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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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-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-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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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
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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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_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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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
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_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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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.
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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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