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

Selective-IGEV	0.25 1	0.18 14	0.37 27	0.37 35	0.20 18	0.27 25	0.25 30	0.59 29	0.25 1	0.27 2	0.26 1	0.34 21	0.18 1	0.62 116	0.23 1	0.12 4	0.10 8	0.14 13	0.11 15	0.13 14	0.11 3

CES	0.29 9	0.15 2	0.25 1	0.31 4	0.71 368	0.36 78	0.27 42	0.51 12	0.47 54	0.34 13	0.48 27	0.27 2	0.23 7	0.40 14	0.24 2	0.13 9	0.11 39	0.12 2	0.08 1	0.13 14	0.32 298

IGEVStereo-DCA	0.30 12	0.24 139	0.42 58	0.36 27	0.27 158	0.38 91	0.34 116	0.66 55	0.35 6	0.39 21	0.31 6	0.35 25	0.27 22	0.62 116	0.25 3	0.16 99	0.12 86	0.16 57	0.12 26	0.14 36	0.16 98

rrr	0.31 23	0.24 139	0.56 184	0.36 27	0.27 158	0.38 91	0.31 87	0.56 24	0.44 43	0.39 21	0.31 6	0.35 25	0.27 22	0.62 116	0.25 3	0.16 99	0.12 86	0.16 57	0.13 49	0.14 36	0.14 49

AEACV	0.28 6	0.18 14	0.34 13	0.36 27	0.45 323	0.27 25	0.27 42	0.41 2	0.39 21	0.31 7	0.46 22	0.31 6	0.36 78	0.38 7	0.25 3	0.14 18	0.11 39	0.15 41	0.13 49	0.13 14	0.13 31

Any-RAFT	0.36 42	0.17 8	0.31 10	0.35 12	0.21 25	0.51 143	0.21 5	0.93 188	0.75 134	0.56 63	0.73 85	0.66 161	0.29 41	0.48 41	0.25 3	0.15 67	0.10 8	0.13 8	0.10 10	0.13 14	0.13 31

PMTNet	0.33 30	0.17 8	0.26 4	0.29 2	0.18 5	0.44 127	0.22 11	0.57 26	0.66 96	0.46 43	0.54 44	0.38 35	0.34 70	0.50 49	0.25 3	0.75 376	0.10 8	0.12 2	0.09 4	0.13 14	0.12 10

ACVNet-DCA	0.36 42	0.25 167	0.35 19	0.42 129	0.23 56	0.53 153	0.37 157	0.91 178	0.59 74	0.42 32	0.50 31	0.34 21	0.47 141	0.61 94	0.26 8	0.17 125	0.11 39	0.19 147	0.13 49	0.18 151	0.19 165

xx1	0.40 102	0.25 167	0.35 19	0.42 129	0.23 56	0.53 153	0.37 157	0.71 99	1.17 313	0.42 32	0.50 31	0.65 149	0.56 174	0.61 94	0.26 8	0.17 125	0.11 39	0.20 176	0.19 207	0.18 151	0.19 165

cc1	0.38 76	0.25 167	0.35 19	0.42 129	0.23 56	0.53 153	0.37 157	0.71 99	1.17 313	0.42 32	0.50 31	0.34 21	0.47 141	0.61 94	0.26 8	0.17 125	0.11 39	0.19 147	0.13 49	0.16 103	0.17 134

ff7	0.30 12	0.22 97	0.42 58	0.37 35	0.26 129	0.31 51	0.34 116	0.66 55	0.35 6	0.39 21	0.33 10	0.31 6	0.28 27	0.61 94	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

ffff	0.30 12	0.22 97	0.42 58	0.37 35	0.26 129	0.31 51	0.34 116	0.66 55	0.35 6	0.39 21	0.33 10	0.31 6	0.28 27	0.61 94	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

ffm	0.47 161	0.28 220	0.68 238	0.39 60	0.26 129	0.56 169	0.40 193	0.72 109	1.13 301	0.76 155	0.98 198	0.71 173	0.55 166	0.61 94	0.26 8	0.17 125	0.11 39	0.25 267	0.21 243	0.16 103	0.17 134

11t	0.30 12	0.22 97	0.42 58	0.37 35	0.26 129	0.31 51	0.34 116	0.66 55	0.35 6	0.39 21	0.33 10	0.31 6	0.28 27	0.61 94	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

tt1	0.37 60	0.25 167	0.35 19	0.43 166	0.23 56	0.52 150	0.37 157	0.72 109	1.13 301	0.42 32	0.46 22	0.35 25	0.44 124	0.61 94	0.26 8	0.17 125	0.11 39	0.19 147	0.13 49	0.16 103	0.17 134

CASnet	0.30 12	0.20 54	0.34 13	0.42 129	0.17 2	0.25 16	0.24 23	0.53 16	0.56 67	0.54 60	0.54 44	0.39 38	0.24 10	0.41 17	0.26 8	0.15 67	0.10 8	0.22 229	0.18 183	0.18 151	0.12 10
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.37 60	0.22 97	0.49 122	0.41 104	0.26 129	0.36 78	0.30 69	0.87 166	0.41 34	0.45 39	0.59 56	0.78 213	0.43 119	0.77 207	0.26 8	0.15 67	0.11 39	0.15 41	0.14 69	0.14 36	0.14 49

HanStereo	0.37 60	0.22 97	0.49 122	0.41 104	0.26 129	0.36 78	0.30 69	0.87 166	0.41 34	0.45 39	0.59 56	0.78 213	0.43 119	0.77 207	0.26 8	0.15 67	0.11 39	0.15 41	0.14 69	0.14 36	0.14 49

anonymousdsp	0.30 12	0.22 97	0.41 50	0.38 44	0.26 129	0.31 51	0.35 138	0.68 71	0.36 11	0.40 29	0.33 10	0.32 13	0.28 27	0.62 116	0.26 8	0.14 18	0.10 8	0.17 85	0.12 26	0.15 66	0.16 98

ccc-4	0.30 12	0.22 97	0.42 58	0.37 35	0.26 129	0.31 51	0.34 116	0.66 55	0.35 6	0.39 21	0.33 10	0.31 6	0.28 27	0.61 94	0.26 8	0.14 18	0.11 39	0.17 85	0.12 26	0.15 66	0.16 98

IGEV-Stereo	0.30 12	0.22 97	0.41 50	0.38 44	0.26 129	0.30 39	0.35 138	0.68 71	0.36 11	0.40 29	0.33 10	0.32 13	0.28 27	0.62 116	0.26 8	0.14 18	0.10 8	0.17 85	0.12 26	0.15 66	0.16 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CroCo-Stereo	0.27 2	0.23 120	0.40 45	0.49 257	0.22 30	0.20 2	0.29 57	0.55 19	0.45 47	0.29 4	0.27 2	0.42 45	0.26 17	0.30 1	0.26 8	0.15 67	0.13 141	0.13 8	0.12 26	0.16 103	0.13 31
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
MSKI-zero shot	0.33 30	0.19 33	0.36 25	0.41 104	0.22 30	0.32 60	0.22 11	0.65 53	0.45 47	0.52 53	0.64 67	0.60 126	0.19 3	0.78 215	0.27 23	0.14 18	0.11 39	0.14 13	0.10 10	0.13 14	0.13 31

EGLCR-Stereo	0.27 2	0.17 8	0.36 25	0.35 12	0.21 25	0.37 86	0.20 1	0.58 27	0.37 14	0.29 4	0.28 4	0.42 45	0.18 1	0.47 34	0.27 23	0.14 18	0.10 8	0.16 57	0.14 69	0.13 14	0.12 10

MC-Stereo	0.29 9	0.18 14	0.35 19	0.40 86	0.21 25	0.26 18	0.26 40	0.53 16	0.40 29	0.38 18	0.61 61	0.41 43	0.31 53	0.57 69	0.27 23	0.14 18	0.10 8	0.14 13	0.12 26	0.12 2	0.12 10

RAFT_CTSACE	0.46 152	0.20 54	0.48 115	0.46 222	0.27 158	0.34 72	0.39 183	0.62 36	0.74 132	0.78 174	1.44 323	0.86 234	0.38 89	1.09 301	0.27 23	0.13 9	0.13 141	0.18 116	0.16 115	0.16 103	0.12 10

test_xeample3	0.31 23	0.23 120	0.56 184	0.36 27	0.26 129	0.35 74	0.32 99	0.60 31	0.38 17	0.44 38	0.32 9	0.33 18	0.28 27	0.66 146	0.27 23	0.14 18	0.12 86	0.16 57	0.12 26	0.14 36	0.14 49

CREStereo	0.28 6	0.16 4	0.25 1	0.28 1	0.17 2	0.38 91	0.25 30	0.52 13	0.76 137	0.43 37	0.51 36	0.32 13	0.28 27	0.39 8	0.27 23	0.16 99	0.11 39	0.12 2	0.09 4	0.12 2	0.12 10
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
MyStereo07	0.33 30	0.23 120	0.37 27	0.43 166	0.29 198	0.40 101	0.48 248	0.78 143	0.38 17	0.38 18	0.34 16	0.32 13	0.30 50	0.63 125	0.28 29	0.14 18	0.13 141	0.19 147	0.17 157	0.18 151	0.17 134

LoS_RVC	0.28 6	0.17 8	0.29 9	0.33 8	0.32 244	0.43 121	0.34 116	0.42 4	0.34 5	0.33 11	0.51 36	0.29 4	0.38 89	0.37 5	0.28 29	0.11 1	0.10 8	0.11 1	0.08 1	0.11 1	0.26 262

CAS	0.37 60	0.13 1	0.27 7	1.34 385	0.31 227	0.46 131	0.38 170	0.50 11	0.48 56	0.35 15	0.52 39	0.24 1	0.19 3	0.30 1	0.28 29	1.03 387	0.08 1	0.12 2	0.08 1	0.12 2	0.28 279

ProNet	0.30 12	0.22 97	0.41 50	0.36 27	0.25 101	0.33 66	0.42 218	0.62 36	0.41 34	0.33 11	0.31 6	0.32 13	0.28 27	0.60 88	0.28 29	0.13 9	0.11 39	0.16 57	0.13 49	0.13 14	0.14 49

TANstereo	0.31 23	0.16 4	0.34 13	0.31 4	0.17 2	0.55 164	0.23 20	0.46 6	0.56 67	0.60 71	0.69 79	0.37 32	0.26 17	0.36 4	0.28 29	0.16 99	0.16 211	0.13 8	0.10 10	0.14 36	0.15 78

XX-TBD	0.32 26	0.53 324	0.26 4	0.53 301	0.21 25	0.38 91	0.24 23	0.41 2	0.77 139	0.55 61	0.70 81	0.31 6	0.26 17	0.33 3	0.28 29	0.16 99	0.10 8	0.12 2	0.09 4	0.13 14	0.11 3

XX-Stereo	0.38 76	0.18 14	0.52 158	0.58 327	0.38 282	0.39 96	0.20 1	0.62 36	0.31 2	0.47 45	1.29 299	0.72 188	0.25 12	0.59 78	0.28 29	0.16 99	0.11 39	0.17 85	0.16 115	0.14 36	0.11 3

CFNet-RSSM	0.35 36	0.18 14	0.47 102	0.39 60	0.22 30	0.35 74	0.23 20	0.78 143	0.86 186	0.67 109	0.54 44	0.56 96	0.28 27	0.49 47	0.28 29	0.14 18	0.10 8	0.14 13	0.12 26	0.13 14	0.12 10

IGEV_Zeroshot_test	0.36 42	0.19 33	0.71 251	0.41 104	0.29 198	0.30 39	0.25 30	0.86 165	0.40 29	0.64 94	0.57 52	0.56 96	0.25 12	0.56 65	0.29 37	0.15 67	0.11 39	0.16 57	0.14 69	0.14 36	0.14 49

LoS	0.30 12	0.16 4	0.32 12	0.30 3	0.19 8	0.32 60	0.29 57	0.54 18	0.73 127	0.35 15	0.52 39	0.42 45	0.29 41	0.48 41	0.29 37	0.15 67	0.11 39	0.13 8	0.09 4	0.12 2	0.12 10

RCA-Stereo	0.36 42	0.18 14	0.37 27	0.38 44	0.23 56	0.31 51	0.33 108	0.70 92	1.25 325	0.45 39	0.65 69	0.46 64	0.43 119	0.40 14	0.29 37	0.14 18	0.10 8	0.14 13	0.12 26	0.12 2	0.12 10

test_4	0.37 60	0.19 33	0.34 13	0.45 199	0.26 129	0.20 2	0.34 116	0.58 27	0.42 38	0.60 71	1.45 326	0.43 51	0.26 17	0.67 155	0.29 37	0.12 4	0.10 8	0.17 85	0.19 207	0.15 66	0.12 10

iRaft-Stereo_20w	0.42 123	0.20 54	0.63 216	0.39 60	0.27 158	0.33 66	0.25 30	1.76 375	0.37 14	0.73 140	0.53 41	0.63 138	0.42 116	0.86 238	0.29 37	0.14 18	0.11 39	0.14 13	0.13 49	0.15 66	0.15 78

GMOStereo	0.38 76	0.19 33	0.42 58	0.43 166	0.24 77	0.40 101	0.39 183	0.55 19	0.64 88	0.89 231	0.84 138	0.65 149	0.37 82	0.39 8	0.29 37	0.14 18	0.12 86	0.20 176	0.18 183	0.15 66	0.12 10

error version	0.38 76	0.19 33	0.42 58	0.43 166	0.24 77	0.40 101	0.39 183	0.55 19	0.64 88	0.89 231	0.84 138	0.65 149	0.37 82	0.39 8	0.29 37	0.14 18	0.12 86	0.20 176	0.18 183	0.15 66	0.12 10

test-v	0.38 76	0.19 33	0.42 58	0.43 166	0.24 77	0.40 101	0.39 183	0.55 19	0.64 88	0.89 231	0.84 138	0.65 149	0.37 82	0.39 8	0.29 37	0.14 18	0.12 86	0.20 176	0.18 183	0.15 66	0.12 10

TRStereo	0.39 88	0.32 252	0.64 220	0.49 257	0.41 299	0.30 39	0.30 69	0.97 202	0.63 84	0.53 59	0.43 18	0.52 82	0.26 17	0.77 207	0.29 37	0.18 156	0.12 86	0.19 147	0.19 207	0.13 14	0.13 31

test-2	0.38 76	0.19 33	0.42 58	0.43 166	0.24 77	0.40 101	0.39 183	0.55 19	0.64 88	0.89 231	0.84 138	0.65 149	0.37 82	0.39 8	0.29 37	0.14 18	0.12 86	0.20 176	0.18 183	0.15 66	0.12 10

Gwc-CoAtRS	0.35 36	0.18 14	0.46 91	0.39 60	0.23 56	0.34 72	0.22 11	0.74 128	0.77 139	0.62 77	0.60 58	0.58 114	0.29 41	0.47 34	0.29 37	0.14 18	0.11 39	0.14 13	0.12 26	0.13 14	0.13 31

StereoIM	0.27 2	0.19 33	0.39 36	0.37 35	0.26 129	0.28 31	0.28 50	0.45 5	0.37 14	0.27 2	0.27 2	0.40 39	0.27 22	0.40 14	0.30 48	0.16 99	0.14 172	0.16 57	0.13 49	0.15 66	0.12 10

RAFT-Test	0.35 36	0.19 33	0.42 58	0.39 60	0.24 77	0.50 138	0.23 20	0.74 128	0.44 43	0.62 77	0.85 145	0.64 145	0.28 27	0.48 41	0.30 48	0.14 18	0.11 39	0.14 13	0.11 15	0.13 14	0.13 31

4D-IteraStereo	0.33 30	0.19 33	0.43 74	0.40 86	0.24 77	0.32 60	0.27 42	0.59 29	0.72 118	0.66 102	0.53 41	0.42 45	0.22 6	0.46 29	0.30 48	0.14 18	0.09 2	0.20 176	0.16 115	0.16 103	0.12 10

CroCo-Stereo Lap2	0.29 9	0.25 167	0.44 79	0.50 268	0.30 217	0.19 1	0.31 87	0.52 13	0.41 34	0.25 1	0.28 4	0.46 64	0.31 53	0.39 8	0.30 48	0.15 67	0.15 190	0.16 57	0.13 49	0.17 127	0.16 98

raft_robust	0.41 116	0.24 139	0.39 36	0.43 166	0.22 30	0.40 101	0.33 108	0.80 150	0.98 248	0.80 178	0.88 158	0.41 43	0.32 59	0.89 247	0.30 48	0.14 18	0.12 86	0.16 57	0.18 183	0.15 66	0.13 31

test-1	0.37 60	0.20 54	0.76 268	0.47 240	0.27 158	0.44 127	0.36 145	0.63 42	0.65 93	0.49 48	0.67 77	0.54 88	0.35 73	0.42 18	0.30 48	0.14 18	0.12 86	0.16 57	0.14 69	0.15 66	0.18 156

sAnonymous2	0.42 123	0.41 297	0.96 311	0.48 248	0.37 277	0.41 110	0.48 248	0.60 31	0.52 62	0.39 21	0.48 27	0.35 25	0.44 124	0.44 22	0.30 48	0.19 191	0.14 172	0.19 147	0.17 157	0.55 362	0.43 342

