 624	10.47 622	2.43 619	2.48 619	3.56 622	12.26 626	3.48 617	3.02 619

tt_ll	7.75 615	5.06 621	7.26 617	3.15 614	3.91 616	16.37 625	22.88 627	5.87 622	8.68 621	7.99 622	8.55 620	9.13 624	8.46 622	10.05 624	10.47 622	2.43 619	2.48 619	3.56 622	12.26 626	3.48 617	3.02 619

ff	7.75 615	5.06 621	7.26 617	3.15 614	3.91 616	16.37 625	22.88 627	5.87 622	8.68 621	7.99 622	8.55 620	9.13 624	8.46 622	10.05 624	10.47 622	2.43 619	2.48 619	3.56 622	12.26 626	3.48 617	3.02 619

DPSMNet_ROB	8.06 619	4.50 617	8.69 624	5.36 619	10.74 623	8.32 619	22.71 625	5.47 620	13.38 626	5.13 619	9.98 623	5.10 618	10.47 625	5.53 620	12.77 626	3.80 623	8.00 624	3.49 620	6.95 623	3.75 621	7.09 624

DGTPSM_ROB	8.06 619	4.50 617	8.69 624	5.34 617	10.73 622	8.32 619	22.71 625	5.47 620	13.38 626	5.13 619	9.98 623	5.10 618	10.47 625	5.53 620	12.77 626	3.79 622	8.00 624	3.49 620	6.95 623	3.74 620	7.09 624

Anonymous_1	10.87 625	7.82 625	7.41 620	10.29 621	10.08 621	18.64 629	26.11 630	11.02 629	13.45 628	9.43 625	10.10 625	9.73 627	11.31 627	10.69 627	12.47 625	6.42 626	8.38 626	5.70 625	10.22 625	11.41 626	6.65 623

DPSM_ROB	11.10 626	8.47 626	7.95 621	10.84 622	11.58 624	19.10 630	26.50 633	12.02 630	14.09 629	10.38 626	10.91 626	10.39 628	11.92 628	11.67 628	13.39 628	6.99 627	8.79 627	5.82 626	6.92 621	6.97 623	7.31 626

DPSM	11.10 626	8.47 626	7.95 621	10.84 622	11.58 624	19.10 630	26.50 633	12.02 630	14.09 629	10.38 626	10.91 626	10.39 628	11.92 628	11.67 628	13.39 628	6.99 627	8.79 627	5.82 626	6.92 621	6.97 623	7.31 626

HaxPig	15.73 628	18.55 636	19.19 632	16.92 627	15.89 629	7.80 618	7.57 619	13.37 632	10.80 625	15.40 629	14.87 628	15.95 630	14.81 630	15.67 630	15.97 632	18.96 635	16.72 630	19.47 635	18.10 637	19.45 636	19.06 637

MEDIAN_ROB	20.38 631	24.05 637	23.36 635	21.18 629	21.62 632	10.51 622	8.17 620	17.68 633	15.46 633	20.04 633	19.65 630	20.30 631	20.16 631	21.17 631	21.03 633	23.81 637	21.77 637	24.98 638	23.75 638	25.01 637	23.94 638

RSGM-EC	20.15 629	4.62 619	0.75 590	16.73 625	16.97 630	21.10 632	26.46 631	10.37 627	14.13 631	18.18 631	21.56 632	22.31 638	22.50 632	21.80 632	15.71 630	62.36 639	33.86 639	20.06 636	18.04 635	19.30 634	16.22 634

acva	20.15 629	4.62 619	0.75 590	16.73 625	16.97 630	21.10 632	26.46 631	10.37 627	14.13 631	18.18 631	21.56 632	22.31 638	22.50 632	21.80 632	15.71 630	62.36 639	33.86 639	20.06 636	18.04 635	19.30 634	16.22 634

FlowAnything	22.34 635	17.13 633	15.98 629	22.00 633	23.23 633	38.39 639	53.32 636	24.19 638	28.48 639	21.00 639	21.93 637	20.83 632	23.97 634	23.44 638	26.83 635	14.04 629	17.80 636	11.63 629	14.08 634	14.00 627	14.65 628

Selective-RAFT-Error	22.39 636	17.14 634	16.01 630	22.00 633	23.34 637	38.37 637	53.36 637	24.24 640	28.53 640	20.80 637	21.94 638	20.94 633	24.02 635	23.48 639	27.33 640	14.07 633	17.70 635	11.70 630	13.93 629	14.05 629	14.83 633

CasAABBNet	22.33 632	17.11 630	15.84 628	21.94 630	23.28 634	38.30 634	53.40 638	24.05 637	28.44 638	20.66 634	21.86 636	21.03 636	24.04 636	23.35 636	27.03 637	14.06 630	17.69 632	11.70 630	13.94 630	14.04 628	14.76 630

RAFT-FEzeroshot	22.33 632	17.12 631	15.83 626	21.95 631	23.32 635	38.31 635	53.41 639	23.99 635	28.43 636	20.66 634	21.84 634	21.02 634	24.05 637	23.33 634	27.09 638	14.06 630	17.69 632	11.70 630	13.95 631	14.05 629	14.76 630

RAFT-FE	22.33 632	17.12 631	15.83 626	21.95 631	23.32 635	38.31 635	53.41 639	23.99 635	28.43 636	20.66 634	21.84 634	21.02 634	24.05 637	23.33 634	27.09 638	14.06 630	17.69 632	11.70 630	13.95 631	14.05 629	14.76 630

LSM0	22.80 637	17.22 635	19.17 631	22.12 635	28.90 639	38.38 638	53.27 635	24.21 639	28.36 635	20.84 638	21.11 631	21.63 637	24.25 639	23.42 637	26.98 636	14.08 634	17.39 631	11.72 634	13.98 633	14.22 632	14.66 629

AVERAGE_ROB	24.89 638	29.12 638	27.98 636	24.83 636	24.59 638	17.82 628	11.61 621	21.45 634	19.91 634	25.04 640	24.38 639	25.06 640	25.31 640	24.69 640	22.86 634	29.74 638	27.09 638	28.97 640	27.94 640	30.07 638	29.35 639

test_example2	97.69 639	92.93 639	45.57 637	96.02 637	109.84 640	88.44 640	93.70 641	25.54 641	94.63 641	130.46 642	126.87 641	58.93 641	75.48 641	87.99 641	77.94 641	150.16 641	221.11 641	76.29 641	98.21 641	108.42 641	95.33 640

ccccc		285.89 640		366.70 640	366.78 641	118.88 641		113.97 642		125.77 641		120.54 642		252.62 642		382.79 642	352.84 642	254.30 642	222.62 642	426.61 642

Low-res two-view benchmark