CroCo_RVC	0.42 123	0.41 297	0.96 311	0.48 248	0.37 277	0.41 110	0.48 248	0.60 31	0.52 62	0.39 21	0.48 27	0.35 25	0.44 124	0.44 22	0.30 48	0.19 191	0.14 172	0.19 147	0.17 157	0.55 362	0.43 342

EAI-Stereo	0.36 42	0.21 74	0.46 91	0.40 86	0.22 30	0.33 66	0.36 145	1.22 285	0.32 3	0.52 53	0.75 98	0.35 25	0.28 27	0.65 138	0.30 48	0.14 18	0.11 39	0.14 13	0.14 69	0.14 36	0.13 31

MyStereo06	0.40 102	0.22 97	0.65 225	0.42 129	0.29 198	0.43 121	0.48 248	1.05 228	0.43 41	0.64 94	0.54 44	0.78 213	0.27 22	0.53 53	0.31 57	0.14 18	0.13 141	0.18 116	0.17 157	0.17 127	0.17 134

AE-Stereo	0.36 42	0.21 74	0.47 102	0.49 257	0.31 227	0.50 138	0.34 116	0.72 109	0.73 127	0.34 13	0.55 49	0.52 82	0.28 27	0.48 41	0.31 57	0.13 9	0.13 141	0.18 116	0.16 115	0.15 66	0.14 49

Sa-1000	0.49 179	0.25 167	0.45 84	0.46 222	0.25 101	0.64 208	0.34 116	0.85 163	0.95 232	0.85 204	1.51 333	0.55 90	0.44 124	0.94 262	0.31 57	0.16 99	0.12 86	0.21 217	0.20 226	0.15 66	0.14 49

cross-raft	0.34 35	0.20 54	0.38 33	0.45 199	0.24 77	0.32 60	0.35 138	0.77 140	0.42 38	0.62 77	0.77 101	0.58 114	0.27 22	0.46 29	0.31 57	0.12 4	0.10 8	0.15 41	0.13 49	0.15 66	0.12 10

raftrobust	0.35 36	0.20 54	0.39 36	0.43 166	0.29 198	0.31 51	0.25 30	0.73 122	0.66 96	0.59 69	0.56 51	0.44 54	0.45 131	0.55 61	0.31 57	0.16 99	0.12 86	0.14 13	0.12 26	0.12 2	0.14 49

RAFT-Stereo + iAFF	0.37 60	0.18 14	0.45 84	0.36 27	0.19 8	0.33 66	0.28 50	0.67 66	0.77 139	0.72 133	0.99 207	0.56 96	0.39 102	0.44 22	0.31 57	0.11 1	0.09 2	0.15 41	0.14 69	0.13 14	0.11 3

test croco	0.32 26	0.21 74	0.59 201	0.40 86	0.29 198	0.27 25	0.30 69	0.46 6	0.36 11	0.32 10	0.66 72	0.31 6	0.33 64	0.68 163	0.32 63	0.18 156	0.13 141	0.20 176	0.15 90	0.18 151	0.13 31

MIF-Stereo (partial)	0.32 26	0.19 33	0.41 50	0.41 104	0.32 244	0.29 35	0.24 23	0.49 9	0.44 43	0.31 7	0.63 64	0.37 32	0.36 78	0.60 88	0.32 63	0.17 125	0.13 141	0.19 147	0.17 157	0.18 151	0.15 78

DLNR_Zeroshot_test	20.12 418	36.36 425	38.38 423	170.13 434	62.28 430	0.22 4	0.20 1	13.43 417	0.40 29	0.45 39	0.66 72	0.42 45	0.21 5	0.64 132	0.32 63	5.57 416	0.10 8	0.15 41	0.11 15	72.31 433	0.13 31

LL-Strereo2	0.36 42	0.25 167	0.52 158	0.43 166	0.27 158	0.36 78	0.27 42	0.70 92	0.46 52	0.55 61	0.53 41	0.65 149	0.24 10	0.69 169	0.32 63	0.14 18	0.13 141	0.23 243	0.20 226	0.19 184	0.14 49

DCRE	0.38 76	0.19 33	0.47 102	0.45 199	0.33 255	0.45 130	0.40 193	0.66 55	0.53 65	0.49 48	0.95 184	0.57 99	0.39 102	0.53 53	0.32 63	0.14 18	0.13 141	0.15 41	0.14 69	0.14 36	0.15 78

test-3	0.35 36	0.17 8	0.48 115	0.40 86	0.22 30	0.42 117	0.22 11	0.66 55	0.80 153	0.72 133	0.45 20	0.63 138	0.29 41	0.45 25	0.32 63	0.13 9	0.09 2	0.17 85	0.13 49	0.13 14	0.11 3

test_1	0.35 36	0.17 8	0.48 115	0.40 86	0.22 30	0.42 117	0.22 11	0.66 55	0.80 153	0.70 123	0.45 20	0.63 138	0.29 41	0.45 25	0.32 63	0.13 9	0.09 2	0.17 85	0.13 49	0.13 14	0.11 3

test_3	0.37 60	0.19 33	0.50 131	0.45 199	0.24 77	0.47 133	0.36 145	0.69 82	0.84 176	0.66 102	0.46 22	0.68 168	0.25 12	0.45 25	0.32 63	0.12 4	0.10 8	0.18 116	0.16 115	0.15 66	0.12 10

KYRaft	0.48 170	0.21 74	0.41 50	0.45 199	0.23 56	0.43 121	0.36 145	0.68 71	0.45 47	0.94 253	1.72 347	0.78 213	0.40 107	0.65 138	0.32 63	0.16 99	0.11 39	0.18 116	0.22 261	0.17 127	0.76 375

Prome-Stereo	0.46 152	0.20 54	0.37 27	0.45 199	0.26 129	0.40 101	0.42 218	0.69 82	0.49 57	0.96 270	1.84 353	0.58 114	0.64 211	0.63 125	0.32 63	0.15 67	0.11 39	0.16 57	0.14 69	0.17 127	0.30 288

anonymousdsp2	0.37 60	0.21 74	0.49 122	0.38 44	0.24 77	0.48 137	0.31 87	0.91 178	0.68 103	0.57 65	0.51 36	0.51 79	0.34 70	0.59 78	0.33 73	0.14 18	0.11 39	0.14 13	0.10 10	0.16 103	0.16 98

TestStereo1	0.44 141	0.24 139	0.45 84	0.52 294	0.25 101	0.35 74	0.40 193	0.81 152	0.94 228	0.70 123	0.96 188	0.48 71	0.45 131	0.94 262	0.33 73	0.16 99	0.13 141	0.18 116	0.16 115	0.15 66	0.14 49

RAFT+CT+SA	0.40 102	0.24 139	0.40 45	0.53 301	0.27 158	0.28 31	0.45 235	0.79 148	0.81 162	0.51 51	0.90 163	0.42 45	0.39 102	0.81 223	0.33 73	0.15 67	0.11 39	0.18 116	0.18 183	0.15 66	0.15 78

SA-5K	0.44 141	0.24 139	0.45 84	0.52 294	0.25 101	0.35 74	0.40 193	0.81 152	0.94 228	0.70 123	0.96 188	0.48 71	0.45 131	0.94 262	0.33 73	0.16 99	0.13 141	0.18 116	0.16 115	0.15 66	0.14 49

SA	0.45 147	0.26 195	0.50 131	0.47 240	0.24 77	0.46 131	0.36 145	0.79 148	1.00 255	0.61 75	1.04 231	0.50 76	0.50 150	0.98 279	0.33 73	0.16 99	0.13 141	0.21 217	0.19 207	0.15 66	0.14 49

TransformOpticalFlow	0.46 152	0.21 74	0.49 122	0.42 129	0.24 77	0.36 78	0.46 238	1.04 222	0.84 176	0.67 109	1.14 264	0.73 192	0.56 174	0.78 215	0.33 73	0.15 67	0.10 8	0.17 85	0.15 90	0.14 36	0.15 78

PSM-AAD	0.48 170	0.21 74	0.39 36	0.44 187	0.23 56	0.56 169	0.47 243	0.67 66	0.73 127	1.08 311	1.12 256	0.58 114	0.87 303	0.63 125	0.33 73	0.15 67	0.11 39	0.25 267	0.26 303	0.18 151	0.42 338

iRaftStereo_RVC	0.33 30	0.20 54	0.40 45	0.40 86	0.23 56	0.31 51	0.29 57	0.70 92	0.55 66	0.49 48	0.66 72	0.37 32	0.23 7	0.47 34	0.33 73	0.14 18	0.11 39	0.19 147	0.17 157	0.16 103	0.13 31

sCroCo_RVC	0.36 42	0.29 229	0.73 261	0.52 294	0.39 291	0.42 117	0.31 87	0.52 13	0.46 52	0.31 7	0.48 27	0.38 35	0.32 59	0.46 29	0.33 73	0.22 241	0.23 293	0.19 147	0.19 207	0.21 208	0.22 223

StereoVision	0.43 135	0.29 229	0.54 177	0.50 268	0.28 179	0.37 86	0.38 170	0.75 133	0.63 84	0.46 43	1.11 254	0.53 86	0.38 89	0.57 69	0.34 82	0.21 225	0.24 301	0.25 267	0.24 284	0.26 263	0.17 134

EKT-Stereo	0.36 42	0.24 139	0.44 79	0.44 187	0.30 217	0.37 86	0.30 69	0.72 109	0.68 103	0.47 45	0.63 64	0.49 75	0.28 27	0.59 78	0.34 82	0.19 191	0.14 172	0.18 116	0.15 90	0.16 103	0.18 156

DisPM	0.40 102	0.20 54	0.50 131	0.42 129	0.27 158	0.24 7	0.30 69	0.68 71	0.61 83	0.88 224	0.87 155	0.59 123	0.32 59	0.80 219	0.34 82	0.19 191	0.12 86	0.19 147	0.17 157	0.16 103	0.21 208

STrans-v2	0.47 161	0.21 74	0.49 122	0.41 104	0.25 101	0.54 159	0.49 258	1.16 262	0.82 170	0.67 109	1.05 234	0.71 173	0.67 228	0.74 187	0.34 82	0.15 67	0.11 39	0.17 85	0.15 90	0.14 36	0.14 49

FTStereo	0.56 235	0.21 74	0.39 36	0.42 129	0.25 101	0.39 96	0.73 328	0.69 82	0.45 47	1.09 315	3.23 385	0.69 170	0.71 248	0.55 61	0.34 82	0.15 67	0.13 141	0.19 147	0.17 157	0.15 66	0.32 298

GMM-Stereo	0.44 141	0.20 54	0.39 36	0.42 129	0.25 101	0.50 138	0.44 231	0.72 109	0.57 71	0.77 163	1.37 311	0.76 206	0.38 89	0.62 116	0.34 82	0.15 67	0.10 8	0.20 176	0.19 207	0.17 127	0.28 279

CREStereo++_RVC	0.32 26	0.16 4	0.25 1	0.32 6	0.24 77	0.27 25	0.22 11	0.48 8	0.89 204	0.47 45	0.80 123	0.29 4	0.25 12	0.37 5	0.34 82	0.14 18	0.09 2	0.13 8	0.52 373	0.14 36	0.10 1
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
MIF-Stereo	0.27 2	0.18 14	0.40 45	0.40 86	0.28 179	0.30 39	0.28 50	0.40 1	0.33 4	0.30 6	0.46 22	0.27 2	0.25 12	0.48 41	0.35 89	0.17 125	0.13 141	0.14 13	0.12 26	0.14 36	0.13 31

LCNet	0.42 123	0.21 74	0.34 13	0.44 187	0.24 77	0.47 133	0.28 50	0.69 82	0.57 71	0.72 133	1.03 228	0.66 161	0.58 186	0.60 88	0.35 89	0.15 67	0.10 8	0.19 147	0.19 207	0.22 226	0.37 321

GrayStereo	0.49 179	0.20 54	0.44 79	0.47 240	0.29 198	0.51 143	0.62 304	0.71 99	0.66 96	1.04 296	1.46 327	0.77 211	0.73 259	0.58 73	0.35 89	0.15 67	0.12 86	0.17 85	0.17 157	0.15 66	0.30 288

AnonymousM	0.42 123	0.86 367	0.31 10	0.35 12	0.23 56	0.30 39	0.37 157	0.56 24	0.44 43	0.72 133	0.50 31	0.47 68	0.29 41	0.42 18	0.35 89	0.16 99	0.12 86	1.51 385	0.32 330	0.12 2	0.11 3

s12784h	0.37 60	0.15 2	0.26 4	0.34 9	0.15 1	0.80 263	0.29 57	0.83 158	0.87 190	0.58 68	0.58 54	0.43 51	0.41 111	0.59 78	0.35 89	0.12 4	0.10 8	0.14 13	0.09 4	0.14 36	0.10 1

RALAANet	0.40 102	0.24 139	0.56 184	0.43 166	0.30 217	0.36 78	0.25 30	0.89 172	0.69 108	0.69 119	0.65 69	0.61 128	0.30 50	0.63 125	0.35 89	0.16 99	0.13 141	0.18 116	0.15 90	0.21 208	0.14 49

AFF-stereo	0.39 88	0.20 54	0.42 58	0.37 35	0.22 30	0.27 25	0.31 87	0.67 66	0.72 118	0.66 102	1.12 256	0.75 200	0.38 89	0.57 69	0.35 89	0.11 1	0.09 2	0.16 57	0.16 115	0.14 36	0.12 10

R-Stereo Train	0.40 102	0.19 33	0.47 102	0.43 166	0.27 158	0.41 110	0.31 87	0.74 128	0.38 17	0.90 238	1.28 295	0.58 114	0.35 73	0.43 20	0.35 89	0.15 67	0.13 141	0.14 13	0.12 26	0.14 36	0.14 49

RAFT-Stereo	0.40 102	0.19 33	0.47 102	0.43 166	0.27 158	0.41 110	0.31 87	0.74 128	0.38 17	0.90 238	1.28 295	0.58 114	0.35 73	0.43 20	0.35 89	0.15 67	0.13 141	0.14 13	0.12 26	0.14 36	0.14 49
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
qqq1	0.51 200	0.24 139	0.67 231	0.35 12	0.20 18	0.63 200	0.34 116	1.26 297	1.06 276	0.85 204	1.02 217	0.71 173	0.66 219	0.96 270	0.36 98	0.19 191	0.16 211	0.14 13	0.12 26	0.15 66	0.16 98

fff1	0.51 200	0.24 139	0.67 231	0.35 12	0.20 18	0.63 200	0.34 116	1.26 297	1.06 276	0.85 204	1.02 217	0.71 173	0.66 219	0.96 270	0.36 98	0.19 191	0.16 211	0.14 13	0.12 26	0.15 66	0.16 98

knoymous	0.37 60	0.22 97	0.34 13	0.32 6	0.22 30	0.38 91	0.29 57	0.63 42	0.65 93	0.69 119	0.69 79	0.60 126	0.40 107	0.61 94	0.36 98	0.17 125	0.11 39	0.20 176	0.12 26	0.18 151	0.19 165

Selective-RAFT	0.36 42	0.23 120	0.54 177	0.45 199	0.22 30	0.64 208	0.27 42	0.62 36	0.65 93	0.41 31	0.38 17	0.55 90	0.39 102	0.59 78	0.36 98	0.14 18	0.12 86	0.14 13	0.12 26	0.16 103	0.14 49

ADStereo(finetuned)	0.39 88	0.18 14	0.58 193	0.35 12	0.19 8	0.30 39	0.30 69	0.72 109	0.96 239	0.72 133	0.77 101	0.45 61	0.68 236	0.46 29	0.36 98	0.14 18	0.10 8	0.14 13	0.11 15	0.13 14	0.15 78

test_5	0.44 141	0.25 167	0.48 115	0.53 301	0.28 179	0.28 31	0.42 218	0.77 140	0.87 190	0.63 84	0.91 169	0.73 192	0.53 159	0.82 228	0.36 98	0.14 18	0.11 39	0.18 116	0.18 183	0.18 151	0.16 98

OMP-Stereo	0.43 135	0.23 120	0.50 131	0.53 301	0.25 101	0.36 78	0.24 23	0.73 122	0.81 162	0.78 174	0.64 67	0.88 241	0.41 111	0.95 267	0.36 98	0.15 67	0.12 86	0.20 176	0.15 90	0.16 103	0.13 31

DCANet	0.38 76	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.72 109	0.96 239	0.72 133	0.77 101	0.45 61	0.56 174	0.47 34	0.36 98	0.14 18	0.10 8	0.14 13	0.11 15	0.13 14	0.15 78

DCANet-4	0.38 76	0.22 97	0.58 193	0.35 12	0.19 8	0.30 39	0.30 69	0.69 82	0.97 244	0.70 123	0.79 113	0.40 39	0.46 137	0.46 29	0.37 106	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

fff	0.39 88	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 122	1.08 288	0.70 123	0.79 113	0.44 54	0.62 199	0.47 34	0.37 106	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

GLC_STEREO	0.30 12	0.20 54	0.28 8	0.44 187	0.19 8	0.31 51	0.25 30	0.49 9	0.43 41	0.37 17	0.47 26	0.40 39	0.23 7	0.51 50	0.37 106	0.15 67	0.18 246	0.19 147	0.16 115	0.16 103	0.14 49

PFNet+	0.41 116	0.20 54	0.53 165	0.40 86	0.25 101	0.28 31	0.22 11	0.66 55	0.76 137	0.85 204	0.79 113	0.63 138	0.34 70	0.75 192	0.37 106	0.20 210	0.14 172	0.23 243	0.20 226	0.17 127	0.21 208

HHNet	0.42 123	0.19 33	0.43 74	0.35 12	0.38 282	0.33 66	0.33 108	0.71 99	0.78 142	0.87 216	1.30 301	0.52 82	0.36 78	0.53 53	0.37 106	0.16 99	0.11 39	0.19 147	0.15 90	0.15 66	0.25 257

IIG-Stereo	0.45 147	0.22 97	0.48 115	0.51 280	0.26 129	0.43 121	0.21 5	0.73 122	0.80 153	0.84 194	0.95 184	0.82 227	0.46 137	0.95 267	0.37 106	0.16 99	0.12 86	0.19 147	0.15 90	0.15 66	0.12 10

RAFT-345	0.41 116	0.19 33	0.42 58	0.39 60	0.23 56	0.32 60	0.25 30	0.62 36	0.56 67	0.74 147	1.77 350	0.44 54	0.35 73	0.67 155	0.37 106	0.14 18	0.11 39	0.18 116	0.14 69	0.14 36	0.13 31

RAFT	0.46 152	0.23 120	0.52 158	0.48 248	0.27 158	0.55 164	0.47 243	0.68 71	0.60 81	0.83 188	0.82 131	1.00 271	0.56 174	0.76 200	0.37 106	0.18 156	0.16 211	0.22 229	0.20 226	0.16 103	0.14 49

TestStereo	0.39 88	0.32 252	0.42 58	0.45 199	0.20 18	0.41 110	0.38 170	0.69 82	0.66 96	0.56 63	0.78 109	0.48 71	0.43 119	0.59 78	0.37 106	0.18 156	0.13 141	0.20 176	0.15 90	0.23 240	0.14 49

csc	0.39 88	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 122	1.08 288	0.70 123	0.79 113	0.44 54	0.62 199	0.47 34	0.37 106	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

cscssc	0.39 88	0.18 14	0.46 91	0.35 12	0.19 8	0.30 39	0.30 69	0.73 122	1.08 288	0.70 123	0.79 113	0.44 54	0.62 199	0.47 34	0.37 106	0.14 18	0.10 8	0.14 13	0.11 15	0.12 2	0.15 78

111	0.42 123	0.18 14	0.46 91	0.35 12	0.19 8	0.52 150	0.28 50	0.76 135	1.16 310	0.52 53	0.92 175	0.65 149	0.51 155	0.65 138	0.37 106	0.15 67	0.10 8	0.14 13	0.12 26	0.13 14	0.16 98

ARAFT	0.48 170	0.25 167	0.82 281	0.42 129	0.25 101	0.56 169	0.54 279	0.82 156	0.82 170	0.92 246	0.75 98	0.75 200	0.48 144	0.89 247	0.37 106	0.15 67	0.12 86	0.23 243	0.22 261	0.14 36	0.14 49

whm_eth	0.49 179	0.32 252	0.79 274	0.47 240	0.38 282	0.37 86	0.37 157	0.83 158	0.83 175	0.82 183	1.73 348	0.36 31	0.39 102	0.61 94	0.38 119	0.19 191	0.17 237	0.20 176	0.20 226	0.20 199	0.25 257

PSM-adaLoss	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.31 87	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.59 78	0.38 119	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

ROB_FTStereo	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.20 1	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.60 88	0.38 119	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

HUI-Stereo	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.22 11	0.63 42	0.40 29	0.64 94	0.73 85	0.58 114	0.38 89	0.53 53	0.38 119	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

SST-Stereo	0.41 116	0.20 54	0.48 115	0.43 166	0.25 101	0.25 16	0.21 5	0.68 71	0.50 60	1.08 311	0.79 113	0.71 173	0.42 116	0.81 223	0.38 119	0.17 125	0.11 39	0.20 176	0.16 115	0.19 184	0.15 78

RAFT-RH_RVC	0.57 239	0.18 14	0.44 79	0.38 44	0.23 56	0.56 169	0.24 23	0.61 34	0.73 127	1.18 327	3.90 396	0.55 90	0.40 107	0.67 155	0.38 119	0.14 18	0.11 39	0.20 176	0.15 90	0.12 2	0.14 49

RALCasStereoNet	0.37 60	0.23 120	0.41 50	0.44 187	0.28 179	0.36 78	0.38 170	0.66 55	0.67 102	0.51 51	0.74 96	0.51 79	0.29 41	0.64 132	0.38 119	0.17 125	0.14 172	0.15 41	0.13 49	0.17 127	0.17 134

HCRNet	0.46 152	0.35 267	0.45 84	0.54 310	0.26 129	0.52 150	0.29 57	0.87 166	0.64 88	0.75 150	0.82 131	0.76 206	0.53 159	0.70 176	0.38 119	0.24 261	0.16 211	0.24 256	0.20 226	0.21 208	0.20 192

MIM_Stereo	0.39 88	0.18 14	0.59 201	0.38 44	0.25 101	0.27 25	0.24 23	0.72 109	0.56 67	0.72 133	1.00 211	0.62 134	0.29 41	0.67 155	0.39 127	0.13 9	0.14 172	0.17 85	0.16 115	0.14 36	0.12 10

riskmin	0.41 116	0.21 74	0.44 79	0.34 9	0.24 77	0.58 183	0.32 99	0.70 92	0.86 186	0.52 53	0.57 52	0.78 213	0.60 193	0.58 73	0.39 127	0.17 125	0.12 86	0.19 147	0.13 49	0.19 184	0.22 223

MIPNet	0.39 88	0.22 97	0.66 227	0.40 86	0.25 101	0.53 153	0.29 57	0.78 143	0.74 132	0.68 116	0.60 58	0.40 39	0.48 144	0.45 25	0.39 127	0.14 18	0.11 39	0.16 57	0.13 49	0.14 36	0.14 49

Patchmatch Stereo++	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.21 5	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.61 94	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98
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
NF-Stereo	0.39 88	0.21 74	0.51 139	0.42 129	0.25 101	0.26 18	0.30 69	0.71 99	0.72 118	0.66 102	0.77 101	0.57 99	0.31 53	0.69 169	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.16 103	0.27 270

OCTAStereo	0.39 88	0.21 74	0.51 139	0.42 129	0.25 101	0.26 18	0.30 69	0.71 99	0.72 118	0.66 102	0.77 101	0.58 114	0.31 53	0.69 169	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.16 103	0.27 270

ROB_FTStereo_v2	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.31 87	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.60 88	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

ASMatch	0.48 170	0.20 54	0.47 102	0.39 60	0.28 179	0.37 86	0.26 40	0.76 135	0.72 118	0.77 163	2.29 365	0.61 128	0.51 155	0.64 132	0.39 127	0.15 67	0.12 86	0.17 85	0.15 90	0.14 36	0.22 223

RAFT_R40	0.41 116	0.20 54	0.47 102	0.44 187	0.25 101	0.23 6	0.25 30	0.69 82	0.70 110	0.98 276	0.78 109	0.72 188	0.43 119	0.80 219	0.39 127	0.17 125	0.11 39	0.20 176	0.16 115	0.18 151	0.15 78

PFNet	0.43 135	0.19 33	0.61 207	0.44 187	0.24 77	0.42 117	0.31 87	0.76 135	0.81 162	1.01 283	0.74 96	0.67 165	0.41 111	0.75 192	0.39 127	0.16 99	0.10 8	0.20 176	0.15 90	0.16 103	0.14 49

RE-Stereo	0.39 88	0.21 74	0.51 139	0.42 129	0.25 101	0.26 18	0.30 69	0.71 99	0.72 118	0.66 102	0.77 101	0.57 99	0.31 53	0.70 176	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.16 103	0.27 270

Pruner-Stereo	0.39 88	0.21 74	0.51 139	0.41 104	0.25 101	0.22 4	0.24 23	0.71 99	0.59 74	0.90 238	0.75 98	0.67 165	0.30 50	0.64 132	0.39 127	0.19 191	0.12 86	0.20 176	0.17 157	0.17 127	0.19 165

TVStereo	0.39 88	0.21 74	0.51 139	0.42 129	0.25 101	0.26 18	0.30 69	0.71 99	0.72 118	0.66 102	0.77 101	0.57 99	0.31 53	0.70 176	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.16 103	0.27 270

iGMRVC	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.29 57	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.61 94	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

IRAFT_RVC	0.43 135	0.20 54	0.52 158	0.45 199	0.24 77	0.26 18	0.51 264	0.76 135	0.78 142	0.77 163	0.80 123	0.73 192	0.50 150	0.74 187	0.39 127	0.18 156	0.10 8	0.21 217	0.17 157	0.17 127	0.15 78

iRAFT	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.21 5	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.61 94	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

RAFT-IKP	0.36 42	0.24 139	0.51 139	0.42 129	0.22 30	0.24 7	0.27 42	0.63 42	0.39 21	0.63 84	0.73 85	0.57 99	0.38 89	0.61 94	0.39 127	0.18 156	0.12 86	0.20 176	0.16 115	0.21 208	0.16 98

Anonymous3	0.47 161	0.35 267	0.91 304	0.50 268	0.38 282	0.81 268	0.55 283	0.76 135	0.66 96	0.52 53	0.65 69	0.44 54	0.45 131	0.66 146	0.39 127	0.25 273	0.25 309	0.22 229	0.21 243	0.23 240	0.24 250

Anonymous	0.40 102	0.29 229	0.70 248	0.54 310	0.44 316	0.56 169	0.54 279	0.68 71	0.52 62	0.38 18	0.44 19	0.33 18	0.42 116	0.57 69	0.39 127	0.20 210	0.20 271	0.18 116	0.18 183	0.30 288	0.24 250

SFCPSM	0.48 170	0.22 97	0.59 201	0.41 104	0.27 158	0.85 280	0.36 145	1.39 331	0.79 148	0.81 182	0.85 145	0.54 88	0.50 150	0.60 88	0.39 127	0.18 156	0.14 172	0.18 116	0.20 226	0.17 127	0.16 98

CoDeX	0.48 170	0.21 74	0.53 165	0.43 166	0.25 101	0.74 245	0.38 170	1.36 329	0.82 170	0.84 194	0.96 188	0.63 138	0.57 183	0.63 125	0.40 147	0.17 125	0.13 141	0.17 85	0.15 90	0.16 103	0.15 78

IPLGR	0.40 102	0.22 97	0.70 248	0.40 86	0.22 30	0.51 143	0.29 57	0.78 143	0.78 142	0.80 178	0.77 101	0.44 54	0.41 111	0.48 41	0.40 147	0.14 18	0.12 86	0.16 57	0.14 69	0.16 103	0.14 49

NRIStereo	0.37 60	0.21 74	0.49 122	0.42 129	0.23 56	0.33 66	0.25 30	0.68 71	0.59 74	0.65 98	0.63 64	0.55 90	0.37 82	0.67 155	0.40 147	0.16 99	0.12 86	0.18 116	0.15 90	0.17 127	0.15 78

CRE-IMP	0.37 60	0.23 120	0.53 165	0.42 129	0.24 77	0.40 101	0.21 5	0.61 34	0.45 47	0.65 98	0.73 85	0.53 86	0.37 82	0.63 125	0.40 147	0.18 156	0.11 39	0.19 147	0.16 115	0.21 208	0.19 165

DN-CSS_ROB	0.45 147	0.27 207	0.74 265	0.41 104	0.29 198	0.43 121	0.29 57	0.80 150	0.78 142	0.73 140	1.08 248	0.48 71	0.45 131	0.81 223	0.40 147	0.15 67	0.12 86	0.21 217	0.19 207	0.18 151	0.17 134

rafts_anoy	0.38 76	0.22 97	0.38 33	0.43 166	0.28 179	0.32 60	0.32 99	0.70 92	0.91 214	0.59 69	0.66 72	0.45 61	0.33 64	0.49 47	0.41 152	0.16 99	0.12 86	0.21 217	0.23 270	0.18 151	0.16 98

raft+_RVC	0.38 76	0.20 54	0.38 33	0.39 60	0.27 158	0.44 127	0.35 138	0.81 152	0.90 208	0.52 53	0.78 109	0.50 76	0.29 41	0.56 65	0.41 152	0.15 67	0.12 86	0.17 85	0.15 90	0.14 36	0.13 31

GMStereo	0.40 102	0.38 281	0.61 207	0.41 104	0.27 158	0.47 133	0.35 138	0.62 36	1.04 270	0.57 65	0.54 44	0.38 35	0.36 78	0.56 65	0.41 152	0.20 210	0.13 141	0.16 57	0.17 157	0.24 248	0.20 192
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
DRaft	0.49 179	0.18 14	0.50 131	0.38 44	0.25 101	0.57 179	0.39 183	0.67 66	0.86 186	1.02 287	1.75 349	0.50 76	0.79 279	0.65 138	0.42 155	0.14 18	0.11 39	0.16 57	0.16 115	0.14 36	0.17 134

DeepStereo_RVC	0.37 60	0.22 97	0.51 139	0.41 104	0.24 77	0.26 18	0.22 11	0.64 52	0.40 29	0.69 119	0.67 77	0.57 99	0.50 150	0.58 73	0.42 155	0.17 125	0.12 86	0.18 116	0.16 115	0.19 184	0.19 165

MyStereo05	0.46 152	0.22 97	0.51 139	0.42 129	0.29 198	0.43 121	0.48 248	0.96 200	1.12 296	0.77 163	0.62 63	0.51 79	0.57 183	0.79 217	0.43 157	0.14 18	0.13 141	0.18 116	0.17 157	0.17 127	0.17 134

UDGNet	0.50 190	0.82 362	0.56 184	0.51 280	0.32 244	0.41 110	0.34 116	0.71 99	0.93 221	0.65 98	0.60 58	0.58 114	0.44 124	0.65 138	0.43 157	0.33 325	0.15 190	0.67 373	0.20 226	0.49 350	0.23 242

PSM-softLoss	0.40 102	0.21 74	0.53 165	0.42 129	0.26 129	0.29 35	0.34 116	0.70 92	0.49 57	0.63 84	0.82 131	0.59 123	0.33 64	0.75 192	0.43 157	0.20 210	0.12 86	0.20 176	0.18 183	0.17 127	0.22 223

KMStereo	0.40 102	0.21 74	0.53 165	0.42 129	0.26 129	0.29 35	0.34 116	0.70 92	0.49 57	0.63 84	0.82 131	0.59 123	0.33 64	0.75 192	0.43 157	0.20 210	0.12 86	0.20 176	0.18 183	0.17 127	0.22 223

THIR-Stereo	0.51 200	0.19 33	0.47 102	0.39 60	0.23 56	0.74 245	0.64 309	0.68 71	0.88 200	1.03 290	1.40 314	0.71 173	0.75 264	0.64 132	0.43 157	0.16 99	0.11 39	0.17 85	0.18 183	0.15 66	0.17 134

DIP-Stereo	0.40 102	0.22 97	0.58 193	0.42 129	0.29 198	0.62 195	0.27 42	0.87 166	0.42 38	0.65 98	0.86 149	0.52 82	0.35 73	0.67 155	0.43 157	0.15 67	0.13 141	0.17 85	0.14 69	0.15 66	0.17 134
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
iResNetv2_ROB	0.55 226	0.29 229	0.86 292	0.39 60	0.25 101	0.67 228	0.37 157	1.21 279	1.02 262	1.02 287	1.10 250	0.89 246	0.79 279	0.74 187	0.43 157	0.19 191	0.13 141	0.15 41	0.11 15	0.19 184	0.16 98

PCWNet_CMD	0.49 179	0.25 167	0.56 184	0.40 86	0.27 158	0.64 208	0.32 99	0.98 204	0.99 251	0.87 216	1.07 242	0.78 213	0.46 137	0.61 94	0.44 164	0.17 125	0.13 141	0.21 217	0.16 115	0.26 263	0.20 192

CASS	0.46 152	0.28 220	0.45 84	0.48 248	0.22 30	0.63 200	0.34 116	0.99 207	0.66 96	0.76 155	0.86 149	0.61 128	0.58 186	0.58 73	0.44 164	0.29 302	0.16 211	0.22 229	0.18 183	0.23 240	0.28 279
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
GANet-ADL	0.44 141	0.27 207	0.48 115	0.44 187	0.30 217	0.54 159	0.36 145	0.94 193	0.88 200	0.64 94	0.72 83	0.68 168	0.44 124	0.55 61	0.44 164	0.22 241	0.15 190	0.15 41	0.13 49	0.18 151	0.21 208

DEmStereo	0.49 179	0.18 14	0.53 165	0.39 60	0.26 129	0.57 179	0.33 108	0.65 53	0.75 134	0.90 238	1.65 341	0.57 99	1.02 326	0.63 125	0.44 164	0.14 18	0.12 86	0.16 57	0.16 115	0.14 36	0.17 134

MSMDNet	0.49 179	0.25 167	0.56 184	0.40 86	0.27 158	0.64 208	0.32 99	0.99 207	0.99 251	0.87 216	1.07 242	0.79 219	0.46 137	0.61 94	0.44 164	0.17 125	0.13 141	0.20 176	0.16 115	0.25 257	0.20 192

MyStereo04	0.45 147	0.23 120	0.52 158	0.43 166	0.29 198	0.40 101	0.48 248	1.02 216	1.12 296	0.62 77	0.58 54	0.55 90	0.56 174	0.77 207	0.45 169	0.14 18	0.13 141	0.19 147	0.17 157	0.18 151	0.17 134

11t1	0.38 76	0.23 120	0.49 122	0.36 27	0.23 56	0.61 191	0.31 87	0.74 128	0.47 54	0.62 77	0.55 49	0.55 90	0.49 148	0.58 73	0.45 169	0.18 156	0.15 190	0.16 57	0.13 49	0.17 127	0.19 165

CFNet_ucs	0.51 200	0.25 167	0.58 193	0.39 60	0.31 227	0.59 189	0.35 138	1.04 222	0.95 232	0.89 231	1.19 279	0.80 223	0.49 148	0.66 146	0.45 169	0.21 225	0.16 211	0.26 281	0.18 183	0.27 272	0.23 242

FENet	0.43 135	0.23 120	0.40 45	0.40 86	0.24 77	0.54 159	0.33 108	0.83 158	0.72 118	0.74 147	0.73 85	0.63 138	0.56 174	0.65 138	0.45 169	0.19 191	0.13 141	0.19 147	0.17 157	0.18 151	0.20 192

GMStereo_Zeroshot	0.51 200	0.46 311	0.80 275	0.50 268	0.28 179	0.57 179	0.30 69	0.75 133	0.79 148	0.88 224	0.94 180	0.90 248	0.37 82	0.77 207	0.46 173	0.27 287	0.14 172	0.26 281	0.15 90	0.39 327	0.19 165

anonymousa	0.51 200	0.21 74	0.47 102	0.39 60	0.25 101	0.89 288	0.36 145	0.78 143	0.63 84	0.88 224	1.54 334	1.09 300	0.67 228	0.53 53	0.46 173	0.17 125	0.14 172	0.19 147	0.21 243	0.16 103	0.16 98

IER	0.48 170	0.25 167	0.60 206	0.38 44	0.28 179	0.67 228	0.38 170	0.82 156	0.68 103	0.88 224	0.95 184	0.74 196	0.79 279	0.62 116	0.46 173	0.17 125	0.14 172	0.17 85	0.17 157	0.17 127	0.16 98

CrosDoStereo	0.51 200	0.19 33	0.46 91	0.39 60	0.24 77	0.39 96	1.14 367	0.69 82	0.87 190	0.94 253	1.36 308	0.62 134	0.75 264	0.68 163	0.46 173	0.15 67	0.12 86	0.17 85	0.18 183	0.14 36	0.16 98

DeepStereo_LL	0.51 200	0.19 33	0.46 91	0.39 60	0.24 77	0.39 96	1.14 367	0.69 82	0.87 190	0.94 253	1.36 308	0.62 134	0.75 264	0.68 163	0.46 173	0.15 67	0.12 86	0.17 85	0.18 183	0.14 36	0.16 98

CFNet_pseudo	0.47 161	0.25 167	0.55 180	0.38 44	0.28 179	0.58 183	0.32 99	0.89 172	0.90 208	0.83 188	1.03 228	0.75 200	0.48 144	0.61 94	0.46 173	0.17 125	0.13 141	0.24 256	0.16 115	0.26 263	0.21 208

GES	0.46 152	0.25 167	0.62 212	0.41 104	0.30 217	0.62 195	0.37 157	1.06 233	0.70 110	0.75 150	0.83 136	0.47 68	0.52 158	0.69 169	0.46 173	0.23 255	0.17 237	0.17 85	0.16 115	0.18 151	0.24 250

ccs_rob	0.47 161	0.25 167	0.55 180	0.38 44	0.28 179	0.58 183	0.32 99	0.89 172	0.90 208	0.83 188	1.02 217	0.75 200	0.48 144	0.61 94	0.46 173	0.17 125	0.12 86	0.24 256	0.16 115	0.26 263	0.21 208

iResNet_ROB	0.55 226	0.24 139	0.61 207	0.38 44	0.22 30	0.66 219	0.30 69	1.59 363	1.33 339	0.94 253	1.05 234	0.81 225	0.69 238	0.84 234	0.46 173	0.17 125	0.12 86	0.14 13	0.09 4	0.15 66	0.20 192

DAS	0.54 221	0.26 195	0.66 227	0.49 257	0.31 227	0.61 191	0.43 225	0.89 172	1.01 257	0.95 258	1.16 269	0.71 173	0.85 296	0.89 247	0.47 182	0.18 156	0.14 172	0.18 116	0.15 90	0.22 226	0.19 165

SepStereo	0.54 221	0.26 195	0.66 227	0.49 257	0.31 227	0.61 191	0.43 225	0.89 172	1.01 257	0.95 258	1.16 269	0.71 173	0.85 296	0.97 277	0.47 182	0.18 156	0.14 172	0.18 116	0.15 90	0.22 226	0.19 165

HITNet	0.43 135	0.27 207	0.50 131	0.34 9	0.18 5	0.65 214	0.32 99	0.99 207	0.70 110	0.73 140	0.86 149	0.66 161	0.56 174	0.61 94	0.47 182	0.14 18	0.10 8	0.15 41	0.13 49	0.18 151	0.13 31
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
1test111	0.37 60	0.25 167	0.35 19	0.42 129	0.23 56	0.53 153	0.37 157	0.91 178	0.59 74	0.42 32	0.50 31	0.34 21	0.47 141	0.59 78	0.48 185	0.17 125	0.11 39	0.19 147	0.13 49	0.18 151	0.19 165

qqq	0.42 123	0.28 220	0.50 131	0.37 35	0.22 30	0.47 133	0.39 183	0.91 178	0.59 74	0.57 65	0.71 82	0.65 149	0.56 174	0.59 78	0.48 185	0.17 125	0.17 237	0.20 176	0.19 207	0.18 151	0.19 165

BSDual-CNN	0.48 170	0.26 195	0.47 102	0.46 222	0.29 198	0.75 248	0.46 238	0.99 207	0.80 153	0.77 163	0.80 123	0.76 206	0.59 190	0.66 146	0.48 185	0.21 225	0.15 190	0.22 229	0.19 207	0.18 151	0.19 165

psmg	0.50 190	0.26 195	0.47 102	0.42 129	0.29 198	0.82 271	0.42 218	1.07 235	0.80 153	0.95 258	0.94 180	0.76 206	0.59 190	0.66 146	0.48 185	0.21 225	0.16 211	0.20 176	0.20 226	0.19 184	0.19 165

GANet-RSSM	0.49 179	0.22 97	0.42 58	0.39 60	0.26 129	0.58 183	0.41 213	1.12 249	0.82 170	0.73 140	1.02 217	0.88 241	0.75 264	0.67 155	0.48 185	0.22 241	0.16 211	0.18 116	0.19 207	0.18 151	0.18 156

UCFNet_RVC	0.50 190	0.27 207	0.37 27	0.40 86	0.27 158	0.66 219	0.42 218	1.18 270	0.86 186	0.70 123	0.89 161	0.91 254	0.60 193	0.62 116	0.48 185	0.24 261	0.18 246	0.28 299	0.27 307	0.25 257	0.24 250

HSM	0.53 216	0.25 167	0.46 91	0.40 86	0.25 101	0.74 245	0.44 231	1.29 311	0.78 142	0.82 183	0.92 175	1.21 312	0.75 264	0.90 252	0.48 185	0.18 156	0.14 172	0.17 85	0.14 69	0.17 127	0.18 156

mmm	0.47 161	0.28 220	0.51 139	0.39 60	0.25 101	0.61 191	0.38 170	1.00 213	0.60 81	0.77 163	1.07 242	0.65 149	0.53 159	0.61 94	0.49 192	0.18 156	0.15 190	0.23 243	0.20 226	0.21 208	0.20 192

IPLG	0.40 102	0.21 74	0.64 220	0.41 104	0.25 101	0.54 159	0.27 42	0.77 140	0.68 103	0.85 204	0.82 131	0.33 18	0.32 59	0.64 132	0.49 192	0.13 9	0.11 39	0.16 57	0.14 69	0.14 36	0.14 49

x	0.41 116	0.25 167	0.46 91	0.36 27	0.24 77	0.54 159	0.31 87	0.94 193	0.58 73	0.60 71	0.72 83	0.61 128	0.53 159	0.52 51	0.50 194	0.18 156	0.16 211	0.17 85	0.16 115	0.17 127	0.18 156

hknet	0.51 200	0.26 195	0.58 193	0.46 222	0.29 198	0.75 248	0.46 238	0.99 207	0.89 204	0.77 163	0.80 123	0.96 263	0.67 228	0.75 192	0.50 194	0.19 191	0.15 190	0.22 229	0.19 207	0.18 151	0.19 165

LL-Strereo	0.58 250	0.29 229	0.83 285	0.48 248	0.35 270	0.39 96	0.48 248	1.04 222	0.99 251	0.87 216	0.79 113	1.08 295	1.15 343	1.35 337	0.51 196	0.18 156	0.15 190	0.22 229	0.19 207	0.17 127	0.21 208

pcwnet_v2	0.60 261	0.29 229	0.89 301	0.46 222	0.36 275	0.62 195	0.38 170	1.33 322	1.24 323	1.02 287	1.27 294	0.71 173	0.59 190	0.71 181	0.51 196	0.28 295	0.21 277	0.24 256	0.23 270	0.29 281	0.30 288

RAFT + AFF	0.54 221	0.30 243	0.84 288	0.51 280	0.32 244	0.63 200	0.57 288	1.05 228	0.95 232	0.80 178	0.87 155	0.85 230	0.57 183	0.87 240	0.51 196	0.18 156	0.21 277	0.23 243	0.22 261	0.19 184	0.19 165

AdaStereo	0.52 210	0.34 263	0.53 165	0.49 257	0.25 101	0.71 237	0.36 145	1.24 289	0.91 214	0.77 163	0.98 198	0.75 200	0.50 150	0.71 181	0.51 196	0.27 287	0.13 141	0.28 299	0.18 183	0.23 240	0.18 156
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.
MyStereo8	0.42 123	0.21 74	0.64 220	0.43 166	0.29 198	0.55 164	0.28 50	0.72 109	0.50 60	0.73 140	1.01 215	0.57 99	0.44 124	0.52 51	0.52 200	0.15 67	0.12 86	0.16 57	0.14 69	0.19 184	0.21 208

gwcnet-sp	0.50 190	0.25 167	0.84 288	0.41 104	0.27 158	0.79 257	0.40 193	0.93 188	0.85 180	0.95 258	0.79 113	0.65 149	0.63 204	0.69 169	0.52 200	0.18 156	0.17 237	0.18 116	0.18 183	0.18 151	0.19 165

scenet	0.50 190	0.25 167	0.84 288	0.41 104	0.27 158	0.79 257	0.40 193	0.93 188	0.85 180	0.95 258	0.79 113	0.65 149	0.63 204	0.69 169	0.52 200	0.18 156	0.17 237	0.18 116	0.18 183	0.18 151	0.19 165

ssnet	0.50 190	0.25 167	0.84 288	0.41 104	0.27 158	0.79 257	0.40 193	0.93 188	0.85 180	0.95 258	0.79 113	0.65 149	0.63 204	0.69 169	0.52 200	0.18 156	0.17 237	0.18 116	0.18 183	0.18 151	0.19 165

CIPLG	0.42 123	0.23 120	0.71 251	0.45 199	0.33 255	0.51 143	0.33 108	0.68 71	0.68 103	0.84 194	0.96 188	0.47 68	0.33 64	0.56 65	0.52 200	0.17 125	0.12 86	0.16 57	0.14 69	0.13 14	0.16 98

ACRE	0.42 123	0.23 120	0.73 261	0.45 199	0.33 255	0.50 138	0.33 108	0.68 71	0.70 110	0.82 183	0.92 175	0.46 64	0.32 59	0.53 53	0.52 200	0.17 125	0.12 86	0.15 41	0.14 69	0.13 14	0.16 98

PSMNet-RSSM	0.50 190	0.24 139	0.41 50	0.43 166	0.26 129	0.51 143	0.40 193	1.16 262	0.79 148	0.75 150	1.07 242	0.87 238	0.69 238	0.66 146	0.52 200	0.24 261	0.16 211	0.23 243	0.26 303	0.20 199	0.20 192

FADNet-RVC-Resample	0.58 250	0.35 267	1.34 346	0.50 268	0.34 265	0.73 241	0.43 225	1.09 243	0.96 239	0.83 188	0.87 155	0.76 206	0.66 219	0.77 207	0.52 200	0.19 191	0.18 246	0.26 281	0.27 307	0.28 279	0.29 284

NOSS_ROB	0.59 254	0.40 293	0.42 58	0.45 199	0.31 227	0.79 257	0.53 273	1.09 243	1.12 296	0.69 119	0.92 175	0.77 211	0.63 204	0.81 223	0.52 200	0.39 349	0.38 358	0.44 351	0.42 358	0.38 323	0.36 315

dd	0.44 141	0.40 293	0.62 212	0.44 187	0.26 129	0.51 143	0.38 170	0.72 109	1.07 283	0.60 71	0.66 72	0.43 51	0.40 107	0.68 163	0.53 209	0.24 261	0.15 190	0.21 217	0.16 115	0.24 248	0.19 165

IPLGR_C	0.42 123	0.23 120	0.71 251	0.46 222	0.33 255	0.51 143	0.34 116	0.69 82	0.69 108	0.84 194	0.92 175	0.46 64	0.33 64	0.53 53	0.53 209	0.17 125	0.12 86	0.16 57	0.14 69	0.13 14	0.16 98

HSM-Net_RVC	0.55 226	0.23 120	0.37 27	0.38 44	0.22 30	0.86 282	0.40 193	1.31 314	0.93 221	0.92 246	1.15 266	1.26 316	0.71 248	0.75 192	0.53 209	0.17 125	0.14 172	0.16 57	0.15 90	0.17 127	0.17 134
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
dad	0.61 264	0.53 324	0.72 257	0.44 187	0.31 227	0.64 208	0.37 157	0.85 163	1.28 330	1.05 301	1.17 274	1.18 310	0.61 197	0.70 176	0.54 212	0.36 339	0.23 293	0.37 337	0.21 243	0.31 292	0.23 242

FADNet	0.63 273	0.53 324	1.20 331	0.46 222	0.44 316	0.66 219	0.41 213	1.24 289	1.07 283	0.70 123	0.84 138	0.98 266	0.65 217	0.87 240	0.54 212	0.29 302	0.30 330	0.27 289	0.30 318	0.48 347	0.36 315

GwcNet-ADL	0.45 147	0.24 139	0.51 139	0.46 222	0.30 217	0.41 110	0.40 193	0.95 196	0.98 248	0.73 140	0.78 109	0.61 128	0.41 111	0.67 155	0.55 214	0.20 210	0.14 172	0.15 41	0.14 69	0.19 184	0.22 223

CVANet_RVC	0.59 254	0.35 267	0.54 177	0.49 257	0.33 255	0.70 234	0.67 311	1.12 249	0.97 244	0.88 224	1.05 234	1.01 275	0.72 255	0.94 262	0.55 214	0.30 309	0.20 271	0.28 299	0.26 303	0.32 298	0.23 242

BUS	0.47 161	0.26 195	0.47 102	0.46 222	0.29 198	0.78 251	0.34 116	0.99 207	0.80 153	0.77 163	0.80 123	0.64 145	0.54 163	0.66 146	0.56 216	0.21 225	0.15 190	0.22 229	0.19 207	0.18 151	0.19 165

NINENet	0.52 210	0.30 243	0.55 180	0.46 222	0.33 255	0.78 251	0.34 116	1.18 270	0.91 214	0.84 194	0.97 195	0.64 145	0.54 163	0.74 187	0.56 216	0.23 255	0.20 271	0.25 267	0.18 183	0.22 226	0.22 223

DeepPruner_ROB	0.55 226	0.37 277	0.67 231	0.42 129	0.31 227	0.50 138	0.43 225	1.22 285	0.73 127	0.86 214	1.05 234	0.85 230	0.58 186	0.90 252	0.56 216	0.29 302	0.23 293	0.22 229	0.22 261	0.26 263	0.26 262

CBMV_ROB	0.62 270	0.39 285	0.41 50	0.41 104	0.28 179	0.86 282	0.28 50	1.06 233	1.02 262	0.95 258	1.33 303	0.81 225	0.84 292	0.94 262	0.56 216	0.37 343	0.37 357	0.43 349	0.40 351	0.33 302	0.32 298

HBP-ISP	0.61 264	0.47 317	0.45 84	0.46 222	0.33 255	0.79 257	0.29 57	1.15 260	1.05 272	0.85 204	1.18 278	0.67 165	0.71 248	0.92 256	0.57 220	0.37 343	0.38 358	0.47 356	0.41 356	0.39 327	0.32 298

SACVNet	0.61 264	0.36 275	0.67 231	0.57 322	0.37 277	0.65 214	0.47 243	1.16 262	0.80 153	1.04 296	1.06 240	1.02 277	0.81 286	0.99 283	0.57 220	0.28 295	0.21 277	0.25 267	0.24 284	0.30 288	0.39 324

CFNet-ft	0.50 190	0.25 167	0.39 36	0.41 104	0.26 129	0.66 219	0.37 157	0.91 178	0.87 190	0.67 109	1.00 211	1.05 286	0.70 243	0.68 163	0.57 220	0.23 255	0.16 211	0.24 256	0.21 243	0.24 248	0.19 165

DMCA	0.47 161	0.27 207	0.59 201	0.39 60	0.29 198	0.53 153	0.34 116	0.98 204	0.70 110	0.78 174	0.83 136	0.79 219	0.55 166	0.54 60	0.57 220	0.21 225	0.16 211	0.21 217	0.16 115	0.19 184	0.22 223

CFNet_RVC	0.50 190	0.25 167	0.39 36	0.41 104	0.26 129	0.66 219	0.37 157	0.91 178	0.87 190	0.67 109	1.00 211	1.05 286	0.70 243	0.68 163	0.57 220	0.23 255	0.16 211	0.24 256	0.21 243	0.24 248	0.19 165

AACVNet	0.52 210	0.25 167	0.56 184	0.48 248	0.29 198	0.55 164	0.38 170	0.96 200	0.59 74	0.83 188	1.03 228	1.03 279	0.77 277	0.91 254	0.58 225	0.22 241	0.18 246	0.24 256	0.18 183	0.24 248	0.22 223

CFNet	0.53 216	0.30 243	0.53 165	0.42 129	0.28 179	0.73 241	0.35 138	1.21 279	1.01 257	0.74 147	1.07 242	0.85 230	0.60 193	0.83 230	0.58 225	0.19 191	0.15 190	0.23 243	0.23 270	0.21 208	0.17 134

MLCV	0.49 179	0.26 195	0.73 261	0.38 44	0.18 5	0.64 208	0.33 108	0.84 162	0.89 204	0.96 270	1.12 256	0.72 188	0.45 131	1.00 288	0.59 227	0.14 18	0.10 8	0.14 13	0.11 15	0.14 36	0.14 49

SMFormer	0.53 216	0.24 139	0.67 231	0.35 12	0.20 18	0.63 200	0.34 116	1.26 297	1.06 276	0.85 204	1.02 217	0.71 173	0.66 219	0.96 270	0.60 228	0.19 191	0.16 211	0.18 116	0.17 157	0.19 184	0.20 192

tta	0.53 216	0.24 139	0.67 231	0.35 12	0.20 18	0.63 200	0.34 116	1.26 297	1.06 276	0.85 204	1.02 217	0.71 173	0.66 219	0.96 270	0.60 228	0.19 191	0.16 211	0.18 116	0.17 157	0.15 66	0.16 98

BEATNet_4x	0.49 179	0.35 267	0.72 257	0.38 44	0.20 18	0.65 214	0.36 145	1.08 240	0.78 142	0.78 174	0.88 158	0.73 192	0.64 211	0.71 181	0.60 228	0.16 99	0.12 86	0.16 57	0.15 90	0.24 248	0.18 156

iResNet	0.52 210	0.31 250	0.86 292	0.44 187	0.22 30	0.66 219	0.47 243	0.92 186	1.02 262	0.89 231	1.12 256	0.69 170	0.55 166	0.86 238	0.60 228	0.15 67	0.11 39	0.15 41	0.12 26	0.17 127	0.17 134

ToySt	0.52 210	0.27 207	0.93 305	0.42 129	0.28 179	0.67 228	0.56 286	0.88 171	0.79 148	0.61 75	0.85 145	0.92 257	0.70 243	0.72 185	0.61 232	0.16 99	0.17 237	0.21 217	0.21 243	0.22 226	0.21 208

Anonymous_2	0.84 313	0.45 306	0.66 227	0.41 104	0.45 323	0.82 271	0.53 273	0.81 152	0.81 162	0.73 140	0.61 61	0.91 254	0.76 273	0.77 207	0.61 232	0.51 365	0.55 380	0.54 367	4.92 415	0.54 360	0.42 338

ICVP	0.48 170	0.26 195	0.42 58	0.49 257	0.28 179	0.63 200	0.43 225	1.05 228	0.72 118	0.68 116	0.95 184	0.75 200	0.56 174	0.55 61	0.61 232	0.24 261	0.18 246	0.19 147	0.17 157	0.19 184	0.21 208
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
cf-r	0.49 179	0.24 139	0.49 122	0.40 86	0.23 56	0.58 183	0.38 170	0.92 186	0.87 190	0.77 163	1.06 240	0.98 266	0.67 228	0.59 78	0.61 232	0.21 225	0.14 172	0.17 85	0.19 207	0.15 66	0.16 98

MaskLacGwcNet_RVC	0.71 285	0.84 366	0.80 275	0.55 316	0.38 282	1.38 347	0.57 288	1.07 235	0.81 162	0.90 238	0.94 180	0.95 260	0.54 163	1.01 289	0.61 232	0.41 354	0.30 330	0.57 369	0.31 327	0.86 374	0.39 324

TDLM	0.59 254	0.35 267	0.57 191	0.53 301	0.32 244	0.67 228	0.72 323	1.09 243	1.03 266	0.84 194	1.11 254	0.84 228	0.71 248	0.96 270	0.61 232	0.28 295	0.18 246	0.26 281	0.22 261	0.27 272	0.21 208

PS-NSSS	0.60 261	0.46 311	0.68 238	0.43 166	0.34 265	0.66 219	0.57 288	1.05 228	0.91 214	0.80 178	1.28 295	0.72 188	0.67 228	0.89 247	0.61 232	0.32 317	0.26 317	0.40 346	0.27 307	0.35 314	0.29 284

DSFCA	0.57 239	0.27 207	0.71 251	0.41 104	0.36 275	0.78 251	0.53 273	1.08 240	0.85 180	1.08 311	0.84 138	0.90 248	0.66 219	1.05 296	0.63 239	0.26 278	0.22 286	0.21 217	0.21 243	0.22 226	0.20 192

DMCA-RVC	0.54 221	0.32 252	0.83 285	0.51 280	0.32 244	0.59 189	0.38 170	0.89 172	0.70 110	0.95 258	0.88 158	0.90 248	0.69 238	0.75 192	0.63 239	0.23 255	0.18 246	0.31 317	0.24 284	0.27 272	0.21 208

NLCA_NET_v2_RVC	0.55 226	0.33 258	0.71 251	0.46 222	0.31 227	0.66 219	0.43 225	1.07 235	0.89 204	0.93 249	0.91 169	0.98 266	0.61 197	0.76 200	0.64 241	0.22 241	0.18 246	0.22 229	0.22 261	0.22 226	0.24 250
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CSP-Net	0.57 239	0.29 229	0.55 180	0.42 129	0.29 198	1.20 338	0.49 258	1.29 311	0.75 134	0.98 276	0.97 195	0.88 241	0.69 238	0.85 236	0.66 242	0.27 287	0.18 246	0.17 85	0.17 157	0.18 151	0.19 165

psm_up	0.57 239	0.27 207	0.52 158	0.50 268	0.33 255	0.65 214	0.60 300	1.07 235	0.84 176	0.87 216	0.91 169	1.00 271	1.06 331	0.80 219	0.66 242	0.22 241	0.25 309	0.26 281	0.23 270	0.22 226	0.21 208

STTStereo	0.57 239	0.39 285	0.87 297	0.45 199	0.32 244	0.62 195	0.45 235	1.01 214	0.87 190	1.01 283	0.91 169	0.95 260	0.58 186	0.77 207	0.66 242	0.25 273	0.24 301	0.27 289	0.33 336	0.25 257	0.26 262

iRaft-Stereo_5w	0.46 152	0.22 97	0.53 165	0.43 166	0.30 217	0.30 39	0.53 273	0.66 55	0.71 116	0.62 77	0.89 161	1.01 275	0.67 228	0.76 200	0.67 245	0.13 9	0.12 86	0.17 85	0.15 90	0.15 66	0.17 134

GEStereo_RVC	0.56 235	0.30 243	0.70 248	0.51 280	0.31 227	0.70 234	0.54 279	1.31 314	0.93 221	0.85 204	0.86 149	0.84 228	0.63 204	0.92 256	0.67 245	0.24 261	0.16 211	0.19 147	0.17 157	0.21 208	0.23 242

UNet	0.55 226	0.27 207	0.72 257	0.45 199	0.41 299	0.97 299	0.40 193	1.01 214	0.80 153	0.87 216	0.90 163	1.03 279	0.75 264	0.76 200	0.67 245	0.19 191	0.15 190	0.20 176	0.17 157	0.21 208	0.18 156

PSMNet-ADL	0.50 190	0.28 220	0.43 74	0.49 257	0.31 227	0.70 234	0.38 170	0.94 193	0.81 162	0.62 77	0.80 123	0.91 254	0.62 199	0.76 200	0.68 248	0.24 261	0.18 246	0.19 147	0.20 226	0.22 226	0.22 223

NVstereo2D	0.62 270	0.32 252	0.82 281	0.50 268	0.44 316	0.88 285	0.48 248	1.12 249	1.17 313	0.67 109	0.90 163	0.90 248	0.69 238	1.02 292	0.69 249	0.33 325	0.16 211	0.29 307	0.20 226	0.43 337	0.46 352

SQANet	0.87 320	0.76 358	0.76 268	1.16 380	0.99 378	1.10 321	0.51 264	1.12 249	0.85 180	0.93 249	1.05 234	1.03 279	0.76 273	1.07 297	0.70 250	0.79 377	0.25 309	1.04 381	0.36 341	1.56 384	0.70 373

CC-Net-ROB	0.84 313	1.01 376	0.93 305	0.60 331	0.45 323	1.25 340	0.71 319	1.20 276	1.05 272	0.84 194	1.24 286	0.90 248	0.78 278	1.14 307	0.70 250	0.48 361	0.34 352	1.71 387	0.38 346	0.78 372	0.40 330

ACVNet	0.47 161	0.24 139	0.39 36	0.40 86	0.28 179	0.58 183	0.40 193	0.91 178	0.81 162	0.67 109	0.96 188	0.79 219	0.66 219	0.65 138	0.71 252	0.18 156	0.15 190	0.16 57	0.15 90	0.18 151	0.15 78

hitnet-ft	0.57 239	0.29 229	0.43 74	0.42 129	0.29 198	0.81 268	0.40 193	0.98 204	0.91 214	0.84 194	1.01 215	1.13 306	0.72 255	0.83 230	0.71 252	0.28 295	0.21 277	0.28 299	0.22 261	0.29 281	0.27 270

SGM-Forest	0.65 275	0.33 258	0.43 74	0.44 187	0.30 217	1.01 310	0.54 279	1.13 255	1.09 294	1.11 321	1.21 281	1.10 301	0.76 273	0.99 283	0.71 252	0.32 317	0.33 349	0.33 327	0.30 318	0.30 288	0.28 279
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ac_64	0.54 221	0.24 139	0.58 193	0.46 222	0.28 179	0.79 257	0.44 231	1.11 248	0.63 84	0.94 253	0.85 145	1.06 290	0.70 243	0.76 200	0.72 255	0.22 241	0.18 246	0.20 176	0.19 207	0.18 151	0.16 98

LMCR-Stereo	0.55 226	0.33 258	0.57 191	0.60 331	0.30 217	0.80 263	0.36 145	1.30 313	0.79 148	0.90 238	1.04 231	0.57 99	0.64 211	0.87 240	0.73 256	0.20 210	0.15 190	0.19 147	0.14 69	0.25 257	0.18 156

HGLStereo	0.58 250	0.30 243	0.65 225	0.51 280	0.38 282	0.78 251	0.45 235	1.07 235	0.82 170	0.89 231	1.16 269	0.88 241	0.91 312	0.80 219	0.74 257	0.21 225	0.21 277	0.20 176	0.18 183	0.19 184	0.22 223

GwcNet-RSSM	0.51 200	0.25 167	0.51 139	0.41 104	0.24 77	0.56 169	0.41 213	0.97 202	0.96 239	0.75 150	1.17 274	0.89 246	0.66 219	0.66 146	0.74 257	0.22 241	0.15 190	0.19 147	0.21 243	0.17 127	0.16 98

GANet	0.74 292	0.38 281	0.63 216	0.54 310	0.35 270	1.01 310	0.95 355	1.15 260	0.95 232	1.09 315	2.00 360	1.14 307	0.92 314	1.29 327	0.75 259	0.25 273	0.27 319	0.27 289	0.23 270	0.32 298	0.24 250

DLCB_ROB	0.60 261	0.29 229	0.53 165	0.50 268	0.33 255	0.76 250	0.51 264	1.02 216	0.94 228	1.07 310	1.16 269	1.21 312	0.73 259	0.98 279	0.75 259	0.21 225	0.20 271	0.22 229	0.23 270	0.22 226	0.20 192

CBMV	0.68 280	0.37 277	0.50 131	0.43 166	0.26 129	1.00 306	0.71 319	1.17 268	1.16 310	1.24 336	1.29 299	1.06 290	0.86 300	0.98 279	0.75 259	0.29 302	0.30 330	0.34 329	0.30 318	0.26 263	0.27 270
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CRFU-Net	0.59 254	0.29 229	0.62 212	0.47 240	0.31 227	1.20 338	0.51 264	1.19 273	0.59 74	1.05 301	1.00 211	1.06 290	0.87 303	0.83 230	0.77 262	0.22 241	0.19 263	0.18 116	0.16 115	0.19 184	0.20 192

SDNR	0.89 322	0.39 285	1.66 370	0.42 129	0.39 291	3.35 397	0.32 99	0.95 196	1.05 272	1.05 301	2.12 363	0.62 134	0.71 248	1.40 338	0.78 263	0.53 367	0.56 381	0.36 333	0.27 307	0.46 344	0.50 359

ADLNet2	0.57 239	0.26 195	0.71 251	0.48 248	0.31 227	0.83 274	0.51 264	1.10 247	0.99 251	0.85 204	0.99 207	0.99 270	0.70 243	0.79 217	0.78 263	0.21 225	0.17 237	0.18 116	0.18 183	0.22 226	0.22 223

delet	0.57 239	0.25 167	0.63 216	0.46 222	0.34 265	1.05 318	0.51 264	1.04 222	0.94 228	0.90 238	0.99 207	0.90 248	0.68 236	0.87 240	0.78 263	0.18 156	0.18 246	0.20 176	0.21 243	0.17 127	0.17 134

UPFNet	0.55 226	0.26 195	0.59 201	0.46 222	0.38 282	0.83 274	0.48 248	1.03 221	0.80 153	0.92 246	0.91 169	0.85 230	0.67 228	0.87 240	0.78 263	0.20 210	0.21 277	0.20 176	0.20 226	0.20 199	0.15 78

FADNet-RVC	0.62 270	0.56 338	1.29 340	0.47 240	0.39 291	0.63 200	0.40 193	1.16 262	0.91 214	0.71 132	0.86 149	1.04 283	0.55 166	0.99 283	0.78 263	0.27 287	0.26 317	0.28 299	0.29 317	0.32 298	0.31 295

GANetREF_RVC	0.82 306	0.77 359	0.95 310	0.68 353	0.43 311	1.15 330	1.06 362	1.19 273	1.20 320	1.03 290	1.02 217	1.10 301	0.89 309	1.20 318	0.78 263	0.49 362	0.39 362	0.58 370	0.39 348	0.69 369	0.49 357
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
NaN_ROB	0.73 287	0.46 311	0.89 301	0.52 294	0.34 265	0.98 303	1.11 364	1.28 307	1.20 320	1.27 340	0.96 188	1.08 295	0.79 279	1.34 336	0.78 263	0.24 261	0.30 330	0.23 243	0.24 284	0.23 240	0.26 262

DDUNet	1.10 344	2.58 409	0.83 285	1.21 382	1.27 386	1.02 312	0.69 316	1.17 268	0.95 232	0.98 276	1.26 290	1.28 317	0.84 292	0.97 277	0.79 270	0.85 380	0.40 365	2.00 392	0.60 377	1.34 383	0.94 379

MMNet	0.57 239	0.26 195	0.67 231	0.45 199	0.35 270	1.04 316	0.39 183	0.93 188	0.98 248	0.96 270	0.97 195	0.86 234	0.80 283	0.83 230	0.80 271	0.16 99	0.15 190	0.19 147	0.19 207	0.20 199	0.17 134

FADNet_RVC	0.58 250	0.39 285	1.26 335	0.45 199	0.32 244	0.55 164	0.34 116	1.12 249	0.90 208	0.68 116	0.90 163	0.61 128	0.71 248	1.03 294	0.80 271	0.21 225	0.18 246	0.27 289	0.23 270	0.33 302	0.30 288

otaku	1.10 344	0.96 371	0.96 311	1.37 386	1.06 383	1.65 364	0.72 323	1.46 347	1.19 318	1.10 318	1.32 302	1.32 323	0.95 321	1.29 327	0.81 273	0.89 382	0.46 375	1.24 383	0.50 370	1.86 386	0.89 378

FINET	0.75 296	0.45 306	1.38 349	0.48 248	0.46 331	0.98 303	1.00 359	1.22 285	1.69 367	0.91 245	1.25 287	0.74 196	0.74 261	1.09 301	0.82 274	0.37 343	0.31 338	0.27 289	0.24 284	0.35 314	0.34 309

ADLNet	0.57 239	0.29 229	0.58 193	0.46 222	0.35 270	0.80 263	0.46 238	1.14 257	0.88 200	1.03 290	0.98 198	0.92 257	0.66 219	0.71 181	0.83 275	0.22 241	0.16 211	0.22 229	0.22 261	0.22 226	0.23 242

ACVNet-4b	1.43 369	1.34 385	1.28 339	1.95 394	1.60 389	1.93 374	0.77 334	1.59 363	1.64 365	1.05 301	1.60 340	2.10 371	0.92 314	1.79 366	0.84 276	1.76 396	0.35 354	2.03 395	0.67 379	2.16 393	1.18 388

AASNet	0.55 226	0.27 207	0.62 212	0.51 280	0.32 244	0.73 241	0.44 231	1.55 355	0.88 200	0.88 224	0.94 180	0.64 145	0.63 204	0.62 116	0.84 276	0.23 255	0.20 271	0.20 176	0.16 115	0.22 226	0.20 192

GASNet	0.70 283	0.77 359	1.16 329	0.71 361	0.49 335	0.62 195	0.48 248	1.12 249	1.05 272	0.98 276	0.84 138	0.94 259	0.82 287	1.41 341	0.85 278	0.33 325	0.22 286	0.29 307	0.28 313	0.44 340	0.26 262

CBFPSM	0.61 264	0.25 167	1.41 351	0.39 60	0.27 158	1.10 321	0.67 311	0.83 158	0.84 176	0.82 183	0.81 129	1.33 328	0.85 296	0.72 185	0.86 279	0.16 99	0.15 190	0.15 41	0.17 157	0.17 127	0.23 242

stereogan	0.83 312	0.33 258	0.89 301	0.61 335	0.51 340	1.80 370	0.50 261	1.41 337	1.39 344	1.05 301	1.47 329	1.56 357	1.04 329	1.32 334	0.87 280	0.29 302	0.29 326	0.29 307	0.25 295	0.39 327	0.40 330

acv_ft	0.52 210	0.24 139	0.64 220	0.45 199	0.28 179	0.85 280	0.40 193	0.95 196	0.81 162	1.00 281	0.96 188	0.79 219	0.62 199	0.65 138	0.88 281	0.18 156	0.15 190	0.16 57	0.15 90	0.18 151	0.15 78

ETE_ROB	0.73 287	0.52 322	0.93 305	0.57 322	0.37 277	0.80 263	0.86 349	1.19 273	0.95 232	1.20 329	1.22 283	1.39 340	0.86 300	1.07 297	0.88 281	0.27 287	0.21 277	0.31 317	0.27 307	0.34 308	0.35 312

Ntro	1.15 349	1.00 375	1.00 317	1.49 387	1.20 385	1.69 367	0.81 340	1.39 331	1.25 325	1.01 283	1.28 295	1.31 321	1.00 325	1.31 332	0.89 283	1.10 388	0.43 371	1.36 384	0.51 371	1.95 388	0.99 384

DGSMNet	0.80 303	0.58 342	1.42 352	0.61 335	0.65 362	0.94 294	0.75 332	1.35 325	1.16 310	0.88 224	1.26 290	1.00 271	0.75 264	1.07 297	0.89 283	0.36 339	0.31 338	0.41 347	0.40 351	0.60 368	0.59 371

Syn2CoEx	0.74 292	0.55 336	1.17 330	0.66 348	0.45 323	0.89 288	0.56 286	1.54 354	1.15 308	0.95 258	1.35 307	1.03 279	1.03 327	0.96 270	0.89 283	0.31 312	0.27 319	0.29 307	0.24 284	0.23 240	0.27 270

AANet_RVC	0.59 254	0.35 267	0.68 238	0.47 240	0.28 179	0.57 179	0.47 243	1.04 222	1.28 330	0.87 216	1.33 303	0.86 234	0.63 204	1.16 311	0.89 283	0.19 191	0.13 141	0.15 41	0.14 69	0.18 151	0.20 192

NCCL2	0.74 292	0.45 306	0.77 271	0.65 346	0.45 323	0.97 299	1.16 369	1.16 262	1.02 262	1.00 281	0.98 198	1.48 347	0.88 307	0.99 283	0.89 283	0.31 312	0.27 319	0.39 343	0.39 348	0.33 302	0.34 309

MDST_ROB	0.97 332	0.29 229	1.02 319	0.64 344	0.43 311	2.64 384	0.82 342	1.68 371	1.18 317	2.89 390	1.82 352	0.97 264	0.75 264	1.83 368	0.89 283	0.26 278	0.22 286	0.32 322	0.28 313	0.26 263	0.26 262

fast-acv-ft	0.66 276	0.32 252	0.80 275	0.46 222	0.34 265	1.26 341	0.50 261	0.91 178	1.00 255	1.05 301	1.36 308	1.28 317	0.84 292	0.81 223	0.90 289	0.22 241	0.24 301	0.23 243	0.23 270	0.21 208	0.22 223

RP	0.80 303	0.38 281	0.73 261	0.67 350	0.59 355	0.82 271	0.57 288	1.21 279	1.28 330	1.03 290	1.68 343	1.45 342	1.49 364	1.08 300	0.90 289	0.36 339	0.31 338	0.37 337	0.30 318	0.36 318	0.36 315

FAT-Stereo	0.75 296	0.34 263	0.81 280	0.51 280	0.38 282	0.78 251	0.63 307	1.39 331	1.32 337	1.05 301	1.40 314	1.58 358	1.14 341	0.92 256	0.91 291	0.29 302	0.28 324	0.28 299	0.23 270	0.28 279	0.41 335

MSMD_ROB	1.25 357	0.51 320	0.64 220	0.60 331	0.50 338	1.66 365	0.67 311	1.26 297	1.26 328	2.64 387	3.82 394	3.06 385	3.20 399	1.45 346	0.91 291	0.46 357	0.41 367	0.49 362	0.51 371	0.47 346	0.45 348

UDG	0.93 324	1.03 377	0.75 267	1.00 374	0.97 376	1.02 312	0.57 288	1.18 270	1.01 257	0.93 249	1.02 217	1.32 323	1.03 327	0.88 246	0.92 293	0.55 371	0.33 349	1.82 389	0.41 356	1.20 382	0.74 374

edge stereo	0.79 302	0.40 293	0.82 281	0.52 294	0.44 316	0.83 274	0.58 295	1.34 324	1.08 288	1.30 341	1.38 312	1.79 363	1.13 340	1.15 310	0.92 293	0.34 332	0.32 344	0.42 348	0.28 313	0.33 302	0.39 324

anonymity	0.98 334	0.89 368	1.06 322	0.93 373	1.04 382	0.97 299	0.82 342	1.33 322	0.93 221	1.08 311	0.98 198	1.02 277	0.95 321	1.02 292	0.93 295	0.96 383	0.96 403	0.90 378	0.91 388	0.92 376	0.95 381

StereoDRNet-Refined	0.61 264	0.33 258	0.63 216	0.47 240	0.31 227	0.94 294	0.41 213	1.04 222	0.97 244	1.15 325	1.13 262	1.00 271	0.74 261	0.93 259	0.93 295	0.18 156	0.13 141	0.22 229	0.21 243	0.20 199	0.21 208
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NCC-stereo	0.82 306	0.43 303	0.87 297	0.63 341	0.68 366	0.88 285	0.72 323	1.60 365	1.12 296	0.95 258	1.41 316	1.37 335	1.37 356	1.26 323	0.94 297	0.32 317	0.30 330	0.37 337	0.49 368	0.34 308	0.35 312

Nwc_Net	0.82 306	0.40 293	0.86 292	0.62 339	0.56 348	1.04 316	0.57 288	1.72 373	1.08 288	0.93 249	1.88 355	1.44 341	1.24 348	1.19 315	0.94 297	0.31 312	0.25 309	0.36 333	0.39 348	0.31 292	0.31 295

Abc-Net	0.82 306	0.43 303	0.87 297	0.63 341	0.68 366	0.88 285	0.72 323	1.60 365	1.12 296	0.95 258	1.41 316	1.37 335	1.37 356	1.26 323	0.94 297	0.32 317	0.30 330	0.37 337	0.49 368	0.34 308	0.35 312
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
MFN_U_SF_DS_RVC	1.06 340	0.61 346	1.82 372	0.69 356	0.51 340	2.62 383	1.69 394	1.28 307	1.44 349	1.39 348	1.56 336	1.34 331	0.91 312	1.68 360	0.95 300	0.38 348	0.39 362	0.46 355	0.61 378	0.41 331	0.43 342

StereoDRNet	0.67 277	0.35 267	0.82 281	0.53 301	0.44 316	1.03 314	0.53 273	1.51 352	1.06 276	1.13 323	0.91 169	1.07 294	0.74 261	0.87 240	0.95 300	0.24 261	0.19 263	0.25 267	0.23 270	0.27 272	0.22 223

PA-Net	0.70 283	0.46 311	0.96 311	0.51 280	0.53 344	0.94 294	0.73 328	1.14 257	1.15 308	0.83 188	0.90 163	0.88 241	0.76 273	1.19 315	0.96 302	0.25 273	0.41 367	0.29 307	0.44 359	0.27 272	0.39 324
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LALA_ROB	0.76 299	0.46 311	0.86 292	0.55 316	0.41 299	1.00 306	0.93 354	1.25 295	1.13 301	1.23 334	1.15 266	1.55 355	0.80 283	1.11 304	0.96 302	0.33 325	0.23 293	0.35 330	0.30 318	0.35 314	0.32 298

pmcnn	1.27 359	0.31 250	1.14 328	0.41 104	0.23 56	0.97 299	0.71 319	1.23 288	1.32 337	1.83 367	2.34 367	11.25 412	0.89 309	1.04 295	0.96 302	0.15 67	0.12 86	0.12 2	0.10 10	0.15 66	0.16 98

ssnet_v2	0.61 264	0.29 229	0.69 246	0.45 199	0.30 217	0.93 292	0.62 304	1.20 276	1.03 266	0.97 273	0.81 129	0.98 266	0.67 228	0.84 234	0.97 305	0.26 278	0.23 293	0.23 243	0.24 284	0.20 199	0.21 208

RGC	0.82 306	0.62 347	0.80 275	0.67 350	0.66 364	0.91 290	0.59 298	1.35 325	1.09 294	1.12 322	1.46 327	1.50 349	1.09 334	1.28 326	0.97 305	0.34 332	0.30 330	0.48 359	0.40 351	0.38 323	0.38 323

XPNet_ROB	0.73 287	0.38 281	0.80 275	0.53 301	0.40 294	0.80 263	0.83 344	1.21 279	0.96 239	1.37 345	1.17 274	1.37 335	0.87 303	1.14 307	0.99 307	0.33 325	0.25 309	0.27 289	0.24 284	0.31 292	0.29 284

Wz-Net-LNSev	0.75 296	0.54 330	1.59 361	0.51 280	0.41 299	1.16 332	0.79 338	1.27 302	1.13 301	1.04 296	1.14 264	1.11 303	0.94 319	0.93 259	1.00 308	0.24 261	0.22 286	0.21 217	0.19 207	0.26 263	0.27 270

GwcNet	0.73 287	0.39 285	1.37 348	0.53 301	0.43 311	1.10 321	0.52 270	1.27 302	1.19 318	1.05 301	1.41 316	1.06 290	0.86 300	0.98 279	1.01 309	0.26 278	0.24 301	0.24 256	0.23 270	0.23 240	0.28 279

DRN-Test	0.68 280	0.34 263	0.77 271	0.52 294	0.40 294	1.14 328	0.61 302	1.56 359	1.04 270	1.18 327	1.10 250	1.05 286	0.72 255	0.82 228	1.01 309	0.24 261	0.18 246	0.26 281	0.25 295	0.26 263	0.23 242

CSAN	0.88 321	0.52 322	0.93 305	0.61 335	0.42 308	1.19 337	1.11 364	1.27 302	1.48 354	1.37 345	1.44 323	1.37 335	1.30 351	1.46 348	1.01 309	0.39 349	0.31 338	0.36 333	0.37 343	0.35 314	0.36 315

PDISCO_ROB	0.96 330	0.51 320	1.13 326	1.03 377	1.00 379	1.81 371	0.77 334	1.72 373	1.60 361	1.09 315	1.19 279	1.34 331	0.80 283	1.62 355	1.01 309	0.58 372	0.22 286	0.45 352	0.40 351	0.50 352	0.41 335

PSMNet_ROB	0.67 277	0.39 285	0.76 268	0.57 322	0.43 311	1.00 306	0.85 348	1.25 295	0.93 221	0.82 183	1.04 231	1.08 295	0.64 211	0.89 247	1.02 313	0.29 302	0.21 277	0.31 317	0.31 327	0.27 272	0.25 257

ttt	0.56 235	0.27 207	0.49 122	0.39 60	0.25 101	0.65 214	0.42 218	1.24 289	1.08 288	0.76 155	1.10 250	0.63 138	0.51 155	0.95 267	1.03 314	0.25 273	0.22 286	0.22 229	0.21 243	0.25 257	0.25 257

RainbowNet	1.42 368	1.53 391	1.31 343	1.93 393	1.46 387	1.52 358	1.03 360	1.67 370	1.55 357	1.23 334	1.59 339	1.54 354	1.21 345	1.40 338	1.03 314	1.70 394	0.70 385	1.82 389	0.80 385	2.11 392	1.22 389

Wz-Net-LNSev-Ref	0.67 277	0.30 243	1.20 331	0.42 129	0.31 227	1.00 306	0.58 295	1.16 262	1.07 283	1.01 283	1.25 287	1.08 295	0.75 264	1.18 314	1.03 314	0.20 210	0.12 86	0.16 57	0.13 49	0.22 226	0.22 223

psmorigin	0.84 313	0.53 324	2.21 380	0.50 268	0.41 299	0.86 282	0.57 288	1.08 240	0.90 208	1.50 350	1.42 320	1.50 349	1.09 334	1.29 327	1.03 314	0.32 317	0.33 349	0.27 289	0.27 307	0.34 308	0.45 348

RASNet	0.57 239	0.24 139	0.61 207	0.39 60	0.23 56	0.71 237	0.40 193	1.02 216	0.93 221	0.77 163	1.05 234	1.05 286	0.98 324	0.99 283	1.03 314	0.16 99	0.14 172	0.14 13	0.17 157	0.15 66	0.14 49

MFMNet_re	1.17 352	0.99 373	1.31 343	1.02 376	0.95 374	1.32 343	1.32 378	1.44 344	1.58 360	1.72 364	1.70 346	1.21 312	1.57 366	1.16 311	1.04 319	0.88 381	0.76 392	0.79 375	0.75 383	0.90 375	0.94 379

PWCDC_ROB	0.93 324	0.54 330	0.97 315	0.78 368	0.41 299	1.03 314	0.42 218	1.39 331	2.34 383	1.04 296	3.73 393	0.80 223	1.12 338	1.29 327	1.04 319	0.37 343	0.22 286	0.24 256	0.20 226	0.36 318	0.31 295

AF-Net	0.85 318	0.41 297	0.87 297	0.66 348	0.54 346	0.96 298	0.52 270	1.66 369	1.37 341	1.03 290	2.04 362	1.46 343	1.36 354	1.19 315	1.05 321	0.34 332	0.24 301	0.39 343	0.28 313	0.31 292	0.26 262

Wz-Net-MNSev	0.81 305	0.42 301	1.64 367	0.51 280	0.41 299	1.46 351	0.95 355	1.24 289	1.26 328	1.31 342	1.25 287	1.17 309	0.83 289	1.21 319	1.06 322	0.22 241	0.19 263	0.24 256	0.23 270	0.29 281	0.26 262

G-Net	0.95 329	0.48 319	1.13 326	0.67 350	0.49 335	2.07 376	0.63 307	1.02 216	0.90 208	1.77 365	2.62 377	1.28 317	1.60 367	1.09 301	1.06 322	0.37 343	0.30 330	0.35 330	0.25 295	0.46 344	0.45 348

S-Stereo	0.76 299	0.36 275	1.10 323	0.57 322	0.46 331	0.83 274	0.59 298	1.31 314	1.62 363	0.98 276	1.41 316	1.11 303	0.93 316	0.85 236	1.07 324	0.27 287	0.31 338	0.28 299	0.25 295	0.33 302	0.50 359

DeepPrunerF	0.93 324	0.55 336	3.88 390	0.70 359	0.81 370	0.72 240	0.74 330	1.28 307	1.97 374	0.95 258	1.02 217	0.87 238	0.85 296	1.16 311	1.07 324	0.35 337	0.29 326	0.43 349	0.40 351	0.31 292	0.33 307

DISCO	0.72 286	0.27 207	0.72 257	0.45 199	0.31 227	1.12 326	0.53 273	1.32 319	1.25 325	0.84 194	1.07 242	1.52 353	0.87 303	1.82 367	1.08 326	0.20 210	0.15 190	0.18 116	0.16 115	0.24 248	0.24 250

Consistency-Raft	1.01 338	0.82 362	1.27 338	0.85 370	0.97 376	0.81 268	0.83 344	1.35 325	1.61 362	1.06 309	1.66 342	1.11 303	0.93 316	0.93 259	1.11 327	0.65 374	0.75 390	0.79 375	0.91 388	1.09 381	0.79 376

PASM	0.96 330	0.71 356	2.05 377	0.72 362	0.72 369	0.84 279	0.92 352	1.14 257	1.34 340	1.25 337	1.22 283	1.34 331	1.07 332	1.31 332	1.11 327	0.53 367	0.57 382	0.59 371	0.67 379	0.56 367	0.57 370

DispFullNet	1.64 376	2.64 410	3.14 386	2.57 402	1.78 395	1.32 343	0.55 283	1.42 342	1.45 350	1.89 369	1.48 330	1.55 355	2.35 389	2.08 377	1.12 329	0.60 373	0.19 263	2.33 400	0.73 382	2.35 397	1.30 393

FBW_ROB	0.94 328	0.54 330	1.03 320	0.56 319	0.42 308	1.16 332	0.76 333	1.56 359	1.41 345	1.38 347	1.33 303	1.47 345	1.07 332	2.94 392	1.14 330	0.26 278	0.32 344	0.45 352	0.30 318	0.34 308	0.30 288

aanetorigin	0.85 318	0.58 342	1.98 375	0.50 268	0.40 294	0.66 219	0.70 317	0.72 109	1.01 257	2.44 385	2.00 360	1.32 323	1.25 349	0.96 270	1.16 331	0.20 210	0.19 263	0.20 176	0.20 226	0.27 272	0.33 307

ACVNet_1	1.55 373	1.36 386	1.35 347	1.96 395	1.63 390	1.83 372	0.96 357	2.09 381	1.85 372	1.43 349	1.54 334	2.31 374	1.68 371	1.42 342	1.18 332	1.76 396	0.51 379	2.05 397	0.59 376	2.24 396	1.30 393

APVNet	0.73 287	0.39 285	1.01 318	0.58 327	0.45 323	1.16 332	0.68 314	1.47 348	0.87 190	0.84 194	1.15 266	1.04 283	0.84 292	1.14 307	1.18 332	0.27 287	0.28 324	0.32 322	0.31 327	0.29 281	0.32 298

FCDSN-DC	1.43 369	0.57 339	0.69 246	0.74 364	0.59 355	1.42 349	0.65 310	1.40 335	1.41 345	3.31 400	4.42 403	4.57 395	3.01 397	1.70 361	1.19 334	0.46 357	0.42 369	0.48 359	0.47 361	0.51 355	0.51 363
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ACVNet_2	1.74 378	1.30 384	1.62 366	1.81 390	1.63 390	2.28 380	1.34 380	2.35 386	2.64 386	1.82 366	2.55 373	2.99 383	1.71 372	1.67 359	1.20 335	1.48 392	0.59 383	1.81 388	0.71 381	2.09 391	1.29 392

LSM	4.83 405	0.83 365	11.23 407	0.76 367	56.73 429	1.10 321	1.18 370	1.35 325	1.70 368	2.13 375	2.34 367	1.34 331	1.19 344	1.52 351	1.23 336	0.34 332	0.50 378	0.39 343	0.47 361	0.51 355	9.82 416

iinet-f	0.69 282	0.29 229	2.34 382	0.41 104	0.31 227	1.16 332	0.58 295	0.87 166	0.85 180	0.86 214	1.17 274	1.04 283	0.83 289	0.76 200	1.26 337	0.21 225	0.18 246	0.17 85	0.16 115	0.21 208	0.21 208

SANet	1.15 349	0.45 306	1.40 350	0.50 268	0.32 244	1.54 359	1.21 372	1.49 349	3.35 394	1.61 354	2.41 370	2.32 376	1.80 375	1.57 353	1.27 338	0.28 295	0.25 309	0.26 281	0.24 284	0.36 318	0.32 298

RYNet	0.76 299	0.37 277	0.74 265	0.54 310	0.67 365	1.35 345	0.68 314	1.28 307	1.21 322	1.10 318	0.90 163	1.31 321	0.94 319	1.01 289	1.30 339	0.22 241	0.16 211	0.27 289	0.23 270	0.43 337	0.45 348

WCMA_ROB	1.22 354	0.39 285	0.93 305	0.51 280	0.45 323	1.44 350	0.79 338	1.20 276	1.30 335	2.99 396	3.94 397	3.30 389	2.17 386	1.42 342	1.31 340	0.46 357	0.35 354	0.35 330	0.37 343	0.41 331	0.42 338

MeshStereo	1.38 365	0.45 306	0.58 193	0.45 199	0.35 270	1.63 363	0.60 300	2.07 380	1.43 348	4.49 405	3.32 389	4.67 396	2.08 383	2.08 377	1.32 341	0.36 339	0.36 356	0.37 337	0.32 330	0.32 298	0.34 309
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
ccnet	0.84 313	0.59 344	0.86 292	0.56 319	0.60 358	1.11 325	0.72 323	1.44 344	0.97 244	1.15 325	1.44 323	1.28 317	0.95 321	1.01 289	1.33 342	0.49 362	0.43 371	0.50 364	0.47 361	0.52 358	0.48 356

Anonymous Stereo	0.82 306	0.59 344	2.10 378	0.59 329	0.58 353	0.68 232	1.42 385	1.05 228	1.07 283	1.03 290	1.02 217	0.86 234	0.65 217	1.33 335	1.36 343	0.32 317	0.31 338	0.31 317	0.33 336	0.34 308	0.39 324

DANet	0.74 292	0.47 317	0.98 316	0.60 331	0.41 299	0.92 291	0.41 213	1.02 216	0.87 190	1.22 332	1.22 283	1.33 328	0.88 307	1.26 323	1.37 344	0.27 287	0.24 301	0.31 317	0.25 295	0.37 321	0.36 315
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
SGM_RVC	1.04 339	0.30 243	0.47 102	0.41 104	0.23 56	1.73 369	0.77 334	1.63 367	1.30 335	2.39 383	1.99 359	2.64 379	1.78 374	2.22 381	1.40 345	0.28 295	0.27 319	0.27 289	0.25 295	0.25 257	0.25 257
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
FC-DCNN	1.67 377	0.53 324	0.68 238	0.62 339	0.49 335	1.62 362	0.71 319	1.77 376	1.55 357	4.73 407	4.66 405	5.82 404	3.94 402	2.13 379	1.42 346	0.47 360	0.42 369	0.47 356	0.46 360	0.48 347	0.47 354

NVStereoNet_ROB	1.31 363	0.96 371	1.33 345	0.90 372	0.92 371	1.15 330	1.05 361	1.49 349	1.62 363	1.63 356	2.51 372	2.31 374	1.62 368	2.16 380	1.42 346	0.81 379	0.73 386	0.79 375	1.02 392	0.73 370	0.97 382
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
DualNet	0.53 216	0.28 220	0.68 238	0.39 60	0.26 129	0.56 169	0.40 193	0.72 109	1.13 301	0.76 155	0.98 198	0.71 173	0.55 166	0.61 94	1.46 348	0.17 125	0.11 39	0.25 267	0.21 243	0.16 103	0.17 134

ff1	0.56 235	0.28 220	0.68 238	0.39 60	0.26 129	0.56 169	0.40 193	0.72 109	1.13 301	0.76 155	0.98 198	0.71 173	0.55 166	1.25 320	1.46 348	0.17 125	0.11 39	0.25 267	0.21 243	0.16 103	0.17 134

mmx	0.59 254	0.28 220	0.68 238	0.39 60	0.26 129	0.56 169	0.40 193	1.24 289	1.06 276	0.76 155	0.98 198	0.71 173	0.55 166	1.25 320	1.46 348	0.21 225	0.16 211	0.25 267	0.21 243	0.24 248	0.22 223

xxx	0.59 254	0.28 220	0.68 238	0.39 60	0.26 129	0.56 169	0.40 193	1.24 289	1.06 276	0.76 155	0.98 198	0.71 173	0.55 166	1.25 320	1.46 348	0.21 225	0.16 211	0.25 267	0.21 243	0.24 248	0.22 223

MSC_U_SF_DS_RVC	1.38 365	0.91 369	2.11 379	0.89 371	0.57 352	4.27 403	1.79 398	1.55 355	2.00 376	1.64 357	1.85 354	1.83 364	1.44 360	1.89 371	1.49 352	0.49 362	0.40 365	0.56 368	0.58 375	0.75 371	0.52 365

SAMSARA	1.15 349	0.69 352	1.44 354	1.09 379	0.93 372	2.10 377	1.87 401	1.64 368	1.47 353	1.64 357	1.21 281	2.06 370	1.14 341	1.61 354	1.50 353	0.39 349	0.45 373	0.36 333	0.38 346	0.50 352	0.51 363

DPSNet	1.08 343	0.44 305	2.64 383	0.54 310	0.42 308	1.59 360	1.25 375	2.39 387	1.50 355	1.13 323	1.12 256	1.51 351	2.19 387	1.44 345	1.51 354	0.35 337	0.25 309	0.25 267	0.21 243	0.49 350	0.39 324

PWC_ROB	0.92 323	0.57 339	1.64 367	0.53 301	0.33 255	0.93 292	0.39 183	1.42 342	1.51 356	1.66 359	2.57 374	1.18 310	1.11 336	1.50 350	1.54 355	0.26 278	0.18 246	0.28 299	0.20 226	0.30 288	0.32 298

SGM+DAISY	1.52 372	0.99 373	1.61 365	1.01 375	1.02 380	1.86 373	1.19 371	1.49 349	1.38 343	2.96 394	3.00 384	2.79 381	1.94 377	1.88 369	1.62 356	0.98 385	0.97 404	0.91 380	0.91 388	0.94 377	0.99 384

SPS-STEREO	1.29 361	0.94 370	1.10 323	1.05 378	1.03 381	1.48 353	0.91 350	1.57 361	1.24 323	2.13 375	1.90 356	1.94 368	1.46 361	1.77 364	1.64 357	0.97 384	0.94 402	0.90 378	0.89 387	0.96 378	0.97 382
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
Wz-Net-SNSev	0.99 336	0.80 361	3.00 384	0.57 322	0.46 331	0.94 294	1.22 374	1.40 335	1.28 330	1.04 296	1.33 303	1.46 343	0.90 311	2.06 375	1.65 358	0.26 278	0.24 301	0.25 267	0.26 303	0.33 302	0.30 288

Dean	2.07 387	1.39 387	1.69 371	2.17 397	1.83 397	2.75 388	1.28 376	3.49 399	3.80 398	2.13 375	3.30 388	3.18 387	1.98 380	1.78 365	1.72 359	1.73 395	0.79 396	1.99 391	0.91 388	2.17 394	1.34 396

SuperB	1.00 337	0.41 297	4.03 393	0.45 199	0.32 244	0.99 305	0.49 258	1.09 243	2.09 377	1.10 318	1.10 250	0.74 196	0.83 289	1.13 305	1.75 360	0.20 210	0.15 190	0.17 85	0.15 90	2.50 401	0.27 270

SHD	0.98 334	0.54 330	1.30 342	0.63 341	0.50 338	1.14 328	0.50 261	1.80 377	2.20 378	1.66 359	1.39 313	1.47 345	1.21 345	1.40 338	1.80 361	0.32 317	0.27 319	0.32 322	0.34 338	0.41 331	0.44 346

LVE	2.20 390	1.47 389	1.44 354	2.06 396	1.80 396	2.79 390	1.77 397	2.96 390	3.94 400	1.95 372	4.29 402	3.47 392	1.97 378	2.48 385	1.85 362	2.06 398	0.88 397	2.06 398	1.13 399	2.17 394	1.53 398

MFN_U_SF_RVC	1.14 348	0.63 348	2.33 381	0.69 356	0.46 331	2.04 375	0.70 317	1.90 378	1.37 341	1.62 355	1.56 336	1.94 368	1.36 354	1.73 363	1.90 363	0.41 354	0.38 358	0.45 352	0.48 365	0.45 341	0.47 354

IMH-64-1	1.96 381	1.64 396	1.26 335	2.26 399	1.91 398	2.30 381	1.35 381	2.99 391	2.29 379	1.70 361	2.79 381	2.47 377	1.66 369	2.33 382	1.95 364	2.07 399	0.74 388	2.44 401	1.04 394	2.40 398	1.59 399

IMH-64	1.96 381	1.64 396	1.26 335	2.26 399	1.91 398	2.30 381	1.35 381	2.99 391	2.29 379	1.70 361	2.79 381	2.47 377	1.66 369	2.33 382	1.95 364	2.07 399	0.74 388	2.44 401	1.04 394	2.40 398	1.59 399

IMH	2.15 389	1.66 398	1.29 340	2.25 398	1.92 400	2.87 391	1.33 379	3.25 394	3.04 391	1.87 368	3.33 391	3.00 384	2.03 382	2.80 391	1.95 364	2.09 401	0.78 393	2.45 403	1.05 397	2.44 400	1.62 401

Wz-Net-TNSev	1.23 356	1.24 382	5.25 398	0.51 280	0.43 311	1.49 356	1.09 363	1.58 362	1.42 347	1.25 337	1.26 290	1.58 358	1.52 365	1.97 372	1.95 364	0.33 325	0.32 344	0.26 281	0.30 318	0.41 331	0.43 342

XQC	0.97 332	0.70 353	1.54 359	0.70 359	0.55 347	1.48 353	0.81 340	1.41 337	1.57 359	1.21 330	1.12 256	1.33 328	1.04 329	1.55 352	2.00 368	0.39 349	0.25 309	0.37 337	0.32 330	0.55 362	0.49 357

KSHMR	2.64 392	1.96 402	1.86 374	2.69 406	2.44 404	2.88 392	2.04 402	3.46 398	6.31 404	2.51 386	3.27 386	3.39 391	1.97 378	2.59 388	2.08 369	2.48 406	1.41 408	2.80 410	1.51 406	2.98 406	2.09 404

PVD	1.34 364	0.70 353	1.42 352	0.78 368	0.65 362	1.68 366	0.91 350	2.12 383	3.01 390	2.25 380	2.35 369	1.90 367	1.99 381	1.98 373	2.14 370	0.40 353	0.38 358	0.49 362	0.37 343	0.51 355	0.67 372

1111x	0.64 274	0.23 120	0.61 207	0.39 60	0.21 25	0.68 232	0.46 238	1.32 319	1.03 266	0.76 155	1.02 217	0.95 260	0.72 255	1.13 305	2.15 371	0.18 156	0.18 246	0.18 116	0.19 207	0.20 199	0.19 165

WZ-Net	1.29 361	0.64 349	5.42 399	0.64 344	0.52 342	1.37 346	1.29 377	1.41 337	1.77 370	1.56 353	1.69 345	1.74 362	1.41 358	2.50 387	2.16 372	0.28 295	0.21 277	0.23 243	0.25 295	0.39 327	0.41 335

PWCK	2.06 386	1.75 399	4.11 394	1.69 388	0.93 372	3.13 396	2.86 408	2.18 384	2.41 384	2.38 382	2.33 366	2.22 372	1.85 376	3.52 396	2.20 373	1.65 393	0.73 386	1.52 386	0.83 386	1.81 385	1.02 387

EDNetEfficientorigin	9.96 412	1.17 381	175.17 434	0.49 257	0.37 277	1.13 327	0.74 330	1.27 302	2.70 387	3.16 399	2.49 371	2.28 373	2.15 385	1.88 369	2.27 374	0.21 225	0.19 263	0.25 267	0.20 226	0.54 360	0.53 367

WAO-8	3.00 394	1.60 393	1.52 356	1.82 391	1.65 392	5.57 405	1.35 381	4.65 406	12.37 409	2.89 390	4.04 399	4.89 399	2.78 393	3.73 398	2.44 375	1.29 389	0.93 400	2.00 392	1.16 401	2.02 389	1.23 390

Venus	3.00 394	1.60 393	1.52 356	1.82 391	1.65 392	5.57 405	1.35 381	4.65 406	12.37 409	2.89 390	4.04 399	4.89 399	2.78 393	3.73 398	2.44 375	1.29 389	0.93 400	2.00 392	1.16 401	2.02 389	1.23 390

RTSC	0.93 324	0.54 330	1.59 361	0.56 319	0.40 294	1.17 336	0.55 283	1.44 344	1.82 371	1.53 352	1.26 290	1.15 308	0.82 287	1.70 361	2.44 375	0.26 278	0.20 271	0.23 243	0.24 284	0.31 292	0.32 298

WAO-6	2.11 388	1.52 390	1.25 334	1.73 389	1.69 394	2.72 387	1.62 391	3.15 393	3.64 395	2.01 374	3.28 387	3.52 393	2.20 388	2.59 388	2.48 378	1.31 391	0.92 398	2.04 396	1.22 403	1.89 387	1.35 397

WAO-7	1.96 381	1.24 382	1.52 356	1.28 384	1.06 383	2.92 393	1.64 392	3.32 395	3.05 392	2.28 381	3.32 389	3.19 388	2.38 390	3.39 394	2.49 379	1.02 386	0.92 398	1.06 382	1.04 394	1.05 380	0.99 384

ELAS_RVC	1.76 379	0.64 349	1.20 331	0.74 364	0.59 355	2.18 378	2.53 406	2.10 382	2.85 389	3.46 401	3.41 392	3.12 386	4.11 403	2.69 390	2.53 380	0.54 370	0.47 376	0.51 366	0.48 365	0.55 362	0.55 368
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ktn	3.02 396	2.27 405	1.85 373	2.89 407	2.54 408	3.72 399	2.14 403	3.79 402	5.33 402	2.82 389	5.09 407	5.95 405	2.54 391	3.34 393	2.58 381	2.65 408	1.44 409	2.78 409	2.03 409	2.61 403	2.10 405

ELAS	1.77 380	0.64 349	1.10 323	0.72 362	0.58 353	3.37 398	1.76 396	2.54 388	2.57 385	3.77 403	3.96 398	2.83 382	3.44 400	2.34 384	2.73 382	0.53 367	0.47 376	0.50 364	0.48 365	0.55 362	0.55 368
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
notaker	2.87 393	2.31 406	2.01 376	3.03 408	2.60 409	2.94 394	1.82 399	3.43 397	3.06 393	2.89 390	4.21 401	6.15 407	2.71 392	3.42 395	2.90 383	2.67 409	1.18 406	3.00 411	1.67 407	3.13 407	2.26 406

TorneroNet-64	3.54 398	1.89 400	1.59 361	2.62 405	2.29 402	6.88 408	1.72 395	4.72 408	11.88 407	2.43 384	5.46 409	8.16 409	2.80 395	4.13 402	3.03 384	2.25 404	0.75 390	2.57 405	1.09 398	2.65 404	1.84 403

coex-ft	6.50 410	1.57 392	87.99 433	0.49 257	0.38 282	1.41 348	1.21 372	1.21 279	7.96 406	12.14 413	2.78 380	2.74 380	3.83 401	1.30 331	3.19 385	0.24 261	0.23 293	0.27 289	0.24 284	0.48 347	0.40 330

ADCRef	0.84 313	0.46 311	1.60 364	0.52 294	0.45 323	1.08 320	0.52 270	1.13 255	1.03 266	1.22 332	1.43 322	0.87 238	0.93 316	0.91 254	3.35 386	0.19 191	0.16 211	0.23 243	0.23 270	0.23 240	0.22 223

UNDER WATER-64	3.72 400	2.07 403	4.57 396	3.30 411	2.52 407	5.61 407	2.63 407	3.67 401	12.27 408	3.09 397	2.66 378	5.99 406	4.74 406	3.93 401	3.57 387	2.54 407	1.24 407	2.65 406	1.48 405	3.21 409	2.62 409

TorneroNet	4.49 402	1.92 401	1.65 369	2.60 404	2.29 402	14.95 416	1.86 400	4.86 409	19.56 423	3.10 398	7.52 411	7.00 408	2.90 396	4.48 403	3.66 388	2.24 403	0.78 393	2.68 407	1.14 400	2.79 405	1.80 402

UNDER WATER	3.63 399	2.12 404	4.11 394	3.17 409	2.51 406	3.77 401	2.45 405	3.53 400	13.66 412	2.98 395	2.92 383	5.75 403	4.13 404	3.85 400	3.75 389	2.84 410	1.11 405	2.71 408	1.41 404	3.26 410	2.50 408

JetBlue	3.02 396	1.39 387	7.91 404	1.17 381	1.49 388	8.53 409	7.94 411	2.82 389	1.98 375	2.15 379	2.69 379	3.32 390	3.01 397	6.66 408	3.81 390	0.79 377	0.78 393	0.75 374	0.76 384	1.04 379	1.33 395

EDNetEfficient	1.47 371	0.82 362	6.28 401	0.48 248	0.40 294	0.73 241	0.83 344	0.95 196	2.77 388	3.48 402	1.95 357	1.64 360	2.12 384	1.42 342	3.84 391	0.21 225	0.19 263	0.21 217	0.21 243	0.43 337	0.42 338

ADCPNet	1.11 347	0.53 324	3.26 388	0.55 316	0.44 316	1.47 352	0.83 344	1.21 279	1.17 313	1.26 339	1.42 320	1.67 361	1.12 338	1.48 349	3.86 392	0.30 309	0.29 326	0.30 316	0.32 330	0.37 321	0.37 321

RTS	2.03 384	1.03 377	11.50 408	0.68 353	0.63 360	2.71 385	1.56 389	1.55 355	2.32 381	1.93 370	2.57 374	1.32 323	1.32 352	5.20 404	4.30 393	0.31 312	0.23 293	0.29 307	0.30 318	0.41 331	0.40 330

RTSA	2.03 384	1.03 377	11.50 408	0.68 353	0.63 360	2.71 385	1.56 389	1.55 355	2.32 381	1.93 370	2.57 374	1.32 323	1.32 352	5.20 404	4.30 393	0.31 312	0.23 293	0.29 307	0.30 318	0.41 331	0.40 330

AnyNet_C01	1.63 375	1.16 380	7.38 403	0.65 346	0.56 348	2.25 379	1.53 387	1.53 353	1.46 352	1.71 363	1.95 357	1.83 364	1.41 358	2.48 385	4.42 395	0.33 325	0.32 344	0.32 322	0.34 338	0.45 341	0.50 359

MADNet+	2.28 391	2.56 407	10.82 406	1.25 383	0.96 375	2.77 389	1.44 386	2.34 385	1.76 369	1.36 344	1.78 351	1.84 366	1.74 373	6.33 407	4.57 396	0.67 375	0.66 384	0.59 371	0.54 374	0.84 373	0.81 377

AnyNet_C32	1.27 359	0.72 357	3.33 389	0.59 329	0.56 348	1.51 357	1.53 387	1.27 302	1.28 330	1.52 351	1.48 330	1.38 339	1.23 347	1.64 357	5.26 397	0.30 309	0.29 326	0.29 307	0.34 338	0.38 323	0.44 346

ADCL	1.10 344	0.42 301	1.57 360	0.51 280	0.41 299	1.71 368	0.92 352	1.36 329	1.45 350	1.33 343	1.56 336	1.22 315	1.26 350	1.45 346	5.27 398	0.22 241	0.19 263	0.25 267	0.25 295	0.29 281	0.29 284

ADCMid	1.22 354	0.57 339	3.17 387	0.54 310	0.44 316	1.07 319	0.77 334	1.31 314	1.13 301	2.14 378	1.48 330	1.49 348	1.47 363	1.65 358	5.30 399	0.26 278	0.24 301	0.29 307	0.32 330	0.38 323	0.36 315

MADNet++	4.18 401	2.72 412	4.00 391	3.80 413	3.44 412	4.72 404	4.05 410	4.01 403	3.74 396	4.52 406	5.14 408	4.20 394	4.89 407	7.04 410	6.39 400	3.79 411	3.70 414	3.27 413	2.70 412	3.68 412	3.74 414

HanzoNet	6.97 411	2.57 408	4.66 397	3.29 410	2.96 411	3.75 400	2.35 404	5.08 410	7.11 405	14.46 420	13.06 413	17.69 417	22.95 423	13.72 415	6.61 401	4.36 413	1.96 410	3.14 412	2.59 411	3.88 413	3.19 412

tt	6.21 409	0.22 97	5.88 400	3.55 412	2.07 401	11.25 414	19.19 415	11.84 415	5.47 403	2.71 388	2.18 364	4.87 398	6.25 408	3.71 397	7.09 402	8.31 417	11.17 421	4.91 414	5.39 416	5.72 414	2.42 407

ADCP+	1.18 353	0.37 277	3.09 385	0.50 268	0.52 342	1.48 353	0.61 302	1.32 319	1.07 283	1.21 330	1.16 269	1.08 295	1.11 336	1.63 356	7.17 403	0.20 210	0.16 211	0.24 256	0.22 261	0.29 281	0.22 223

MANE	4.73 403	0.54 330	0.77 271	0.69 356	0.60 358	10.35 411	1.67 393	8.68 412	12.66 411	6.90 411	9.43 412	11.59 413	10.59 410	8.26 411	8.41 404	0.51 365	0.45 373	0.48 359	1.02 392	0.50 352	0.50 359

DPSimNet_ROB	5.19 407	2.71 411	18.56 412	2.59 403	2.49 405	4.25 402	10.93 412	3.33 396	3.93 399	5.02 408	4.52 404	5.74 402	10.18 409	5.44 406	8.79 405	2.40 405	2.47 411	2.48 404	2.54 410	2.56 402	2.87 410

ADCS	1.60 374	0.70 353	4.02 392	0.61 335	0.53 344	1.31 342	1.11 364	1.71 372	1.86 373	1.97 373	1.68 343	1.51 351	1.46 361	2.07 376	9.20 406	0.34 332	0.32 344	0.33 327	0.36 341	0.45 341	0.46 352

SGM-ForestM	4.73 403	0.34 263	1.05 321	0.46 222	0.28 179	10.26 410	3.48 409	4.52 404	5.16 401	8.68 412	7.48 410	18.87 419	10.80 411	11.26 414	10.01 407	0.32 317	0.34 352	0.32 322	0.32 330	0.29 281	0.30 288

xxxx	1.07 342	0.23 120	0.53 165	0.38 44	0.22 30	0.83 274	0.36 145	1.41 337	0.95 232	0.75 150	0.99 207	0.97 264	0.64 211	0.70 176	11.37 408	0.20 210	0.17 237	0.18 116	0.17 157	0.19 184	0.20 192

test_xeample	1.06 340	0.23 120	0.51 139	0.37 35	0.22 30	0.71 237	0.39 183	1.31 314	0.92 220	0.87 216	1.08 248	0.70 172	0.64 211	0.75 192	11.43 409	0.19 191	0.16 211	0.18 116	0.17 157	0.18 151	0.19 165

JetRed	5.38 408	6.17 414	12.68 411	2.38 401	2.85 410	12.60 415	11.17 413	4.60 405	3.74 396	3.87 404	3.85 395	4.83 397	4.13 404	6.81 409	12.18 410	2.18 402	2.95 413	2.19 399	1.98 408	3.49 411	3.01 411

PML	40.49 434	30.31 423	12.46 410	7.19 415	14.30 414	91.44 434	212.44 435	7.73 411	23.24 424	74.44 434	185.05 435	49.81 434	25.78 424	21.34 419	12.84 411	8.71 418	2.93 412	8.43 418	3.24 413	13.77 419	4.45 415

222	1.25 357	0.23 120	0.53 165	0.38 44	0.23 56	0.78 251	0.37 157	1.41 337	0.93 221	0.97 273	1.13 262	0.74 196	0.71 248	0.74 187	14.86 412	0.20 210	0.16 211	0.17 85	0.16 115	0.18 151	0.20 192

LE_ROB	4.86 406	0.27 207	9.43 405	0.45 199	0.24 77	1.61 361	0.96 357	2.05 379	17.75 419	16.36 421	4.84 406	5.17 401	19.48 421	2.05 374	15.49 413	0.17 125	0.15 190	0.16 57	0.16 115	0.20 199	0.19 165

LRCNet_RVC	21.27 419	31.14 424	21.46 415	28.97 422	23.77 420	3.11 395	0.62 304	20.94 421	1.64 365	25.57 422	28.13 423	21.96 422	14.74 412	21.99 423	16.44 414	29.16 431	14.92 422	33.57 427	31.28 427	29.67 429	26.33 427

BEATNet-Init1	15.65 415	1.62 395	54.26 432	0.75 366	0.56 348	37.03 426	13.39 414	13.20 416	14.59 413	29.41 430	29.29 430	47.69 433	21.87 422	26.91 424	19.58 415	0.43 356	0.39 362	0.47 356	0.47 361	0.52 358	0.52 365

AAGNet	1.40 367	0.20 54	0.52 158	0.45 199	0.26 129	0.29 35	0.29 57	0.67 66	0.71 116	0.97 273	0.86 149	0.66 161	0.60 193	0.66 146	19.98 416	0.17 125	0.11 39	0.19 147	0.15 90	0.20 199	0.13 31

DPSMNet_ROB	12.13 414	8.03 415	21.13 414	9.02 417	16.82 416	10.68 412	30.78 420	9.15 414	15.24 415	6.56 410	15.50 421	9.02 410	15.13 413	9.28 413	21.71 417	4.59 415	8.60 416	5.08 416	9.26 417	5.89 416	11.06 417

DGTPSM_ROB	12.12 413	8.03 415	21.12 413	8.97 416	16.81 415	10.68 412	30.77 419	9.14 413	15.23 414	6.55 409	15.49 420	9.02 410	15.13 413	9.26 412	21.71 417	4.58 414	8.60 416	5.07 415	9.26 417	5.88 415	11.06 417

Anonymous_1	33.12 422	18.23 417	23.86 416	20.53 418	21.18 419	25.45 418	35.84 421	22.44 425	15.68 416	13.41 414	13.70 417	18.00 418	15.15 415	20.31 416	24.47 419	14.56 424	8.84 418	66.24 431	117.79 431	155.41 434	11.40 419

DPSM_ROB	17.80 416	18.60 418	24.24 420	20.89 419	19.49 417	25.83 419	36.10 422	21.62 423	16.41 417	13.46 415	14.26 418	19.11 420	16.15 416	20.74 417	25.59 420	9.37 419	9.23 419	9.47 419	9.81 419	13.47 417	12.09 420

DPSM	17.80 416	18.60 418	24.24 420	20.89 419	19.49 417	25.83 419	36.10 422	21.62 423	16.41 417	13.46 415	14.26 418	19.11 420	16.15 416	20.74 417	25.59 420	9.37 419	9.23 419	9.47 419	9.81 419	13.47 417	12.09 420

xxxxx1	36.77 428	19.69 420	24.00 417	62.46 431	66.77 431	27.30 422	39.89 424	20.40 418	18.80 420	14.18 417	13.11 414	17.29 414	17.30 418	21.62 420	27.81 422	13.61 421	18.98 429	111.36 432	133.25 432	28.84 426	38.64 429

tt_ll	36.77 428	19.69 420	24.00 417	62.46 431	66.77 431	27.30 422	39.89 424	20.40 418	18.80 420	14.18 417	13.11 414	17.29 414	17.30 418	21.62 420	27.81 422	13.61 421	18.98 429	111.36 432	133.25 432	28.84 426	38.64 429

ff	36.77 428	19.69 420	24.00 417	62.46 431	66.77 431	27.30 422	39.89 424	20.40 418	18.80 420	14.18 417	13.11 414	17.29 414	17.30 418	21.62 420	27.81 422	13.61 421	18.98 429	111.36 432	133.25 432	28.84 426	38.64 429

HaxPig	31.93 421	37.19 426	34.22 422	24.41 421	24.94 421	18.53 417	20.18 416	21.15 422	28.84 425	35.74 431	38.86 431	26.18 423	28.75 425	33.85 425	34.15 425	35.89 432	38.80 432	37.79 428	40.52 428	39.33 430	39.33 432

MEDIAN_ROB	37.35 431	40.72 434	40.37 425	32.26 423	31.80 422	27.29 421	25.02 417	29.47 426	33.43 433	41.99 433	41.60 433	33.48 424	34.37 433	39.66 427	36.94 426	43.49 434	43.96 434	44.07 430	43.35 430	41.32 432	42.43 434

AVERAGE_ROB	37.53 432	40.05 433	40.01 424	34.74 424	33.76 423	28.46 425	25.14 418	32.31 427	34.08 434	41.20 432	40.52 432	34.51 425	34.78 434	39.11 426	37.48 427	42.68 433	43.32 433	43.80 429	42.99 429	40.42 431	41.31 433

SPstereo	24.33 420	4.45 413	7.15 402	4.44 414	4.17 413	45.69 427	77.93 433	63.66 434	33.40 432	27.58 429	26.62 422	39.42 432	33.37 432	42.68 434	50.66 428	4.01 412	3.77 415	6.06 417	4.73 414	3.17 408	3.55 413

Selective-RAFT-Error	35.87 427	37.42 428	48.73 431	42.24 426	39.28 425	52.00 432	72.87 428	43.41 432	32.95 427	26.97 424	28.72 425	38.71 431	33.15 431	41.59 432	51.42 429	18.77 429	18.60 425	19.14 426	19.78 426	27.19 424	24.42 426

MyStereo03	35.83 424	37.48 429	48.64 428	42.37 427	39.41 426	51.98 429	72.91 429	43.07 428	33.07 429	27.20 426	28.81 427	38.36 426	32.60 427	41.58 428	51.47 430	18.74 426	18.61 426	19.07 421	19.77 423	27.10 420	24.35 423

MyStereo02	35.83 424	37.48 429	48.64 428	42.37 427	39.41 426	51.98 429	72.91 429	43.07 428	33.07 429	27.20 426	28.81 427	38.36 426	32.60 427	41.58 428	51.47 430	18.74 426	18.61 426	19.07 421	19.77 423	27.10 420	24.35 423

MyStereo	35.83 424	37.48 429	48.64 428	42.37 427	39.41 426	51.98 429	72.91 429	43.07 428	33.07 429	27.20 426	28.81 427	38.36 426	32.60 427	41.58 428	51.47 430	18.74 426	18.61 426	19.07 421	19.77 423	27.10 420	24.35 423

CasAABBNet	35.77 423	37.38 427	48.59 427	42.20 425	39.23 424	51.95 428	72.92 432	43.36 431	33.03 428	26.93 423	28.31 424	38.43 429	32.32 426	41.58 428	51.50 433	18.71 425	18.58 424	19.11 425	19.75 422	27.11 423	24.33 422

LSM0	38.96 433	37.52 432	48.37 426	43.79 430	91.31 434	52.31 433	72.38 427	43.71 433	32.75 426	27.16 425	28.73 426	38.51 430	32.63 430	41.75 433	51.59 434	18.85 430	18.43 423	19.09 424	19.60 421	27.21 425	33.44 428

test_example2	176.82 435	204.75 435	198.54 435	188.58 435	191.23 435	151.28 435	169.77 434	97.63 435	125.81 435	179.94 435	183.74 434	158.20 435	139.14 435	192.16 435	198.12 435	203.48 435	236.37 435	163.71 435	173.22 435	217.79 435	162.95 435

Low-res two-view benchmark